基于BP神经网络的充放电机故障诊断

朱金大，陈良亮，张卫国

（国网电力科学研究院，江苏 南京 211000）

目前中国的电动汽车技术已经逐渐成熟，并正在向产业化推广。电动汽车与电网互动（Vehicle to Grid，简称V2G）技术[1]变得越来越重要。而充放电机作为连接电网与电动汽车之间的桥梁，能够实现两者之间的能量双向交互流动，并实现调频、调峰、应急能源等其他功能，因而充放电机显得更加重要[2]。

然而，在实际应用过程中，充放电机在工作过程中，会发生各种各样的故障，这会给电网与电动汽车的充放电过程带来极大的损失。并且，故障发生存在一定不确定性和模糊性，故障类型和产生故障的原因并不是一一对应的关系[3]。因此，无法用线性关系的数学模型进行故障诊断。

由于神经网络具有强大的非线性映射能力、并行处理能力、良好的学习能力、独特的联想记忆能力等优点，因此十分适用于复杂电机系统的故障诊断。近年来，在工业生产的各个领域，基于神经网络的电机故障诊断方法已经成为较通用的故障诊断解决方法[4]。因此，本文选用BP神经网络对充放电机故障类型进行识别判断，这不但节省了大量的劳动力，而且提高了检测的准确性，能够及时地诊断出故障隐患，对于实现充放电机的可靠运行、提高充放电过程具有重要的意义。

1 BP神经网络模型构造

用于监测和诊断复杂电机的神经网络模型中，反向传播（BP）网络应用最为广泛。BP网络具有强大的非线性映射能力，因此广泛应用于分类、拟合、压缩等领域[5]。所以，BP网络适合解决充放电机系统模型不确定或非线性等难点。

BP神经网络是一种信号前向传播、误差反向传播的多层前馈神经网络。BP网络包括输入层、隐层和输出层。上下层之间实现全连接，而每层神经元之间无连接[6]。BP神经网络、结构图如图1所示。

图1 BP神经网络结构图Fig. 1 BP neural network structure

本文选用了3个特征参数，分别是声音、温度、绝缘电阻，因此BP网络的输入层的神经元个数为3个。特征参数从输入层传递到隐含层。通过隐含层中的Sigmoid函数（以下简称S函数），由于S函数是挤压函数，如图2所示，所以传送过来的信号将被限压在（0，1）之间送入输出层，因而输出层也常常采用线性神经元。而隐含层的节点数[7]过多会导致网络学习时间过长;节点数太少又会导致容错性差，对于新产生的故障类型识别的能力降低，所以经过反复试验，在满足最后误差的条件下选取隐含层神经元个数为9。文中出现的充放电机故障类型为4类，采用二位二进制可以代表4种故障类型，如表1所示，所以，输出层的神经元个数为2。最终，如果输出层没有得到期望值，则开始顺着反方向，将输出值与理想值之间的误差沿原路返回，通过修改各层的权值来使误差减小，不断重复这样的过程，反复迭代，直到误差在给定的精度以内（本文取0.01），即完成网络的训练。此外，本文将充放电机的正常状态也作为故障类型的1种。

图2 Sigmoid函数Fig. 2 Sigmoid function

表1 BP网络输出与充放电机故障类别对应关系Tab.1 BP network output and the corresponding relations between charge and discharge machine fault category

2 基于BP网络的故障类型识别与实现

针对充放电机的结构和工作原理，提取温度、绝缘电阻以及声音3个特征参数构造特征向量[8]，作为网络的输入，以正常、告警级别指示故障、人身安全级别故障、严重级别故障4个典型故障作为故障诊断对象。由于本文提取的特征参数不是在一个数量级，这会导致网络的训练速度降低，不利于神经网路的收敛，所以需要对特征参数进行归一化处理，本文采用线性函数转换，具体处理方式为

式中：x、y分别为转换前后的值；MinValue和MaxValue为样本的最大、最小值。

根据上述中得到的输入量，输出量以及误差条件，如表2所示，对BP网络进行训练。在网络训练过程中，若实际输出与期望输出的差值没有达到误差条件，则沿着原来的途径，反方向传递数据，重新训练。文中选用的是标准的BP网路对充放电机故障类型进行识别，该BP网络是按照最速下降法来对网络各层的权值进行调整，使得误差值减小，不断重复这样的过程，反复迭代，直到误差值在误差要求范围以内并且不再下降。

