一种基于神经网络的UPS系统在线故障诊断方法与流程

一种基于神经网络的ups系统在线故障诊断方法
技术领域
1.本发明涉及电力电子故障诊断技术领域，尤其涉及一种基于神经网络的ups系统在线故障诊断方法。


背景技术：

2.ups是指能够提供持续可靠、稳定高质量和不间断电能供应的电力电子设备装置。它主要由五个部分组成：主路、旁路、电池等电源输入电路，整流器、逆变器、逆变和旁路输出切换电路以及蓄电池，其不仅可以为负载提供备用电源以防止关键设备因供电突然终端而遭受损失，而且还能改善电能质量，满足某些重要设备需要高可靠性供电的需求。
3.现有技术中，ups故障中一部分故障原因是由功率开关管造成，其中功率开关管的故障又可以分为开路和短路故障，短路故障存在的时间极短，一般是10μs以内，目前针对短路故障已经集成了短路检测和过流保护电路等措施。而当功率开关管发生开路故障时，系统不会立即崩溃，但是长时间的不正常工作状态容易引起其他器件的二次故障，从而损坏系统，造成严重的后果。


技术实现要素：

4.本发明的目的在于提供一种基于神经网络的ups系统在线故障诊断方法，用于提高故障识别的准确率。
5.本发明第一方面提供了一种基于神经网络的ups系统在线故障诊断方法，包括：
6.获取处于不同工况下系统的故障状态信号和二进制编码，所述二进制编码用于标记所述系统的所有故障类型；
7.利用小波分解方法提取所述故障状态信号的故障特征向量；
8.基于所述故障特征向量和所述二进制编码训练出神经网络模型；
9.将获取到的某一工况下系统的故障状态信号输入到所述神经网络模型中进行故障分类；
10.输出所述某一工况下系统的故障状态类型。
11.可选的，所述利用小波分解方法提取所述故障状态信号的故障特征向量，包括：
12.通过对所述故障状态信号进行n层小波变换后得到的小波分解系数计算绝对值之和；
13.基于所述绝对值之和确定故障特征向量。
14.可选的，所述基于所述故障特征向量和所述二进制编码训练出神经网络模型，包括：
15.根据所述故障特征向量构造故障数据集；
16.将所述故障数据集作为输入向量，将所述二进制编码作为输出向量，训练出神经网络。
17.可选的，所述故障状态信号和二进制编码为整流电路和逆变电路两个模块的信号
数据。
18.可选的，所述小波分解后所述故障状态信号总能量保持不变，所述故障状态信号在所述小波分解过程中的各频带的能量分布公式为：e
n,k
＝∑|s
n,k
|2，其中n表示小波分解层数，k表示小波分解系数序列个数，e
n,k
为第n层小波分解后第k个小波系数序列的能量，s
n,k
表示为小波系数序列。
19.以上技术方案可以看出，本技术具有以下优点：本发明通过小波分解对获取到的故障状态信号进行进一步的增强故障特征，再基于提取后的故障特征向量和获取到的标记所有故障类型的二进制编码，训练出神经网络，使得神经网络模型更加容易辨识ups的故障状态，最后根据获取到的实际故障状态信号输入到训练后的神经网络模型中，识别出整流器以及逆变器的故障状态类型，通过神经网络自适应学习的方式有效提高了故障识别的准确率。
附图说明
20.图1为本发明中基于神经网络的ups系统在线故障诊断方法的流程示意图；
21.图2为本发明中ups系统拓扑图；
22.图3为本发明中三相pwm整流电路图；
23.图4为本发明中单相逆变电路图；
24.图5为本发明中小波分解图；
25.图6为本发明中神经网络结构图；
26.图7为本发明中三相整流器的输入电流波形图；
27.图8为本发明中三相整流器的故障诊断结果图；
28.图9为本发明中单相逆变器的输出电压波形图；
29.图10为本发明中单相逆变器的故障诊断结果图。
具体实施方式
30.本技术实施例提供了一种基于神经网络的ups系统在线故障诊断方法，用于提高系统故障识别的准确率。
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
33.实施例1：
34.请参阅图1至图10，一种基于神经网络的ups系统在线故障诊断方法，主要包括以下步骤：
35.s1、获取处于不同工况下系统故障状态信号和二进制编码，二进制编码用于标记系统的所有故障类型；
36.本实施例中将ups拆分成整流和逆变两个模块，因此此处是获取整流以及逆变两
