电力电子装置故障诊断技术研究

鲍宁宁

摘 要：随着科技信息技术不断发展，电力电子技术广泛应用于工业生产领域以及国防军事领域，一旦电力电子设备产生故障，不仅会造成系统损坏、装置损坏，甚至可能对生命财产安全产生威胁。因此，电力电子设备故障检测与故障诊断至关重要。考虑到电力电子器件缺乏过载能力，损坏速度也比较快，但故障信息存续时间非常短，动态监视与在线诊断至关重要。本文以基于神经网络与基于支持向量机电力电子装置故障诊断为例，分析电力电子装置故障诊断技术重要性，为提升电力电子装置故障诊断有效性打下良好的基础。

关键词：电力电子装置;故障诊断技术;重要性;应用

0 引言

电力电子技术飞速发展促使新型电力电子器件逐渐涌现，电力电子技术广泛应用于社会生活方面与工业生产方面。随着电力电子设备应用范围逐渐扩大，这对设备维护性要求越来越高。在电力电子装置中，大电流、高电压功率器件比较多，在出现故障时，若是选择常规检测方式，那么需要耗费大量的时间和精力，那么就需要结合电力电子装置特点，将新型技术应用于电力电子装置故障诊断活动中。有效故障诊断技术有利于实现故障部位与故障性质的快速分析与确定，有利于缩短装置运行停机的时间，提升电力电子装置运行效率，尽可能降低损失。

1 电力电子装置故障诊断相关理论

1.1 电力电子装置故障诊断重要性

电力电子装置属于电工技术重要组成部分，借助电力电子器件与计算机控制技术有利于处理、变换大功率电能，属于电力电子技术重要组成部分。从近些年来看，电力电子技术发展速度逐步加快并且广泛应用到直流传动、电化学、电子开关、无功补偿等领域，市场占有率逐渐扩大，随着电能在国民经济耗电量占比逐渐增加，电力电子装置重要性可见一斑。一旦电力电子装置产生故障，不仅损坏电子产品、交通瘫痪以及企业停产，还可能催生重大事故，造成人员方面伤亡，为国民经济正常运行提供保障。由此可见，电力电子装置故障检测至关重要。长期来看，由于人们很难提前对事故进行预测，只能等到设备出现故障后才能够再维修，或者对设备的状态进行定期检查，避免出现故障，但两种方式都存在非常严重问题，或者是造成巨大的经济损失，若是出现故障需要巨额维修费，否则可能造成灾难性事故及人员伤亡;或者是耗费巨大的人力与物力进行检测。故障在线诊断有利于提升电力电子装置运行效率，若是能够在装置故障早期就检测隐患，那么可以提前采取措施。电子电力装置故障诊断实用性比较强，由于故障发生实践到停电时间间隔较短，在发生故障后，电子电力装置保护系统自动运行，故障信息随之消失，这就使得维修工作人员很难准确判断故障位置，及时故障诊断有利于防止故障扩大，有利于减少危害，总之，电力电子装置故障诊断至关重要。

1.2 电力电子装置故障诊断方法

1.2.1 基于解析模型故障诊断方法

基于解析模型故障诊断方式分为残差产生、残差评估与故障分析三步，解析模型方式分为状态估计法、參数估计法，但很难实现非线性电力电子系统的建模。

1.2.2 基于知识故障诊断方法

以知识处理技术作为基础，达到辩证和数理逻辑、推理和算法过程、符号和数值处理的统一，并不需要建模控制系统，避免电力电子系统建模。目前，基于知识电力电子装置故障排除方法有神经网络法、专家系统法、故障树方法、模式识别法、人工智能法等。

1.2.3 基于信号处理故障诊断方法

信号处理指同信号相关的信号发生、信号传送、信号接收、信号分析、信号处理、信号检测以及信号控制等过程，借助信号模型实现信号分析，提取信号特征，优化故障检测。基于信号处理故障检测方式包含频谱分析法、信息融合法、小波变换法等。

