采用新型粒子群算法的电力电子装置在线故障诊断方法
基于粒子群优化神经网络的变压器故障诊断方法
基于粒子群优化神经网络的变压器故障诊断方法
鲍薇;燕跃豪;王爽;李景丽;赵源;姚依晨
【期刊名称】《自动化应用》
【年(卷),期】2024(65)10
【摘要】针对传统变压器故障诊断方法存在处理效率低、诊断结果主观性强的问题,提出一种改进的粒子群(PSO)-BP神经网络变压器故障诊断方法,对智能变压器故障诊断方法展开研究。
首先,采用无编码比值法,选用变压器油中各类溶解气体的比值来更准确地区分故障类型;其次,根据所选的测试集气体比值信息,利用灰色关联度法选出与测试集信息特征相似度高的信息作为训练集,剔除冗余信息,优化样本数据;最后,构建PSO-BP变压器故障诊断模型,利用改进的PSO算法优化BP神经网络中的权值和阈值,使诊断模型拥有更快的诊断速度和更高的准确率。
使用采集的变压器油中溶解气体信息训练诊断网络,与传统BP神经网络法进行对比。
结果表明,所提方法对变压器故障诊断的准确率明显提高。
【总页数】4页(P95-98)
【作者】鲍薇;燕跃豪;王爽;李景丽;赵源;姚依晨
【作者单位】国网郑州供电公司;郑州大学电气与信息工程学院
【正文语种】中文
【中图分类】TM407;TP18
【相关文献】
1.基于混沌优化粒子群 BP神经网络的电力变压器故障诊断
2.基于粒子群优化神经网络的变压器故障诊断
3.基于邻域粒子群优化神经网络的变压器故障诊断
4.基于改进粒子群优化神经网络的电力变压器故障诊断
5.基于萤火虫——粒子群优化BP 神经网络的变压器故障诊断研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粒子群优化LS-WSVM的电机断条故障诊断
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载 电机、转子断3条满载电机的10个周期的定子电流信 号即1000个数据进行三层分解，求出每个节点信号 的能量，得到的特征向量如下表所示：
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载 电机、转子断3条满载电机的10个周期的定子电流信 号即1000个数据进行三层分解，求出每个节点信号 的能量，得到的特征向量如下表所示：
0.01
0.005
0.07 0.06
dB
0.05 0.04 0.03 0.02 0.01 0 25 30 35 40 45 50 频 率 /Hz 55 60 65 70 75
0
(1+2s)f
30
35
40
45
50 频 率 /Hz
55
60
65
70
2.2 小波变换
小波变换是在傅里叶变换的基础上发展起来的 。傅里叶变换是用正弦函数来逼近信号，小波变换 是用小波函数来逼近信号。 小波变换可以对信号进行局部分析，其窗口函 数的面积固定但是形状可以改变。在信号的低频部 分，窗口函数在时域较宽，分辨率低，在频域较窄 ，分辨率高；在信号的高频部分，窗口函数在时域 较窄，分辨率高，在频域较宽，分辨率低。这个优 点正好符合我们对信号分析的要求，故小波变换被 誉为“数学显微镜”。
n 2 i 1 i i i i
2.3 最小二乘小波支持向量机
最小二乘支持向量机基本原理 最小二乘支持向量机（Least squares Support Vector Machines,LS-SVM）是将标准支持向量机的 不等式约束用等式约束代替，即将式（3.10）中的 ≥用=代替。且将误差平方和损失函数作为训练集的 经验损失，将优化问题简化成求方程组的问题，大 大提高了求解的速度。
粒子群RBF神经网络电力电子电路故障诊断
第 ｌ 卷 第 ５期 ８
Ｖ１８ ｏ． １
Ｎｏ５ ．
电子设 计工 程
Ｅ ｅ ｔ ｎ ｃ Ｄｅ ｉｎ Ｅ ｇｎ ｅ ｉ ｇ ｌ ｃｒ ｉ ｓｇ ｎ ｉ ｅ ｒ ｏ ｎ
２１ ０ ０年 ５月
Ｍａ ． ０１ ｙ２ ０
粒 子群 Ｒ Ｆ神经网络电力 电子电路故障诊 断 Ｂ
操 建 华
