基于IAFSA-SVM的岸電電源IGBT電氣故障診斷

李偉昊,吳佳彬,崔廣開,王冠妍,張 晨,王郭靖,岳曉豐

(1.天津水運工程勘察設計院有限公司,天津 300456;2.天津東方泰瑞科技有限公司,天津 300192)

隨著中國經濟的快速發展,能源消耗問題和環境污染問題日益加劇。船舶在港口停泊期間,采用柴油發電機進行發電所產生的污染物是造成空氣污染的主要原因之一[1],同時還產生了較大的資源浪費。為強化船舶大氣污染物排放控制,落實船舶靠港使用岸電要求,2018年12月,交通運輸部印發《交通運輸部關于印發船舶大氣污染物排放控制區實施方案的通知》,《通知》對須使用岸電的船舶進行了具體說明。因此,船舶岸電技術以接入港口陸地電網取代停泊期間的柴油發電機發電的方法,逐漸成為解決能源消耗問題和環境污染問題的主要途徑。目前,我國擁有許多港口岸電碼頭,然而大部分遠洋船舶負載用電頻率為60 Hz,與我國陸地電網的供電頻率50 Hz不符,因此陸地電源不能夠直接為停泊船舶供電[2]。船舶用電的特殊性也對岸電電源的電能質量提出了更高的要求,變頻電源作為岸電系統核心部件,其運行的可靠性決定了岸電系統的穩定性。

岸電變頻電源由移相整流變壓器、功率單元、輸出濾波器和控制部分組成,其控制為電壓外環電流內環的雙閉環控制模式。絕緣柵雙極性晶體管(Insulated Gate Bipolar Transistor,IGBT)是變頻電源內部核心元器件之一,以其為主的驅動電路位于主電路和控制電路之間,在變頻電源內部擔任非常重要的角色[3]。IGBT不僅具有高可靠性、驅動簡單、易保護、開關頻率高的特點且無需緩沖電路。通常情況下,可通過開發高電壓、大電流、頻率高的高壓IGBT來獲得不同頻率的電流[4]。但由于變頻系統的功率器件為電力電子元件,其特性較其他設備軟,短時過壓過載能力比較脆弱,對工作環境要求較高,故出現故障后具有排除故障時間長、修復費用高等特點。因此,利用人工智能技術,對IGBT故障的類型、機理特征及影響因素進行分析,尋找故障原因與特征參數之間的內在規律,運用大數據及人工智能進行類比、分析,對可能產生的IGBT故障進行前期預測,并采取相應的技術措施,能夠極大提升岸電使用的穩定性和運行的經濟性,對于岸電系統的正常使用以及安全性的提升有著重要意義。目前關于岸電系統逆變器故障診斷的研究較少,但其主要組成與普通逆變器相似,可以利用相關的理論方法來研究和討論岸電電源逆變器的故障診斷[5]。IGBT故障診斷方法主要是基于人工智能算法對電流、電壓信號的分析。PENG等[6]提出了一種基于有限控制集模型預測控制(FCS-MPC)識別單個開路開關故障的故障診斷方法,其采用矩陣變換器(MC)拓撲的時間離散模型和成本函數來選擇下一個采樣周期的最佳開關狀態,并通過監測負載電流和判斷開關狀態來定位故障開關實現IGBT故障診斷。WANG等[7]基于核熵分量分析理論,結合極限學習機分類算法,探討了應用名為KECA-ELM的集成方法處理超級降壓轉換器電路(SCC)中的硬故障和軟故障診斷的可行性。ZHOU等[8]提出了一種基于正常和故障條件下電容器電壓的相似性分析的子模塊電壓相似性、實時、快速的模塊化多電平轉換器(MMC)開路故障檢測和定位(FDL)方法,實驗結果驗證了所提出的方法可以在一個基本周期內快速準確地檢測和定位開路故障。

