BP神经网络在电力电子电路故障诊断中应用.docVIP

BP神经网络在电力电子电路故障诊断中应用 　　摘要：本文主要介绍和研究了BP神经网络系统，对其设计过程和应用做了系统的阐述。在此基础上就BP神经网络的原理及算法做了进一步的研究。在研究电力电子电路故障模式的基础上，叙述了应用神经网络诊断电力电子故障的一般步骤。最后讨论了BP神经网络在应用中存在的问题与不足。 　　关键词：BP神经网络 电力电子 故障诊断 　　0 引言 　　目前电力电子技术已应用于生活的许多方面，例如国防、通信、商业、交通等领域。在运转过程中万一这些电力电子设备发生了故障，将会造成非常严重的后果，不仅会造成财产上的损失，更可能危及到人们的生命安全。介于这些原因如果能够在事故发生之前就可以对电力电子电路进行准确的诊断，那么就可以避免了财产和生命的损失，更能够提高电力电子设备的管理水平[1]。有一个难点是由于电力电子设备种类很多而且组成复杂，对这些设备的故障进行诊断，就是对其中所有的电路进行检测，因此检测具有一定的难度。用于诊断的方法非常多也在不断发生着变化，随着科技的进步诊断方法更加自动化和智能化。在用于故障诊断的方法中人工神经网络由于具有的非线性、容错性、并行性等优点，广泛应用于电力电子电路的故障诊断中。 　　1 BP神经网络 　　BP神经网络是1986年以Rumelhart和McCelland为主的科学家小组提出。BP神经网络是一种按照误差逆传播算法训练出来的多层前馈网络，这种网络具有极高的存储能力，可以存储大量的输出模式映射关系，而不需要在事前进行描述。它主要通过最速下降法进行学习，利用反向传播的方式来不断调整网络的权值和阈值，使网络误差平方和达到最小值。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。目前BP神经网络已广泛应用至各个领域。 　　1.1 BP神经网络设计 　　1.1.1 BP神经网络结构设计。经研究分析表明，当隐含层的神经元可以适应具体要求进行设计时，即说明三层前向神经网络可以进行BP神经网络设计。本文仅以三层神经网络为研究对象。其典型结构如图1 　　1.1.2 BP网络的学习样本设计。在BP神经网络中，直接影响其训练效果的就是其学习样本设计。而在此环节中最基本的要求就是准备样本数据。输入层神经元的多少主要取决于要输入样本的维数，这就会对整个网络的负责性造成影响。同时，在数据输入过程中还要考虑一些其他因素，例如对数据进行标准化从而防止sigmoid函数进行输出饱和区；输入的数据之间应能保证其不相关或相关性较小；数据的每个类型中，不能忽视随机噪声的影响；参数变化范围的一致性和样本分布的正常性也应当在考虑的范围之内。 　　1.2 BP神经网络原理与算法 　　1.3 人工神经网络在电力电子故障诊断中的实际应用 　　1.3.1 故障模式。电力电子中容易出现的故障包括参数故障和结构故障。参数故障会导致装置的正常特性发生严重的改变，不能正常作用，例如电阻、电感等元器件的参数发生偏移和开关管的性能已不能正常使用。结构性故障主要指因各元件尤其指功率器件的破坏而出现的电力结构改变。例如电容、电感和开关器件的开路及短路[2]。电器元件故障模式有软故障和硬故障两种。当电器元件出现短路和开路从而引发的故障被称为硬故障。电气软件没有短路或开路但其实际大小与正常值之间有所偏离导致电路的不正常特性，这时的故障模式为软故障。从实际情况可知，硬故障所占比例较大，约为80%。电容故障模式主要包括开路、短路、软故障偏大和软故障偏小四种。在整个系统中电容发生故障的概率最大。在硬故障模式中，钽电容器通常是短路而陶瓷电容和铝电容通常是开路。开关器件作为电力电子变换器的关键部位和基本元件，直接影响着电力电路的安全性。根据电力电子电路故障中触发脉冲故障一大特点，其故障表现形式主要有缺脉冲、多脉冲、相序错和脉冲间距错四种。有一种特殊的故障模式与原有电力电子变换器的故障诊断不同，即便是被诊断为可以正常工作的电力电子变换器，这种故障模式也会导致变换器的性能恶化甚至无法运行。这种故障模式发生的原因在于很多设计者并不了解变换器中的一些非线性特性和工作模态。 　　1.3.2 神经网络在电力电子电路故障诊断中的应用。神经性网络在电力电子电路故障的诊断过程如下：①确定神经网络目标输出样本：对电力电子电路进行分析，确定电路中会出现的故障类型，把这些故障类型作为神经网络的目标输出样本。②得到神经网络的标准输入样本：从分析所得的故障类型中提取故障信号，将故障信号进行相关处理后将其作为神经网络的标准输入样本。③样本训练：依据网络拓扑结构通过神经网络学习和存储个故障信号和类型间的映射关系，根据相应学习规则进行样本训练。④结果显示：通过计算得出神经网络的参数值，将结果传至执