专利名称：一种基于rvm-qnn的电力电子电路多参数辨识故障预测方法
技术领域：
本发明涉及一种电力电子电路故障预测方法，尤其是一种基于RVM-QNN的电力电子电路多参数辨识故障预测方法。
背景技术：
随着工程实际系统规模的不断扩大，系统的复杂性、病态性和非线性也逐步提高，因此对系统安全性和可靠性要求 更高。故障预测是指根据系统过去和现在的监测信息，预测故障发生的时间或者判断未来某时刻系统是否发生故障。现代电子设备已渗透到国防军事、工业、交通、IT、农业、通信、商业、医药制造以至家用电器等各领域系统中，因电子设备故障造成的损失也大大增加，因此，为电子设备供电的电源系统作用更加重要。电力电子电路是电源系统的核心，研究其故障预测方法，保证其安全、持续、可靠工作是电子设备健康管理的一部分，已成为故障预测领域的研究热点和难点，在投资巨大、结构复杂，可靠性要求高的航空航天、核能等领域具有重大现实意义。电力电子电路的故障主要是由电路中各组成元器件的退化失效引起的，因此，若能预测出电路中各组成元器件未来的变化趋势，确定未来时刻各元器件的参数值，即可评估出电路故障状况。另一方面，量子神经网络是量子计算与神经网络相结合的产物，它具有更好的稳定性和有效性，还具有快速学习能力和很高的信息处理速度，能够用于电力电子电路实时参数辨识。相关向量机(RVM)是Michael E. Tipping提出的一种与支持向量机(SVM)相似的稀疏概率模型，RVM的训练是在贝叶斯框架下进行的，可以进行时间序列回归估计预测。RVM的优势在于训练过程中能够利用贝叶斯证据过程自动确定模型超参数，而不需使用交叉检验，使用支持向量很少，且输出目标量预测值的计算时间减�。梢杂糜诘缌Φ缱拥缏返氖凳痹げ�。
发明内容
本发明的目的，在于提供一种基于RVM-QNN的电力电子电路多参数辨识故障预测方法，其能够实时监测电路运行状况，预测未来某时刻电力电子电路中各元器件参数，进而评估未来电路故障状况，并能判定故障原因。为了达成上述目的，本发明的解决方案是一种基于RVM-QNN的电力电子电路多参数辨识故障预测方法，包括如下步骤(I)对电力电子电路中各元器件设置不同的参数值，监测对应情况下的电路测点信号，并计算获取电路性能参数；(2)以步骤⑴中所获电路性能参数、元器件参数作为训练样本，对QNN神经网络进行训练，构建QNN神经网络多参数辨识器；
(3)电路工作过程中，每间隔一段时间，监测系统测点信号，计算电路性能参数，获取电路性能参数的时间序列；(4)利用RVM算法对电路性能参数进行预测，获取未来某时刻的电路性能参数；(5)以所预测的电路性能参数为输入，利用步骤(2)中训练后的QNN神经网络辨识器，辨识获取未来某时刻的电路各元器件参数；(6)依据所预测的电路各元器件参数，对系统进行故障状况评估。上述步骤(2)中，构建QNN神经网络多参数辨识器时，假定所预测电力电子电路中元器件数为N个，元器件参数个数亦为N个，电路性能参数为M个，则辨识器的构建过程是(21)QNN神经网络结构为三层，其中输入层节点为M，输出层节点为N，中间层节点 为#取整数;(22)由随机函数产生初始化权值；(23)使用训练样本对网络训练，用期望输出和网络的实际输出计算网络输出误差，由网络输出误差最小调整各层的权值及量子间隔；(24)将完成训练后的QNN网络作为多参数辨识器。上述步骤(4)中利用RVM算法预测电路性能参数的方法如下(41)电路的性能参数为Xi, i = 1，2，L，M，电路的性能参数时间序列为Xy、Xi,2、Xi,3,…，则获取所预测电路的性能参数Xi连续P个时刻的性能参数序列为{Xy，Xu+1，L，Xij J+p}, j = I, 2, 3, L, P = I, 2, 3, L ；(42)利用RVM对(Xi,」，Xi, j+1，L，Xi, j+p}进行前向q步预测，得到第(j+p+q)时刻电路的性能参数Χ ,」+Ρ+(1，q = 1,2,3, L0上述步骤(5)中，辨识获取未来某时刻各参数的方法为以ΧΜ+Ρ+(1为输入，i = 1，2，L，M，辨识出(j+p+q)时刻的各元器件参数Θ rjJ+p+q, r = 1,2, L, N。采用上述方案后，本发明通过获取电力电子电路在不同元器件参数下的电路性能参数，以电路性能参数、元器件参数作为训练样本，离线训练QNN神经网络，构建QNN神经网络多参数辨识器；通过实时在线监测电路系统信号，获取电路实际工作过程中的电路性能参数时间序列，利用RVM算法预测出未来某时刻的电路性能参数；最后，以未来某时刻的电路性能参数为输入，采用QNN神经网络辨识器，得到未来某时刻的电路各元器件参数值。依据辨识出的未来某时刻各元器件参数，对系统故障状况进行评估，并能判定故障原因。本发明无需建立电力电子电路的数学模型，即可实现电力电子电路的在线故障预测。
图I是本发明的流程图。
