基于PSO-NGM模型的電力電子電路故障預測方法

朱寶琳，陳則王，賈云濤

(南京航空航天大學 自動化學院，江蘇 南京 210016)

基于PSO-NGM模型的電力電子電路故障預測方法

朱寶琳，陳則王，賈云濤

(南京航空航天大學 自動化學院，江蘇 南京 210016)

針對現有電力電子電路故障預測技術的不足，提出了將電路特征性能參數和粒子群非齊次灰色模型PSO-NGM(particle swarm optimization non-homogenous grey model)模型結合，對電力電子電路進行故障預測。以Buck-Boost電路為例，選擇電路輸出電壓作為監測信號，提取輸出電壓平均值和紋波值作為電路特征性能參數，并利用PSO-NGM預測模型實現故障預測。實驗結果表明，利用PSO-NGM對電路輸出平均電壓和輸出紋波電壓的預測相對誤差很小，能夠跟蹤故障特征性能參數的變化趨勢，有效實現電力電子電路故障預測。

電力電子電路；故障預測；特征性能參數；粒子群非齊次灰色模型

0 引言

隨著電力電子技術的進步，電力電子裝置得到快速的發展并廣泛應用于人們的生活、傳統工業和高新技術產業等領域。電力電子裝置一旦發生故障，小則造成電器產品損壞、交通阻塞、工礦企業停產，大則會威脅人民生命、財產安全，造成重大的人員傷亡和災難事故[1]。對電力電子裝置進行故障預測可以有效監測系統故障狀況及故障發展趨勢，實現對系統的事先維修，避免重大事故的發生，因此電力電子裝置的故障預測技術對提高整個系統的安全性和可靠性具有十分重要的意義。

目前無人機、雷達系統等健康預測研究比較熱，機載電子設備故障預測技術研究也逐步受到重視。現有故障預測算法種類繁多，其中包括：貝葉斯估計、曲線擬合法自回歸滑動平均模型 ARMA(auto-regressive moving-average)模型[2-3]、人工神經網絡ANN(artificial neural networks)[4]、蟻群算法ACO(ant colony optimization)[5-6]、支持向量機SVM(support vector machines)[7]、灰色系統GM(grey model)[8]、遺傳算法GA(genetic algorithms)[9]、粒子濾波PF(particle filter)[10]等智能處理算法。時間序列預測方法對序列變化比較均勻的短期預測情況較為理想，優點是所需歷史數據少、工作量少，但該方法在非線性預測中預測效果較差。神經網絡方法在非線性領域中得到廣泛的應用，但該方法存在容易陷入局部最優、收斂速度慢等缺點。灰色系統以“部分信息已知，部分信息未知”的“小樣本”、“貧信息”不確定系統為研究對象，通過對部分已知信息的開發，提取數據內部隱含的系統特征，實現對系統運行規律的正確認識，在故障預測領域具有很好的發展前景[11]。

現針對電力電子電路級故障預測，提出了粒子群非齊次灰色系統模型PSO-NGM(particle swarm optimization non-homogenous grey model)的電力電子電路故障預測新方法，其基本思想為：優選電路級故障特征性能參數，利用PSO-NGM模型預測所選特征性能參數，實現電力電子電路的故障預測。

1 電力電子電路故障預測方法

1.1 特征性能參數提取

要實現電力電子電路的故障預測，首先必須優選合適的電路故障性能特征參數。對于不同的電路，需要根據電路的功能和結構特點，確定能夠反映電路健康狀態的特征性能參數。以圖1所示非理想情況下的Buck-Boost電路為例，分析電力電子電路故障特征性能參數提取過程。

圖1 非理想情況下Buck-Boost主電路的原理圖

在圖1中，對Buck-Boost電路的特性分析假設：1)不計功率開關管的寄生電容，設其導通電阻為Ron，關斷電阻為無窮大；2)二極管結電容影響不計，正向壓降為VF，正向導通電阻為RF，關斷電阻無窮大；3)忽略電感寄生電容的影響，其等效串聯電阻為RL；4)電容等效串聯電阻為ESR。

a) 特征性能參數的選擇

Buck-Boost電路的功能是實現DC-DC的升降壓轉換。由于有充放電過程，其輸出電壓并不是理想的直流電壓，而是有一定的波動。一般Buck-Boost電路輸出電壓的直流值、紋波值都在一定波動范圍內，才能滿足電路輸出要求。因此，Buck-Boost電路輸出電壓是否滿足要求是其電路性能最重要的衡量標準。據此分析，可監測電路輸出電壓，提取輸出平均電壓及紋波電壓作為電路故障特征性能參數，對電路的健康狀態進行評估。

b) 特征性能參數的計算

1) 輸出電壓平均值。根據均值定理，以穩態時電路輸出電壓uo為監測變量，進行采樣，得到電壓波形數據，由式(1)可求得輸出電壓平均值Uo，其中：N為采樣點數，uo(i)為電路輸出電壓的第i個采樣點。

(1)

