基于多信息融合的UPS系統故障診斷研究

王 愚 李紹堅 黃 勇 鄧高峰 韋宗春

（廣西電網有限責任公司南寧供電局 南寧 530031）

引言

當今世界經濟不斷發展，也帶動著科學技術的不斷進步。在科技發展過程中，無論是計算機、人工智能等新興產業，還是醫療、制造業、通信系統等傳統行業，對于供電系統的需求都在不斷提高，具體則是對供電連續性的高標準要求。市面上雖有著型式各異的穩壓器，但對供電質量保障之局限性很高，因此對于新型電力設備的需求日益迫切。為了應對這種社會問題，保證供電系統的穩定性，不間斷電源被研發出來并逐漸運用到了各電網系統中。

UPS（Uninterruptible Power System），即不間斷電源，是一種以整流器、逆變器為主要部件的電力元器件，可以通過輸出恒壓恒頻的不間斷電壓，并在市電保障時保證對負載設備供電的連續性[1-4]。

從意識到供電質量對于生產的關鍵性之后，人們便著手研發能夠保證電能質量的電力設備，并于20世紀60年代左右將UPS系統推廣向世界。早期的UPS系統更多的應用在重工業，但隨著其他產業的不斷發展，當今的UPS系統已經涵蓋了通信、金融、數據中心、新能源發電廠等眾多領域。同時在微電子技術、數控技術、電池技術等技術的支撐下，UPS系統得到了大力發展，國內外都涌現出一批優質的不間斷電源品牌，如APC、Cyberpower、Tripp Lite等，在工業生產或家用等場合都發揮了巨大的作用。并在今后向著智能化、高可靠性、高頻性、小型化、數字化、綠色化的方向發展[5,6]。

但與此同時，由于系統的組成部件繁多，UPS系統也存在故障問題，這些故障可能造成大量經濟損失與社會危害。因此如何有效的進行UPS系統故障診斷，從而達到預防、排查和處理故障的目的這一問題成為了UPS系統的研究和發展方向[7,8]。而信息融合技術，可運用多傳感器將從目標獲得的信息進行收集并整合，在此基礎上對其進行評估以及自我完善[9,10]。

信息融合技術在故障診斷領域的優勢日益突出。文獻[11]面向大規模電網建立了一種信息融合模型，通過不同故障診斷技術的融合，分析各區域的各種故障信息，可在短時間內完成故障診斷任務。文獻[12]綜合基于證據理論的信息融合技術，并利用小波神經網絡方法，以小波神經網絡對各類信息進行故障特征提取，在決策層構建信息融合框架。文獻[13]對以多層信息為基礎的輔助決策構架進行分析，結合融合單元的結構特點，構建了決策層、特征層、數據層的融合機制。

同時，目前的相關研究大多集中于UPS系統中的逆變器故障診斷。文獻[14]中利用電流參考矢量與電流測量矢量的偏差來診斷逆變器的開關管的開路故障，以此來減少負載對診斷方法的影響。文獻[15]利用三相電流經Clark變換后的電流矢量在空間中的斜率和軌跡對發生開路故障的逆變器開關管進行定位。文獻[16]采用基于歸一化相電流的UPS逆變器開路故障診斷技術，可以有效地檢測出任意橋臂上開關管的開路故障。然而對于UPS系統整體的故障診斷研究甚少。

本文將多信息融合技術與UPS系統的故障診斷進行融合，利用傳感器采集信息，實現對系統故障更精準的判斷，以達成快速修復故障的目的。

1 信息融合技術概述

信息融合（Information Fusion），即數據融合（Data Fusion），也稱作多傳感器信息融合（Multi-Sensor Information Fusion）。信息融合技術是對多個傳感器采集的信息進行統籌歸納，同時加以綜合處理分析，已達到人們對于目標實現優化的目的。多傳感器系統是數據融合的硬件基礎，而多源信息是數據融合的對象，協調優化和綜合處理是數據融合的核心[17]。

