張 偉,陳鳳龍,李 強

(1.東北電力大學現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術教育部重點實驗室,吉林 吉林 132012;2.國網(wǎng)四川省電力公司綿陽供電公司,四川 綿陽 621000)

0 引 言

隨著新能源汽車的普及,同時也要求充電設施的不斷改進與發(fā)展[1],充電速度快、充電效率高等是直流充電樁最突出的優(yōu)點,這吸引著眾多研究者研究直流充電樁[2]。

充電模塊由前級和后級兩個部分組成[3]。前級的作用是將交流電轉(zhuǎn)換為穩(wěn)定的直流電,通常用三相Vienna整流器為前級主體結(jié)構(gòu)來獲取穩(wěn)定直流電。前級結(jié)構(gòu)的穩(wěn)定運行直接影響著整個充電模塊的運行效率,因此針對Vienna整流器故障診斷顯得十分重要[4-5]。

在充電模塊發(fā)生的故障中,開路和短路故障最為常見。短路故障危害性極大,會導致過電流過大,極短時間就能燒毀設備。但一般配有熔斷裝置,保護電路動作使短路轉(zhuǎn)化為開路問題,從而切斷過大電流[6-7]。開路故障會導致輸入側(cè)電流產(chǎn)生畸變,裝置元件應力變大,還會發(fā)生二次故障[8]。因此,開路故障成為研究熱點。

目前,開路故障診斷方法大體分為兩類[9]:基于信號處理和解析模型的方法?；诮馕瞿Ｐ头椒ㄊ紫冉⑾到y(tǒng)的數(shù)學模型,再分析故障時域信號,利用變化特征進行故障診斷[10-11]。然而Vienna整流器系統(tǒng)的非線性特性比較復雜,故難以建立準確的模型?；谛盘柼幚矸椒▋H需分析故障信號再診斷,它又可以分為深度學習和傳統(tǒng)兩步法的診斷方法[12-13]。深度學習診斷方法可細分為兩類:第一類是直接把一維信號作為深度學習模型的輸入端,提取特征和識別分類在模型中先后進行[14],但深度學習的并行處理能力不能充分發(fā)揮;第二類是將一維信號先轉(zhuǎn)化為二維乃至多維特征圖像,然后再進行診斷[15],但轉(zhuǎn)化特征圖像的過程會引發(fā)數(shù)據(jù)冗余且易損失特征的問題,并且十分影響該算法的實時性;傳統(tǒng)兩步法首先對信號進行分析,分析方法大體可分為:派克變換[16]、離散小波變換[17]、經(jīng)驗模態(tài)分解[18-19]等,然后利用分類算法進行處理。分類算法包含:人工神經(jīng)網(wǎng)絡[20]、支持向量機[21]、隨機森林[22]等。但這個處理過程需要人工選定故障特征,會對最后的診斷結(jié)果有一定的影響。

本文提出了一種基于互補集合經(jīng)驗模態(tài)分解(Complementary Ensemble Empirical Mode Decomp-osition,CEEMD)和粒子群(Particle Swarm Optimiz-ation,PSO)優(yōu)化隨機森林(Random Forest,RF)算法的診斷方法。CEEMD是在經(jīng)驗模態(tài)分解(Empiri-cal Mode Decomposition,EMD)的基礎上進行改進,能有效抑制EMD方法產(chǎn)生的模態(tài)混淆問題,運算時間也有所縮短。經(jīng)過CEEMD處理后,信號被分解成一定數(shù)量的平穩(wěn)本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)與殘量r(t),以能量值作為特征,構(gòu)成特征向量矩陣,并將其輸入到粒子群(PSO)優(yōu)化隨機森林(RF)參數(shù)模型中。通過仿真驗證,證明該方法可以提高模型診斷正確率并縮短診斷時間。

1 功率開關管和直流側(cè)電容開路故障分析

1.1 VIENNA整流器正常工作狀態(tài)分析

三相三線制Vienna整流器拓撲原理如圖1可知:ea、eb、ec和ia、ib、ic分別為交流側(cè)三相電壓和電流;La、Lb、Lc為輸入端電感;直流側(cè)輸出電容C1和C2,D1～D6、S1～S6分別為續(xù)流二極管、功率開關管,其中每相兩個開關管以背靠背形式構(gòu)成一個雙向開關,電流可以雙向流動。

