基于小波包神經網絡的整流電路晶閘管故障識別

馬立新　范麗君

摘要：

在電力能效監控管理系統中，提出了基于小波包的特征提取和BP（back propagation）神經網絡相結合的方法，對三相整流電路中故障晶閘管位置進行診斷和識別.根據整流電路原理，對22種故障情況分別進行編碼.建立三相整流電路故障模型，采用小波包分解的方法，對直流端輸出電壓的采樣數據進行特征提取，構建特征向量，作為BP神經網絡的訓練樣本，將對應故障的編碼作為網絡輸出，用簡化的訓練好的神經網絡即可以實現整流電路的故障位置識別.仿真結果證明，采用小波包特征提取，作為神經網絡訓練樣本，既可以簡化神經網絡訓練結構，又可以準確實現故障定位識別.研究具有很大的工程實踐意義.

關鍵詞：

電力能效測評； 小波包； 特征向量； 神經網絡； 整流電路； 故障識別

中圖分類號： TM 92文獻標志碼： A

Abstract：

In the power energy efficiency management system，the feature extraction based on wavelet packet combining with back propagation（BP） neural network was proposed and applied to thyristor fault diagnosis and identification in the threephase rectifier circuit.According to the principles of rectifier circuit，22 kinds of fault were encoded respectively.The fault model of threephase rectifier circuit was set up.Using the wavelet packet decomposition method，feature extraction of the DC output voltage was conducted to construct the feature vectors，which was saved as training samples of BP neural network.The corresponding fault codes were used as the network output.This simplified trained neural network could recognize the fault position of the rectifier circuit.The simulation results showed that the wavelet packet feature extraction，used as the neural network training sample，not only simplified the structure of neural network training，but also located the fault thyristor accurately.It indicated the engineering significance.

Keywords：

electric energy efficiency evaluation； wavelet packet； feature vector； neural network； rectifier circuit； fault identification

三相整流電路廣泛應用于電氣設備中.晶閘管本身損壞以及觸發脈沖一場導致的不導通和誤導通都會使該晶閘管所在的整流電路發生故障以至于整流電壓畸變.因此，對電力電子電路實現在線實時監測和故障診斷顯得很有必要.在對故障診斷快速性和準確性要求越來越高的同時，人們也不斷尋找如何對三相全控整流電路中故障晶閘管快速、準確地定位，應用先進的算法實現智能故障診斷也越來越受到重視.

傳統的檢測方法有電壓電流檢測法、傅里葉分析法、頻譜分析與神經網絡相結合、粗糙集與神經網絡等.近年來，基于神經網絡的故障診斷越來越成為研究的熱點.文獻[1]將故障波形的采樣數據作為神經網絡訓練樣本，將訓練好的神經網絡用于整流電路的故障診斷.文獻[2]將直流母線電壓的采樣值作為人工神經網絡的輸入進行故障診斷.直接將采樣數據作為神經網絡的輸入時，采樣數據過多會造成訓練網絡龐大，訓練過程緩慢，采樣數據過少則樣本特征不明顯，導致結果偏差.采用BP（back propagation）神經網絡算法進行故障識別的理論相對比較成熟，但是在工程實現上面臨很大的困難.文獻[3]中僅實現了晶閘管故障類別的診斷.

本文提出采用小波包特征提取與BP神經網絡故障識別相結合的方法，將22種故障電路的電壓波形數據通過小波包分解，提取特征向量作為神經網絡輸入進行訓練，大大簡化了神經網絡結構.根據該訓練好的神經網絡，能夠準確地利用電路的輸出波形進行故障晶閘管的定位，可以在電力能效監控系統中得到應用.

1電力能效監控管理系統

電力能效監控管理系統采用分布式結構，分為現場監控層、通訊管理層和系統管理層，如圖1所示.該系統主要實現信號采集、信號傳輸、信號處理.通過對系統設備信號的實時采集，實現電氣系統中的設備狀態監控和故障監測，提高了電氣系統的安全可靠度；通過對能效監控管理系統的實時數據和歷史數據進行多維度的處理和分析，為制定合理的綜合能耗管理方案提供數據依據.

在電力能效監控管理系統中已經實現了對各用電設備的監控和管理.在電氣系統中，整流電路在線監控和故障快速診斷也很有必要.圖2為整流電路監測系統結構.整流電路監測流程為：電壓信號經過電壓傳感器送進信號調理電路，經A/D轉換，由DSP系統對采集到的信號進行參數處理和傳輸，通過現代化的高速通信網絡傳輸到上位機，將數據作為訓練好的神經網絡樣本，進行故障診斷識別.

2小波包分析

小波分析由于其對信號的時頻分析特性，已經被廣泛應用.在工程應用領域，特別是信號處理、圖像處理、語音分析等領域，小波變換被認為是信號分析工具和方法上的重大突破[4].小波包分解為信號提供了一種非常精細的分析方法，它將頻帶進行多層次劃分，對小波分解沒有細分的高頻進一步分解，并能夠根據被分析信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配.小波包變換將信號分解至獨立的頻帶中，這些頻帶的信號能量對狀態監測非常有用.

