基于CEEMD特征提取和優化RF分類的Vienna整流器故障診斷

張 偉,陳鳳龍,李 強

(1.東北電力大學現代電力系統仿真控制與綠色電能新技術教育部重點實驗室,吉林 吉林 132012;2.國網四川省電力公司綿陽供電公司,四川 綿陽 621000)

0 引 言

隨著新能源汽車的普及,同時也要求充電設施的不斷改進與發展[1],充電速度快、充電效率高等是直流充電樁最突出的優點,這吸引著眾多研究者研究直流充電樁[2]。

充電模塊由前級和后級兩個部分組成[3]。前級的作用是將交流電轉換為穩定的直流電,通常用三相Vienna整流器為前級主體結構來獲取穩定直流電。前級結構的穩定運行直接影響著整個充電模塊的運行效率,因此針對Vienna整流器故障診斷顯得十分重要[4-5]。

在充電模塊發生的故障中,開路和短路故障最為常見。短路故障危害性極大,會導致過電流過大,極短時間就能燒毀設備。但一般配有熔斷裝置,保護電路動作使短路轉化為開路問題,從而切斷過大電流[6-7]。開路故障會導致輸入側電流產生畸變,裝置元件應力變大,還會發生二次故障[8]。因此,開路故障成為研究熱點。

目前,開路故障診斷方法大體分為兩類[9]:基于信號處理和解析模型的方法?；诮馕瞿Ｐ头椒ㄊ紫冉⑾到y的數學模型,再分析故障時域信號,利用變化特征進行故障診斷[10-11]。然而Vienna整流器系統的非線性特性比較復雜,故難以建立準確的模型?；谛盘柼幚矸椒▋H需分析故障信號再診斷,它又可以分為深度學習和傳統兩步法的診斷方法[12-13]。深度學習診斷方法可細分為兩類:第一類是直接把一維信號作為深度學習模型的輸入端,提取特征和識別分類在模型中先后進行[14],但深度學習的并行處理能力不能充分發揮;第二類是將一維信號先轉化為二維乃至多維特征圖像,然后再進行診斷[15],但轉化特征圖像的過程會引發數據冗余且易損失特征的問題,并且十分影響該算法的實時性;傳統兩步法首先對信號進行分析,分析方法大體可分為:派克變換[16]、離散小波變換[17]、經驗模態分解[18-19]等,然后利用分類算法進行處理。分類算法包含:人工神經網絡[20]、支持向量機[21]、隨機森林[22]等。但這個處理過程需要人工選定故障特征,會對最后的診斷結果有一定的影響。

本文提出了一種基于互補集合經驗模態分解(Complementary Ensemble Empirical Mode Decomp-osition,CEEMD)和粒子群(Particle Swarm Optimiz-ation,PSO)優化隨機森林(Random Forest,RF)算法的診斷方法。CEEMD是在經驗模態分解(Empiri-cal Mode Decomposition,EMD)的基礎上進行改進,能有效抑制EMD方法產生的模態混淆問題,運算時間也有所縮短。經過CEEMD處理后,信號被分解成一定數量的平穩本征模態函數(Intrinsic Mode Function,IMF)與殘量r(t),以能量值作為特征,構成特征向量矩陣,并將其輸入到粒子群(PSO)優化隨機森林(RF)參數模型中。通過仿真驗證,證明該方法可以提高模型診斷正確率并縮短診斷時間。

1 功率開關管和直流側電容開路故障分析

1.1 VIENNA整流器正常工作狀態分析

三相三線制Vienna整流器拓撲原理如圖1可知:ea、eb、ec和ia、ib、ic分別為交流側三相電壓和電流;La、Lb、Lc為輸入端電感;直流側輸出電容C1和C2,D1～D6、S1～S6分別為續流二極管、功率開關管,其中每相兩個開關管以背靠背形式構成一個雙向開關,電流可以雙向流動。

該拓撲是三相對稱結構,因此可對某一相單獨進行研究。假設背靠背的兩個開關器件共用一組驅動信號,一起開通和關斷;從電網流向負載側電流方向為正;電網電壓方向與輸入側電流方向相同。詳細分析不同電壓極性中各種開關狀態下的工作模態。

1)當電壓、電流極性為正時:當開關器件S1、S2開通時,如圖2(a)中所示,紅色線標注了電流正向流動路徑。此時電壓UAO=0,電感處于儲能狀態,直流側輸出電容處于放能狀態。當開關器件S1、S2關斷時,如圖2(b)中所示,紅色線標注了電流正向流動路徑。此時電壓UAO=UC1,電感處于放能狀態,直流側輸出電容處于儲能狀態。

