基于改进小波神经网络算法的变流器故障诊断方法
资源库
第3I卷第8期
2011年8月
计算机APP应用程序
Joumal of Computer Applications
VoI.3l No.8
Aug.20ll
文章编号： 100L-908L(2011 ) 08-02143-03 doi:10.3724/sp.j.1087.2011.02143
基于改进小波神经网络算法的变流器故障诊断方法
段其昌、张亮、袁景明
重庆大学自动化学院。 重庆400030 )
(Ii咖啡[email protected] ) )。
摘要：变流器是双馈风力发电系统中的枢纽设备，其运行可靠性直接关系到发电系统的安全和稳定。 相对于基座
递推最小二乘(RLS )算法离散小波神经网络(DWNN )存在收敛速度慢、收敛精度不高、搜索局部极小等不足
以电流互感器为分析对象，提出了一种采用变加权和变学习率改进算法的小波神经网络电流互感器故障诊断方法。 选择
电流互感器作为离散小波神经网络训练及故障识别样本，对比分析了训练过程和仿真结果。 实验结果表明，比较
的RLs算法，改进的小渡神经网络故障诊断方法在故障识别精度和收敛时间方面更优。
关键词：电流互感器故障诊断； 离散小波神经网络； 递归最小二乘法； 改变权重； 改变学习率
中图分类号： TPl83文献标识代码： a
故障诊断methodfbrpowerconverterbased 0n
waVelet neural network，ith imprOVed algo—thm
段qi-Chang，张【jang，元景- Ming】
(cof为酱o，) ^lom毘幻一c ) o，哪个f，lg沁巧趣刺聊天顿g 400030。 傩I肥)
Abst阳ct:A8伽e of the co陀equipmentsindoubly-fedinductionwindpowergenerationsystem，tlIe opemtion弛豫liability
of power cvene不好seriously innuences the s小ty帅d stability of
powergenemtionbystem.sincemef kvs“istinwaveiet”
neuralnetwork(WNN ) based叫Recu惜ive k鹊t Squa陀) aJgorithm such髓10w c鲫vergence preciBi佣兵蚯蚓d mte，帅气d
眦hing space psessing lal mini咖啡锹d oscillation.The autlIo瑁proposedamodi6edalgoritlimforfaujtdetectionof
dia印记tic power converte格，in which v面able weiglIt蚯蚓dalterleamingcoefiicientwememployedtoreiveabovepmbie呕吐。
er山e modined WNN w勋trajned蚰DTH efault8wererecognizedfmpmcticalcur陀nt data.comp“son and analysis we等”
C删除ed伽t in simuIation.The experimentaI陀sultsdemonstratethatthemodifiedalgoritiimc明pmvide higher di啦嫉妒ostic
p弛ciBion蚰d require l姻亲8 convergence time tll蚰t量le RLS algo^thm。
Key wor冴： convener； 故障检测； 分布式waveletneumlnetwork； Recu措施ive k聪t SqIla等(RLs ) )。
algorithm； 可变权重； alter.1eaming mte
引言0
能源短缺和环境恶化将在全球范围内促进莺视开发和
利用可再生能源。 风力资源作为绿色环保的能源
得到了人类的毒蕈碱。 由于电力电子器件的脆弱部件及其对
风力发电系统中控制的复杂性在变流器部分，特别是其中是现实的
目前各种脉宽调制(Pul跛行WidIh M0dulation，PwM )控制策略的
变频器部分是系统中最容易发生故障的薄弱环节。 一旦逆变器
机器故障，可能会导致风力发电机组整体严重损坏或原因
停机时间也会给电网带来很大的不稳定，因此研究如何提高三相
变频驱动系统可靠性与风电变流器状态监测与故障诊断
对于提高系统的稳定性很重要。 具有重要的现实意义
义‘’21。
近年来，神经网络在故障诊断领域的研究进展
越来越受到重视了。 小波神经网络的小波神经网络是基于小波的函数
构造为神经元激活函数的前馈神经网络。 与传统神经
与网络相比，WBvelet B舢舨ic UniI'MBU )和整个网络连接
