基于小波包神经网络的整流电路晶闸管故障识别

摘要：

在电力能效监控管理系统中，提出了基于小波包的特征提取和BP（back propagation）神经网络相结合的方法，对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理，对22种故障情况分别进行编码.建立三相整流电路故障模型，采用小波包分解的方法，对直流端输出电压的采样数据进行特征提取，构建特征向量，作为BP神经网络的训练样本，将对应故障的编码作为网络输出，用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明，采用小波包特征提取，作为神经网络训练样本，既可以简化神经网络训练结构，又可以准确实现故障定位识别.研究具有很大的工程实践意义.

关键词：

电力能效测评； 小波包； 特征向量； 神经网络； 整流电路； 故障识别

中图分类号： TM 92文献标志码： A

Abstract：

In the power energy efficiency management system，the feature extraction based on wavelet packet combining with back propagation（BP） neural network was proposed and applied to thyristor fault diagnosis and identification in the threephase rectifier circuit.According to the principles of rectifier circuit，22 kinds of fault were encoded respectively.The fault model of threephase rectifier circuit was set up.Using the wavelet packet decomposition method，feature extraction of the DC output voltage was conducted to construct the feature vectors，which was saved as training samples of BP neural network.The corresponding fault codes were used as the network output.This simplified trained neural network could recognize the fault position of the rectifier circuit.The simulation results showed that the wavelet packet feature extraction，used as the neural network training sample，not only simplified the structure of neural network training，but also located the fault thyristor accurately.It indicated the engineering significance.

Keywords：

electric energy efficiency evaluation； wavelet packet； feature vector； neural network； rectifier circuit； fault identification

三相整流电路广泛应用于电气设备中.晶闸管本身损坏以及触发脉冲一场导致的不导通和误导通都会使该晶闸管所在的整流电路发生故障以至于整流电压畸变.因此，对电力电子电路实现在线实时监测和故障诊断显得很有必要.在对故障诊断快速性和准确性要求越来越高的同时，人们也不断寻找如何对三相全控整流电路中故障晶闸管快速、准确地定位，应用先进的算法实现智能故障诊断也越来越受到重视.

传统的检测方法有电压电流检测法、傅里叶分析法、频谱分析与神经网络相结合、粗糙集与神经网络等.近年来，基于神经网络的故障诊断越来越成为研究的热点.文献[1]将故障波形的采样数据作为神经网络训练样本，将训练好的神经网络用于整流电路的故障诊断.文献[2]将直流母线电压的采样值作为人工神经网络的输入进行故障诊断.直接将采样数据作为神经网络的输入时，采样数据过多会造成训练网络庞大，训练过程缓慢，采样数据过少则样本特征不明显，导致结果偏差.采用BP（back propagation）神经网络算法进行故障识别的理论相对比较成熟，但是在工程实现上面临很大的困难.文献[3]中仅实现了晶闸管故障类别的诊断.

本文提出采用小波包特征提取与BP神经网络故障识别相结合的方法，将22种故障电路的电压波形数据通过小波包分解，提取特征向量作为神经网络输入进行训练，大大简化了神经网络结构.根据该训练好的神经网络，能够准确地利用电路的输出波形进行故障晶闸管的定位，可以在电力能效监控系统中得到应用.

1电力能效监控管理系统

电力能效监控管理系统采用分布式结构，分为现场监控层、通讯管理层和系统管理层，如图1所示.该系统主要实现信号采集、信号传输、信号处理.通过对系统设备信号的实时采集，实现电气系统中的设备状态监控和故障监测，提高了电气系统的安全可靠度；通过对能效监控管理系统的实时数据和历史数据进行多维度的处理和分析，为制定合理的综合能耗管理方案提供数据依据.

在电力能效监控管理系统中已经实现了对各用电设备的监控和管理.在电气系统中，整流电路在线监控和故障快速诊断也很有必要.图2为整流电路监测系统结构.整流电路监测流程为：电压信号经过电压传感器送进信号调理电路，经A/D转换，由DSP系统对采集到的信号进行参数处理和传输，通过现代化的高速通信网络传输到上位机，将数据作为训练好的神经网络样本，进行故障诊断识别.

2小波包分析

小波分析由于其对信号的时频分析特性，已经被广泛应用.在工程应用领域，特别是信号处理、图像处理、语音分析等领域，小波变换被认为是信号分析工具和方法上的重大突破[4].小波包分解为信号提供了一种非常精细的分析方法，它将频带进行多层次划分，对小波分解没有细分的高频进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配.小波包变换将信号分解至独立的频带中，这些频带的信号能量对状态监测非常有用.

