分形神经网络视阈下电力电子电路故障诊断探究.doc

分形神经网络视阈下电力电子电路故障诊断探究 　　摘要：在电力电子电路运行中，多数故障都是由于功率开关器件的损坏导致的，其中最为常见的故障诱发因素，是晶闸管的短路或者开路问题。本文以三相全控桥式交流电路为例，对其故障类型进行了简单分析，并结合分形理论与BP神经网络，实现对电路故障的准确判断和定位，希望能够为故障的处理提供一些参考 关键词：分形神经网络；电力电子电路；故障诊断 中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2017）04-0121-02 科学技术的发展带动了各种精密仪器和设备的出现，也使得电力电子技术在越来越多的领域中发挥着重要作用。而设备本身的精密性使得其一旦出现故障，想要快速准确的实现故障定位比较困难，从而在一定程度上延误了故障处理的效率。对此，相关学者提出了基于神经网络的故障诊断和定位方法，而考虑到神经网络的效率问题，可以结合分形理论，对故障信息进行预处理 1 故障分析 以三相全控桥式交流电路（图1）为例，对其主要故障类型进行分析。一是单一晶闸管故障，如VT1～VT6故障；二是同相电压晶闸管故障，包括VT1与VT4、VT2与VT5、VT3与VT6故障三种；三是同一半桥的两只晶闸管故障，如VT1与VT3故障，VT1与VT5故障等，共有六类故障；四是两只交叉晶闸管故障，同样有六类，如VT1与VT2故障、VT2与VT3故障等。考虑到故障类型众多，想要对其进行准确定位和原因分析非常困难，这里结合分形理论来判断故障所属大类，然后结合BP神经网络，确定故障的具体类型和明确位置[1] 2 故障信息预处理 对于故障信息的预处理主要是通过分形理论实现的，该理论主要是针对自然界和非线性系统中存在的不规则的几何形体进行研究，本身具备了良好的波形识别能力和奇异信号检测能力。而相对于电力系统而言，奇异信号一般都是由故障引发的，通过对奇异信号的分析，可以判断故障发展的时间和类型 2.1 分形维数计算 作为分形度量，分数维是欧几里得几何维数的一种扩展，结合分形理论，直线属于一维，平面属于二维，存在于平面上的曲线则位于一维和二维之间。从方便计算的角度，这里选择的分数维定义为盒维数[2] 定义（计盒维数）n维欧式空间子集F的计盒维数Dd为 公式的基本意义，是-在时的渐近线为直线，Dd为直线的斜率。而在计算中，想要实现较为困难，对此，可以运用多点直线拟合的方式来对Dd的值进行计算，选择M个较小的值，以表示，则 依照最小均方?`差，拟合出相应的直线y=kx+b，k表示直线的斜率，同时也是Dd的估算值，有 由，可以进行Db值的求解。而想要得到具体的值，需要首先针对原始电压信号进行归一化处理，得到。其中，s（t）表示电压信号[3] 从本身提出的故障分类需求考虑，导致故障类型曲线不同的原因是波形缺相，可以在波形横坐标方向上运用计盒维数，使得分形维数的取值小于1。在这种情况下，可以将公式 近似为， 在公式中，和表示网格的宽度，C表示∑和式的次数，M表示能够覆盖F的最大边长 2.2 波形分形维数计算和分类 结合计算机系统的在线检测功能，通过切断单个或者数个晶闸管触发脉冲的方式，引发输出电压变化，结合相应的波形图，能够得到不同类型故障的输出波形，并由此计算出其分形维数，如表1所示 3 故障定位 3.1 提取训练样本 选择单一晶闸管损坏故障为例，对BP神经网络的结构确定和训练等问题进行说明，其余故障的分析基本相同 结合仿真测试，可以得到单一晶闸管故障的训练样本，在得到训练样本后，可以以此为基础，构建全新的神经网络，结合网络本身的性能，对隐层神经元的数量进行明确，相关试验分析表明，当神经元的个数为23时，能够得到最佳的网络效果。而在这种情况下，需要做好相应的网络参数设置，有Sin=4，Sout=1，网络的学习速率lr数值为0.05，期望误差的最小值为0.001 3.2 网络测试 假定在某三相全控桥式整流电路中，结合分形理论判断某个晶闸管损坏，然后结合示波设备得到第一个完整周期中，四段线电压最高值出现的时刻依次为0.122、0.163、0.184以及0.202，在已经完成训练的可以用于该类故障诊断的BP神经网络中输入上述数值，得到的输出值为3.071，对照表2的期望输出样本，判断损坏的晶闸管为VT3[5] 4 结语 在电力电子电路故障的诊断中，引入了分形理论和BP神经网络，结合分数维的量化指标，以神经网络对存在故障的晶闸管进行准确诊断和定位。实践证明，这种故障诊断方法不仅检测量更少，判据更加简单，而且可以迅速得到诊断结果，在实际应用中具有非常显著的效果 参考文献 [1]张米露.基于分形神经网络的电力