个模块中的故障状态信号和二进制编码，以整流模块进行诊断为例，如图3(a)所示，三相pwm整流器由a、b、c三相桥臂、输入侧电感和直流母线电容c组成，每相桥臂由2个绝缘栅型双极晶体管(igbt)和2个续流二极管组成。pwm整流电路中有6个igbt作为功率变换器的核心元件，当单个功率管发生故障时，整流器的故障形式有6种，当两个功率管发生故障时，整流器的故障形式有15种，因此整流器的故障形式一共有22种，包括1种健康状态和21种故障状态，本实施例中采用二进制编码标记所有故障形式，并作为神经网络目标输出矩阵，如下表1所示：
[0037][0038][0039]
表1
[0040]
s2、利用小波分解方法提取故障状态信号的故障特征向量；
[0041]
本实施例中，如图5所示，运用小波分析分解模拟电路的故障信号到不同的频段上，获取各个频段的信号成分，由于低频信号更能反应电路的故障信号特征，因此，在获取各个频段的信号成分后可以再利用低频成分的信号作为待测电路的故障特征，再把提取出的故障特征向量输入到bp神经网络进行模拟电路故障诊断。基于小波变换预处理的模拟电路故障诊断方法大大减少了神经网络输入矢量的维数，从而神经网络的结构也大大的被简化，相对于没有进行小波变换预处理的神经网络故障诊断技术而言，它的训练时间也大大缩减了，故障辨识能力也得到了很大的提高。
[0042]
s3、基于故障特征向量和二进制编码训练出神经网络模型；
[0043]
考虑到电流信号具有正弦函数周期变化特征，因此，本实施例中选择一个周期的
三相输入电流信号构成一个长度600的故障序列，每种故障形式模拟20种不同的工况构造出440个故障样本，并在每种故障形式下的20种工况中，按4：1的比例划分16种工况为训练集，4种工况作为测试集。
[0044]
在经过小波分解对原始故障状态信号进行特征提取后，如图6所示，即通过采样得到三相输入电流序列，对其进行4层的小波分解，分别提取8个频带信号的小波系数分布特征，再基于提取后的故障特征和上述二进制编码训练出bp神经网络模型。
[0045]
s4、将获取到的某一工况下系统的故障状态信号输入到神经网络模型中进行故障分类；
[0046]
经过采样获取实际某一工况下系统的电压电流信号，再将实际电压电流信号输入到bp神经网络模型中进行故障分类。其中整流器的故障形式有6种，当两个功率管发生故障时，整流器的故障形式有15种，因此整流器的故障形式一共有22种，包括1种健康状态和21种故障状态；单相逆变器一共有三类11种故障形式，包括正常工作状态，单个功率管故障和两个功率管故障。
[0047]
s5、输出某一工况下系统的故障状态类型。
[0048]
将实际电压电流信号输入到经过训练的bp神经网络，根据bp神经网络的输出结果，判断出待测电路的故障状态类型。例如，本实施例使用可编程电源、三相整流器、单相逆变器、直流母线电容和电感以及可调负载搭建成一个ups系统，该系统如图2所示，并对其进行故障诊断。ups系统参数如下表2所示：
[0049][0050]
表2
[0051]
三相pwm整流器一共有四类22种故障形式：正常工作状态，单个功率管故障和同相两个功率故障以及不同相两个功率管故障。若pwm整流器功率管s1和s3同时发生故障，仿真结果如图7所示，可以看到三相输入电流ia、ib、ic发生畸变，采集三相输入电流信号，提取故障特征输入到已训练好的神经网络模型，通过神经网络模型输出二进制编码作为预测值，通过预测值与标记的目标值进行对比，就可以辨识出整流器的故障状态，从图8可以看出，当功率管s1和s3同时发生故障时，神经网络输出值近似为01000,即判断出功率管s1和s3出现了故障。最后，统计得到三相pwm整流器在22种故障形式下的辨识结果如下表3所示，从表中看出，所提出的算法都可以准确辨识出三相pwm整流器的故障状态。
[0052][0053]
表3
[0054]
单相逆变器一共有三类11种故障形式，包括正常工作状态，单个功率管故障和两个功率管故障。故障编码如表4所示：
[0055][0056][0057]
表4
[0058]
若逆变器t1发生故障，仿真结果如图9所示，此时输出电压波形vo正半周缺失，采集输出电压和桥臂中点电压通过小波分解提取故障特征，结合神经网络模型得到辨识结果如图10所示，神经网络输出值近似为00001，即判断出功率管s1发生了故障。最后，统计得到
逆变器在11种故障形式下的辨识结果，如表5所示，可以看到无论逆变器处于何种故障下，所提出的算法都可以准确辨识其故障状态。
[0059][0060]
表5
[0061]
实施例2：
[0062]
s201、通过对故障状态信号进行n层小波变换后得到的小波分解系数计算绝对值之和；
[0063]