ＰＯ ｒｅ ｅ ｔ ｏ ｃｃ ｒ ｕ ｔｆ ｕ ｔｄ ａ ｎｏ ｉ ｙ ｒ ｄ ａ ｓ ｗｅ ｌ ｃ ｒ ｎｉ ｉ ｃ ｉ ｌ ｉ ｇ ｓｓｂ ａ ｌ ａ ｉ ｂａ ｉ ｆ ｓ ｕｎｃ ｉ ｎ ｕ ａ ｔ ｒ ｔｏ ｎｅ ｒ ｌ ｎｅ ｗｏ ｋ ｂａ ｅ ｏ ｐａ ｔｃ ｅｓ ｒ ｐ ｉ ｉ ａ ｉ ｎ ｓ ｄ ｎ ｒ ｉ ｌ ｗａ ｍ ｏ ｔｍ ｚ ｔｏ
人工智能在电力系统中的在线监测与故障诊断方法
人工智能在电力系统中的在线监测与故障诊断方法引言在电力系统中，随着电力负荷的不断增加和电网的复杂性不断提高，电力设备的在线监测与故障诊断成为保证电网稳定运行和提高电力供应可靠性的重要手段。
人工智能作为一种前沿的技术，正逐渐应用于电力系统中的在线监测与故障诊断中。
本文将介绍人工智能在电力系统中的在线监测与故障诊断方法，包括基于机器学习的电力设备故障预测、基于深度学习的设备故障诊断以及基于智能优化的电力设备状态监测方法。
一、基于机器学习的电力设备故障预测机器学习是一种通过训练模型来预测未知数据的方法。
在电力系统中，可以通过机器学习方法对电力设备的故障进行预测，以便采取相应的措施来避免故障的发生。
常用的机器学习方法包括支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest）和深度学习等。
这些方法可以通过对历史数据的分析，提取出设备的特征，并根据这些特征来预测设备的故障概率。
二、基于深度学习的设备故障诊断深度学习是指基于神经网络的学习方法，可以通过多层次的网络结构来提取更高级别的特征。
在电力系统中，可以利用深度学习方法来进行设备故障的诊断。
与传统的人工判断相比，深度学习可以更准确地识别设备的故障类型，并且可以自动提取设备的故障特征。
常用的深度学习模型包括卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）。
这些模型可以通过对设备故障数据进行训练，来实现设备故障的自动诊断。
三、基于智能优化的电力设备状态监测方法智能优化是指利用智能算法来求解优化问题的方法。
在电力系统中，可以利用智能优化方法来监测设备的状态，以及提前发现潜在的故障。
常用的智能优化方法包括遗传算法（Genetic Algorithm, GA）、粒子群算法（Particle Swarm Optimization, PSO）和蚁群算法等。
电力系统故障诊断的量子粒子群优化算法
ｆ ｒ Ｐｏ ｒ Ｆａ ｌ ｅ ｔ ｏ ｔｍ ａ ｉ ｎ ｏ ｗｅ ｕ ｔ Ｓ ｃ ｉ ｎ Ｅｓ ｉ ｔｏ
ＬＩｘｉ ｏ。Ｈ ＵＡＮＧ ａ Ｃｈｕｎ
（ ． ｌ ｇ ｆＥｌ ｃ ｒｃ ｌａ ｄ Ｉ ｆ ｒ ｔｏ ｇ ｎ ｅ ｉ ｇ，Ｈ ｕ ａ ｉ ｅ ｓｔ ， １ Ｃｏ ｌ ｅ ｏ ｅ ｔｉ ａ ｎ ｎ ｏ ｍａ ｉ ｎ Ｅｎ ｉ ｅ ｒｎ ｅ ｎ ｎ Ｕｎ ｖ ｒ ｉｙ
ｉｇｔ ｈ ｃｉｇｔ ｅ ｒ ｆｐ ｏｅ ｔｖ ｅａ ｓ ｎ ｈ ｎｔ ｅｐ ｏ ｌｍ ｏｖ ｄ ｂ Ｓ ｎ ｏｔ ｅａ ｔｎ ｈ ｏ ｙｏ ｒ ｔｃｉｅｒ ｌｙ ，ａ ｄｔ ｅ ｈ ｒ ｂｅ ｉ ｓ ｌｅ ｙＱＰ Ｏ．Ｉ ｉ ｓ ｏ ｈ ｔ ｈ ｒ — ｓ ｔ ｓ ｈ ｗｎｔａ ｅｐ ｏ ｔ
取决 于样 本集 是 否完备 ， 于大 型 的电力 系统要 形 对 成完 备 的样本 集极 其 困难 ， 因而其 诊 断结果 的正 确 性 在 原理 上无 法保 证 。 外 ， 于不 同 的故 障元 件 此 对
引起相 同的保 护和 断路器 动作 的情 况 ， 种方 法 只 这
能给 出其 中 的一个解 ， 限 性 较 大 。 般 的模 糊 系 局 一 统 采用 了与专家 系统类 似 的结 构 ， 以它 也具 有专 所 家 系统 的一些 固有 的优 缺 点 ， 但增 加 了容 错 能 力 。
电力系统故障诊断的量子粒子群优化算法
电力系统故障诊断的量子粒子群优化算法随着电力系统的不断发展，电力系统的故障诊断也变得越来越重要。
近年来，量子粒子群优化算法（PSO）作为一种新型的优化算法，由于其算法的简单性、良好的全局搜索能力以及良好的收敛性能，已经被广泛应用于电力系统故障诊断领域。
