逆变器故障诊断方式研讨论文

逆变器故障诊断方式研讨论文（精选2篇）

1.逆变器故障诊断方式研讨论文 篇一

3.1人工智能技术诊断

随着当前人工智能理论的出现和不断的发展，人工智能理论越来越多的被应用在了电力变压器的故障诊断之中，为电力变压器的故障诊断技术开辟了一条新的途径。通过人工智能的理论和方法，可以有效的将电力维护人员关于电力变压器故障诊断的一些经验和知识加以系统化，从而建立起电力变压器故障诊断和检修的知识库，通过这样不断的积累，可以使得电力变压器故障诊断与检修知识库得到不断的完善和丰富，有效的为工作人员进行电力变压器故障检修提供一些可靠的参考。当前应用得较多的人工智能技术有专家系统、神经网络和遗传算法等，但是由于技术方面的限制，每一种人工智能技术多多少少都还存在着一些不足，所以需要将各种人工智能技术结合起来使用，从而有效的弥足各自的不足，比如说可以将人工神经网络与专家系统进行有效的结合，这样可以有效的提高故障判断的正确率。随着当前传感技术和信息处理技术的不断发展，人工智能技术在电力变压器的故障诊断中将有着更加成熟的应用。

3.2推理技术诊断

一般而言，要进行良好的电力变压器故障诊断，必须要对电力变压器的结构有一个全面的认识，而且还要对电力变压器的设计、制造工艺都有一定程度的了解，这样可以有效的丰富生产运行及现场的诊断，同时，对于电力变压器的维修也起到了重要的作用。所以说电力变压器的故障诊断工作是一个综合性非常强的工作，当前主要是依据推理方法来获得相应的故障信息的，对于电力变压器的推理技术诊断大致包括以下几种。第一是简单阀值比较法，通过这种方法可以避免电力变压器故障判断标准的过于绝对化的情况;第二种是复杂模式识别，通过复杂模式识别可以测得一些复杂的具有内在联系的数据，进而有效的帮助电力变压器的故障诊断;第三种是综合故障诊断方法，综合诊断方法利用了人工神经网络和证据理论等多种方法，可以实现故障诊断的多级决策。

4结束语

电力变压器对于电力系统的正常运行有着非常重要的作用，所以务必要对电力变压器的故障诊断工作引起足够的重视，采取各种方式对电力变压器故障进行有效的诊断，从而保证电力系统的安全和正常运行。

参考文献

[1]丁华伟，朱利玲.电力变压器故障诊断监视系统设计[J].煤矿机械，，33(5)：258-260.

[2]李超群.电力变压器故障诊断及检修[J].科技展望，(16)：83.

[3]刘良.油浸式电力变压器故障诊断的研究分析[J].山东工业技术，(16)：148.

[4]周玉秋.电力变压器故障诊断方法研究[J].黑龙江科技信息，2014(29)：100.

2.逆变器故障诊断方式研讨论文 篇二

近年来随着电力电子技术的迅猛发展,电力电子技术已广泛应用在国民经济的各个部门。同时,电力电子设备的故障问题也日益突出,一旦发生故障,不但会造成装置或系统的损坏,还可能引发重大安全事故。因此,对电力电子设备进行故障诊断研究,特别是应用自动故障诊断技术就具有很大的经济价值和现实意义。自组织特征映射神经网络(self-organizing feature map, SOM)是一种竞争式学习网络,其结构算法简单,采用无教师指导的自学习方式,被广泛应用于模式识别与数据分类等领域[1]。本文根据SOM的学习特点,将其应用到三相逆变器的故障诊断中,根据获胜神经元的位置来判断其逆变器的故障模式。经三相逆变器故障实例验证, 该方法可对三相逆变器的故障进行有效的诊断。

1 SOM神经网络故障诊断方法

1.1 SOM神经网络结构

SOM是由芬兰赫尔辛基大学神经网络专家Coonan教授在1981年提出的,其网络的拓扑结构如图2所示[2],其结构由一个输入层与一个输出层构成。输入向量的维数决定了输入层神经元的个数,输入层神经元对外部输入信号进行接收,输出层神经元按一定的方式排列成一个平面。这种神经网络模拟了人类大脑神经网络系统自组织特征映射的功能,其输入层的每个神经元均与输出层的神经元通过一个权值(权矢量为W)相连接。SOM能对输入向量进行自组织学习与判断,并对其进行模式分类。

1.2 SOM神经网络学习方法

SOM神经网络学习算法是一种无教师指导与监督的聚类方式,不仅能保持输入矢量的拓扑结构不变,还可以学习判断输入数据的分布特征[3,4]。在学习算法上, SOM神经网络不同于其他神经网络算法,以能量函数或网络误差作为准则,而是采用动力学的原理对网络的学习与工作进行指导,即模拟生物神经元之间的兴奋、协调和竞争抑制等作用对输入信息进行处理。其具体学习算法如下:

1)网络初始化,用[0,1]之间的随机数对输入层和输出层之间的连接权值进行初始化。

2)设置输入矢量,即从故障特征集合为P=[p1,p2,…,pn]T 中随机取一输入模式提供给网络的输入层。

3)根据公式计算输出层各神经元的稳态输出值yi,其中权矢量

4)根据“胜者为王”的原则,当yi取最大值时的神经元i为胜出者,视其为最佳匹配单元C。为使网络经过学习训练后能进行聚类。定义NC为C的一个拓扑邻域,使NC内的单元输出为1,其外的单元输出为0。即:

5)修正权值,对与胜出神经元连接的各个权值进行训练修正。其权值训练公式如下:

其中,a(t)为学习因子,在学习的初始阶段学习因子要适当取大些,然后根据学习的推进逐渐减小,当减小到0时,学习训练结束。

6)学习下一个输入矢量,返回第3步,直到所有的输入矢量学习完毕为止。

SOM神经网络通过学习训练后,各个权矢量Wi包含了输入矢量的全部信息,即权系数Wi包含了各类故障与其故障特征之间的对应关系。学习训练后,各神经元都只针对对某一些输入矢量最为敏感,则对具有最大输出的获胜神经元标以其对应故障的记号,即可进行故障模式的识别。

2 三相逆变器故障模式

逆变器故障就是指系统的不正常运行与状态,即逆变器的输出超过了其容许范围,使逆变器的输出不符合规定的水平。据统计80%的控制系统失效都源于元器件的故障[5]。三相逆变器的拓扑结构如图2所示。

在实际运用中逆变电源主电路出现较多的故障是晶闸管的开路与短路故障。逆变电源中的短路故障因其存在的时间较短、故障波形也相对比较简单,因此本文仅对功率半导体元件的开路故障作分析。在作逆变器故障分析时, 将晶闸管开路、串联熔断器熔断、触发脉冲丢失等故障都统称为晶闸管故障[6]。为了使分析过程简化,假定最多同时有两只功率管开路,则可将故障大致分为5大类, 其中,又可将五大类细分为22小类,如表1所示。

故障诊断过程中合理有效的选择故障测试点非常重要。经过分析研究,在逆变器的故障诊断中,其输出电流的波形可以很好的反映其内部故障信息,是一个很好的检测点,通过对其进行适当的变换可以提取有效的故障特征。

3 小波变换的多分辨率分析故障特征提取

在逆变器的故障诊断中,逆变器内部的故障状态可以由其输出电流的波形反映,故障诊断中要提取的故障特征可以对电流的波形进行数字信号处理或者直接进行采样得到。基于逆变器输出电流波形的畸变比较大,为了方便有效的提取电流故障特征值,本文采用小波变换的多分辨率对其进行故障信号的处理。

小波变换可以将一个复杂的信号分解成不同频率段上的信号[7]。即从信号滤波的角度分析,小波变换就是把待处理的信号E通过滤波器滤波的作用分解为低频信号Di(i=1,2,…,N)和高频信号Gi(i=1,2,…,N),然后再对低频信号进行分解,一直分解到第N层。每次分解得到的低频信号和高频信号都是上一次分解信号的一半,其分解过程可以看做是在滤波后,对信号进行了隔点采样, 多分辨率的分解过程不会丢失原信号的任何信息,其分解过程也不冗余。其分解过程如图3所示[8]。

当信号分解到第N层,其原始信号的能量就为低频能量DN和高频能量GN之和。通过实验仿真分析,三相SPWM逆变器输出的故障电流经小波分解后得到的高频能量值很小,低频能量值相对高频能量值比较大,有无高频能量值对故障电流特征影响非常小。因此本文对SPWM逆变器的三相输出故障电流信号进行小波分解时,就只提取其三相输出电流的低频能量值,对其进行归一化处理后得到三个故障特征向量Ea,Eb,Ec。其具体步骤如下:

1)用小波变换的多分辨率对故障信号进行N层的分解,得到相应的低频能量值。

2)获取第N层低频能量值。定义EN为信号的第N层低频部分DN的能量,根据小波分析能量概念,则有:

3)构造特征向量。将低频部分的能量构成特征向量T=[E1,E2,E3],在实验仿真时,E1到E3相对是一个较大的数值,为了方便数据分析,将特征向量T进行归一化处理,令,则向量T1即为归一化后的向量。

根据表1中故障编码顺序,利用小波变换的多分辨率提取相应故障特征向量如表2所示。将其作为SOM网络的标准故障样本。

4 SOM网络在SPWM逆变器故障诊断中的 应用

本文所设计的神经网络输入矢量元素个数为3个。输出层为10×10个神经元,其拓扑结构如图4所示。

将表2中的标准数据样本输入到SOM神经网络系统中,经过反复训练、调整权值,当训练步数达到1000时,22种故障已经完全被分开,每个样本都被规划为一类,故障映射图如图5所示。

各临近神经元的距离如图6所示,红色线为神经元之间的连接,蓝色圆圈为神经元,神经元四周小区域的颜色代表者各神经元间距离的远近,其颜色变化从黄色到黑色,各神经元之间距离越远其颜色就越深。

对图4得到的输出层映射的结果进行故障编码得到图7所示的编码图。训练完成后,进行模式标记,并把网络的联结权值记录下来,就可以进行故障模式的识别了。

表3给出了已知故障形式的几组待测样本,将这些样本送入已训练好的SOM网络中去,网络映射的结果如图8所示。

结果显示,SOM网络除了第3组样本的诊断结果与SPWM逆变器实际故障模式不同外,其余诊断结果完全正确,其故障模式诊断的正确率为90.91%。由此说明SOM神经网络能够较好的识别SPWM逆变器的各类故障,较好的完成逆变器的故障诊断任务。

5 结论

本文通过SOM神经网络的“聚类”作用实现了对SPWM逆变器的标准故障数据样本的分类。SOM神经网络对已训练学习过样本的识别率能达到100%,SOM神经网络的泛化能力比较强,对于没有学习过的测试样本,也具有较高的识别率,其识别率可达90%以上,这为提高故障判别准确率提供了保障。该方法不需要大量的样本进行高度训练,不仅减小了神经网络的规模,同时也缩短了网络训练的时间。