基于BP神经网络的三相SPWM逆变电路故障诊断

王艳秋

(沈阳工学院 信息与控制学院，辽宁 抚顺 113122)



基于BP神经网络的三相SPWM逆变电路故障诊断

王艳秋

(沈阳工学院 信息与控制学院，辽宁 抚顺 113122)

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法，然后运用BP神经网络对三相逆变电路进行故障诊断，通过调整隐含层节点和学习参数，寻找出最优的BP神经网络结构。最后，采用非学习样本数据对训练好的网络进行仿真，实验结果表明该故障诊断方法正确率达99%，该诊断方法同样适用于其它电力电子电路。

BP神经网络；三相SPWM逆变电路；故障诊断；仿真研究

当三相SPWM逆变电路发生故障时，通常根据电路中每一个大功率IGBT的输入输出电压或电流波判断故障发生的位置。如果能够利用神经网络的学习能力来判断每一个大功率IGBT的输入输出电压或电流波形，那么就会出现故障的元器件的电压或电流波形与故障原因之间的必然联系，或者说是对应关系通过神经网络的学习被神经网络保存下来。所谓保存下来就是保存在网络结构和权中，再将神经网络用于故障的诊断，BP神经网络通过对某一个大功率IGBT的电压或电流波形进行分析，从而得到故障原因，实现三相SPWM逆变电路故障的在线自动诊断。

神经网络之所以能吸引众多专家的关注在于：

1)神经网络具有并行分布处理能力。

2)神经网络具有任意非线性映射能力，为非线性控制系统的控制问题开辟了新的途径。

3)神经网络具有对原始数据进行归纳、整理和总结的能力。

4)适应性与集成能力强大。神经网络的另一个最大特点是在线运行，这种适应性表现为：一是能在线进行定量操作；二是能在线进行定性操作。神经网络的这种非常强大的适应性和信息处理能力，使神经网络可以具有大规模的数据处理和集成能力。

5)硬件实现。神经网络不仅能够借助软件实现对复杂的原始数据进行并行处理，而且还能够采用超大规模集成电路来实现对复杂的原始数据进行处理，使神经网络具有了更快速的处理能力和超大规模的处理能力。

由于神经网络的这些特点，在对神经网络进行了深入细致研究的基础上，提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。先提出BP神经网络模型和算法，然后对三相逆变电路进行故障诊断，寻找出最优的BP神经网络结构，最后对训练好的网络进行仿真。

1 BP神经网络模型

BP网络由于其学习能力和存贮大量输入-输出信息之间或模式之间的映射关系，使得BP神经网络的应用越来越广，解决了用数学方程来描述这种映射关系的难题。

从结构上讲，BP网络是多层网络，最典型的结构为三层结构。这三层结构与其它BP网络一样都有输入层和输出层，其区别之一就是隐含层的个数，三层结构有一个隐含层，输入层与隐含层，隐含层与输出层之间均采用全连接方式，同一层各单元相互之间不连接。图1给出了三层BP神经网络结构，每一层连接权值都可通过学习来调节，除了输入层外，其它基本处理单元均为非线性输入-输出关系。

图1 BP神经网络结构

BP神经网络模型能够实现多层网络学习。所谓多层神经网络学习，就是当输入给神经网络一个输入模式时，它首先将输入模式传到隐含层，在隐含层单元逐个进行处理后传到输出层，产生一个输出模式，这称之为前向传播。如果实际输出模式与期望输出模式有误差，就是说神经网络还没有在线输入，存在误差，就要继续进行网络学习过程，即转入误差反向传播。所谓误差反向传播，就是将误差值沿着连接通路逐层传送，修正各层连接权值，这个过程不是一次能够完成的，需要重复前向传播和误差反向传播过程。当各个训练模式都满足要求时，就完成了网络学习过程。

2 学习算法

BP网络学习算法是典型的有导师学习，它以学习规则为基础。

描述函数记为：

(1)

激活函数记为：

(2)

(3)

如果对每个输入模式p，网络输出与期望输出存在误差,则定义网络误差函数如下：

(4)

(5)

2.1δ学习规则

δ学习规则就是利用梯度最速下降法来学习。所谓梯度最速下降法，就是使神经网络的权值沿误差函数的负梯度方向改变。若神经网络的权值为Wji，Wji和它的变化量ΔpWji之间的关系可以表示为：

(6)

因为

令

(7)

于是

ΔpWji=ηδpjQpj,η>0

(8)

这就是通常所说的δ学习规则。

2.2BP学习算法

一般地，BP学习算法可描述为：

1)初始化BP神经网络，设置学习参数；

2)采用训练模式训练网络，直到满足学习要求；

3)对给定训练模式输入，在隐含层逐个处理后传送到输出层，得输出模式；与期望模式比较，若有误差，则执行4)；否则，返回2)；

4)反向传播过程：

① 计算同一层单元的误差δpj；

②修正权值；

③ 修正阈值；

④ 返回2)。

3 三层BP神经网络的程序设计

三层神经网络的最大优点是有强大的学习能力。设三层BP神经网络的m、p和q分别为输入层节点数、隐含层的节点数和输出层的节点数。

(9)

式中，θj为隐含层的阈值。

(10)