2) 紋波電壓。紋波電壓是指輸出電壓的交流分量，可以用有效值或峰值表示。選擇峰-峰值表示紋波的大小。監測穩態時電路輸出電壓，得到輸出電壓的波形數據，提取其最大、最小值，兩者之差即為紋波電壓的峰-峰值△u。

1.2PSO-NGM預測模型

(2)

其中：v，C1，C2，C3，C4為待定系數。

1) 初始化過程

包括粒子群的個數；最大迭代次數；最大權值；最小權值；最大速度；粒子初始位置和初始速度的設置。這里粒子即待估參數v。

2) 數據累加過程

記原始數據序列X(0)為非負序列：

其中：x(0)(k)≥0,k=1,2,…,n

待預測的第n+1期，第n+2期，…的值為：x(0)(n+1),x(0)(n+2),…

原始數據進行1-AGO(一次累加)生成的序列為X(1)：

3) 參數C1，C2，C3，C4的求解過程

得到最優粒子v的值后，令：

(3)

應用最小二乘法可求得參數C1，C2，C3，C4的估計值:

(4)

4) 數據還原過程

將計算得到的v，C1，C2，C3，C4帶入式(2)，通過累減還原得到原始數據序列的預測值為：

(5)

5) 粒子速度和位置更新過程

適應度函數選取訓練數據模擬值與實際值的誤差和，每次循環對所有粒子得到的誤差和比較，求取全局最優粒子和最小誤差和，結合下式修改粒子的速度和位置：

vij(t+1)=wvij(t)+c1×rand()×(pbestij-xij(t))+

c2×rand()×(gbestj-xij(t))

(6)

xij(t+1)=xij(t)+vij(t+1)

(7)

式中：pbestij，gbestj分別代表疊代過程中找到的粒子最優解和種群最優解，rand()是(0,1)范圍內的隨機數;c1，c2為粒子加速度常數；w表示慣性權重。在PSO迭代過程中w值一般根據不同時刻粒子的情況進行動態調整。一般取：

w=(wmax-wmin)[(tmax-t)/tmax]+wmin

(8)

其中，wmax、wmin分別為最大、最小慣性權重；tmax為最大迭代次數。

1.3 電力電子電路故障預測

確定電路故障特征性能參數，獲得歷史及當前時刻故障特征性能參數數據，利用PSO-NGM預測算法對該數據進行建模，獲得故障特征性能參數變化趨勢模型，預測未來時刻故障特征性能參數值，對該值進行分析便可實現對電力電子電路的故障預測。

電力電子電路進行故障預測實現流程如圖2所示。

圖2 PSO-NGM預測算法流程圖

具體步驟為：

1) 根據電路各元器件緩變型故障，設定器件參數隨時間的變化趨勢。時間點間隔選取依據電路實際工作環境(溫度、振動等)的惡劣程度確定，可以為間隔1h,5h,24h等；

2) 選取某時刻各元器件參數值設置電路進行仿真；

3) 選取電路適當的監測信號，如電路中某電壓、電流等信號，監測并獲取該監測信號的波形數據；

4) 根據監測信號與故障特征性能參數之間的關系，計算電路故障特征性能參數；

5) 重復上述過程，獲取若干歷史時刻點電路故障特征性能參數值，作為PSO-NGM預測模型的訓練樣本；

6) 利用PSO-NGM模型對未來時刻電路故障特征性能參數進行預測；

7) 對電路故障特征性能參數預測結果進行分析，實現電力電子電路的故障預測。

2 故障預測實例及實驗結果分析

以圖1所示Buck-Boost電路為例，首先，根據各元器件在不同時刻的參數值逐次設置電路，使用Pspice軟件動態仿真，選擇電路的輸出電壓uo作為監測信號并獲取穩態時的波形數據；然后，在Matlab7.6環境下編程計算各時刻對應輸出電壓平均值及紋波值作為電路的故障特征性能參數數據；最后，應用PSO-NGM模型對輸出電壓進行預測，將預測值與故障閥值比較，從而預測Buck-Boost電路未來某一時刻是否會發生故障。故障預測流程如圖3所示。

圖3 故障預測流程

2.1Buck-Boost電路元器件參數變化及特征參數數據分析

根據各元器件參數的緩變故障及其變化趨勢，設定電路各元器件參數(包括電解電容器C和ESR、電感值L、電感內阻RL、功率MOSFET導通電阻Ron、二極管內阻RF)隨時間變化如表1所示，時間間隔為5h。

根據表1所列元器件參數，設置Buck-Boost電路，監測輸出電壓，利用輸出電壓波形數據及前文所提計算方法得到各時刻電路的輸出平均電壓及紋波電壓如表2所示。

表1 Buck-Boost電路元器件參數變化

表2 特征性能參數數據 v

2.2PSO-NGM預測結果及故障分析

1) 特征性能參數預測結果

選擇表2中1到9個時刻點為訓練樣本，對PSO-NGM模型進行訓練，然后對未來6個時刻點輸出電壓進行預測。

表3給出了各點預測結果及相對誤差。由表3中數據可知，利用PSO-NGM模型對Buck-Boost電路輸出平均電壓和紋波輸出紋波電壓預測相對誤差較小，而且適合中長期預測。圖4和圖5展示了應用PSO-NGM模型與GM模型對輸出電壓均值和紋波值的對比效果圖。