量子粒子群优化算法（PSO）是由Kenneth Kennedy和 Russell Eberhart在1995年开发的一种独特的优化算法，它是一种以粒子模型为基础、利用群体搜索思想和粒子群算法来求解复杂优化问题的迭代优化算法。
它可以有效地解决电力系统故障诊断的参数优化问题，并能够有效地提高故障诊断精度，有效提高可靠性和稳定性。
首先，量子粒子群优化算法（PSO）可以从众多参数中获得最优解。
PSO在寻找最优解方面具有很强的优势，可以有效减少搜索空间大小，从而减少搜索次数，提高搜索效率。
其次，PSO算法可以有效解决电力系统故障诊断的参数优化问题。
PSO算法在解决故障诊断参数优化问题的过程中，可以利用期望函数的值，通过比较期望函数值的大小，来更新搜索空间中的各种参数，最终将搜索空间中的参数确定下来。
此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断的精度。
例如，可以将PSO与正交实验（OAT）结合起来，将OAT 用于参数确定，将PSO用于参数优化，从而提高故障诊断的精度。
最后，PSO算法具有良好的收敛性能，使其在电力系统故障诊断方面具有很大的优势。
另外，PSO算法在解决复杂优化问题时，其算法的简单性和良好的全局搜索能力也是其重要优势。
因此，量子粒子群优化算法（PSO）是电力系统故障诊断的有效工具，可以有效改善故障诊断的精度。
PSO算法在解决参数优化问题时，具有良好的收敛性能、减少搜索空间大小的优势，以及简单的算法和良好的全局搜索能力。
此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断精度，从而获得更好的可靠性和稳定性。
总之，量子粒子群优化算法（PSO）是一种新型的优化算法，它对电力系统故障诊断技术有重要的意义。
基于粒子群算法的电力变压器绕组故障诊断方法
Telecom Power Technology设计应用 2022年3月10日第39卷第5期· 37 ·Telecom Power TechnologyMar. 10 2022, Vol.39 No.3陈东亮，等：基于粒子群算法的电力变压器绕组故障诊断方法入公式（1）中，输出结果导入网络结构实现粒子群网络的构建。
1.2 粒子群调整在整个粒子群网络中，粒子系数的不同推移导致不同粒子在绕组处理过程中运动产生的适应速度减弱。
具体的粒子群在进行初级处理的过程中，就需要进行绕组故障适配度的更新处理。
通过调整粒子群，实现整个操作的优化升级。
粒子群的具体操作流程步骤如图2所示。
开始初始化粒子群更正粒子位置调整粒子速度和方向是否满足条件结束是否图2 粒子群操作步骤粒子群初始化一般采用随机分配的模式进行数据处理，这样可以确保所有粒子在速度和位移方位的统一稳定。
初始化粒子群后需要重新拟定相关的序列参数。
通过计算分析得出粒子群具体的位置信息再进行下一步的更正准备[3]。
粒子群调整后还需要结合电子电力变压器进行输入隐藏层与训练时间的处理。
通过不断调整粒子群的速度和方向选出适配度最高的粒子，便可以继续所有的操作步骤至结束。
若没有找到适配度最高的粒子，需要返回最初步骤再进行模拟操作。
在网络初步构建和粒子群的调整下，通过适配的粒子系数完成对粒子群的最佳分类，这样可以充分发挥粒子群算法的优势。
通常情况下，粒子群主要受输入权值和输入阈值的双重影响。
1.3 变压器环境噪声分离在进行电力变压器的故障诊断时，必须对电力信号进行数据采集。
采集过程中的观测信号即为电压信号，由于电压信号可能会受到噪声的干扰，因此可以建立一个分离模型保证电源信号的单个独立[4]。
由于采集的电压信号在混合方式上存在多形态的变化情况，因此对于观测信号无法通过肉眼进行数据处理。
只能通过仪器优先获得信号源，再对电压信号进行环境噪声分离。
盲源信号主要是利用变压器在干扰的环境中进行噪声的分离和追踪，在信号源收集前进行瞬时混合。
基于粒子群优化LS-WSVM的电机断条故障诊断