结构的确定有可靠的理论依据，有较强的函数学习能力和推广
能力。 训练后的网络对噪声有很强的抗干扰能力一“j，参加
估计数量最多的算法是倒梯形和递推最小二乘算法' '。
基于传统递归最小二乘(Recu鸻ive k鼬t Squa陀)。 RLs )
算法的小波神经网络在收敛速度、精度方面较差，是一个严重的阴影
故障诊断的效率提高了。 本文提出了一种新的改进的最小二乘
算法称为变学习率变加权最小二乘算法，采用r变加权因子
改善了收敛陷入局部极小问题，提高了收敛的精度。 通过引进
改变学习率。 在学习过程的振动期代替传统的重复方式
通过提高收敛速度，保证稳态时误差曲线的光滑度来提高
提高了故障诊断的效率。
1离散小波神经网络
1.1小波变换
设函数嫉妒(I ) E r (尺)，满足允许条件j时。 I函() 12/
d称为
很酷的(2邻)比喻) (1) ) ) ) )。
是小波基函数，其中4、6分别为伸缩因子、尺度因子。
信号菇(t )覃r ) r )被设置。 石头(t )的小波变换定义如下
受理日期： 201 L 101 17； 悲惨的日期： 2011—03—16。
作鲁简介：段其昌(1953一)，男)四川自贡人)教授)博士生导师)主要研究方向)可再生能源)太阳能、风能)的应用与控制、系统容错与可靠性) l
张亮(1983)，男，湖北宜昌人，硕士研究生。 主要研究方向：可再生能源(太阳能、风能)、舢舨风力发电系统故障诊断l衰景明(19拍一)，女。
四川戚远人.硕士研究生.主要研究方向为DL汽车电子(电动转向)控制、电子信息嵌入控制。
万方数据
2144计算机应用第3l卷
啊(小)=拱y (嫉妒) dt=那样(出) ) )。
(石头()、咖啡馆(f ) ) ) )2) ) )。
信号x(t )中的小波变换形式t (口，6 )至x ) t )可重构，即：
m )=新口(2死眠)口6 )(D6 )3)
砷： f。 上升为魔女血幽(4) ) ) ) )。
因此，离散小波定义如下：
嫉妒(t )=口(沙(n (2(叔单核苷酸6 )。 () )口产咖啡店(《||}6。 ）
(5) ) )。
当离散小波函数族(沙(f ) )在r )中满足以下框架条件时：
A
o
j
o
2I (吵，工) 12说。
高等职业学校
1.2认识分析
设识别的函数，=为t ) E F (尺)。 此时存在常数茹…，
将Jl定为f (一、积I )、乒乓球(t ) )乒乓球) t ) 0。 (g )，即"。
(仄. n ) Ez2 ) "
() )、)；玉。 乒乓球(t )。 (占) )8) )。
”
(m.n ) E z2
”
_，=[-『(1)，…，坏事(III ) ]，量=[后]1)，…，七(|11 ) ]
这里，a是加权遗忘系数，且0Al； n是重复次数； z=l，
2、…、mn； ^=1，2，…，n。
根据口目前较多的(I )、西)非线性项，粤无法得到A口
由于是西线性方程，采用迭代方程：
().| ) )=口(后一)，lc口(10 ) ) )。
、(|) ) )以后，口(j|()口)、) )蠲、口).| ) )
//|}，口(1| ) l，).|} ) 11 )其中，点击、)、旁((() )，得到式) 11 )的代理人式)9)
、()西) ) j，)|} (一九.|)、西)|} )工厂) (I|)、荞麦面)|I ) )西) 2
(12 )。
令
g (七)=恶事(1| )一九九七、西(瞿) ]
JlT (知)、) (七、西)磨) ]
e (七)=g )后)一(t )后)西
式(12 )可以写如下
令多2 )。 (z2面不足)乒乓球) t )的情况下，当占- o时，很多情况下可以说任意的精度(m.n ) EZZ ) no
，用=t (逼近。 其中，捞…，沙()分别是仲…，沙) )的估计值。
1.3离散小波神经网络结构
给出了小波神经网络的结构。 有v组的观测数据输入。
为了简化说明.只考虑单输出的情况，如图l所示. 多输出情况
同样可以得到。 在图l中，网络的第一层是输入节点层。 为了采样
的电流样本是三相电流，所以有输入层的三个输入节点。 相对于上述
的选定小波基函数进行排序。 我是嫉妒。 (j ) 1，n )、嫉妒()工2、
n )、…、帆(工) 3、n ) )，将其作为神经网络中的隐层节点，即
层节点。 第层为输出层，输入的样本通过小波函数
将运算后得到输出值乘以相应的权重的推定输入经过该失败
出来。 小波神经网络(waveIet Neuml Network，WNN )的结构图
用l表示。
‘【1 .ll】
j【2一l】
z13一
图1 wNN模型结构
，【n】
2算法的改进
2.1指数加权递推最小二乘算法
、v阶观测iy(I ) I ) }，i=l，2，j《v，基准函数：
_，=A。 (‘，(f (七) )一j ) I (七)，西) (2)9) ) ) ) ) ) ) ) )。
