三相整流电路广泛应用于电气设备中.晶闸管本身损坏以及触发脉冲一场导致的不导通和误导通都会使该晶闸管所在的整流电路发生故障以至于整流电压畸变.因此,对电力电子电路实现在线实时监测和故障诊断显得很有必要.在对故障诊断快速性和准确性要求越来越高的同时,人们也不断寻找如何对三相全控整流电路中故障晶闸管快速、准确地定位,应用先进的算法实现智能故障诊断也越来越受到重视.

传统的检测方法有电压电流检测法、傅里叶分析法、频谱分析与神经网络相结合、粗糙集与神经网络等.近年来,基于神经网络的故障诊断越来越成为研究的热点.文献^[1]将故障波形的采样数据作为神经网络训练样本,将训练好的神经网络用于整流电路的故障诊断.文献^[2]将直流母线电压的采样值作为人工神经网络的输入进行故障诊断.直接将采样数据作为神经网络的输入时,采样数据过多会造成训练网络庞大,训练过程缓慢,采样数据过少则样本特征不明显,导致结果偏差.采用BP(back propagation)神经网络算法进行故障识别的理论相对比较成熟,但是在工程实现上面临很大的困难.文献^[3]中仅实现了晶闸管故障类别的诊断.

本文提出采用小波包特征提取与BP神经网络故障识别相结合的方法,将22种故障电路的电压波形数据通过小波包分解,提取特征向量作为神经网络输入进行训练,大大简化了神经网络结构.根据该训练好的神经网络,能够准确地利用电路的输出波形进行故障晶闸管的定位,可以在电力能效监控系统中得到应用.

电力能效监控管理系统采用分布式结构,分为现场监控层、通讯管理层和系统管理层,如图 1所示.该系统主要实现信号采集、信号传输、信号处理.通过对系统设备信号的实时采集,实现电气系统中的设备状态监控和故障监测,提高了电气系统的安全可靠度;通过对能效监控管理系统的实时数据和历史数据进行多维度的处理和分析,为制定合理的综合能耗管理方案提供数据依据.

图 1

Fig. 1

图 1 电力能效监控管理系统 Fig. 1 Electric power energy efficiency monitoring and controlling system

在电力能效监控管理系统中已经实现了对各用电设备的监控和管理.在电气系统中,整流电路在线监控和故障快速诊断也很有必要.图 2为整流电路监测系统结构.整流电路监测流程为:电压信号经过电压传感器送进信号调理电路,经A/D转换,由DSP系统对采集到的信号进行参数处理和传输,通过现代化的高速通信网络传输到上位机,将数据作为训练好的神经网络样本,进行故障诊断识别.

图 2

Fig. 2

图 2 整流电路监测系统结构 Fig. 2 Structure of rectifier circuit monitoring system

小波分析由于其对信号的时频分析特性,已经被广泛应用.在工程应用领域,特别是信号处理、图像处理、语音分析等领域,小波变换被认为是信号分析工具和方法上的重大突破^[4].小波包分解为信号提供了一种非常精细的分析方法,它将频带进行多层次划分,对小波分解没有细分的高频进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配.小波包变换将信号分解至独立的频带中,这些频带的信号能量对状态监测非常有用.

图 3为小波包分解树结构.小波分析是将信号s分解成低频a1和高频d1两部分.在分解中,低频a1中失去的信息由高频d1捕获.在下一层分解中,又将a1分解成低频aa2和高频da2两部分,低频aa2中失去的信息由高频da2捕获.以此类推,可以进行更深层次的分解.对小波包分解系数重构,提取各个频带范围的信号特征.小波包分解时,有

式中:d_i为频带函数,下标l用于区分不同频带;d_k为小波包基,k为迭代次数;a_k、b_k分别为小波包分解共轭滤波器的系数;j、n代表频带函数的两个变量.

图 3

Fig. 3

图 3 小波包分解树结构 Fig. 3 Structure of wavelet packet decomposition tree

三相桥式全控整流电路如图 4所示,其中:A、B、C代表三相；VT1、VT2、VT3、VT4、VT5、VT6均为晶闸管,通过6组触发脉冲循环控制晶

图 4

Fig. 4

图 4 三相全控整流电路 Fig. 4 Three-phase full-bridge controlled rectifier circuit

表 1 Tab.1

表 1 三相桥式全控整流电路晶闸管故障分类 Tab.1 Thyristor fault classification of three-phase full-bridge controlled rectifier circuit 故障类型 状态 对应代码 正常 00000 单个晶闸管故障 VT1开路 00001 VT2开路 00010 VT3开路 00011 VT4开路 00100 VT5开路 00101 VT6开路 00110 同相晶闸管故障 VT1、VT4开路 00111 VT2、VT5开路 01000 VT3、VT6开路 01001 同桥晶闸管故障 VT1、VT3开路 01010 VT1、VT5开路 01011 VT3、VT5开路 01100 VT2、VT4开路 01101 VT2、VT6开路 01110 VT4、VT6开路 01111 交叉晶闸管故障 VT1、VT2开路 10000 VT1、VT6开路 10001 VT3、VT4开路 10010 VT2、VT3开路 10011 VT5、VT4开路 10100 VT5、VT6开路 10101

表 1 三相桥式全控整流电路晶闸管故障分类 Tab.1 Thyristor fault classification of three-phase full-bridge controlled rectifier circuit

电路中某处晶闸管发生故障后,输出波形为非平稳信号.由于输出各个故障波形的各个频率成分的能量不同,提出了基于“能量-故障”的故障诊断识别模式^{[6, 7, 8]}.故障识别过程如图 5所示.直接提取各个故障波形中各个频率成分能量的变化作为神经网络的输入,在能够表征各个故障特征的同时,使得输入数据大大减少.由于单个晶闸管故障的6种波形相同,但相位不同,因此在A相电压上升过零点时开始采样,采 样间隔0.000 1 s.经过1个周期(0.02 s)得到200个数据样本.