基于粒子群优化LS-WSVM的电机断条故障诊断许允之;仝年;韩丽;胡堃【摘要】为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法.首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集.再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小渡支持向量机对测试集进行分类.实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法.本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法.【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2016(043)001【总页数】6页(P52-57)【关键词】故障诊断;粒子群优化;最小二乘支持向量机;感应电机;转子断条【作者】许允之;仝年;韩丽;胡堃【作者单位】中国矿业大学信息与电气工程学院,江苏徐州221116;中国矿业大学信息与电气工程学院,江苏徐州221116;华北电力大学电气与电子工程学院,河北保定071003;中国矿业大学信息与电气工程学院,江苏徐州221116;中国矿业大学信息与电气工程学院,江苏徐州221116【正文语种】中文【中图分类】TM307.1转子断条是鼠笼式感应电机最主要的故障类别之一，大约占其总故障的10%[1-3]。
电机断条故障较难发现，特别是1根断条的时候。
若任由其发展，将会造成严重的后果。
检测电机断条故障的方法有很多。
如分析定子电流信号来检测故障；利用振动信号中的故障特征频率来检测故障；根据电机转速的波动来检测故障；分析磁场的振动规律来检测故障；分析电机断电后定子残余电压来检测故障等。
由于电机定子电流信号的采集电路简单，故障特征较明显，所以运用各种方法对定子电流进行分析来检测转子断条故障是当前研究的主要方向。
当电机发生转子断条故障时，定子电流中将产生频率为fb=(1±2ks)f1(s为转差率，f1为电网频率)的故障特征分量[2-4]。
基于粒子群算法的配电网故障定位
应 流经 故障 电流 ，其 余 设备故 障 时开关 流过故 障 电
流 的情况 类推 。故有：
ＩＣ ｌａ ｌ 『 ｌｄ ＇ １＝ ｌｃ 『， ＊ Ｂ ＝ 『 ｆ ，ＩＳ ｌｂ ｌ ｌ ｌ ｂ Ｃ ｄ
ＩＳ２ ｃ Ｉ， ＊ １＝ ｌｄ
式中：
ＩＳ３ ｄ ＊ １＝ ，
形 成 离 散 的 故 障信 息 ， 开 关 流 过 故 障 电流 用 ｌ 表 示 ，否 则用０ 表示 。调度 中心通 过Ｆ Ｕ Ｔ 上传 的故 障信 息判断故 障区 间。
（ 基于 Ｂ Ｓ 一） Ｐ Ｏ的配 电网故障定位原理 配 电 网 中 馈 线 区 段 的 状 态 初 始 化 为粒 子 的 位
式 中 ：ｒ ｎ ）为 区间 ［ ， １ 上 的随机 数 ，Ｓ ａ ｄ（ ０ ］ （ｉ ｖｊ ）为ｓ ｇ ｏ ｄ ｉ ｍ ｉ 函数 。将ｖｊ 位在 ［ ４ ０ ． ］ ｉ 钳 一 ． ，４ Ｏ 之
间 以防止饱 和 。
三 、基 于 Ｂ Ｓ 算 法 的配 电网故 障定 位 基 Ｐ Ｏ
本 原 理
（ 算法流程 三）
（） ５
置 ，馈线 区段 总数 即为粒 子 的维数 。每一 馈线 区段 的状 态为 待求 量 。因此 ，Ｎ 馈线 区 段 的状 态 求解 段 就 转化 成Ｎ 粒 子群 优化 求 解 。每 次 迭代 过程 中 ， 维 以评 价 函数判 定各粒 子位 置优 劣 ，更 新粒 子 的当前 最 优位 置和全 局最优 位 置 ，进 而更 新每个 粒子 的速 度 和位 置 。所 求 的各 馈线 区段 的实 际状 态体现 为最 终得 到 的全局最优 位置 。 （ 评价 函数构造 二） 合理 的评 价 函数 是优化 算法 对配 电网故 障准确 定位 的关键所在 。本文 的评价函数 如下 ：
电力系统故障诊断的量子粒子群优化算法