s202、基于绝对值之和确定故障特征向量；
[0064]
在步骤s201之后，还包括将故障特征向量进行归一化处理。
[0065]
本实施例中，根据能量守恒定律，小波分解前后信号总能量保持不变，信号经过4层小波分解之后，即原始信号的能量等于4层小波高频系数的能量和第4层小波低频系数的能量之和；因此可求得故障信号在各频带的能量分布，设e
n,k
为第n层小波分解后第k个小波系数序列s
n,k
的能量，其表达公式如下：
[0066]en,k
＝∑|s
n,k
|2[0067]
其中n表示小波分解层数，k表示小波分解系数序列个数，e
n,k
为第n层小波分解后第k个小波系数序列的能量，s
n,k
表示为小波系数序列，n为小波分解最大层数且n＜n，k为每层小波系数序列数，k当且仅当1或者2，k＝1时为小波低频系数，k＝2为小波高频系数。
[0068]
根据上述所得各频带能量，能量谱向量t构造如下：
[0069]
t＝[e
1,2 e
2,2 e
3,2 e
4,1 e
4,2
]
[0070]
归一化处理后，统一量纲表达式如下所示：
[0071]
e＝(e
1,2
+e
2,2
+e
3,2
+e
4,2
+e
4,1
)
1/2
[0072]
t'＝[e
1,2
/e e
2,2
/e e
3,2
/e e
4,1
/e e
4,2
/e]
[0073]
将归一化的能量谱向量作为新的故障特征向量。
[0074]
s301、根据故障特征向量构造故障数据集；
[0075]
s302、将故障数据集作为输入向量，将二进制编码作为输出向量，训练出神经网络。
[0076]
本发明采用bp神经网络进行故障诊断，将故障数据集作为神经网络的输入向量，用于标记故障形式的二进制编码作为神经网络的输出向量，此时训练出神经网络模型，再通过采样得到的实际电压电流信号输入到已训练好的神经网络模型中，辨识出ups的故障
状态。
[0077]
其算法基本流程是：将网络输入的样本通过输入层传输到隐含层进行加权函数映射等数据处理，之后再传入输出层并由其处理完成输出，从而完成前向传播。当期望输出与实际输出有误差时，则将产生的误差值通过隐含层逐层反向传入输入层，从而形成反向传播。在误差反向传递的过程中根据梯度下降法不断调整各层之间的权阈值，其中bp算法权阈值的调整过程是批处理的方法，其权阈值的调整是在所有输入样本计算完总误差之后进行。
[0078]
以上两个过程交替反复，直到误差收敛为止。从而使bp神经网络的实际输出值逐渐向期望输出值逼近，满足收敛的误差阈值要求。其基本结构模型如图6所示。
[0079]
随着隐含层数的变换，bp神经网络可以有多层，三层bp神经网络由输入、隐含、输出各一层的神经元构成。图6中bp神经网络的输入、隐含、输出各层对应为m、i、p表示，各层对应神经元用m、i、p表示。
[0080]
设三层bp神经网络的激励函数都为sigmoid函数，每个神经元的输入向量为x，隐含层向量为h，输出向量为y，设共有n个学习训练样本，其构成x＝[x1,x2,
…
,xn]，其中各学习训练样本维数对应网络输入层维数，每个样本对应网络的期望输出为dk＝[d
k1
,d
k2
,
…
,d
kp
]
t
，但实际输出值为yk＝[y
k1
,y
k2
,
…
,y
kp
]
t
其输出维数与网络输入层维数一致，具体各层神经元节点输入输出表达式如下：
[0081]
隐含层第i个神经元输出的计算公式如下：
[0082][0083]
三层bp神经网络第p个神经元输出的计算公式如下：
[0084][0085]
输出层第p个神经元的误差的计算公式如下：
[0086]ekp
(n)＝d
kp
(n)-y
kp
(n)
[0087]
通过使实际与期望输出的误差平方和最小化求取对应权阈值梯度来完成误差的权阈值调整反向传播，利用权阈值梯度负方向完成误差数据迭代，将函数f(x)在xi取一阶近似泰勒级数展开，其表达式如下：
[0088][0089]
其中迭代方向取为：或
[0090]
因此下一个迭代点的计算公式如下：
[0091][0092]
根据以上分析可知，模拟电路在整流和逆变两个模块的故障诊断均可以通过bp神经网络实现。
[0093]
需要说明的是，对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的范围的情况下，在其它实施例中实现。因
此，本技术不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。