該拓撲是三相對稱結(jié)構(gòu),因此可對某一相單獨進行研究。假設背靠背的兩個開關器件共用一組驅(qū)動信號,一起開通和關斷;從電網(wǎng)流向負載側(cè)電流方向為正;電網(wǎng)電壓方向與輸入側(cè)電流方向相同。詳細分析不同電壓極性中各種開關狀態(tài)下的工作模態(tài)。

1)當電壓、電流極性為正時:當開關器件S1、S2開通時,如圖2(a)中所示,紅色線標注了電流正向流動路徑。此時電壓UAO=0,電感處于儲能狀態(tài),直流側(cè)輸出電容處于放能狀態(tài)。當開關器件S1、S2關斷時,如圖2(b)中所示,紅色線標注了電流正向流動路徑。此時電壓UAO=UC1,電感處于放能狀態(tài),直流側(cè)輸出電容處于儲能狀態(tài)。

圖2 單相VIENNA整流器工作模態(tài)

2)當電壓、電流極性為負時:當開關器件S1、S2開通時,如圖3(a)中所示,紅色線標注了電流負向流動路徑。此時電壓UAO=0,電感處于儲能狀態(tài),直流側(cè)輸出電容處于放能狀態(tài)。當開關器件S1、S2關斷時,如圖3(b)中所示,紅色線標注了電流負向流動路徑。此時電壓UAO=UC2,電感處于放能狀態(tài),直流側(cè)輸出電容處于儲能狀態(tài)。

圖3 單相VIENNA整流器工作模態(tài)

從Vienna整流電路的工作原理可知,正半周期時,它類似于正向Boost電路;當開關導通時,電感儲能,當開關斷開時,電容C1為負載提供能量。負半周期時,Vienna整流電路類似于反向Boost電路;當開關導通時,電感反向儲能,當開關斷開時,電容C2充電,為負載提供能量。Vienna整流器的輸入電壓有0、Udc和-Udc三個電平,因此通常被稱為三電平整流電路。

總結(jié)三相Vienna整流電路的正常工作原理可知其應用特點如下:

1)工作原理本質(zhì):濾波電容和電感在充放電的過程實現(xiàn)了對輸出側(cè)負載的不間斷供電。在理想情況下,電容中點電位的平均值與輸入電源參考電位一致。這可以將三相Vienna整流系統(tǒng)看作三個單相Boost電路,易于理解其原理。

2)系統(tǒng)穩(wěn)定性與可靠性:該電路在穩(wěn)態(tài)工作過程中不會出現(xiàn)橋臂直通現(xiàn)象,這意味著電路可以持續(xù)穩(wěn)定地提供電力供應。

3)最大電壓:開關管兩端的最大電壓為輸出電壓Udc的一半。續(xù)流二極管兩端的最大電壓為輸出電壓Udc,這有助于選擇合適的器件。

1.2 功率開關管以及電容開路對整流器影響分析

電容電解液會存在蒸發(fā)的情況,進而使等效電阻變大或者電容值變小,最后使其失效;功率器件在高頻開斷過程中會受電壓和電流應力以及結(jié)溫波動致使器件破損,嚴重會使功率器件失效。功率開關和電容故障既常見又難以避免,而且多個器件同時發(fā)生故障的情況非常少,故本文主要研究單個器件開路的情形,共總結(jié)出了9種故障類型包括正常狀態(tài),故障分類如表1所示。

表1 Vienna整流器開路故障分類

文中利用Simulink搭建Vienna整流器仿真模型,按照圖1設計主電路,輸入相電壓220 V,額定輸出電壓750 V,根據(jù)仿真結(jié)果總結(jié)不同類型下Vienna整流器輸入的三相電流波形特點。以B相為例,對功率開關發(fā)生開路故障時的整流器輸入性能進行分析。