圖2 單相VIENNA整流器工作模態

2)當電壓、電流極性為負時:當開關器件S1、S2開通時,如圖3(a)中所示,紅色線標注了電流負向流動路徑。此時電壓UAO=0,電感處于儲能狀態,直流側輸出電容處于放能狀態。當開關器件S1、S2關斷時,如圖3(b)中所示,紅色線標注了電流負向流動路徑。此時電壓UAO=UC2,電感處于放能狀態,直流側輸出電容處于儲能狀態。

圖3 單相VIENNA整流器工作模態

從Vienna整流電路的工作原理可知,正半周期時,它類似于正向Boost電路;當開關導通時,電感儲能,當開關斷開時,電容C1為負載提供能量。負半周期時,Vienna整流電路類似于反向Boost電路;當開關導通時,電感反向儲能,當開關斷開時,電容C2充電,為負載提供能量。Vienna整流器的輸入電壓有0、Udc和-Udc三個電平,因此通常被稱為三電平整流電路。

總結三相Vienna整流電路的正常工作原理可知其應用特點如下:

1)工作原理本質:濾波電容和電感在充放電的過程實現了對輸出側負載的不間斷供電。在理想情況下,電容中點電位的平均值與輸入電源參考電位一致。這可以將三相Vienna整流系統看作三個單相Boost電路,易于理解其原理。

2)系統穩定性與可靠性:該電路在穩態工作過程中不會出現橋臂直通現象,這意味著電路可以持續穩定地提供電力供應。

3)最大電壓:開關管兩端的最大電壓為輸出電壓Udc的一半。續流二極管兩端的最大電壓為輸出電壓Udc,這有助于選擇合適的器件。

1.2 功率開關管以及電容開路對整流器影響分析

電容電解液會存在蒸發的情況,進而使等效電阻變大或者電容值變小,最后使其失效;功率器件在高頻開斷過程中會受電壓和電流應力以及結溫波動致使器件破損,嚴重會使功率器件失效。功率開關和電容故障既常見又難以避免,而且多個器件同時發生故障的情況非常少,故本文主要研究單個器件開路的情形,共總結出了9種故障類型包括正常狀態,故障分類如表1所示。

表1 Vienna整流器開路故障分類

文中利用Simulink搭建Vienna整流器仿真模型,按照圖1設計主電路,輸入相電壓220 V,額定輸出電壓750 V,根據仿真結果總結不同類型下Vienna整流器輸入的三相電流波形特點。以B相為例,對功率開關發生開路故障時的整流器輸入性能進行分析。

如圖4可知,功率開關S3發生開路故障后輸入電流每相都發生了不同程度的畸變。電流ib出現零值階段均在正半周期,由于eb在正半周期時,ib可由S3或D3到達直流側。S3開路故障此路徑行不通。若eb不能夠使D3導通,那么ib=0;若eb足以導通D3,則ib會從D3這條路徑到達直流側,即形成不控整流通路。相反,eb在負半周期時,ib由S4或D4返回交流側,S3發生開路并不影響ib返回通路。由此看出,在失去功率開關的控制作用和電流流通通路的情況下,A、C兩相電流波形會發生很大浮動但B相輸入電流畸變最嚴重。Vienna整流器三相之間以及同相的上下橋臂之間存在對稱性,就可知功率開關S4發生開路故障的時候,三相輸入電流也會產生不同程度的畸變,S4開路故障發生后輸入電流的圖像,如圖5所示。當A、C相的功率開關管發生類似B相開路故障時,可以效仿B相的故障分析,故不再贅述。

圖4 功率開關S3發生開路故障輸入電流

圖5 功率開關S4發生開路故障輸入電流

濾波電容可以緩沖直-交流兩側的能量交換,在開關高頻動作時,還可抑制輸出電壓諧波電壓,同時穩定當負載發生變化后系統輸出電壓值。電容C1或C2發生開路故障時,輸入電流會受到大量諧波的影響并發生畸變,故障特征信息同樣蘊含在畸變的輸入電流中。

2 基于CEEMD的故障特征提取

2.1 整流器開路故障輸入三相電流CEEMD分解

經驗模態分解法(EMD)是一種應用廣泛的自適應時頻分析法,其實質是在不同時間尺度下將復雜信號自適應分解為多個本征模式函數,但最終的分解效果會受到影響即模態混疊現象。集成經驗模態分解(EEMD)的提出彌補了EMD的部分缺陷,取EMD多次分解的IMF分量的平均值作為最終IMF。EEMD添加小幅度白噪聲均勻信號頻譜抑制了模態混疊。由于IMF的誤差取決于平均次數,從而運行時間會隨之上升。

