基于CEEMD特征提取和优化RF分类的Vienna整流器故障诊断

张 伟,陈凤龙,李 强

(1.东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室,吉林 吉林 132012;2.国网四川省电力公司绵阳供电公司,四川 绵阳 621000)

0 引 言

随着新能源汽车的普及,同时也要求充电设施的不断改进与发展[1],充电速度快、充电效率高等是直流充电桩最突出的优点,这吸引着众多研究者研究直流充电桩[2]。

充电模块由前级和后级两个部分组成[3]。前级的作用是将交流电转换为稳定的直流电,通常用三相Vienna整流器为前级主体结构来获取稳定直流电。前级结构的稳定运行直接影响着整个充电模块的运行效率,因此针对Vienna整流器故障诊断显得十分重要[4-5]。

在充电模块发生的故障中,开路和短路故障最为常见。短路故障危害性极大,会导致过电流过大,极短时间就能烧毁设备。但一般配有熔断装置,保护电路动作使短路转化为开路问题,从而切断过大电流[6-7]。开路故障会导致输入侧电流产生畸变,装置元件应力变大,还会发生二次故障[8]。因此,开路故障成为研究热点。

目前,开路故障诊断方法大体分为两类[9]:基于信号处理和解析模型的方法。基于解析模型方法首先建立系统的数学模型,再分析故障时域信号,利用变化特征进行故障诊断[10-11]。然而Vienna整流器系统的非线性特性比较复杂,故难以建立准确的模型。基于信号处理方法仅需分析故障信号再诊断,它又可以分为深度学习和传统两步法的诊断方法[12-13]。深度学习诊断方法可细分为两类:第一类是直接把一维信号作为深度学习模型的输入端,提取特征和识别分类在模型中先后进行[14],但深度学习的并行处理能力不能充分发挥;第二类是将一维信号先转化为二维乃至多维特征图像,然后再进行诊断[15],但转化特征图像的过程会引发数据冗余且易损失特征的问题,并且十分影响该算法的实时性;传统两步法首先对信号进行分析,分析方法大体可分为:派克变换[16]、离散小波变换[17]、经验模态分解[18-19]等,然后利用分类算法进行处理。分类算法包含:人工神经网络[20]、支持向量机[21]、随机森林[22]等。但这个处理过程需要人工选定故障特征,会对最后的诊断结果有一定的影响。

本文提出了一种基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomp-osition,CEEMD)和粒子群(Particle Swarm Optimiz-ation,PSO)优化随机森林(Random Forest,RF)算法的诊断方法。CEEMD是在经验模态分解(Empiri-cal Mode Decomposition,EMD)的基础上进行改进,能有效抑制EMD方法产生的模态混淆问题,运算时间也有所缩短。经过CEEMD处理后,信号被分解成一定数量的平稳本征模态函数(Intrinsic Mode Function,IMF)与残量r(t),以能量值作为特征,构成特征向量矩阵,并将其输入到粒子群(PSO)优化随机森林(RF)参数模型中。通过仿真验证,证明该方法可以提高模型诊断正确率并缩短诊断时间。

1 功率开关管和直流侧电容开路故障分析

1.1 VIENNA整流器正常工作状态分析

三相三线制Vienna整流器拓扑原理如图1可知:ea、eb、ec和ia、ib、ic分别为交流侧三相电压和电流;La、Lb、Lc为输入端电感;直流侧输出电容C1和C2,D1～D6、S1～S6分别为续流二极管、功率开关管,其中每相两个开关管以背靠背形式构成一个双向开关,电流可以双向流动。

该拓扑是三相对称结构,因此可对某一相单独进行研究。假设背靠背的两个开关器件共用一组驱动信号,一起开通和关断;从电网流向负载侧电流方向为正;电网电压方向与输入侧电流方向相同。详细分析不同电压极性中各种开关状态下的工作模态。

1)当电压、电流极性为正时:当开关器件S1、S2开通时,如图2(a)中所示,红色线标注了电流正向流动路径。此时电压UAO=0,电感处于储能状态,直流侧输出电容处于放能状态。当开关器件S1、S2关断时,如图2(b)中所示,红色线标注了电流正向流动路径。此时电压UAO=UC1,电感处于放能状态,直流侧输出电容处于储能状态。