电力系统故障诊断的量子粒子群优化算法李晓;黄纯【摘要】电力系统故障诊断是利用保护和断路器的动作信息来推断可能的故障位置.其中故障元件的识别是故障诊断实现的关键.文中应用量子粒子群优化算法研究故障元件的识别方法,先根据保护动作原理将故障诊断问题表示为0-1整数规划问题,然后用量子粒子群优化算法求解.与标准PSO算法和传统遗传算法比较,文中采用的量子粒子群优化算法具有稳定性高、收敛特性好、运行速度快的优点.仿真研究验证了文中方法的可行性和有效性.%Power fault section estimation deduces fault position based on the actions information of circuit breakers and protective relays, and recognition of the fault elements is the most important part. The discriminating method of fault elements applying quantum-behaved particle swarm optimization (QPSO) is investigated in this paper. Firstly, the fault section estimation is demonstrated by a 0-1 integer programming model according to the acting theory of protective relays, and then the problem is solved by QPSO. It is shown that the proposed approach converges to better solutions, much faster and steadierthan the earlier reported approaches.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2011(023)004【总页数】6页(P61-66)【关键词】电力系统;量子粒子群优化算法;故障诊断;0-1整数规划【作者】李晓;黄纯【作者单位】湖南大学电气与信息工程学院,长沙410082;株洲职业技术学院,株洲412000;湖南大学电气与信息工程学院,长沙410082【正文语种】中文【中图分类】TM7随着电网的不断发展和电力走向市场，人们对电网全运行和供电可靠性的要求越来越高;而电力系统故障诊断系统为供电的可靠性和连续性提供了有力的保障。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
以下 3 类为桥内(左桥或右桥)3 只晶闸管故障， 不包括同一半桥中 3 只晶闸管故障，因为此类故障 发生时整流装置将停止工作。 类型 8：VTi、VTj 及 VTk 故障，细分为 12 种 故障状态(i=1, …,12，j=(i4)mod12，k=(i6)mod12)。 类型 9：VTi、VTj 及 VTk 故障，细分为 12 种 故障状态(i=1,…,12；j=(i2)mod12；k=(i4)mod12)。 类型 10：VTi、VTj 及 VTk 故障，细分为 12 种 故障状态(i=1,…,12；j=(i4)mod12；k=(i10)⋅ mod12)。 以下 15 类故障为桥间 3 只晶闸管故障，每类 均包含 12 种故障状态。 类型 11~19：VTi、VT(i+j)mod12 及 VT(i+k)mod12 故 障(i=1,…,12；j=1；k=2~10)对应第 11~19 类故障。 类型 20~22：VTi、VT(i+j)mod12 及 VT(i+k)mod12 故 障(i=1,…,12；j=2；k 分别为 5、7、9)对应第 20~22 类故障。 类型 23~25：VTi、VT(i+j)mod12 及 VT(i+k)mod12 故 障(i=1, …,12；j=3；k 分别为 6、7、8)对应第 23~25 类故障。 在一个导通周期(20 ms)内，正常工作时整流电 压波形由形状相同的12个波头组成。 文献[2]研究了 [2] 故障波形的分析和处理方法 ，定义了4种特殊“面 积”以反映ud各波头的状态及畸变程度，S1为正常 波头面积， S2、S3和 S4 为3种故障波头面积，其 他故障状态“面积”用S5 表示。U2L为输入线电压 有效值，α为触发角。