如圖4可知,功率開關S3發(fā)生開路故障后輸入電流每相都發(fā)生了不同程度的畸變。電流ib出現(xiàn)零值階段均在正半周期,由于eb在正半周期時,ib可由S3或D3到達直流側(cè)。S3開路故障此路徑行不通。若eb不能夠使D3導通,那么ib=0;若eb足以導通D3,則ib會從D3這條路徑到達直流側(cè),即形成不控整流通路。相反,eb在負半周期時,ib由S4或D4返回交流側(cè),S3發(fā)生開路并不影響ib返回通路。由此看出,在失去功率開關的控制作用和電流流通通路的情況下,A、C兩相電流波形會發(fā)生很大浮動但B相輸入電流畸變最嚴重。Vienna整流器三相之間以及同相的上下橋臂之間存在對稱性,就可知功率開關S4發(fā)生開路故障的時候,三相輸入電流也會產(chǎn)生不同程度的畸變,S4開路故障發(fā)生后輸入電流的圖像,如圖5所示。當A、C相的功率開關管發(fā)生類似B相開路故障時,可以效仿B相的故障分析,故不再贅述。

圖4 功率開關S3發(fā)生開路故障輸入電流

圖5 功率開關S4發(fā)生開路故障輸入電流

濾波電容可以緩沖直-交流兩側(cè)的能量交換,在開關高頻動作時,還可抑制輸出電壓諧波電壓,同時穩(wěn)定當負載發(fā)生變化后系統(tǒng)輸出電壓值。電容C1或C2發(fā)生開路故障時,輸入電流會受到大量諧波的影響并發(fā)生畸變,故障特征信息同樣蘊含在畸變的輸入電流中。

2 基于CEEMD的故障特征提取

2.1 整流器開路故障輸入三相電流CEEMD分解

經(jīng)驗模態(tài)分解法(EMD)是一種應用廣泛的自適應時頻分析法,其實質(zhì)是在不同時間尺度下將復雜信號自適應分解為多個本征模式函數(shù),但最終的分解效果會受到影響即模態(tài)混疊現(xiàn)象。集成經(jīng)驗模態(tài)分解(EEMD)的提出彌補了EMD的部分缺陷,取EMD多次分解的IMF分量的平均值作為最終IMF。EEMD添加小幅度白噪聲均勻信號頻譜抑制了模態(tài)混疊。由于IMF的誤差取決于平均次數(shù),從而運行時間會隨之上升。

CEEMD在EEMD基礎上,通過添加符號相反的同分布白噪聲序列,不僅降低原始信號的殘余輔助噪聲,還有效控制了模態(tài)混疊現(xiàn)象,克服集合經(jīng)驗模態(tài)分解(EEMD)分解完備性差、重構(gòu)誤差大的問題,更加適合非平穩(wěn)信號的處理。設x(t)為待分解信號,CEEMD算法的計算流程如下:

用兩種不同方式為原始信號添加噪聲信號,得到兩種新信號:

(1)

(2)

將包含加性和減性噪聲的信號分解后的IMF分量集合獲取的IMF為

(3)

VIENNA整流器提取的三相輸入電流x(t)可表示為各IMF分量與余量r(t)之和:

(4)

由圖6可知,CEEMD分解算法流程圖,進一步理解CEEMD算法的計算流程。

圖6 CEEMD算法流程圖

以功率開關S3管發(fā)生開路故障為例,每一種故障數(shù)據(jù)的序列長度為900,對每相的故障波形進行了CEEMD分解。圖7為功率開關S3開路故障三相電流CEEMD分解結(jié)果。圖8為功率開關S3開路故障CEEMD分解各IMF分量與殘量能量占比。由圖8可知,每種故障波形分解的各IMF分量與殘量的能量占比都不相同,S3開關管開路時,可得B相的各能量占比比較相近,A與C相的各能量占比分別呈現(xiàn)增加趨勢和呈現(xiàn)減少趨勢,可以根據(jù)三相不同的能量占比的組合作為特征向量,進而對不同的開關管故障進行識別分類。

圖7 功率開關S3管開路故障三相電流CEEMD分解結(jié)果

圖8 功率開關S3管開路故障CEEMD分解各IMF分量與殘量能量占比

2.2 整流器開路故障特征向量構(gòu)造

基于IMF分量與殘量特性,可知IMF分量的能量占比包含了原始信號中顯著且重要的特征信息,分解殘量在一定程度上表征了原始信號偏離原點的程度與方向。為了更加貼合故障發(fā)生時檢測情況,文中選擇故障波形穩(wěn)定后的部分作為研究對象,按照以下步驟構(gòu)造故障特征向量。