^=‘
口=[-- . _|f，上]，V=[脚(1)，…。 印记(z ) ]
(13 ) )。
(14 ) )。
(十五) )。
(m ) 2元a ) ((后)2=，e(16 ) ) )。
于是，从2222220口中，可以得到口的指数加权最小二乘估计a口
=(日TAJjr )。 日TAG，其中：
日=
^t(1) ) ) )。
^t(2) ) )。
. G=
gt(1)。
gt(2)。
：
^7(，v ) JL97) )。
(17 ) )。
其中，a为加权遗忘因子，并且为OAl。
2.2可变学习率可变加权递推最小二乘算法
在指数加权递推最小二乘法中，当A=l时，各时刻的
误差有非常大的相似度，没有遗忘功能。 此时加权
递推最小二乘算法实质上是一种常用的递推最小二乘方法。 而且，那是
在A=0情况下，只有当前时刻的误差起作用
完全被忘记了。 那么，在振动情况f下，只需要有限的最近时刻
的误差起作用，使算法能够快速跟踪瞬态信号的局部
趋势。 由于在稳定状态f下参数估计误差变小，所以导入可变权重系数
的矩阵a。
a=Diag(a(1)，a )2)，a )3)，…，a(j ) ) ) ) ) ) ) ) )。
a (七)=O.7 ) (1-2) (一ceil )占)七)。 4 ) ) ) 19 ) )。
其中，||}=l，2，…，v； Cil是整数化函数，如下所示：
西=(月7’a日)一一JJRlag(20 ) ) ) ) ) ) ) ) ) ) ) ) ) )。
该改进算法将变加权递推最小二乘算法称为变加权最小二乘
(V稗able wei推出Recu卖淫ive kt sq )、wRLS )法。
在上述wRLs算法中，由于学习率的设定值一致
学习中的步骤也是一样。 无法同时使学习率达到最大值并得到满足
很稳定。
中职是什么
法律的性能有很大的影响。 所以。 基于上述改进算法引入变化
学习率因子被称为可变学习率可变加权递推最小二乘算法
(aIte卜I伐InIing r毘e明d variabIe weigIlt recu巧ive least squar嘴、
LwRLS ) .通过该算法，小波神经网络的现状
万方数据
第8期段其昌等：改进的小波神经网络算法时变器故障诊断方法2145
状态调整学习率，进一步提高参数学习的收敛速度。
().| ) )=口(I|}一)，lc )瞿一1 )口(21 ) ) ) )。
((|) ) (f ) 1a ) m (七一1 )，e (后)e (后一1 ) )。
l (11a )，lc (摩一1 )，e )后(e ) )衍一1 )。
在此，m(1|I )是变化学习率，e(j|})是误差值。
3模拟
通过风电变流器故障诊断实验得到了300组三相电流样品
数据以200组为训练样本，其他100组为测试数据。 根
基于改进的算法学习网络各参数。 经过很多实验得到的
的小波神经网络参数如表l所示。
设定衰减l参数
参数值
输入层节点数
隐层节点数
输出层节点数
小波函数
尺度因子
伸缩因子
学习率初始值(w )。
学习率变化因子口
3
7
l
Mexichal
2
1
1.5
02号
故障电流样本如图2所示。 这里，Ira、Irb、Irc分别是转子
的三相相电流。
tk
(a )次同步下——电源开关断开
20
冬天o
-20
眺望
(b )超同步下)个电源开关开路
ow~H？ ()比喻
o.8咄(\h. 1.0 l-2 1.4 1.6 1.8 2.O 2.2 2.4
r，s
(c )次同步次相功率开关开路
f，s
(d )超同步次相功率开关开路
图2电流样品图
给定一组期蠲的输出值，映射出相应的故障类型，很有帮助
理想学习样本训练小波神经网络。 保证小波网络
输出值的误差满足精度要求，输出值的误差曲线如图3所示。
从图中条误差曲线镇看改进算法的离散小波神经网
络的识别误差逐渐减小，具有更好的动态跟踪性和准确性。
输入loo组的测试数据，从数学上统计故障的识别率。
从而验证改进算法的小波神经网络故障诊断效果。 诊断
的故障识别率如表2所示。
n
图333种算法的误差曲线
23种方法故障识别率的比较%
诊断方法识别率
RLS
WRLS
LWRLS
75.575
80.034
83.400
4打结
本文运用小波框架理论，构造了框架小波神经网络。 在
小波变换的基础7使用了变学习率变加权递推最小二乘法
方法辨识小波神经网络中的权重。 在双馈风力发电系统中
在集成变流器进行故障诊断时，类间特征的分离性大大提高。
因此，明显提高了故障识别率，是一种有效的故障诊断
方法。
参考文献：
【I】咒RKI R，Hu P，BI山m呕N R.A 8impImed wind p洲真咪em
ti伽lIIodel for他Iiabil畸形evaluali仰卧【j】. IEEE Tmsti证on E鹏r .