将整流电压波形转换为12维 故障模式向量， 即S=[λ1,…, λi,…, λ12]， λi(i=1,…, 12) 对应第i个波头面积。正常工作时λi = S1，故障情况 下λi可为S1、S 2 、S 3 或S 4 、S 5 。预处理时，用常量 C 1 、C 2 、C 3 、C 4 分别代替表达式S 1 、S 2 、S 3 或 S 4 、S 5 ，其中C 2 、C 3 、C 4 值反映了波头畸变程度， 这 样 12 波 段 整 流 波 形 就 转 化 为 由 特 征 值 C l (l = 1 , 2 , 3 , 4 ) 构 成 的 12 维 模 式 向 量 。 本 文 取 C 1 =2，C 2 =0，C 3 =1，C 4 =3。 表1为25类典型故障模式向量。各种故障样本 均用 12 位二值故障编码表示，分别对应 12 个晶闸 管， “0”代表正常工作， “1”代表故障。根据不同 故障状态列出故障编码，将各典型故障样本移位即 可得出同类故障中不同故障状态的故障模式向量。
2 基于 DPSO 的故障诊断方法
2.1 基本PSO算法 基本PSO是一种随机优化方法，初始化为一群
随机粒子(随机候选解)， 通过多次迭代找到最优解。
72 表1 典型故障样本 Tab. 1 Typical fault samples
类型 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 故障向量 2222,2222,2222 3311,2222,2222 3330,1222,2222 3333,1122,2222 3313,3112,2222 3311,1133,2222 3311,2233,1122 3311,2223,3112 3311,1111,1122 3333,3333,2222 3311,1133,2233 3333,0122,2222 3333,3112,2222 3330,0113,2222 3330,3311,3222 3330,1233,1122 3330,1223,3112 1333,1222,3311 3303,3222,2331 3330,1222,2233 3333,1331,1222 3333,1123,3112 3333,1122,2331 3313,3133,1122 3313,3111,1332 1133,3112,3311
CHEN Ru-qing
(College of Mechanical and Electrical Engineering, Jiaxing University, Jiaxing 314001, Zhejiang Province, China) ABSTRACT: 294 fault patterns of 12-pulse waveform 线故障诊断
文章编号：0258-8013 (2008) 24-0070-05
采用新型粒子群算法的电力电子装置 在线故障诊断方法
陈如清
(嘉兴学院机电工程学院，浙江省 嘉兴市 314001)
A Novel PSO Based On-line Fault Diagnosis Approach for Power Electronic System
类型 1：1 只晶闸管故障，细分为 12 种故障状 态，即 V T i 故障(i = 1 , … , 1 2 ) 。 类型 2~7：2 只晶闸管故障，VTi，VT(i+j)mod12 故障(“ mod ”为求模运算，以下同)，每类分别包 含 12 种故障状态。 当 i=1,…,12、 j 分别为 1、 2、 3、 4、6、7 时对应第 2~7 类故障。