具体实施例方式以下将结合附图，对本发明的技术方案进行详细说明。如图I 所不，本发明提供一种基于 RVM-QNN(Relevant Vector Machine-QuantumNeural Networks)的电力电子电路多参数辨识故障预测方法,包括如下步骤(I)对电力电子电路中各元器件设置不同的参数值，监测对应情况下的电路测点信号，并计算获取电路性能参数；
(2)以步骤⑴中所获电路性能参数、元器件参数作为训练样本，对QNN神经网络进行训练，构建QNN神经网络多参数辨识器；构建QNN神经网络多参数辨识器时，假定所预测电力电子电路中元器件数为N个，元器件参数个数亦为N个系统，电路性能参数为M个(如输出平均电压、电流等)，则辨识器的构建过程是(21)QNN神经网络结构为三层，其中输入层节点为M，输出层节点为N，中间层节点为批N (取整数)；(22)由随机函数产生初始化权值。随机函数是产生数的函数，用于产生随机数，为现有技术，本发明中可采用Matlab中的rand函数产生由在(0，I)之间均匀分布的随机数。(23)使用训练样本对网络训练，用期望输出和网络的实际输出计算网络输出误差，由网络输出误差最小调整各层的权值及量子间隔；(24)将完成训练后的QNN网络作为多参数辨识器。(3)电路工作过程中，每间隔一段时间，监测系统测点信号，计算电路性能参数，获取电路性能参数的时间序列；(4)利用RVM算法对电路性能参数进行预测，获取未来某时刻的电路性能参数；所述RVM算法的相关设置如下a)用Gaussian小波基函数构造RVM核函数由Gaussian函数的二阶导数构成的Gaussian小波基函数Φ (t),见下式。
权利要求
1.一种基于RVM-QNN的电カ电子电路多參数辨识故障预测方法，其特征在于包括如下步骤 (1)对电カ电子电路中各元器件设置不同的參数值，监测对应情况下的电路测点信号，并计算获取电路性能參数； (2)以步骤(I)中所获电路性能參数、元器件參数作为训练样本，对QNN神经网络进行训练，构建QNN神经网络多參数辨识器； (3)电路工作过程中，每间隔一段时间，监测系统测点信号，计算电路性能參数，获取电路性能參数的时间序列； (4)利用RVM算法对电路性能參数进行预测，获取未来某时刻的电路性能參数； (5)以所预测的电路性能參数为输入，利用步骤(2)中训练后的QNN神经网络辨识器，辨识获取未来某时刻的电路各元器件參数； (6)依据所预测的电路各元器件參数，对系统进行故障状况评估。
2.如权利要求I所述的ー种基于RVM-QNN的电カ电子电路多參数辨识故障预测方法，其特征在干所述步骤(2)中，构建QNN神经网络多參数辨识器时，假定所预测电力电子电路中元器件数为N个，元器件參数个数亦为N个，电路性能參数为M个，则辨识器的构建过程是 (21)QNN神经网络结构为三层，其中输入层节点为M，输出层节点为N，中间层节点为
3.如权利要求2所述的ー种基于RVM-QNN的电カ电子电路多參数辨识故障预测方法，其特征在于所述步骤(4)中利用RVM算法预测电路性能參数的方法如下 (41)电路的性能參数为Xi,i = 1,2, I, M,电路的性能參数时间序列为Xi,” Xi,2、Xi,3，…，则获取所预测电路的性能參数Xi连续p个时刻的性能參数序列为{Xy，Xi,^, L，Xi,J+p}, j = I, 2, 3, L, p = I, 2, 3, L ； (42)利用RVM对氏,彳4,彳+1，し4,彳+1)}进行前向q步预测，得到第(j+p+q)时刻电路的性能參数 Xi, j+p+(1, q = 1,2,3,し
4.如权利要求3所述的ー种基于RVM-QNN的电カ电子电路多參数辨识故障预测方法，其特征在于所述步骤(5)中，辨识获取未来某时刻各元器件參数的方法为以XM+P+(1为输入，i = 1,2, L, M,辨识出(j+p+q)时刻的各元器件參数Q r,J+p+q, r = 1,2, L, N。
全文摘要
本发明公开一种基于RVM-QNN的电力电子电路多参数辨识故障预测方法，步骤为(1)对电力电子电路中各元器件设置不同的参数值，获取电路性能参数；(2)以电路性能参数、元器件参数作为训练样本，构建QNN神经网络多参数辨识器；(3)每间隔一段时间获取电路性能参数的时间序列；(4)利用RVM算法对电路性能参数进行预测，获取未来某时刻的电路性能参数；(5)以所预测的电路性能参数为输入，辨识获取未来某时刻的电路各元器件参数；(6)依据所预测的电路各元器件参数，对系统进行故障状况评估。此种预测方法能够实时监测电路运行状况，预测未来某时刻电力电子电路中各元器件参数，进而评估未来电路故障状况，并能判定故障原因。
文档编号G01R31/28GK102662142SQ201210067840
公开日2012年9月12日 申请日期2012年3月15日 优先权日2012年3月15日
发明者姜媛媛, 林华, 王友仁 申请人:南京航空航天大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
