軟故障在電力電子電路的診斷方法對比

韓菁

江蘇技術師范學院

軟故障在電力電子電路的診斷方法對比

韓菁

江蘇技術師范學院

為了有效降低因為電力電子裝置故障而形成的停機時間，并且方便工作人員提前維修即將產生故障的器件，對于電力電子辦的故障診斷的研究則是非常重要的。就當前來看，電力電子電路故障的診斷技術在不斷的發展，大家對于故障診斷的研究也在逐漸加深，人們也越來越關注電力電子電路的故障診斷。為此，電路故障診斷也將會成為此行業中十分關注的問題。

軟故障 電力電子 電路 診斷方法 對比

就當前來看，電路故障的基本診斷方法主要有以下幾類，首先是基于故障頻率診斷算法的診斷方法，其次為基于故障字典算法的診斷方法以及基于K故障診斷算法的診斷方法等。而第一大類是最為常見的診斷方法，這是由于電路產生故障的頻率非常高，而且故障產生的基本原因也比較復雜，為此，研究電路故障出現的原因是必不可少的。

1 電力電子電路的基本認識

1.1 電力電子電路的具體特點

與我們平常所說的模擬電路或者數字電路有所不同，電力電子電路的基本器件過載能力相對較小，所以，設備損壞的速度也非常的快，通常情況下，其具體的損壞時間保持在十微秒以內，為此，當故障產生之前不易發覺征兆。根據傳統故障判斷方法來分析，它主要依靠所輸出的波形加以判斷的，判斷其緩變的具體故障，可是這類方式對于電力電子電路中快速的突發性故障是不能完全掌握的。

1.2 電力電子電路故障的診斷

由于傳統故障判斷方法有一定的缺陷，因此，有關學者研究出了一類關于粒子群優化算法的電力電子電路故障診斷法，運用此類被優化后的方法來運算相應的離子，再運用類種方法把一些無法確定的因素加以診斷。通過在不同情況下的實驗，我們將清楚地看到它運用于電力電子電路故障的診斷，在此過程中還能夠十分精準地獲得我們想要的信息，并且其效率也是非常理想的。

1.3 電力電子電路在運行過程中的可靠性

人們對于電力電子電路在具體的運行過程中十分注重其可靠性，但是在實際的操作中卻不能對此展開良好的計劃，隨著電力電子裝置被不斷的運用，此裝置的妨礙一般體現在電子器件的損壞上，但是，具體的妨礙信息只存在于產生妨礙至停電前的數十毫秒內，同時，一些運用專家體系對發電機勵磁體系的晶閘管整流電路舉行妨礙診斷，在對付那些比較大的電路時，其基本信號引出線也會有所增加，但是它只適用于不帶反電動勢的整流電路中，如何計劃出科學合理的電力電子電路妨礙診斷方案，還需要以非侵入性來聯接相關要領。電力電子電路的具體功率逐漸上升至數千千瓦，這種情況也是因為電力電子器件的過載能力小。近些年以來，無論是國內還是國外都有許多研究人員對于電力電子電路的防礙診斷問題展開了相應的探討，它的破壞速度非常快，對于這類要領我們需要同時監測每一個晶閘管元件的端電壓，在妨礙出現前是很難找到相關前兆的，這也造成了對主電路的滋擾。

2 電力電子電路軟故障的基本診斷方法

對于電力電子電路的軟故障診斷，我們主要分析了在知識故障診斷中的兩類典型運用，即SVM法與BPNN法，由于BPNN的基本結構主要運用單輸出BPNN模型以及多輸出BPNN模型。而SVM模型主要運用了OVA算法與OVO算法。

2.1 SVM法

SVM分類的具體思想主要是建立于一個超平面當作決策曲面，讓其處于反例和正例之間的隔離邊緣，并且被最大化。在展開線性分類的過程中，把具體分類面取出在離兩類樣本距離最大的地方，在展開非線性分類時，還要通過高維空間對其進行變換，把非線性分類轉變為空間的線性分類問題。因為SVM自身具備分類的問題，在對多分類問題進行處理時，往往被轉化成二分類的基本問題，為此，我們一般會運用兩類轉換方法，即OVA算法與OVO算法兩種。OVA（一對多算法）主要指的是把一個C類分類的具體問題轉化成C個二分類的問題，其中第i個分類器主要是通過將屬于第i類樣本點作為正類，而其它的所有樣本點當作負類所訓練形成。OVO（一對一算法）主要指的是把一個C類分類問題轉化成C（C-1）/2個二分類，一個分類器只可以把指定的兩種故障模式進行分類。

2.2 BPNN法

BPNN法在當前屬于多層饋神經網絡，其基本特點是能夠在信號前進行傳遞，且誤差反向傳播。根據相關研究顯示，三層BPNN結構能夠有效逼近任何一類非線性函數。在BPNN模式中一般能夠設計出兩大類，其一為單輸出BPNN模型，其二為多輸出BPNN模型，它們二者之間的具體差別在于輸出參量的基本個數，對于單輸出BPNN模型來說只是輸出一個參量，它只適用于單個故障診斷模式，而且每一種電路的工作模式基本對應一個故障分類器。而多輸出BPNN模型能夠同時輸出多個參量，每一個參量對應一種單故障或者電路正常的工作模式，也就是所有電路工作模式只能夠對應出一個分類器。

3 結束語

隨著功率半導體工藝水平的不斷提升以及計算機技術水平的持續發展，也將推動了各類高性能電力電子產品的出世，其具體涉及的領域為電力系統、通信設備、家用電器、航空航天、交通運輸等方面。在本文中，主要分析電力電子電路軟故障診斷的兩種診斷方法，即BPNN法與SVM法，通過有關研究我們發現單輸出BPNN模型通常只適用于故障模式較多，且診斷率要求比較高的場合，而多輸出BPNN模型的基本構建相對簡單，它通常適用于多故障模式，且診斷要求較低場合中。與單輸出BPNN模型特點比較相似為OVA SVM算法，但是OVA SVM算法的診斷率比單輸出BPNN模型要低，而OVO SVM算法卻適用于故障模式少，只有單故障的模式場合中。

[1]朱志榮.電力電子電路故障診斷方法探析[J].科技傳播,2014,16:188+190

[2]任磊,韋徵,龔春英,沈茜.電力電子電路功率器件故障特征參數提取技術綜述[J/OL].中國電機工程學報,2015(12).021. html

[3]李猛,王友仁.電力電子電路軟故障診斷方法對比分析[J].電子測量技術,2015,07:110-114

[4]羅慧,王友仁,崔江,趙鵬.電力電子電路多源特征層融合故障診斷方法[J].電機與控制學報,2010,04:92-96

[5]佟子鈺,崔江.基于M-arySVM的電力電子電路故障診斷方法研究[J].機械制造與自動化,2016,03:199-201+216

韓菁（1985—），女，漢族，江蘇南京人，江蘇技術師范學院，工學學士，助教，從事電子電路分析與設計研究。