图3为小波包分解树结构.小波分析是将信号s分解成低频a1和高频d1两部分.在分解中，低频a1中失去的信息由高频d1捕获.在下一层分解中，又将a1分解成低频aa2和高频da2两部分，低频aa2中失去的信息由高频da2捕获.以此类推，可以进行更深层次的分解.对小波包分解系数重构，提取各个频带范围的信号特征.小波包分解时，有

4三相整流电路故障识别

电路中某处晶闸管发生故障后，输出波形为非平稳信号.由于输出各个故障波形的各个频率成分的能量不同，提出了基于“能量故障”的故障诊断识别模式[6-8].故障识别过程如图5所示.直接提取各个故障波形中各个频率成分能量的变化作为神经网络的输入，在能够表征各个故障特征的同时，使得输入数据大大减少.由于单个晶闸管故障的6种波形相同，但相位

不同，因此在A相电压上升过零点时开始采样，采样间隔0.000 1 s.经过1个周期（0.02 s）得到200个数据样本.

4.1小波分解

对200个数据样本进行三层小波包分解，分别提取第三层从低频到高频8个频率成份的信号特征.图6为VT1开路时的故障波形和小波包分解树结构，其中：（0，0）代表原始信号s，即数据样本；（1，0）为小波包分解的第一层低频系数；（1，1）为小波包分解的第一层高频系数；（3，0）为第三层第0个结点的低频系数；（3，1）为第三层第0个结点的高频系数.其他以此类推.

4.2小波重构

对小波包分解系数进行重构，提取各频带范围的信号.用S（13m）表示各结点的重构系数（m=0，1，…，7）.则总信号可表示为S1=S（130）+S（131）+S（132）+S（133）+S（134）+S（135）+S（136）+S（137）.晶闸管VT1开路时输出电压的各结点重构系数如图7所示.

4.3构造特征向量

由于晶闸管故障时输出波形的各频带的能量

有一定的变化，因此，以能量为元素可以构造一个根据以上步骤，每种故障时的输出波形可构造一个特征向量.以单个晶闸管故障为例，6种故障状态可产生6组特征向量，如表2所示，其中：s0表示正常状态下的特征向量；si表示VTi故障时的特征向量（i=1，2，3，4，5，6）.

4.4建立BP神经网络

根据已总结的故障模式种类，将各状态下经小

波包分解的特征向量作为输入，将对应编码构建一个矩阵作为输出，设置一个三层的BP神经网络[9]，其参数设置如表3所示.神经网络训练迭代过程如图8所示.

4.5故障模式识别与方案验证

训练完成后，提取单个晶闸管故障波形数据和加入随机噪声.经小波包分解进行特征提取，将特征向量作为训练好的神经网络的输入再进行检验.未加噪声的训练结果如表4所示，平均诊断误差为0.000 5.表5为加随机噪声后的训练结果，平均诊断误差为0.055 2.

5结论

本文提出了应用于电力能效监控管理系统的对整流电路进行故障诊断和识别的方法.先建立模型，采集故障波形数据，进行特征提取等处理，以此作为输入样本，建立一个训练好的神经网络.再通过对故障监控数据的采样、特征提取，作为神经网络的输入，即可判断出三相整流电路中晶闸管故障的准确位置.采样数据经小波包分析处理后作为输入样本，简化了神经网络的结构.本文以波形数据最相近的单管故障为例进行研究，仿真结果验证了该方法的实用性.

参考文献：

[1]郑连清，王腾，邹涛.基于神经网络的三相全控桥整流电路故障诊断[J].重庆大学学报，2004，27（9）：72-75.

[2]王孟莲，龙飞.基于人工神经网络的整流电路故障诊断[J].武汉理工大学学报：交通科学与工程版，2013，37（3）：578-580.

[3]田质广，赵刚.基于小波包与Elman神经网络的整流电路故障诊断[J].系统仿真学报，2009（10）：2981-2984.

[4]胡昌华.基于MATLAB的系统分析与设计―4―小波分析[M].西安：西安电子科技大学出版社，1999.

[5]王兆安，刘进军.电力电子技术[M].5版.北京：机械工业出版社，2009.

[6]钱苏翔，杜琦，顾小军，等.基于小波包特征能量提取的变压器绕组变形故障诊断[J].机械设计与制造，2012（9）：135-137.

[7]陈少东，李宏.晶闸管整流装置的几种故障处理方法浅析[J].电子测试，2013（3/4）：34-37.

[8]刘乐平，林凤涛.基于小波包特征向量与神经网络的滚动轴承故障诊断[J].轴承，2008（4）：46-48.

[9]朱凯，王正林.精通MATLAB神经网络[M].北京：电子工业出版社，2010.