图 5

Fig. 5

图 5 故障识别过程 Fig. 5 Fault identification process

对200个数据样本进行三层小波包分解,分别提取第三层从低频到高频8个频率成份的信号特征.图 6为VT1开路时的故障波形和小波包分解树结构,其中:(0,0)代表原始信号s,即数据样本;(1,0)为小波包分解的第一层低频系数;(1,1)为小波包分解的第一层高频系数;(3,0)为第三层第0个结点的低频系数;(3,1)为第三层第0个结点的高频系数.其他以此类推.

图 6

Fig. 6

图 6 小波包分解树结构与输入信号 Fig. 6 Structure of wavelet packet decomposition tree

对小波包分解系数进行重构,提取各频带范围的信号.用S(13m)表示各结点的重构系数(m=0,1,…,7).则总信号可表示为S1=S(130)+S(131)+S(132)+S(133)+S(134)+S(135)+S(136)+S(137).晶闸管VT1开路时输出电压的各结点重构系数如图 7所示.

由于晶闸管故障时输出波形的各频带的能量有一定的变化,因此,以能量为元素可以构造一个 特征向量.

图 7

Fig. 7

图 7 晶闸管VT1开路时输出电压的各结点重构系数 Fig. 7 Reconstruction coefficients of output voltage

设S(13m)对应的能量为E(13m)(m=0,…,7),则有

根据以上步骤,每种故障时的输出波形可构造一个特征向量.以单个晶闸管故障为例,6种故障状态可产生6组特征向量,如表 2所示,其中:s0表示正常状态下的特征向量;si表示VTi故障时的特征向量(i=1,2,3,4,5,6).

根据已总结的故障模式种类,将各状态下经小波包分解的特征向量作为输入,将对应编码构建一个矩阵作为输出,设置一个三层的BP神经网络^[9],其参数设置如表 3所示.神经网络训练迭代过程如图 8所示.

表 2 Tab.2

表 2 单管故障状态下的特征向量 Tab.2 Eigenvector of output signal with one fault thyristor 特征向量 特征值 s0 2 029.66 60.01 110.9 120.40 78.21 81.86 81.61 81.53 s1 1 660.50 228.74 112.41 115.26 96.04 96.30 97.43 97.32 s2 1 667.91 184.81 156.51 157.33 73.97 77.16 75.54 75.45 s3 1 674.51 160.21 124.94 126.95 93.07 91.60 92.31 92.24 s4 1 675.61 160.25 99.71 101.88 78.45 81.99 81.66 81.48 s5 1 684.25 231.21 168.20 170.13 54.23 56.76 52.07 50.97 s6 1 678.92 214.09 114.09 124.95 74.90 86.12 84.73 78.12

表 2 单管故障状态下的特征向量 Tab.2 Eigenvector of output signal with one fault thyristor

表 3 Tab.3

表 3 神经网络参数设置 Tab.3 Parameter setting of the network 参数名称 参数状态 传递函数 Logsig,purelin 训练函数 trainlm 最大步数 200 最小误差 10-6

表 3 神经网络参数设置 Tab.3 Parameter setting of the network

训练完成后,提取单个晶闸管故障波形数据和加入随机噪声.经小波包分解进行特征提取,将特征向量作为训练好的神经网络的输入再进行检验.未加噪声的训练结果如表 4所示,平均诊断误差为0.000 5.表 5为加随机噪声后的训练结果,平均诊断误差为0.055 2.

图 8

Fig. 8

图 8 神经网络训练迭代过程 Fig. 8 Network training process

表 4 Tab.4

表 4 未加噪声的训练结果 Tab.4 Network training results without noise 故障类型代码 神经网络诊断输出 诊断误差 00000 0 0 0 -0.002 1 -0.002 1 0.000 8 00001 0 0 0 0.000 0 1.000 0 0 00010 0 0 0 1.002 1 0.002 1 0.000 8 00011 0 0 0 1.000 0 1.000 0 0 00100 0 0 0.999 9 0.002 1 0.002 1 0.000 9 00101 0 0 0.999 8 0 1.000 0 0 00110 0 0 0.999 9 0.997 9 -0.002 1 0.000 9

表 4 未加噪声的训练结果 Tab.4 Network training results without noise

表 5 Tab.5

表 5 加随机噪声后的训练结果 Tab.5 Network training results with random noise 故障类型代码 神经网络诊断输出 诊断误差 00000 0 0 -0.030 3 0.011 8 0.011 8 0.018 0 00001 0 0 -0.016 5 -0.097 5 1.086 8 0.060 7 00010 0 0 0.021 8 1.018 2 0.048 2 0.029 4 00011 0 0 0.035 2 0.986 1 0.986 1 0.021 0 00100 0 0 0.801 3 -0.168 1 -0.168 1 0.178 3 00101 0 0 0.987 1 0.039 4 0.970 9 0.027 1 00110 0 0 0.974 8 0.976 6 0.043 5 0.030 7

表 5 加随机噪声后的训练结果 Tab.5 Network training results with random noise

本文提出了应用于电力能效监控管理系统的对整流电路进行故障诊断和识别的方法.先建立模型,采集故障波形数据,进行特征提取等处理,以此作为输入样本,建立一个训练好的神经网络.再通过对故障监控数据的采样、特征提取,作为神经网络的输入,即可判断出三相整流电路中晶闸管故障的准确位置.采样数据经小波包分析处理后作为输入样本,简化了神经网络的结构.本文以波形数据最相近的单管故障为例进行研究,仿真结果验证了该方法的实用性.