图2 单相VIENNA整流器工作模态

2)当电压、电流极性为负时:当开关器件S1、S2开通时,如图3(a)中所示,红色线标注了电流负向流动路径。此时电压UAO=0,电感处于储能状态,直流侧输出电容处于放能状态。当开关器件S1、S2关断时,如图3(b)中所示,红色线标注了电流负向流动路径。此时电压UAO=UC2,电感处于放能状态,直流侧输出电容处于储能状态。

图3 单相VIENNA整流器工作模态

从Vienna整流电路的工作原理可知,正半周期时,它类似于正向Boost电路;当开关导通时,电感储能,当开关断开时,电容C1为负载提供能量。负半周期时,Vienna整流电路类似于反向Boost电路;当开关导通时,电感反向储能,当开关断开时,电容C2充电,为负载提供能量。Vienna整流器的输入电压有0、Udc和-Udc三个电平,因此通常被称为三电平整流电路。

总结三相Vienna整流电路的正常工作原理可知其应用特点如下:

1)工作原理本质:滤波电容和电感在充放电的过程实现了对输出侧负载的不间断供电。在理想情况下,电容中点电位的平均值与输入电源参考电位一致。这可以将三相Vienna整流系统看作三个单相Boost电路,易于理解其原理。

2)系统稳定性与可靠性:该电路在稳态工作过程中不会出现桥臂直通现象,这意味着电路可以持续稳定地提供电力供应。

3)最大电压:开关管两端的最大电压为输出电压Udc的一半。续流二极管两端的最大电压为输出电压Udc,这有助于选择合适的器件。

1.2 功率开关管以及电容开路对整流器影响分析

电容电解液会存在蒸发的情况,进而使等效电阻变大或者电容值变小,最后使其失效;功率器件在高频开断过程中会受电压和电流应力以及结温波动致使器件破损,严重会使功率器件失效。功率开关和电容故障既常见又难以避免,而且多个器件同时发生故障的情况非常少,故本文主要研究单个器件开路的情形,共总结出了9种故障类型包括正常状态,故障分类如表1所示。

表1 Vienna整流器开路故障分类

文中利用Simulink搭建Vienna整流器仿真模型,按照图1设计主电路,输入相电压220 V,额定输出电压750 V,根据仿真结果总结不同类型下Vienna整流器输入的三相电流波形特点。以B相为例,对功率开关发生开路故障时的整流器输入性能进行分析。

如图4可知,功率开关S3发生开路故障后输入电流每相都发生了不同程度的畸变。电流ib出现零值阶段均在正半周期,由于eb在正半周期时,ib可由S3或D3到达直流侧。S3开路故障此路径行不通。若eb不能够使D3导通,那么ib=0;若eb足以导通D3,则ib会从D3这条路径到达直流侧,即形成不控整流通路。相反,eb在负半周期时,ib由S4或D4返回交流侧,S3发生开路并不影响ib返回通路。由此看出,在失去功率开关的控制作用和电流流通通路的情况下,A、C两相电流波形会发生很大浮动但B相输入电流畸变最严重。Vienna整流器三相之间以及同相的上下桥臂之间存在对称性,就可知功率开关S4发生开路故障的时候,三相输入电流也会产生不同程度的畸变,S4开路故障发生后输入电流的图像,如图5所示。当A、C相的功率开关管发生类似B相开路故障时,可以效仿B相的故障分析,故不再赘述。

图4 功率开关S3发生开路故障输入电流

图5 功率开关S4发生开路故障输入电流

滤波电容可以缓冲直-交流两侧的能量交换,在开关高频动作时,还可抑制输出电压谐波电压,同时稳定当负载发生变化后系统输出电压值。电容C1或C2发生开路故障时,输入电流会受到大量谐波的影响并发生畸变,故障特征信息同样蕴含在畸变的输入电流中。

2 基于CEEMD的故障特征提取

2.1 整流器开路故障输入三相电流CEEMD分解

经验模态分解法(EMD)是一种应用广泛的自适应时频分析法,其实质是在不同时间尺度下将复杂信号自适应分解为多个本征模式函数,但最终的分解效果会受到影响即模态混叠现象。集成经验模态分解(EEMD)的提出弥补了EMD的部分缺陷,取EMD多次分解的IMF分量的平均值作为最终IMF。EEMD添加小幅度白噪声均匀信号频谱抑制了模态混叠。由于IMF的误差取决于平均次数,从而运行时间会随之上升。