CEEMD在EEMD基礎上,通過添加符號相反的同分布白噪聲序列,不僅降低原始信號的殘余輔助噪聲,還有效控制了模態混疊現象,克服集合經驗模態分解(EEMD)分解完備性差、重構誤差大的問題,更加適合非平穩信號的處理。設x(t)為待分解信號,CEEMD算法的計算流程如下:

用兩種不同方式為原始信號添加噪聲信號,得到兩種新信號:

(1)

(2)

將包含加性和減性噪聲的信號分解后的IMF分量集合獲取的IMF為

(3)

VIENNA整流器提取的三相輸入電流x(t)可表示為各IMF分量與余量r(t)之和:

(4)

由圖6可知,CEEMD分解算法流程圖,進一步理解CEEMD算法的計算流程。

圖6 CEEMD算法流程圖

以功率開關S3管發生開路故障為例,每一種故障數據的序列長度為900,對每相的故障波形進行了CEEMD分解。圖7為功率開關S3開路故障三相電流CEEMD分解結果。圖8為功率開關S3開路故障CEEMD分解各IMF分量與殘量能量占比。由圖8可知,每種故障波形分解的各IMF分量與殘量的能量占比都不相同,S3開關管開路時,可得B相的各能量占比比較相近,A與C相的各能量占比分別呈現增加趨勢和呈現減少趨勢,可以根據三相不同的能量占比的組合作為特征向量,進而對不同的開關管故障進行識別分類。

圖7 功率開關S3管開路故障三相電流CEEMD分解結果

圖8 功率開關S3管開路故障CEEMD分解各IMF分量與殘量能量占比

2.2 整流器開路故障特征向量構造

基于IMF分量與殘量特性,可知IMF分量的能量占比包含了原始信號中顯著且重要的特征信息,分解殘量在一定程度上表征了原始信號偏離原點的程度與方向。為了更加貼合故障發生時檢測情況,文中選擇故障波形穩定后的部分作為研究對象,按照以下步驟構造故障特征向量。

1)設輸入信號為x(t),信號長度為N,CEEMD分解共得到了n個IMF分量ci(t)(i=1,2,3…,n)以及殘量r(t),即

x(t)=c1(t)+c2(t)+…+cn(t)+r(t)

(5)

2)計算各IMF分量和殘量r(t)的能量Ej(j=1,2,…,n+1),以及各分量的能量之和Etotal。

(6)

(7)

3)將殘量r(t)的能量占比ER作為故障特征值以反映原始信號偏離原點程度,利用原始信號均方根值對殘量r(t)的平均值歸一化后作為故障特征值Pr以反映原始信號偏離原點的方向。

(8)

(9)

(10)

4)以Vienna整流器輸入端三相故障電流ia(t)、ib(t)以及ic(t)分別作為原始信號x(t)執行上述步驟,將計算得到的每組Ej、ER、Etotal與Pr組合共同構成21維特征向量T。

(11)

3 基于粒子群優化隨機森林診斷方法

3.1 傳統隨機森林算法

隨機森林算法(RF)是由2001年Leo Breiman提出的一種基于決策樹算法和Bagging算法結合而形成的機器學習算法。集成學習作為其核心內容,它的實質是通過若干決策樹組合而成的分類器,再由多顆隨機而成的決策樹,使強分類器模型的分類性能更加穩定,最后結合所有決策樹的分類結果決定模型的輸出值。

隨機森林使用Bootstrap算法從數據集中有放回地抽取n個樣本,生成n棵決策樹。每個決策樹在分裂過程中,從M個總屬性中隨機選擇m個屬性,在這m個屬性中選擇最適合的屬性進行分裂。本文使用CART算法構建決策樹。隨機森林可以總結為三步:1)對原始數據集進行Bootstrap抽樣,生成若干個訓練集。2)利用每個訓練集訓練決策樹,并不進行剪枝操作,因為最優屬性是從隨機生成的部分屬性中選擇的。3)多個決策樹分類器的集合形成隨機森林,此隨機森林的模型輸出為

(12)

公式中:x為測試集;s為類別數;N為決策樹的數目;fn(x)為第n棵決策樹的分類結果;I(*)為一個判斷函數,當基分類器的輸出結果在不滿足條件時為0,滿足時為1。隨機森林模型如圖9所示。

圖9 隨機森林模型

3.2 粒子群優化(PSO)

粒子群算法的基本思想來自對鳥群捕食行為的研究,利用種群的智慧進行協同搜索,在給定的搜索空間中不斷調整每個粒子的速度和位置以達到最優值。該算法簡單易用、精度高,收斂速度比遺傳算法更快。通過兩個公式不斷調整粒子的速度和位置對種群中每個粒子進行尋優,直到達到收斂終止條件。