式中，θk为输出层的阈值。

BP神经网络程序设计流程如图2所示。

4 三相SPWM逆变电源的故障诊断

下面以三相SPWM逆变电源为例，介绍基于电压和电流波形的神经网络故障诊断方法。

图2 神经网络的学习流程

4.1 BP神经网络的设计

这里采用图1所示三层神经网络。第一，选择输入层节点数，根据所选三相SPWM逆变电源电路的故障类型及特征信号确定输入层的节点数为4，即N1=4。第二，选择输出层节点数，根据所选三相SPWM逆变电源电路的故障类型确定输出节点数，故障类型是诊断三相桥式逆变器的六个大功率IGBT的故障，用6位数据编码来识别，故输出节点数为6，即N3=6。现以负载功率为40 kW的故障样本数据作为学习样本，样本数据略。表1列出了在网络参数相同的情况下(学习率为0.05，误差为0.01)，隐含层数不同时网络的收敛速度情况。由此可得，隐含层数N2=10为宜。

表1 隐含层数的选取及其收敛步数

仿真实验表明，在网络初始权值的选取、隐含层节点数、动量系数和学习率以及误差目标值相同情况下，对于该研究的故障诊断电路来说，选用SIGMOID对数S型传递函数训练效果最好。

表2是在N1=4，N2=10，N3=6，学习率为0.05，误差为0.01时，输出层采用purelin传递函数，输入层与隐含层分别用不同的传递函数以Levenberg-Marquardt 优化算法(trainlm)进行神经网络参数训练的过程(用于训练的学习样本略)。

表2 传递函数的比较

根据以上分析可得，该系统的网络结构为N1=4，N2=10，N3=6；传递函数依次为sigmoid、tansig、purelin，学习率为0.05，误差为0.01。网络结构如图3所示。

图3 三层BP神经网络

4.2 样本学习结果分析

图4所示波形分别表示逆变器正常工作、一支IGBT断路故障和两支IGBT同时发生断路故障时逆变器输出线电压的波形和相应的调制比为m的变换曲线。

采用BP神经网络对三相SPWM逆变电源故障进行诊断，以负载功率50 kW时的故障样本数据作为测试样本，经神经网络训练后的实际输出与期望输出见表3。

表中Y≥0.5记为1，Y<0.5记为0。期望输出为011001，即为同一桥臂的T1和T2管同时发生故障。

图4 逆变器正常工作及IGBT故障时仿真波形

实际输出Yr1Yr2Yr3Yr4Yr5Yr6期望输出Yw1Yw2Yw3Yw4Yw5Yw6-0．00500．12081．11680．47540．4713-1．0783001000-0．05230．9868-0．0470-0．09640．17470．75220100010．04031．02721．00730．0608-0．04880．92370110011．1068-0．0790-0．0825-0．9603-0．46192．89881000010．95800．05490．9847-0．03710．03721．1547101001

5 结 语

提出了目前在电力系统中广泛采取的三层BP神经网络模型及其算法，然后以三相逆变电路为例，运用BP神经网络对其进行故障诊断，通过调整隐含层节点和学习参数，寻找最优的神经网络结构。采用训练好的BP神经网络进行仿真，实验结果表明准确率达99%。该诊断方法同样适用于其它电力电子电路。

[1]刘政宇，温海洋.基于BP算法的异或运算的实现[J].数字技术与应用，2013(03):138-139.

[2]刘晓楠,王胜辉,金月新,等.基于BP神经网络的风电场发电功率短期预测[J].沈阳工程学院学报：自然科学版，2015，11(1),10-13,24.

[3]刘庆珍，蔡金锭，王少芳.基于粗糙集-神经网络系统的电力电子电路故障诊断[J].电力自动化设备，2004，24(4)：45-48.

[4]刘庆珍.基于粗糙集理论和人工神经网络的电力电子电路故障诊断的研究[D].福州:福州大学，2003.

[5]马 皓，徐德鸿，卞敬明.基于神经网络的电力电子电路故障诊断[J].电力电子技术，1997(4):10-12.

[6]何伟杰.电力系统诊断问题的研究[J].现代装饰(理论)，2011(03):190-191.

[7]朱凤娟,朱 进.离散时滞标准神经网络的无源性[J].渤海大学学报:自然科学版,2016,37(3):203-207.

[8]岳文姣,杨祯山.基于SOM的模糊BP神经网络技术的电梯交通模式识别[J].渤海大学学报:自然科学版,2015,36(4):363-370.

(责任编辑 魏静敏 校对 张 凯)

Three Phase SPWM Inverter Fault Diagnosis Based on BP Neural Network

WANG Yan-qiu

(College of Information Engineering,Shenyang Institute of Technology,Fushun 113122,Liaoning Province)

A fault diagnosis method of three-phase SPWM inverter based on BP neural network was put forward.First,the BP neural network model and algorithm were proposed,and then the BP neural network was used to diagnose the fault of the three-phase inverter circuit.By adjusting the hidden layer nodes and learning parameters,the optimal BP neural network structure was found.Finally,the non-learning sample data was used to simulate the training network.The experimental results showed that the fault diagnosis method was 99%.The diagnosis method is also applicable to other power electronic circuits.

BP neural network; Three-phase SPWM inverter circuit; Fault diagnosis; Simulation research

2016-12-09

2014年辽宁省教育厅教改课题(UPRP20140685)；2013年辽宁省教育厅 “十二五”省级实验教学示范中心项目(UPRP20130578)；2015年沈阳工学院重点专业建设项目(ZDZY201504)；2015年沈阳工学院教育教学改革研究项目(JG201520)

王艳秋(1955-)，女，辽宁锦州人，教授，博士，主要研究方向为电力电子与电力传动、智能控制理论及应用。

10.13888/j.cnki.jsie(ns).2017.02.015

TP18；TM464

A

1673-1603(2017)02-0169-05