2 基于神经网络电力电子装置故障诊断分析

2.1 人工神经网络

所谓人工神经网络，是对神经网络行为的模仿，属于处理分布式并行信息，人工神经网络自学习能力、自适应能力比较强，通过预先给定一组到输入输出关系的数据分析，寻找数据见规律，由新输入数据进行输出结果推算，这属于神经网络“训练”过程。人工神经网络非局限性、非线性、非凸性以及非常定性比较强，借助网络变换、动力学行为获得并行分布式信息处理，在不同程度、不同层次对人脑神经系统信息处理功能进行模仿，有效克服传统人工智能方法对知觉方面存在的缺陷，进而有效应用于模式识别领域、神经专家系统领域、组合优化领域等。从近些年来看，人工神经网络飞速发展，这就使得人工神经网络广泛应用于在线故障诊断中，神经网络凭借强大分类能力应用于故障诊断中，实现故障分类与故障学习，提升故障诊断有效性。

2.2 人工神经网络在电力电子装置故障诊断中的应用方法

2.2.1 电力电子电路故障应用

电力电子电路故障包含结构性故障、参数性故障两部分。结构性故障主要是电感、电容、电阻及开关器件短路，特别是功率器件损坏而影响主电路的结构。参数型故障则是电阻、电容等器件参数产生偏移和开关管性能劣化，造成装置特性偏离。从电器元件角度来看，电器元件故障模式包含软故障和硬故障。软故障是电气元件并未出现开路和短路，由于偏离正常范围造成电路偏离。硬故障是电器元件开路和短路。实际电路中，硬故障较多，占电路故障80%以上。电力电子系统中，电容器性能和指标对整个电力系统性能具有直接影响，故障发生率更高。

2.2.2 神经网络的应用

神经网络在电力电子装置故障诊断应用过程中，首先需要结合电力电子装置明确电路中可能出现的故障，将故障类型视作神经网络目标输出样本，进而提出电路故障信号，这也为神经网络设立标准输入样本，借助学习规则实现样本训练，最终获得神经网络参数值，并且传送给现实设备或者执行机构。故障特征提取、预处理与神经网络设计在其中至关重要。故障特征提取、预处理包含故障电路的信号分析、信号处理与预处理。因此，根据一定规则对电力电子装置测试数据进行分类和压缩，对故障特征、电路在不同状态下统一故障特征的提取，明确该特征同元件故障无关，进而简化故障特征，降低计算量，提升故障的诊断速度。在神经网络设计过程中，首先需要做好神经网络拓扑结构的设计，结合网络拓扑结构明确输入标准样本与目标输出样本，并且进行神经网络学习算法的设计，训练输入样本的计算，确保神经网络达到输出要求，将结果输出呈现到显示设备或者执行结构。

2.3 神经网络在电力电子装置故障诊断中应用

2.3.1 故障诊断信号选取方面的应用

借助逆变电源电路选取，达到单个调制比的调节，同时对三相输出电压的调节，这样逆变器内任一相输出电压波形都能够体现逆变器各类故障状态，借助逆变器进行线电压输出，借此获得故障特征信息。

2.3.2 特征信号归一化

若是所有样本输入信号是正值，那么第一隐含层神经元权值或者同时增加，或者同时减小，致使学习速度比较慢。为避免这种情况，那么就需要增加网络的学习速度，大多数将特征信号数据实现归一化处理，诸如，对数函数转换、线性函数转换等。

2.4 故障诊断网络局限性

任何方式都具有局限性，神经网络也是这样，其局限性主要体现以下两点。

2.4.1 学习样本要求高

神经网络故障诊断要求样本数据尽可能包含多种故障模式，各类故障模式样本不能出现冲突或者是矛盾，也就是样本唯一性。为构成样本库，那么需要庞大样本数据。学习样本应用过程中，很难满足其要求，已知故障样本大多为小样本数据，无论是数量方面，还是质量方面，都无法满足神经网络故障诊断对于学习样本要求。

2.4.2 网络结构与网络参数难优化

为优化故障诊断模型，传统故障诊断方式大多选择“试凑”的方式，理论指导不足，因此，对使用者技巧依赖比较大。若是模型契合现有样本，那么可获得较好效果，否则可能致使网络呈现局部最优化，甚至可能出现无法最优解。