1)設輸入信號為x(t),信號長度為N,CEEMD分解共得到了n個IMF分量ci(t)(i=1,2,3…,n)以及殘量r(t),即

x(t)=c1(t)+c2(t)+…+cn(t)+r(t)

(5)

2)計算各IMF分量和殘量r(t)的能量Ej(j=1,2,…,n+1),以及各分量的能量之和Etotal。

(6)

(7)

3)將殘量r(t)的能量占比ER作為故障特征值以反映原始信號偏離原點程度,利用原始信號均方根值對殘量r(t)的平均值歸一化后作為故障特征值Pr以反映原始信號偏離原點的方向。

(8)

(9)

(10)

4)以Vienna整流器輸入端三相故障電流ia(t)、ib(t)以及ic(t)分別作為原始信號x(t)執(zhí)行上述步驟,將計算得到的每組Ej、ER、Etotal與Pr組合共同構(gòu)成21維特征向量T。

(11)

3 基于粒子群優(yōu)化隨機森林診斷方法

3.1 傳統(tǒng)隨機森林算法

隨機森林算法(RF)是由2001年Leo Breiman提出的一種基于決策樹算法和Bagging算法結(jié)合而形成的機器學習算法。集成學習作為其核心內(nèi)容,它的實質(zhì)是通過若干決策樹組合而成的分類器,再由多顆隨機而成的決策樹,使強分類器模型的分類性能更加穩(wěn)定,最后結(jié)合所有決策樹的分類結(jié)果決定模型的輸出值。

隨機森林使用Bootstrap算法從數(shù)據(jù)集中有放回地抽取n個樣本,生成n棵決策樹。每個決策樹在分裂過程中,從M個總屬性中隨機選擇m個屬性,在這m個屬性中選擇最適合的屬性進行分裂。本文使用CART算法構(gòu)建決策樹。隨機森林可以總結(jié)為三步:1)對原始數(shù)據(jù)集進行Bootstrap抽樣,生成若干個訓練集。2)利用每個訓練集訓練決策樹,并不進行剪枝操作,因為最優(yōu)屬性是從隨機生成的部分屬性中選擇的。3)多個決策樹分類器的集合形成隨機森林,此隨機森林的模型輸出為

(12)

公式中:x為測試集;s為類別數(shù);N為決策樹的數(shù)目;fn(x)為第n棵決策樹的分類結(jié)果;I(*)為一個判斷函數(shù),當基分類器的輸出結(jié)果在不滿足條件時為0,滿足時為1。隨機森林模型如圖9所示。

圖9 隨機森林模型

3.2 粒子群優(yōu)化(PSO)

粒子群算法的基本思想來自對鳥群捕食行為的研究,利用種群的智慧進行協(xié)同搜索,在給定的搜索空間中不斷調(diào)整每個粒子的速度和位置以達到最優(yōu)值。該算法簡單易用、精度高,收斂速度比遺傳算法更快。通過兩個公式不斷調(diào)整粒子的速度和位置對種群中每個粒子進行尋優(yōu),直到達到收斂終止條件。

(13)

(14)

借助PSO算法對RF樹的個數(shù)Ntree和樹的層數(shù)Mtree2個參數(shù)進行優(yōu)化。優(yōu)化步驟如下:

1)先將參數(shù)初始化,Ntree和Mtree分別設置為[0,200]和[2,10]。

2)首先搭建RF模型,不斷刷新粒子的速度和位置,計算出新的適應度值。

3)比較不同的適應度值,在刷新過程中尋優(yōu)。

4)在滿足最大迭代次數(shù)或者目標函數(shù)出現(xiàn)最優(yōu)解時完成。不然返回步驟(2)繼續(xù)循環(huán)。

5)最終找到PSO最優(yōu)粒子,得到Ntree和Mtree的最優(yōu)組合。

PSO算法中每個粒子都會受到自身規(guī)則以及整體搜索空間中最顯著位置的影響。粒子到達可以改進的位置,整個群體也會發(fā)生移動。不斷循環(huán)這個過程,最終達到滿意的方案。在沒達到最大迭代次數(shù)或目標函數(shù)的最優(yōu)值出現(xiàn)的時候,迭代循環(huán)不會停下來。尋找到最優(yōu)粒子也就找到了Ntree和Mtree的最優(yōu)值,以此就可以得到RF模型的最優(yōu)參數(shù)。