表2 特征值归一化后的充放电机故障类型分类Tab. 2 The charge and discharge machine fault type classification after characteristic value of normalized

3 实验验证与结果

利用MATLAB软件编程，设置BP神经网络的各项参数[3]：动量因子为0.95、学习效率为0.8、训练次数为1 000、误差精度0.01。将采集到的故障样本数据输入到网络中，对其进行反复训练，直到训练精度达到误差范围以内。仿真结果如图3所示，从图中可以看出，当网络训练到800次的时候，误差精度达到要求，网路训练完成。

图3 BP网络训练仿真图Fig. 3 The BP network training simulation diagram

当待测样本为P=[50，63，55]，训练好的BP网络将其识别为人身安全级别故障，与实际相吻合，如表3所示。经过多次试验，准确率为100%，证明了该模型的准确性和可靠性。

表3 测试样本输出结果Tab. 3 Test sample output

4 结语

针对充放电机长时间工作容易老化以及受到环境影响造成其出现各种故障类型，且某一种类型不能对应单一的故障的原因等问题，本文利用BP神经网络对收集到出现故障时的特征参数以及导致的结果数据进行训练，并使用训练好的网络对样本进行测试。实验结果表明，BP网络能够较为准备的判断出故障类型，识别精度高，有较好的可靠性和稳定性。但随着实际应用中的使用途径不断增加，会产生新的充放电机故障类型，所以在使用神经网络对其进行识别的同时，应不断更新故障类型的样本数据。

[1] 王辉，文福拴，辛建波. 电动汽车充放电特性及其对配电系统的影响分析[J].华北电力大学学报，2011，38（5）：18-24.WANG Hui，WEN Fushuan，XIN Jianbo. Charging and discharging characteristics of electric vehicles as well as their impacts on distribution systems[J]. Journal of North China Electric Power University，2011，38（5）：18-24（in Chinese）.

[2] 许晓慧，陈丽娟，张浩，等. 规模化电动汽车与电网互动的方案设想[J]. 江苏电机工程，2012，31（2）: 53-58.XU Xiaohui，CHEN Lijuan，ZHANG Hao，et al. Conceptual design of interaction between large-scale electric vehicles and grid[J]. Jiangsu Electrical Engineering，2012，31（2）: 53-58（in Chinese）.

[3] 彭宁云，文习山，陈江波，等. 电力变压器BP神经网络故障诊断法的比较研究[J]. 高压电器，2004，40（3）：173-176.PENG Ningyun，WEN Xishan，CHEN Jiangbo，et al.research on power transformer fault diagnosis with BPNN method [J]. High Voltage Apparatus，2004，40（3）: 173-176（in Chinese）.

[4] 杨伟，顾明星，彭静萍. 证据理论在电机故障诊断中的应用[J]. 电力系统保护与控制，2010，38（2）：64-67.YANG Wei，GU Mingxing，PENG Jingping. Application of evidence theory in fault diagnosis for electric machine[J].Power System Protection and Control，2010，38（2）：64-67（in Chinese）.

[5] 陈明. MATLAB神经网络原理与实例精解[M]. 北京：清华大学出版社，2013: 156.

[6] 李凤光，杨志. 基于BP网络的自适应保护接地保护研究[J]. 电网与清洁能源，2010，26（10）：31-34.LI Fengguang，YANG Zhi. Adaptive distance protection based on BP network[J]. Power System and Clean Energy，2010，26（10）：31-34（in Chinese）.

[7] 赵川，吴静. 智能型电网故障诊断系统的构建初探[J].南方电网技术，2011，5（4）：55-59.ZHAO Chuan，WU Jing. Preliminary study on the construction of intelligent fault diagnosis system of power grid[J].Southern Power System Technology，2011，5（4）：55-59（in Chinese）.

[8] 戴毅，胡立锦，张新燕. 小波包分析和神经网络在风电机组变频器故障诊断中的应用[J]. 电力与能源，2012，33（2）：155-158.DAI Yi，HU Lijin，ZHANG Xinyan. Research on fault diagnosis method of wind turbine frequency converter[J].2012，33（2）：155-158（in Chinese）.