本文提出了一種改進的人工魚群算法(Improved Artificial Fish Swarm Algorithm,IAFSA)結合支持向量機(SVM)的故障診斷算法,通過短時傅立葉變換(Short-Time Fourier Transform,STFT)的變頻器輸出電流的功率譜密度(PSD)特征為輸入特征,將IAFSA引入,作為SVM的參數優化算法。IAFSA將步長修正因子和全局隨機行為作為改進方法引入到人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)當中的魚群步長來提高全局搜索和局部搜索的性能,提出基于該改進方法的IAFSA,并構建IGBT故障診斷模型,為IGBT故障診斷提供一種新的可能性。

1 岸電變頻電源供電方式及指標

目前,基于變頻電源的岸電供電方式主要分為“一對一”和“一對多”供電[9]。本文研究基于“一對一”供電方式,即一艘船舶?？科陂g的用電只由一個變頻電源所供應。在該供電方式下,碼頭變電站相互獨立,其中一個或多個故障并不會影響其他變電站。

目前,船舶岸電配電電壓等級分為低壓和高壓2種,低壓岸電電源輸出為440 V/60 Hz、400 V/50 Hz,高壓岸電電源輸出為6.6 kV/60 Hz、6 kV/50 Hz,本文所提及的岸電變頻電源以岸電高壓上船式為例(圖1),其中陸地輸出高壓為10 kV/50 Hz的電源作為岸電系統的輸入,主電路由功率單元串聯構成多電平變頻電源,其控制部分采用電壓外環電流內環的雙閉環控制模式,最終輸入到船舶用電系統中為6.6 kV/60 Hz高壓交流電,其中逆變單元的系統拓撲結構如圖2所示。此外,根據JTS155—2012《碼頭船舶岸電設施建設技術規范》中所規定的岸電供電系統標準,變頻電源性能指標峰值時間Tp、調節時間Ts以及超調量Mp須分別滿足0.4 s、1.5 s和5%的要求。

圖1 典型岸電電源供電系統結構Fig.1 The typical shore power supply system structure

圖2 變頻電源逆變單元拓撲結構Fig.2 The inverter unit topology of variable frequency power supply

2 基于SVM的診斷模型

2.1 支持向量機(SVM)

支持向量機(SVM)是一種二分類模型。它的基本模型是一個線性分類器,在特征空間上定義了最大邊距,最大邊距將其與感知器區分開來。支持向量機的學習策略是最大化邊距,對于做出標記的兩組向量,給出一個最優分割超曲面把這兩組向量分割到兩邊,使得兩組向量中離此超平面最近的向量(即所謂支持向量)到此超平面的距離都盡可能遠,可以形式化為求解凸二次規劃的問題,也等價于最小化正則化鉸鏈損失函數的問題[10]。

SVM還包含內核函數,這使得它可以成為一個非線性分類器。在處理線性不可分問題時通過將核函數映射到更高維度的空間中進行線性可分來解決。其中,高斯核函數、多項式核函數、徑向基核函數(RBF)等核函數是SVM常用的核函數[11]。本文采用具有較好的泛化能力以及快速學習收斂能力的RBF函數作為最終選擇的核函數。在IGBT故障診斷模型中,構建非線性SVM分類器需要確定兩個主要參數：懲罰因子c以及核函數參數g。

2.2 人工魚群算法(AFSA)

在自然界中,魚能夠自行尋找或尾隨其他魚尋找食物,即魚群聚集地即為生存所需要的物質存在最多的地方。人工魚群算法就是根據這一行為,通過構建人工魚群模仿魚群聚集(即魚為保證生存和躲避危害而產生的聚集,遵循分隔、對準、內聚規則)、追尾(即當魚群中的一條或者幾條魚發現食物時,其相近的魚會迅速向其聚攏)以及覓食(即魚在水域中自由移動,一旦發現食物則迅速游往食物點)等生存行為來實現參數尋優的仿生智能算法[12]。AFSA實現步驟如下：