controlled rectifier circuit were studied. A special fault classification method according to the rectifier aberrant voltage waveforms was presented. 12-dimension fault vectors and their corresponding fault codes were obtained through logically preprocessing the fault voltage waveforms. An improved particle swarm optimization (PSO) with disturbance (DPSO) was put forward to enhance the performance of PSO by introducing an evolution speed factor in standard PSO. A disturbance would be added to the velocity update equation when the factor decreased under a certain value. It enhanced the searching efficiency and improved the global optimization quality effectively. DPSO was applied in neural network fault diagnosis modeling. Experiment study demonstrates that the proposed technique is low time consuming with high fault identification rate. It is suitable for the fault diagnosis of complex power electronic devices or systems. KEY WORDS: logical preprocessing; fault pattern; particle swarm optimization with disturbance; on-line fault diagnosis 摘要：分析了 12 脉波可控整流电路的 294 种故障模式，根 据整流电压畸变波形提出一种特殊的故障分类方法。 通过对 故障电压波形的逻辑预处理得出 12 维故障向量及相应的故 障编码。 为改善粒子群算法(particle swarm optimization， PSO) 的性能提出一种改进的带扰动项粒子群算法。 引入进化速度 因子， 当粒子进化速度低于一定值时在粒子速度更新方程中 添加一扰动项，算法的搜索效率和全局优化性能显著提高。 将改进算法用于神经网络故障诊断建模， 实验结果表明该系 统具有诊断速度快、 精度高的特点。 适用于复杂电力电子设 备或系统的故障诊断场合。 关键词：逻辑预处理；故障模式；带扰动项粒子群算法；在
VT1 VT5 VT9 + A B C T a b T' + a' b' +
L ud2 ud c'
R − − VT8 VT12 VT4
Fig. 1
图 1 12 脉波可控整流电路 12-pulse waveform controlled rectifier
1 故障建模及故障样本设计
如图1所示，12脉波CRC通常由结构相同的2个 整流模块组成。实际运行表明，整流装置的故障多 表现为开关器件(如晶闸管)故障，其中以开关器件 开路和短路故障较为常见。当发生直通故障时，瞬 间将造成相电压短路，保护电路切断主回路；而发 生开路故障(包括器件损坏、 快熔熔断或触发脉冲丢 失等故障)时，整流电路仍然工作。整流装置带故障 运行会导致输出波形严重畸变，使负载不能正常工 作，同时也加大了对电网的干扰，因此，对整流装 置开关器件开路故障的在线监测与诊断非常必要。 本文仅考虑晶闸管开路故障，实际运行时整流装置 以1只、2只或3只晶闸管的故障发生率为最高，分 析时假定最多同时出现3只晶闸管的故障。 整流电路的12只晶闸管按图1所示编号。当故 障发生时，整流输出电压ud按一定规则产生畸变。 ud中包含晶闸管故障信息，分析ud波形可实现故障 定位。根据整流输出电压波形周期性的特点，将波 形形状相同而相位不同的故障情况归为同一类。本 文分析了25类共294种故障状态，包括了一路、二 路及三路桥臂故障等。具体分法如下所述。