(13)

(14)

借助PSO算法對RF樹的個數Ntree和樹的層數Mtree2個參數進行優化。優化步驟如下:

1)先將參數初始化,Ntree和Mtree分別設置為[0,200]和[2,10]。

2)首先搭建RF模型,不斷刷新粒子的速度和位置,計算出新的適應度值。

3)比較不同的適應度值,在刷新過程中尋優。

4)在滿足最大迭代次數或者目標函數出現最優解時完成。不然返回步驟(2)繼續循環。

5)最終找到PSO最優粒子,得到Ntree和Mtree的最優組合。

PSO算法中每個粒子都會受到自身規則以及整體搜索空間中最顯著位置的影響。粒子到達可以改進的位置,整個群體也會發生移動。不斷循環這個過程,最終達到滿意的方案。在沒達到最大迭代次數或目標函數的最優值出現的時候,迭代循環不會停下來。尋找到最優粒子也就找到了Ntree和Mtree的最優值,以此就可以得到RF模型的最優參數。

3.3 建立(PSO-RF)診斷模型

參數Ntree和Mtree影響著隨機森林分類過程中的識別精度和效率,故采用粒子群算法對這兩個參數優化,PSO算法優化RF的流程如圖10所示。

圖10 PSO-RF診斷模型

步驟一:首先整理9種故障類型數據,再輸入到CCEMD算法中進行信號分解,選中具有代表故障信息的特征向量,最后將特征集劃分為訓練集和測試集;步驟二:用訓練集和測試集訓練RF模型,逐步優化性能,并找到Ntree和Mtree的最優組合。步驟三:將測試數據輸入到PSO-RF模型,驗證模型的性能。

4 仿真結果及分析

本文利用在Simulink搭建關鍵參數設計如表2所示的Vienna整流器仿真模型?？紤]輸入濾波電感儲存能量和濾波的作用,針對跟蹤輸入電壓能力和電流紋波,取電感和電容分別為2.5 mH和2 000 μF。在仿真實驗時應全面考慮功率開關導通電阻等對結果的影響,從而使仿真貼近實際。

表2 Vienna整流器主電路設計參數

本文在采集樣本數據時,為了獲取完善的故障數據,每種故障類型采集30個樣本數據,并按照7∶3的比列劃分訓練集與測試集。每個樣本數據應用CEEMD方法進行分析處理,得到故障特征向量,將數據代入PSO-RF診斷模型當中,利用粒子群算法優化隨機森林樹的個數與層數。不斷迭代計算適應度值,模型迭代誤差變化如圖11所示。

圖11 算法適應度曲線

從模型迭代誤差變化可以看出,通過不斷迭代更新粒子的速度和位置,整體誤差呈下降趨勢,最終可以獲得決策樹數目和層數的最優解。

文中利用189組訓練樣本分別對傳統RF、PSO-RF這兩種方法進行訓練,并用81組測試樣本驗證所提方法的效果。其中PSO算法的參數值設置如下:種群規模和種群更新次數分別設置為5和50;最大邊界和最小邊界限制在[10,10]和[1,1],學習因子C1和C2均設置為4.5;粒子速度的兩個分量分別被限制在[-10,-1]和[50,3]。圖12可知,RF算法與PSO-RF算法預測結果的對比。

圖12 算法預測結果對比

為了客觀評價傳統RF和PSO-RF方法的效果,我們使用均方誤差,訓練時間和準確率對這兩種方法進行評價,結果如表3所示。通過表3可知,PSO-RF方法均方差小于傳統RF,診斷時間更少,準確率更高。這表明PSO-RF方法具有較好的診斷結果。測試集在PSO-RF模型和RF模型的混淆矩陣如圖13和圖14所示。

表3 算法結果比較

圖13 PSO-RF模型測試集混淆矩陣

圖14 RF模型測試集混淆矩陣

5 結論

三相Vienna整流器因其電路結構簡單并可靠性強等優點,作為性能比較突出的AC-DC整流器被廣泛使用。然而本文研究發現當三相Vienna整流器的單個器件發生開路故障時,其輸入電流發生嚴重畸變,這可能會導致設備毀壞。

針對這一問題,本文提出一種CCEMD-PSO-RF方法。該方法利用CEEMD方法進行模態分解,從時域信號中獲得蘊含著重要故障信息的信號并提取能量作為特征,同時利用粒子群算法優化隨機森林兩個關鍵參數,以提高故障診斷率。通過仿真實驗驗證,該方法與傳統RF相比,不僅提高了準確率還縮短了診斷時間,這對后續研究電力電子變換器故障診斷有一定的現實指導意見。