CEEMD在EEMD基础上,通过添加符号相反的同分布白噪声序列,不仅降低原始信号的残余辅助噪声,还有效控制了模态混叠现象,克服集合经验模态分解(EEMD)分解完备性差、重构误差大的问题,更加适合非平稳信号的处理。设x(t)为待分解信号,CEEMD算法的计算流程如下:

用两种不同方式为原始信号添加噪声信号,得到两种新信号:

(1)

(2)

将包含加性和减性噪声的信号分解后的IMF分量集合获取的IMF为

(3)

VIENNA整流器提取的三相输入电流x(t)可表示为各IMF分量与余量r(t)之和:

(4)

由图6可知,CEEMD分解算法流程图,进一步理解CEEMD算法的计算流程。

图6 CEEMD算法流程图

以功率开关S3管发生开路故障为例,每一种故障数据的序列长度为900,对每相的故障波形进行了CEEMD分解。图7为功率开关S3开路故障三相电流CEEMD分解结果。图8为功率开关S3开路故障CEEMD分解各IMF分量与残量能量占比。由图8可知,每种故障波形分解的各IMF分量与残量的能量占比都不相同,S3开关管开路时,可得B相的各能量占比比较相近,A与C相的各能量占比分别呈现增加趋势和呈现减少趋势,可以根据三相不同的能量占比的组合作为特征向量,进而对不同的开关管故障进行识别分类。

图7 功率开关S3管开路故障三相电流CEEMD分解结果

图8 功率开关S3管开路故障CEEMD分解各IMF分量与残量能量占比

2.2 整流器开路故障特征向量构造

基于IMF分量与残量特性,可知IMF分量的能量占比包含了原始信号中显著且重要的特征信息,分解残量在一定程度上表征了原始信号偏离原点的程度与方向。为了更加贴合故障发生时检测情况,文中选择故障波形稳定后的部分作为研究对象,按照以下步骤构造故障特征向量。

1)设输入信号为x(t),信号长度为N,CEEMD分解共得到了n个IMF分量ci(t)(i=1,2,3…,n)以及残量r(t),即

x(t)=c1(t)+c2(t)+…+cn(t)+r(t)

(5)

2)计算各IMF分量和残量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)将残量r(t)的能量占比ER作为故障特征值以反映原始信号偏离原点程度,利用原始信号均方根值对残量r(t)的平均值归一化后作为故障特征值Pr以反映原始信号偏离原点的方向。

(8)

(9)

(10)

4)以Vienna整流器输入端三相故障电流ia(t)、ib(t)以及ic(t)分别作为原始信号x(t)执行上述步骤,将计算得到的每组Ej、ER、Etotal与Pr组合共同构成21维特征向量T。

(11)

3 基于粒子群优化随机森林诊断方法

3.1 传统随机森林算法

随机森林算法(RF)是由2001年Leo Breiman提出的一种基于决策树算法和Bagging算法结合而形成的机器学习算法。集成学习作为其核心内容,它的实质是通过若干决策树组合而成的分类器,再由多颗随机而成的决策树,使强分类器模型的分类性能更加稳定,最后结合所有决策树的分类结果决定模型的输出值。

随机森林使用Bootstrap算法从数据集中有放回地抽取n个样本,生成n棵决策树。每个决策树在分裂过程中,从M个总属性中随机选择m个属性,在这m个属性中选择最适合的属性进行分裂。本文使用CART算法构建决策树。随机森林可以总结为三步:1)对原始数据集进行Bootstrap抽样,生成若干个训练集。2)利用每个训练集训练决策树,并不进行剪枝操作,因为最优属性是从随机生成的部分属性中选择的。3)多个决策树分类器的集合形成随机森林,此随机森林的模型输出为

(12)

公式中:x为测试集;s为类别数;N为决策树的数目;fn(x)为第n棵决策树的分类结果;I(*)为一个判断函数,当基分类器的输出结果在不满足条件时为0,满足时为1。随机森林模型如图9所示。

图9 随机森林模型

3.2 粒子群优化(PSO)

粒子群算法的基本思想来自对鸟群捕食行为的研究,利用种群的智慧进行协同搜索,在给定的搜索空间中不断调整每个粒子的速度和位置以达到最优值。该算法简单易用、精度高,收敛速度比遗传算法更快。通过两个公式不断调整粒子的速度和位置对种群中每个粒子进行寻优,直到达到收敛终止条件。

(13)

(14)

