基于S变换电力电子电路故障诊断技术.docVIP

基于S变换电力电子电路故障诊断技术[摘要]提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,训练样本数少等优点,在解决电力电子电路故障问题上有着很好的实用价值和应用前景 [关键词]S变换支持向量机故障诊断电力电子电路 1前言 随着电力电子技术的发展,电力电子装置越来越复杂,其故障模型也越来越复杂,为使电力电子装置正常高效地工作,研究有效的故障诊断技术是很有必要的[1]。近几年,神经网络故障诊断技术被广泛应用于电力系统故障诊断中[2-6],主要是由于基于神经网络故障诊断的方法不要求明确的故障模型,利用强大的自学习功能、并行处理能力和良好的容错能力,避免冗余实时建模的需求。但是通常采用的BP网络在结构设计上存在盲目性,且在训练过程中容易陷入局部极小点。文献[7-8]研究了采用小波变换方法进行故障特征提取的故障诊断方法。本文针对电力电子电路实现故障诊断,提出了一种基于S变换和支持向量机相结合的电力电子电路故障诊断方法,该方法首先对各种故障信号进行S变换时频分析,由变换结果选取合适的特征量,然后采用支持向量机作为故障模型分类的工具,建立故障诊断模型,用来识别各种不同类型的故障信号 2S变换基本原理 S变换由Stockwell于1996年提出[9],是一种可逆的局部时频分析方法,其思想是对连续小波变换和短时傅立叶变换的发展。信号的一维连续S变换定义如下 (1) (2) 其中,为高斯窗口(Gaussian Window),为控制高斯窗口在时间轴位置的参数,为频率,为虚数。由式中可以看出,S变换不同于短时傅立叶变换之处在于高斯窗口的高度和宽度随频率而变化,这样就克服了短时傅立叶变换窗口高度和宽度固定的缺陷。其一维连续S逆变换为 (3) S变换可以看作是对连续小波的一种“相位修正”,并且可以从连续小波变换推导而来。若将母小波定义为一个高斯窗函数和一个复向量的乘积,代入到信号的连续小波定义式中即可得到S变换 由于信号的S变换与其傅立叶变换之间之间存在如下关系: (4) 在实际数值实现中,必须将S变换离散化。离散S变换可以通过以下方式获得:设是对连续时间信号进行采样得到的离散时间序列,是采样时间间隔,为总采样点数。则该序列的离散傅立叶变换为: (5) 式(4)中,令且,则得一维离散S变换 (6) 式中代表时间的,代表频率的 3 基于S变换―SVM的电力电子电路故障诊断方法 3.1 故障电路和故障模型分析 图1为三相全波桥式整流电路,电路中主要发生两种情况的故障:电路中有一只晶闸管故障或者同时有两只晶闸管发生故障。本文应用Matlab R2006a 6.4仿真工具箱建立整流电路仿真模式,来对各种故障进行仿真实验。经研究表明:整流桥输出端的直流脉动电压包含了晶闸管是否有故障的信息,是一个关键的测试点;并且直流脉动电压容易检测,若可借助于的分析达到故障分类的目的,则可达到事半功倍的效果,所以我们尝试将作为主要分析处理对象。为了便于分析,本文以任一只晶闸管发生短路、断路故障作为主要研究内容,同时我们还将电路正常工作时作为一种特殊的故障进行分析 3.2 基于S变换的故障特征提取 通过Matlab仿真整流角为时不同故障产生时的信号(每个周期采样64点),运用式(5)和式(6)对其进行处理S变换,得到不同故障发生时的S模时频矩阵3-D如图2(a)-(m)所示 从图2可以看出,不同故障发生时信号的S变换时频分布也不一样;而S模时频矩阵中,其列向量表示故障信号某一时刻的幅值随频率变化的分布,其行向量表示故障信号某一频率处的幅随时间变化的分布。由图还可知,在频率为2k~3.15kHz的频率段内,不同故障产or Machine,简称SVM)是由Vapnik和他的合作者提出的基于统计学习理论的通用机器学习方法,可在高维特征空使用线性函数假设空间进行学习。SVM能够用有限样本得到较好的模型泛化性能,同时使得模型的结构和参数易于优化 SVM是从线性可分情况下的最优分类面发展而来的,利用优化方法把求解最优分类面的约束优化问题转化为其对偶问题,即求 (8) 的最大值。为每个样本对应的乘子,解上述问题后得到的最优分类函数是: (9) 引入核函数的概念后,SVM用代替上述问题中的点积,把原来的输入空间变换到一个高维的空间,在高维空间中原来的非线性可分问题变为线性可分问题,从而按照线性可分情