(1)初始化基礎參數,包括魚群規模(N)、每條魚的初始位置、視野(Visual)、步長(Step)、魚群的擁擠度(δ)以及尋優次數(Trynumber);

(2)計算魚群中每個個體的適應值,并選取其中最優值賦值給公告牌;

(3)對魚群各個體進行評分,選取需要執行的生存行為,包括聚集、追尾、覓食以及評分行為;

(4)執行(3)所選擇行為,更新自身,生成新的魚群;

(5)對魚群所有個體進行評分,若其中個體評分優于公告牌,則公告牌數值更新為該個體數值;

(6)當公告牌最優解達到設定閾值或完成循環次數,迭代終止,否則繼續跳轉至步驟(3)進行循環。

2.3 改進的人工魚群算法(IAFSA)

傳統的AFSA中人工魚的步長被設定為一個固定值,過小的步長則會造成收斂緩慢的問題,更容易陷入局部最優,并導致尋優時間過長優化成本增加等問題;但是如果設置較大的人工魚步長,則在尋優過程中很容易跳過所要尋找的最優值,也會導致尋優失敗,參數優化時間變長等問題。為解決這一問題,本文采用自適應變步長來改進AFSA,通過該方法,在同一個循環中,增加離更優解距離較遠的人工魚的步長,以加速收斂過程;降低距離較近的人工魚的步長,同樣提高了收斂速度。本文在IAFSA中引入修正因子β,定義如下

(1)

Visuali+1=Visuali×β

(2)

Step=a×Visual

(3)

式中：a為視野步長系數(0

此外,為防止尋優過程陷入局部最優,本文引入了全局隨機行為來解決這一問題,即引入公告板機制,若公告板中最優值在循環一定次數之后的變化范圍仍然小于設定閾值ε,考慮其陷入了局部最優,將魚群中最差評分的指定個數的個體實行全局隨機行為,以式(4)實行

xi+1=xi+α×Visual×rand()

(4)

式中：α為設定值,其值越大越容易脫離局部最優,計算量也隨之增加。

2.4 基于IAFSA的IGBT診斷模型

經過IAFSA來選取SVM的最優參數,構建IGBT故障診斷模型,以得到最優分類結果,圖3為模型流程圖。

圖3 IGBT故障診斷流程圖Fig.3 The flow chart of IGBT fault diagnosis

3 IAFSA算法驗證

為驗證IAFSA的有效性,選擇了3個測試函數與AFSA進行對比[13],AFSA和IAFSA初始參數設置如表1所示。

表1 AFSA和IAFSA初始參數Tab.1 The initial parameters of AFSA and IAFSA

測試函數f1(x1,x2),f2(x1,x2),f3(x1,x2)定義如式(5)～式(7)所示,其中-4≤xi≤4。

(5)

(6)

f3(x1,x2)=-[x12-10cos(2πx1)+x22-10cos(2πx2)]-20

(7)

f1(x1,x2)在定義域內只有一個極值點,求取該極值即為該函數最優解,在(0,0)處取得最小值為-1;f2(x1,x2)在定義域內有無數個極值點,但只有一個最大值,求取最大值即為該函數最優解,但容易陷入局部最優點即局部極值點,在(0,0)處取得最大值為1;f3(x1,x2)在定義域內求取最大值即為該函數最優解,但由于其復雜多峰的函數特性,同樣容易陷入局部最優點即局部極值點,在(0,0)處取得最大值0。圖4、圖5和圖6分別為AFSA和IAFSA在三個函數上的求解最優解的過程,結果表明,IAFSA在求解過程中表現出了更好的收斂速度和性能,能夠在較少的迭代次數中得到最優解,并且能夠很好地解決局部最優的問題。

圖4 對f1(x)的求最優解過程Fig.4 The process of finding the optimal solution for f1(x)

圖5 對f2(x)的求最優解過程Fig.5 The process of finding the optimal solution for f2(x)