信息融合的常用方法包括以下幾種：信號處理與估計理論方法、統計推斷方法、信息論方法、決策論方法以及人工智能方法。其中信號處理與估計理論方法又包括Kalman濾波、最小二乘法、小波變換等，統計推斷法可分為Bayes推理、隨即理論等，人工智能方法包括模糊邏輯、神經網絡等?？紤]到UPS系統中的故障形式與故障量呈非線性關系，但對故障判斷誤差較大等特點，本文選取人工智能方法中的神經網絡。

神經網絡分為生物神經網絡與人工神經網絡，在人類已知的認識范圍之內，生物神經網絡中的人類大腦系統是最為復雜的，是一種高效的信息處理系統。人工神經網絡（Artificial Neural Network，ANN）則是人為對人類大腦系統的一種模仿。其原理是利用算法與模型模擬神經元，通過不斷調整內部節點之間的聯結關系，以到達對信息進行分布式并行處理的目的。

人工神經網絡按照模擬規則，需要將若干個內部節點，即人工神經元進行連接，作為神經網絡中的最小劃分單元，人工神經元是一種多輸入單輸出的非線性元件，其結構圖如圖1所示。其中xi為輸入值, Wk1為神經元k連接權值，θk為閾值，φ（x）為神經元的傳遞函數，yk為神經元k的輸出值。其中常用的傳遞函數包括閾值函數、分段線性函數、Sigmoid函數三種。

人工神經網絡是人工神經元按一定拓撲結構連接而構成的，其連接規則將會決定神經網絡的性質及功能，一般分為前饋型神經網絡與反饋型神經網絡兩種。而將神經網絡融入信息融合中的技術稱為神經網絡信息融合技術，這種技術可以收集各用于測速診斷對象的傳感器的數據和各傳感器的隸屬度，并將數據的隸屬度適量輸入神經網絡，最后神經系統輸出故障的隸屬度適量，通過以上步驟來進行故障診斷。

UPS一般使用于一個復雜系統之中的，因此難以搭建精準的數學模型，進而無法準確地診斷系統故障。而人工神經網絡提供了一種新的解決方式，通過神經網絡可系統的診斷分析問題轉換成一個系統模式的識別與分類問題，即把UPS系統的運行狀態分類成正常和故障兩種狀態，其中故障狀態又由許多不同故障種類組成，確定具體的故障種類又是一個模式識別問題。將神經網絡應用于UPS系統的故障診斷分析中，主要是基于神經網絡的以下特點[18]：

1）高效的非線性問題處理能力。通常，UPS系統的故障量和與其對應的故障種類之間并非呈嚴格的線性關系，而是相對繁雜的非線性關系，為了更好地逼近這一種非線性關系，則需要用到人工神經網絡。根據神經網絡傳遞函數也為非線性的特點，可以使用多層神經網絡來最優化地搭建目標系統的數學模型，同時通過所使用的神經網絡對UPS系統完成故障診斷與分析。

2）較強的學習能力。使用神經網絡之前一般先需要對神經網絡進行訓練，同時神經網絡會根據外部信息進行結構性能的調整，這是神經網絡學習方式的特點。因此，在利用神經網絡進行故障診斷和預測時，需要將已獲得的歷史數據輸入神經網絡以便網絡進行訓練，然后神經網絡將會對訓練結果進行融合歸納，從而能根據后期的數據來判斷故障類型。

3）良好的抗干擾能。UPS系統在運行過程中必然會受到源于運行環境的多方面干擾，如噪聲污染等，這將會對系統故障診斷的準確性造成一定的影響。而基于人工神經網絡分布式并行處理數據的運行特點，以及其通過訓練結果進行故障信息識別的工作過程，使得利用神經網絡進行故障診斷的UPS系統可以穩定的在環境干擾下完成診斷工作，同時系統的容錯率和魯棒性也有一定的提高與增強。