3.3 建立(PSO-RF)診斷模型

參數(shù)Ntree和Mtree影響著隨機森林分類過程中的識別精度和效率,故采用粒子群算法對這兩個參數(shù)優(yōu)化,PSO算法優(yōu)化RF的流程如圖10所示。

圖10 PSO-RF診斷模型

步驟一:首先整理9種故障類型數(shù)據(jù),再輸入到CCEMD算法中進行信號分解,選中具有代表故障信息的特征向量,最后將特征集劃分為訓練集和測試集;步驟二:用訓練集和測試集訓練RF模型,逐步優(yōu)化性能,并找到Ntree和Mtree的最優(yōu)組合。步驟三:將測試數(shù)據(jù)輸入到PSO-RF模型,驗證模型的性能。

4 仿真結(jié)果及分析

本文利用在Simulink搭建關鍵參數(shù)設計如表2所示的Vienna整流器仿真模型。考慮輸入濾波電感儲存能量和濾波的作用,針對跟蹤輸入電壓能力和電流紋波,取電感和電容分別為2.5 mH和2 000 μF。在仿真實驗時應全面考慮功率開關導通電阻等對結(jié)果的影響,從而使仿真貼近實際。

表2 Vienna整流器主電路設計參數(shù)

本文在采集樣本數(shù)據(jù)時,為了獲取完善的故障數(shù)據(jù),每種故障類型采集30個樣本數(shù)據(jù),并按照7∶3的比列劃分訓練集與測試集。每個樣本數(shù)據(jù)應用CEEMD方法進行分析處理,得到故障特征向量,將數(shù)據(jù)代入PSO-RF診斷模型當中,利用粒子群算法優(yōu)化隨機森林樹的個數(shù)與層數(shù)。不斷迭代計算適應度值,模型迭代誤差變化如圖11所示。

圖11 算法適應度曲線

從模型迭代誤差變化可以看出,通過不斷迭代更新粒子的速度和位置,整體誤差呈下降趨勢,最終可以獲得決策樹數(shù)目和層數(shù)的最優(yōu)解。

文中利用189組訓練樣本分別對傳統(tǒng)RF、PSO-RF這兩種方法進行訓練,并用81組測試樣本驗證所提方法的效果。其中PSO算法的參數(shù)值設置如下:種群規(guī)模和種群更新次數(shù)分別設置為5和50;最大邊界和最小邊界限制在[10,10]和[1,1],學習因子C1和C2均設置為4.5;粒子速度的兩個分量分別被限制在[-10,-1]和[50,3]。圖12可知,RF算法與PSO-RF算法預測結(jié)果的對比。

圖12 算法預測結(jié)果對比

為了客觀評價傳統(tǒng)RF和PSO-RF方法的效果,我們使用均方誤差,訓練時間和準確率對這兩種方法進行評價,結(jié)果如表3所示。通過表3可知,PSO-RF方法均方差小于傳統(tǒng)RF,診斷時間更少,準確率更高。這表明PSO-RF方法具有較好的診斷結(jié)果。測試集在PSO-RF模型和RF模型的混淆矩陣如圖13和圖14所示。

表3 算法結(jié)果比較

圖13 PSO-RF模型測試集混淆矩陣

圖14 RF模型測試集混淆矩陣

5 結(jié)論

三相Vienna整流器因其電路結(jié)構(gòu)簡單并可靠性強等優(yōu)點,作為性能比較突出的AC-DC整流器被廣泛使用。然而本文研究發(fā)現(xiàn)當三相Vienna整流器的單個器件發(fā)生開路故障時,其輸入電流發(fā)生嚴重畸變,這可能會導致設備毀壞。

針對這一問題,本文提出一種CCEMD-PSO-RF方法。該方法利用CEEMD方法進行模態(tài)分解,從時域信號中獲得蘊含著重要故障信息的信號并提取能量作為特征,同時利用粒子群算法優(yōu)化隨機森林兩個關鍵參數(shù),以提高故障診斷率。通過仿真實驗驗證,該方法與傳統(tǒng)RF相比,不僅提高了準確率還縮短了診斷時間,這對后續(xù)研究電力電子變換器故障診斷有一定的現(xiàn)實指導意見。