3 基于支持向量机电力电子设置故障诊断分析

3.1 支持向量机

支持向量机是以统计学习理论为基础的机器学习算法，与人工神经网络较为相似，支持向量机也可以看作学习机器，通过学习训练样本，掌握样本特征并且预测未知样本，主要应用领域为模式识别领域。由于目前研究并不完善，对解决模式识别也过于保守，并未得到足够重视。20世纪90年代，统计学习理论与神经网络等新兴机器学习方法不断普及，这就为研究带来巨大挑战。随着支持向量机迅速发展，目前应用于很多领域，诸如，文本与手写识别领域、生物信息学领域等。

3.2 基于支持向量机电力电子设置故障诊断

3.2.1 优化支持向量机模型

支持向量机可视作单隐层前馈神经网络，隐层神经元也就是支持向量，神经元权值则可以借助二次规划算法实现优化获得。

3.2.2 优化支持向量机分类

支持向量机最初针对二类分类，渐渐推广至多分类，特别是几大类别的分类问题，诸如，一对多、一对一、SVM决策树等，一对一指将一种样本视作一个类别，其他类别样本视作另一个类别，最终成为两类分类问题，若是样本数量比较大，那么训练难度非常大;一对一则是在多类别内任意抽取两类进行对比，最终转化成为两类问题训练。识别过程中构成多分类器综合判断，大多借助投票方式进行多类识别。但一对一子分类器数量过多，测试过程中则需要每两类比较，测试速度较为滞后;SVM决策树往往与儿叉决策树相融合，形成多类别识别器。但某一个节点出现分类错误，那么会造成错误延续，那么下一节点分类就丧失了意义。目前一对一与一对多的应用范围较为广泛，但一对多方法的泛化能力比较差，同时训练时间和类比间呈正比。

3.3 神经网络与支持向量机的电力电子装置故障诊断对比

神经网络目标是风险的最小化，属于样本为无穷大渐进理论，支持向量机以结构风险最小化为基础，侧重小样本计算，学习算法基础为统计学理论，神经网络与支持向量机无论是在理论基础上还是在优化目标、学习算法等不同，致使神经网络与支持向量机在适用范围、逼近能力以及泛化能力等方面存在差异。神经网络广泛应用于解决复杂的非线性问题，但神经网络局部极小点、收敛速度慢等问题，致使神经网络应用于故障诊断过程中是需要大量故障数据支撑，制约故障诊断中神经网络发展。支持向量机则凭借结构风险的最小化原则，考虑泛化能力与训练误差，在小成本数据集、非线性问题等方面具有独特优势，主要适用于故障诊断模型。

4 结语

电力电子装置故障种类比较多，产生故障原因较多，若只依靠人工查找或者是维修人员经验进行故障定位，那么无法保证电力电子装置顺利运行，那么就需要构建故障诊断系统提升电力电子装置故障诊断有效性。电力电子装置成为现代工业系统内关键技术，不仅改造传统产业，还高效利用于新型领域，为满足用户需求，电力电子装置综合化、自动化、智能化等要求逐步提升，装置结构愈发复杂，这就使得电力电子装置故障发生具有并发性、不确定性以及非线性。电力电子装置故障诊断技术有利于減少故障催生的设备停机实践，若仅凭借维修人员排除故障，那么可能造成详细故障信息不足而影响故障诊断效率。故障诊断技术能够在短时间内向维修人员提供装置故障信息，准确定位故障点，尽可能减少停机实践，提升电力电子装置可靠性。电力电子装置在行业生产中具有非常重要的作用，这就对电力电子装置可靠性要求比较高，否则可能造成巨大经济损失。

参考文献

[1]陈石.电力电子系统故障诊断技术研究综述[J].科技展望，2016，26（16）：53.

[2]蔡涛，段善旭，康勇.电力电子系统故障诊断技术研究综述[J].电测与仪表，2008，（05）：5-11，52.

[3]彭涛.电力电子电路智能故障诊断技术研究[J].消费电子，2014，（2）：54-54.

[4]刘华姿，林明勇.虚拟仪器技术在电力电子装置故障诊断中的应用[J].机电技术，2008，（04）：58-61.