2 BP神經網絡原理

在人工神經網絡多種多樣的模型體系與使用方法中，BP神經網絡（Back Propagation）是目前應用最為廣泛的神經網絡模型，這是一種前饋型神經網絡，按照人工神經網絡的規則也可劃分為輸入層（input layer）、隱含層（hidden layer）以及輸出層（output layer），每一層都可能含有若干神經元。對于任何在閉區間內的一個連續函數都可以用具有一個隱層的BP網絡來逼近, 因而一個三層的BP網絡可以完成任意的M維數到m維的映射[19,20]。BP網絡結構如圖2所示。

相比其他典型的神經網絡模型，BP神經網絡具有整體足夠逼近網絡、可以并行處理能力、輸出類型不限、實用性強以及執行速度快等優勢，但同時也有著訓練時間較長等缺陷?；诒菊n題建模規格小，使用參數少，信息較為充足等特點，充分利用BP網絡的優勢，可以實現全局逼近網絡，進而準確進行故障診斷分析的設計目標。

BP神經網絡為前饋型神經網絡，這意味著輸入信號始終是按照輸入層、隱含層和輸出層的傳遞方向進行的。為保證BP神經網絡可以按照預期去無限逼近實際模型，因此在輸入信號的傳遞過程中，需要引入傳遞函數，也稱作激活函數，對于加權后的輸入信號，需要先與下一層神經元的閾值進行比較，然后在通過傳遞函數進行“激活”處理，并傳導至再下一層神經元，直至得到最終輸出結果。本文神經網絡使用的傳遞函數為tansig函數：

而輸出層使用的傳遞函數為purelin函數：

輸入層、隱含層、輸出層分別為M，N，L的BP神經網絡輸入信號正向傳遞時的算法為：

式中：

xi—輸入層第i個節點的輸入；

xj—隱含層第j個節點的輸入；

xk—輸出層第k個節點的輸入；

ωij—輸入層第i個節點與隱含層第j個節點間的權值；

ωjk—輸出層第k個節點與隱含層第j個節點間的權值；

θj—隱含層第j個節點的閾值；

θk—輸出層第k個節點的閾值；

φ(x)—隱含層的傳遞函數；

φ(x)—輸出層的傳遞函數；

yj—隱含層第j個節點的輸出；

yk—輸出層第k個節點的輸出。

同時，BP神經網絡在信號正向傳遞的同時，其誤差的傳播方向與信號的相反，為反向傳播方式。這是因為BP神經網絡在建立的時候會為各參數隨機賦予初值，此時的神經網絡并不能準確地模擬目標模型，因此需要通過誤差的反饋，來進一步對神經網絡的權值與閾值進行修正，下面將介紹誤差反向傳播時，權值與閾值修正的算法。其中所用的方法為梯度下降法，其目的是為求得損失函數的最小值。梯度下降法的計算公式為：

式中：

Δυ—目標參數的修正值；

α—梯度下降時的步長，即學習率，表示的是梯度下降的速度；

E—υ的函數。

本文中主要對隱含層和輸出層的閾值θj、θk，以及兩個權值ωij、ωjk進行修正，用表達式進行表示為：

其中引入了均方誤差代價函數：

這是對于總體中某一樣本的函數。

式中：

m—樣本數量；

v(xi)—理想輸出。

對于本文中P個訓練樣本的總體，其誤差代價函數為：

再根據正向傳遞時輸入輸出的表達式，聯立可以解得各參數修正值的表達式：

BP神經網絡可以通過反復進行上述步驟，不斷迭代得到偏差最小時的網絡參數值，在確定神經網絡的最優學習率后，即可實現利用樣本對BP神經網絡的訓練。

3 BP神經網絡在UPS故障診斷中的應用

作為在UPS系統的故障診斷診斷中加入信息融合技術而使用的神經網絡，BP神經網絡的設計流程包括以下幾個步驟。通過BP神經網絡進行UPS系統的故障診斷需要先確定神經網絡的結構，其中包括神經網絡隱含層節點以及傳遞函數等。對于小功率在線式UPS，選取輸出電壓與輸出功率作為系統的故障特征量，同時輸出的參數為故障類型，因此輸出參數和輸出參數分別為兩個和一個，即輸入層和輸出層節點數分別為2個和1個。進而可以判斷隱含層節點數，其中的經驗公式為：