圖3為小波包分解樹結構.小波分析是將信號s分解成低頻a1和高頻d1兩部分.在分解中，低頻a1中失去的信息由高頻d1捕獲.在下一層分解中，又將a1分解成低頻aa2和高頻da2兩部分，低頻aa2中失去的信息由高頻da2捕獲.以此類推，可以進行更深層次的分解.對小波包分解系數重構，提取各個頻帶范圍的信號特征.小波包分解時，有

4三相整流電路故障識別

電路中某處晶閘管發生故障后，輸出波形為非平穩信號.由于輸出各個故障波形的各個頻率成分的能量不同，提出了基于“能量故障”的故障診斷識別模式[6-8].故障識別過程如圖5所示.直接提取各個故障波形中各個頻率成分能量的變化作為神經網絡的輸入，在能夠表征各個故障特征的同時，使得輸入數據大大減少.由于單個晶閘管故障的6種波形相同，但相位

不同，因此在A相電壓上升過零點時開始采樣，采樣間隔0.000 1 s.經過1個周期（0.02 s）得到200個數據樣本.

4.1小波分解

對200個數據樣本進行三層小波包分解，分別提取第三層從低頻到高頻8個頻率成份的信號特征.圖6為VT1開路時的故障波形和小波包分解樹結構，其中：（0，0）代表原始信號s，即數據樣本；（1，0）為小波包分解的第一層低頻系數；（1，1）為小波包分解的第一層高頻系數；（3，0）為第三層第0個結點的低頻系數；（3，1）為第三層第0個結點的高頻系數.其他以此類推.

4.2小波重構

對小波包分解系數進行重構，提取各頻帶范圍的信號.用S（13m）表示各結點的重構系數（m=0，1，…，7）.則總信號可表示為S1=S（130）+S（131）+S（132）+S（133）+S（134）+S（135）+S（136）+S（137）.晶閘管VT1開路時輸出電壓的各結點重構系數如圖7所示.

4.3構造特征向量

由于晶閘管故障時輸出波形的各頻帶的能量

有一定的變化，因此，以能量為元素可以構造一個根據以上步驟，每種故障時的輸出波形可構造一個特征向量.以單個晶閘管故障為例，6種故障狀態可產生6組特征向量，如表2所示，其中：s0表示正常狀態下的特征向量；si表示VTi故障時的特征向量（i=1，2，3，4，5，6）.

4.4建立BP神經網絡

根據已總結的故障模式種類，將各狀態下經小

波包分解的特征向量作為輸入，將對應編碼構建一個矩陣作為輸出，設置一個三層的BP神經網絡[9]，其參數設置如表3所示.神經網絡訓練迭代過程如圖8所示.

4.5故障模式識別與方案驗證

訓練完成后，提取單個晶閘管故障波形數據和加入隨機噪聲.經小波包分解進行特征提取，將特征向量作為訓練好的神經網絡的輸入再進行檢驗.未加噪聲的訓練結果如表4所示，平均診斷誤差為0.000 5.表5為加隨機噪聲后的訓練結果，平均診斷誤差為0.055 2.

5結論

本文提出了應用于電力能效監控管理系統的對整流電路進行故障診斷和識別的方法.先建立模型，采集故障波形數據，進行特征提取等處理，以此作為輸入樣本，建立一個訓練好的神經網絡.再通過對故障監控數據的采樣、特征提取，作為神經網絡的輸入，即可判斷出三相整流電路中晶閘管故障的準確位置.采樣數據經小波包分析處理后作為輸入樣本，簡化了神經網絡的結構.本文以波形數據最相近的單管故障為例進行研究，仿真結果驗證了該方法的實用性.

參考文獻：

[1]鄭連清，王騰，鄒濤.基于神經網絡的三相全控橋整流電路故障診斷[J].重慶大學學報，2004，27（9）：72-75.

[2]王孟蓮，龍飛.基于人工神經網絡的整流電路故障診斷[J].武漢理工大學學報：交通科學與工程版，2013，37（3）：578-580.

[3]田質廣，趙剛.基于小波包與Elman神經網絡的整流電路故障診斷[J].系統仿真學報，2009（10）：2981-2984.

[4]胡昌華.基于MATLAB的系統分析與設計—4—小波分析[M].西安：西安電子科技大學出版社，1999.

[5]王兆安，劉進軍.電力電子技術[M].5版.北京：機械工業出版社，2009.

[6]錢蘇翔，杜琦，顧小軍，等.基于小波包特征能量提取的變壓器繞組變形故障診斷[J].機械設計與制造，2012（9）：135-137.

[7]陳少東，李宏.晶閘管整流裝置的幾種故障處理方法淺析[J].電子測試，2013（3/4）：34-37.

[8]劉樂平，林鳳濤.基于小波包特征向量與神經網絡的滾動軸承故障診斷[J].軸承，2008（4）：46-48.

[9]朱凱，王正林.精通MATLAB神經網絡[M].北京：電子工業出版社，2010.