(Cvemi，2006，2l (2):533—540。
【2】uub.selectionofw8veletp (ketbi8 formhtem们hinery fl“t”
dia印is【J1.jmalo fsndandvibmti. 2005】。 284 (3之四/5) :
567—582
【31 MA咖啡厅a，GA0 R X.PcA-ba8ed fe砷室ltioll scheme衙门旁】
chinedeTCIVIIIific「【J1.IEEEtr鲫鱼nctio等I连枷men*
tion蛸d Measurement，2004，53 (6) 1517(1525 )。
【41 xIE u】 YANG HuIzHONG，DING FENG.FiItering ba8ed recur。
8ive Ie耰t暑quar髓identific砷I佣兵for nun曲IIly姗Pled阿毘e
【c】//2010chinetroi锹d Decision Co山吽ce.W舶hington。
DC:lee ecomputersiety.20lo:l123一l 128。
【5】CAMPI M C.Exp0仄entiaIJy weigIlted Ie明t Bqu焦点identific砷ion 0f
time-Varying 8y砷打孔“山white di8turb筋c船f j”. IEEE tmnb配合一
tionBSi印alPMCbing.2004.42(11 ) 2906—2914。
【6】陈涵.刘会金.李大路，等.可变遗忘因子递推最小二乘法时变
参数测量LJ .高电压技术. 2008.34(7) 1474(1477 )。
【7】umapathyk.Krishna ns.modine dlaldi母criminate baseo
aIgorithm蛸d i协印plicatiin arIalyBiB 0f hum明knee joint vibm。
ti佣兵Bi印BIB I JJ. IEEE 1h哪个ction8Bi伽edical EngineeJjng，
2005.53(3) 517至523。
【8】UMAPAnfY K，KRlSHNAN S.Audio si握柄1且l妇u他a【tractia‘LD’
D (清除d(CBTI蜘蛛后，iIlg locaI di )。 甜蜜的rninme bas【J】. IEEE Tr曲明cti3伽
Audio.SPeh hng刀锋PI_i|IE，加昕. 15(4):1236(1246 )。
【9】DAUBEcHIES I.Thc w瞿velet t等sfom tirnef吽uency loc丑li撕tion
蚰d 6i印且l肌aly5i8【J】. IEEE Tr帅tiom本rchabilitllionensineering.2007.36 (5) 96l—1005。
()、赶要酱)椒霸七曩
万方数据
基于改进小波神经网络算法的变流器故障诊断方法
作者：段其昌、张亮、袁景明、段其昌、张良、袁景明
作者单位：重庆大学，自动化学院，重庆，400030
刊名：计算机应用
英文刊名： JOURNAL OF COMPUTER APPLICATIONS
年，卷(期) 2011，31 )8)
参考文献(第9条)。
1 .卡其林r； HU P； billintonrasimplifiedwindpowergenerationmodelforreliabilityevaluation [外语]
期刊]2006(02 )
2.liubselectionofwaveletpacketbasisforrotatemachineryfaultdiagnosis 2005 (3/4/5) )。
3.MALHI A； gaorxpca-basedfeatureselectionschemeformachinedefectclassification [外语期刊]
2004(06 )
4.XIE LI； 杨惠中； 钉钉filteringbasedrecursiveleastsquaresidentificationfornonuniformlysampledsystems 2010
5.campimcexponentiallyweightedleastsquaresidentificationoftime-varyingsystemswithwhite
分布式2004 (11 )。
6 .陈涵； 刘会金； 李大路可变遗忘因子递推最小二乘法测时变参数([期刊论文]-高电压技术2008(07 ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )
7.UMAPATHY K； krishnansmodifiedlocaldiscriminatebasesalgorithmanditsapplicationinanalysis
ofhumankneejointvibrationsignals 2005 (03 ) )。
8.UMAPATHY K；
9.daubechiesithewavelettransformtime-frequencylocalizationandsignalanalysis 2007 (05 ) ) ) ) )
本文链接： http://d.g.wanfang data.com.cn/periodical _ jsjyy 201108034.aspx