圖6 對f3(x)的求最優解過程Fig.6 The process of finding the optimal solution for f3(x)

4 仿真

4.1 特征提取

實驗以拓撲結構中的一組6個IGBT構成變頻電源逆變單元的受控通斷為例,通過MATLAB進行仿真,變頻電源仿真模型圖如圖7所示。對變頻器中的6個IGBT進行編號,分別為VT1、VT2、VT3、VT4、VT5、VT6,對應單管故障命名為F1、F2、F3、F4、F5、F6。經研究發現,IGBT故障發生時,大多數情況只有最多2個IGBT發生故障。此外,由于逆變單元在同一相上的兩個IGBT同時發生故障時就已損壞[14],因此在本文中排除這種情況。經過組合,得到18種故障類型如表2所示。

表2 故障類型及對應標簽Tab.2 The fault type and the corresponding labels

圖7 變頻電源仿真模型圖Fig.7 The variable frequency power supply simulation model diagram

本文對18種故障類型分別進行仿真得到12組數據,共216組數據樣本。對每種故障類型選取其中的6組樣本作為訓練數據,剩余6組樣本作為測試數據進行驗證模型有效性實驗。變頻電源輸出信號在故障時和正常狀態下是不同的,在發生故障時輸出在同一頻帶下具有不同的能量值,通過STFT對輸出信號進行分析,并計算PSD分析不同頻段的能量值來進行故障診斷。

在本文中,STFT采用窗長為256的海明窗進行分析,以避免頻譜泄漏導致的幅度信息不準確的問題[15]。離散時間序列的STFT計算式如下

(8)

(9)

由于經STFT后提取的特征數值較大,采用歸一化對特征進一步處理,計算式如下

(10)

式中：y為最終的特征值;x為當前特征值;xmin和xmax分別為特征數據的最小值和最大值。

4.2 IGBT仿真故障診斷結果

利用改進的人工魚群算法選擇SVM最優參數,將經特征提取之后的特征序列作為輸入,實驗樣本被分為18類,得到分類結果。此外為驗證IAFSA對于SVM參數優化在IGBT故障診斷中的有效性,本文還使用了隨機參數、粒子群優化算法(PSO)和AFSA對SVM進行參數更新,完成了分類任務。PSO的初始種群大小設置為20,加速因子為c1=1.0,c2=1.6,迭代次數設置為100[16];AFSA的初始魚群數量為30,迭代次數為100,擁擠度因子為0.5,最大尋優次數設置為15,初始步長為1,視野范圍設置為1.5。IAFSA具體參數設置見表2。

隨機參數和各算法下的基于SVM的IGBT故障診斷分類準確率如表3所示。

表3 各參數SVM分類準確率Tab.3 The accuracy of SVM with different parameters

4.3 結果分析

通過驗證結果進行可視化如圖8所示,可以得出隨機參數下的SVM雖然可能達到較好的分類性能,但不可避免的具有較差的泛化性,訓練集測試集分類準確度相差較大。此外,基于IAFSA的SVM分類準確度明顯優于PSO和AFSA算法下的SVM分類器,分類準確度達到了訓練集100.00%和測試集90.93%。結果表明,IAFSA可以通過引入自適應變步長和全局隨機行為來改進AFSA,進而對SVM參數進行優化,可以顯著提高IGBT故障診斷模型的泛化能力和分類性能。

8-a 隨機參數 8-b PSO算法

5 結論

本文對IGBT的故障診斷進行研究,建立岸電變頻電源的仿真模型,計算經過STFT變換的輸出電流PSD作為診斷模型的特征。以此為基礎,通過自適應變步長和全局隨機行為構建IAFSA優化SVM參數,提高SVM的泛化性,在對18種故障數據樣本分類時達到了90.93%的準確度,可以很好地識別岸電變頻電源中IGBT的故障類型,以便進行后續維修。