表3 PSO-NGM模型對輸出電壓均值的預測值和實際值對比

圖5 PSO-NGM模型和GM模型對輸出 電壓紋波的預測結果

2) Buck-Boost電路故障預測

選擇輸出平均電壓和紋波電壓作為Buck-Boost電路的特征性能參數，若能確定電路發生故障時特征參數的閥值，根據此值，便可對任何時刻電路的健康狀態情況進行評估。

通過對電路元器件參數及工作溫度對電路輸出的影響分析，設定當輸出電壓平均值偏離理想輸出電壓0.4 V或輸出電壓紋波值>0.3 V時，電路性能不能滿足負載需求，即認定電路發生故障。本電路正常工作輸出平均電壓為-5.838 1 V，紋波值0.137 2 V，由表3中PSO-NGM模型對電路未來6個時刻點的輸出電壓預測結果看出，該模型能夠成功預測在未來第5個時刻之后電壓均值和紋波值不滿足要求，與實際情況一致。從圖4和圖5可以看出原始的GM模型并不能完成對電路輸出電壓故障的預測。

3 結論

對電力電子電路故障預測技術進行了研究，將電力電子電路級故障特征性能參數與PSO-NGM模型相結合實現了電力電子電路級故障預測。文中以典型電路Buck-Boost電路為例進行了實驗驗證，證明了所提模型的有效性和可行性。所提預測思想能夠推廣應用于其他電力電子電路，其關鍵在于確定不同的電力電子電路對應的電路級故障特征性能參數。

[1] 楊蔭福, 段善旭, 朝澤云. 電力電子裝置及系統[M]. 北京:清華大學出版社,2006.

[2] Wu W，Hu J，Zhang J. Prognostics of Machine Health Condition using an Improved ARIMA-based Prediction method[C]:IEEE，2007:1062-1067.

[3] 李瑞瑩, 康銳. 基于ARMA模型的故障率預測方法研究[J]. 系統工程與電子技術，2008，30(008):1588-1591.

[4] Yang G，Wu X. Fault prediction of ship machinery based on gray neural network model[C]:IEEE,2007:1063-1066.

[5] Goebel KSaha B, Saxena A，et al. Prognostics in battery health management[J]. Instrumentation & Measurement Magazine，IEEE,2008，11(4):33-40.

[6] 唐陽山, 方媛, 白艷, 等. 基于蟻群算法的交通出行生成預測方法的研究及應用[J]. 遼寧工業大學學報(自然科學版)，2009，(02):108-110.

[7] Wang Q，Zhang S，Kang R. Research of small samples avionics prognostics based on Support Vector Machine[C]，Prognostics and System Health Management Conference (PHM-Shenzhen)，2011，(11):1-5.

[8] Gu J，Vichare N，Ayyub B，et al. Application of Grey Prediction Model for Failure Prognostics of Electronics[J]. International Journal of Performability Engineering，2010,6(5):435.

[9] Camci F. System Maintenance Scheduling With Prognostics Information Using Genetic Algorithm[J]. Reliability, IEEE Transactions on，2009，58(3):539-552.

[10] Liu J，Wang W，Ma F. A regularized auxiliary particle filtering approach for system state estimation and battery life prediction[J]. Smart Materials and Structures，2011，20:075021.

[11] 崔杰, 黨耀國, 劉思峰. 一種新的灰色預測模型及其建模機理[J]. 控制與決策,2009,(11):1702-1706.

Research on Fault Prediction Method of Power Electronic Circuits Based on ParticleSwarm Optimization Non-homogenous Grey Model

ZHU Baolin, CHEN Zewang, JIA Yuntao

(Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

Aiming at the issue existing in the fault prediction technique of power electronic circuits, this paper proposes that the characteristic parameter data is used with the particle swarm optimization non-homogenous grey model(PSO-NGM) to predict the power electronic circuits failure. The Buck-Boost converter circuit is taken as an example to predict its failure，The output voltage is selected as monitoring signal and the average voltage and ripple voltage are extracted as characteristic parameters， then the PSO-NGM algorithm is used to predict Buck-Boost converter circuit. The experimental results show that using the PSO-NGM algorithm to predict the average voltage and ripple voltage, its error is smaller. The new method can be used to trace the characteristic parameter trend and predic the failure of power electronic circuits effectively.

power electronic circuits; fault prediction; characteristic parameter; particle swarm optimization non-homogenous grey model

朱寶琳(1988-)，男，江西九江人，碩士研究生，研究方向為電力電子電路故障預測。

TP206+.3

B

1671-5276(2015)05-0155-04

2014-02-24