式中：

n1—輸入層節點數；

n2—隱含層節點數；

n0—輸出層節點數；

ε—范圍為[ 1.10 ]的常數。

此次仿真模擬中，選取n2= 6。由此確定BP神經網絡的結構為2～6～1，依次為輸入層，隱含層，輸出層的節點個數。

然后需要確認的是神經網絡的傳遞函數。由于輸入參數呈非線性關系，因此神經網絡的傳遞函數設置為S型正切函數tansig()，又因為此次仿真的結果只有電容器故障和電阻器故障兩種類型，所以選取線性函數purelin()作為輸出層神經元的傳遞函數。

BP神經網絡之所以能對故障類型進行預測和診斷，是因為其能通過歷史數據進行訓練與學習，不斷修正權值與閾值，從而達到減少輸出誤差的目的，這是運行神經網絡時必不可少的一步。BP神經網絡的訓練流程如圖3。

按照BP神經網絡的訓練規則，需要先對樣本進行歸一化，即符合tansig函數的輸入范圍[-1，1]，使用的表達式為：

歸一化所用的MATLAB程序語言為：

在設置BP神經網絡的最大訓練次數以及最小誤差后，選取神經網絡的學習率，即可完成對神經網絡的訓練。

對于訓練完成的BP神經網絡，其輸出誤差已經滿足目標條件，在對神經網絡的測試結果進行反歸一化操作后，即可通過所設置的代數值來反應系統的故障類型，從而實現故障診斷。

4 仿真結果

本次仿真的訓練樣本為在人為模擬的UPS故障所采集到的故障特征量，輸出樣本為故障類型。按照在線式UPS的結構原理圖，在Matlab2016a/Simulink的仿真環境中給出如圖4所示的仿真模型。模型中整流電路為單相橋式全控整流電路，斬波電路選擇的是升壓斬波電路，并且選取單相橋式PWM逆變電路作為UPS的逆變模塊。系統參數如下：系統電壓U= 48 V，系統頻率f= 60 Hz，同時按照市面上常見的在線式UPS，設置本系統的功率因數cosφ= 0.8。

與此同時，將BP神經網絡的最大訓練次數設置為3 000次，訓練目標最小誤差為0.000 1，在比對訓練次數和輸出誤差之后，選取神經網絡的學習率為 0.1。在MATLAB程序中通過仿真來驗證次故障診斷系統的可行性。本文選取輸出電壓和功率作為故障特征量，故障類型選取電容器故障和電阻器故障。表1中所列的是人為模擬的在線式UPS系統故障的八組數據，其中電壓和功率是輸入訓練樣本，故障類型的代數值為輸出訓練樣本。

表1 BP神經網絡訓練樣本

代入訓練樣本后，獲得BP神經網絡的訓練效果，其中訓練迭代過程如圖5所示。BP神經網絡在迭代34次后，可以達到所設置的訓練目標。

將BP神經網絡的與實際故障類型的代數值進行比對，并分別計算每組數據的絕對誤差和相對誤差，計算結果如表2所示，電阻器故障類型取代數1，電容器故障類型取代數2。

表2 BP神經網絡測試誤差分析

通過比對數據以及誤差分析，可以發現在利用BP神經網絡對UPS系統進行故障診斷評估時，UPS系統故障的實際代數值與BP神經網絡輸出評估值的相對偏差能保持在± 1 % 范圍之內，即神經網絡的評估故障類型可以在很大程度上逼近實際故障類型。

5 結論

本文提出了一種基于多信息融合的UPS系統故障診斷方法，本方法基于BP神經網絡，對UPS系統中的電容器和電阻器兩種常見故障進行診斷。仿真結果表明，該故障診斷方法可以通過較少的迭代次數達到較高的收斂精度，證明了該方法的可行性。