借助PSO算法对RF树的个数Ntree和树的层数Mtree2个参数进行优化。优化步骤如下:

1)先将参数初始化,Ntree和Mtree分别设置为[0,200]和[2,10]。

2)首先搭建RF模型,不断刷新粒子的速度和位置,计算出新的适应度值。

3)比较不同的适应度值,在刷新过程中寻优。

4)在满足最大迭代次数或者目标函数出现最优解时完成。不然返回步骤(2)继续循环。

5)最终找到PSO最优粒子,得到Ntree和Mtree的最优组合。

PSO算法中每个粒子都会受到自身规则以及整体搜索空间中最显著位置的影响。粒子到达可以改进的位置,整个群体也会发生移动。不断循环这个过程,最终达到满意的方案。在没达到最大迭代次数或目标函数的最优值出现的时候,迭代循环不会停下来。寻找到最优粒子也就找到了Ntree和Mtree的最优值,以此就可以得到RF模型的最优参数。

3.3 建立(PSO-RF)诊断模型

参数Ntree和Mtree影响着随机森林分类过程中的识别精度和效率,故采用粒子群算法对这两个参数优化,PSO算法优化RF的流程如图10所示。

图10 PSO-RF诊断模型

步骤一:首先整理9种故障类型数据,再输入到CCEMD算法中进行信号分解,选中具有代表故障信息的特征向量,最后将特征集划分为训练集和测试集;步骤二:用训练集和测试集训练RF模型,逐步优化性能,并找到Ntree和Mtree的最优组合。步骤三:将测试数据输入到PSO-RF模型,验证模型的性能。

4 仿真结果及分析

本文利用在Simulink搭建关键参数设计如表2所示的Vienna整流器仿真模型。考虑输入滤波电感储存能量和滤波的作用,针对跟踪输入电压能力和电流纹波,取电感和电容分别为2.5 mH和2 000 μF。在仿真实验时应全面考虑功率开关导通电阻等对结果的影响,从而使仿真贴近实际。

表2 Vienna整流器主电路设计参数

本文在采集样本数据时,为了获取完善的故障数据,每种故障类型采集30个样本数据,并按照7∶3的比列划分训练集与测试集。每个样本数据应用CEEMD方法进行分析处理,得到故障特征向量,将数据代入PSO-RF诊断模型当中,利用粒子群算法优化随机森林树的个数与层数。不断迭代计算适应度值,模型迭代误差变化如图11所示。

图11 算法适应度曲线

从模型迭代误差变化可以看出,通过不断迭代更新粒子的速度和位置,整体误差呈下降趋势,最终可以获得决策树数目和层数的最优解。

文中利用189组训练样本分别对传统RF、PSO-RF这两种方法进行训练,并用81组测试样本验证所提方法的效果。其中PSO算法的参数值设置如下:种群规模和种群更新次数分别设置为5和50;最大边界和最小边界限制在[10,10]和[1,1],学习因子C1和C2均设置为4.5;粒子速度的两个分量分别被限制在[-10,-1]和[50,3]。图12可知,RF算法与PSO-RF算法预测结果的对比。

图12 算法预测结果对比

为了客观评价传统RF和PSO-RF方法的效果,我们使用均方误差,训练时间和准确率对这两种方法进行评价,结果如表3所示。通过表3可知,PSO-RF方法均方差小于传统RF,诊断时间更少,准确率更高。这表明PSO-RF方法具有较好的诊断结果。测试集在PSO-RF模型和RF模型的混淆矩阵如图13和图14所示。

表3 算法结果比较

图13 PSO-RF模型测试集混淆矩阵

图14 RF模型测试集混淆矩阵

5 结论

三相Vienna整流器因其电路结构简单并可靠性强等优点,作为性能比较突出的AC-DC整流器被广泛使用。然而本文研究发现当三相Vienna整流器的单个器件发生开路故障时,其输入电流发生严重畸变,这可能会导致设备毁坏。

针对这一问题,本文提出一种CCEMD-PSO-RF方法。该方法利用CEEMD方法进行模态分解,从时域信号中获得蕴含着重要故障信息的信号并提取能量作为特征,同时利用粒子群算法优化随机森林两个关键参数,以提高故障诊断率。通过仿真实验验证,该方法与传统RF相比,不仅提高了准确率还缩短了诊断时间,这对后续研究电力电子变换器故障诊断有一定的现实指导意见。