基于IOOA 優化SVM 的電力電子軟故障診斷

王 浩

（1 安徽理工大學電氣與信息工程學院 安徽 淮南 232001）

（2 安徽理工大學環境友好材料與職業健康研究院 安徽 蕪湖 241003）

0 引言

電力電子電路作為智能電網、醫療設備和新能源汽車的基礎部件，為整個系統正常運行提供穩定的性能。 電力電子電路的故障類型包括結構性故障和參數性故障。 參數性故障又稱為軟故障，主要由電解電容、電感和金氧半場效晶體管等引起。 并且電路軟故障具有緩變性，最終會導致電路硬故障，造成重大危害。 因此，電力電子電路軟故障的有效診斷是提高電子設備穩定運行的有效途徑［1－2］。

故障診斷算法方面，支持向量機（support vector machine，SVM）因為其優秀的分類效果被廣泛應用在故障診斷中，然而其參數設置十分困難且對分類結果有較大的影響［3］。 因此本文采用群智能優化算法優化SVM 參數。本文提出一種改進魚鷹優化算法優化SVM 的電力電子電路軟故障診斷方法。

1 魚鷹優化算法

魚鷹優化算法（osprey optimization algorithm，OOA）通過模擬魚鷹獵食行為進行尋優，具有尋優能力強、收斂速度快等特點。 OOA［4］分為兩個階段，第一階段是定位和捕魚階段，對于每只魚鷹，搜索空間中具有更好目標函數值的其他魚鷹的位置被視為水下魚類，每個魚鷹的魚組由式（1）指定。

式（1）中，FPi是第i只魚鷹的魚集合，Xbest是最佳魚鷹的位置。 魚鷹隨機檢測其中一條魚的位置進行攻擊。 通過式（2）模擬魚鷹的移動方式，更新魚鷹的位置，具體如式（2）所示。

式（2）中，SF為魚鷹選中的魚，r為［0，1］之間的隨機數，I的值為｛1，2｝中的一個。

第二階段把魚帶到合適的位置，魚鷹將魚帶到合適位置并在那里進食，導致魚鷹在搜索空間中的位置發生微小變化，需要再進行一次魚鷹位置更新。 對于種群中的每個成員，使用式（3）計算一個新的隨機位置作為適合吃魚的位置。

式（3）中，t為迭代次數，T為最大迭代次數。

2 改進的魚鷹優化算法

目前魚鷹優化算法在后期無法獲得最優解，因此，本文提出3 種策略改進OOA，以提升性能。

（1）Circle 混沌映射初始化種群

原始OOA 種群初始化隨機生成種群個體位置，使得種群個體具有較大的隨機性和不確定性，影響最終收斂速度和精度。 為了使種群個體分布更加均勻，搜索空間更廣，Circle 混沌序列定義式如式（4）所示。

式（4）中，mod 為取余函數。 設定迭代1000 次。

Circle 混沌映射分布與隨機分布相比，可使得種群多樣性得到提升，擴大種群搜索范圍，提升算法的尋優性能。

（2）記憶功能

本文在魚鷹位置更新公式中引入全局最優位置，根據歷史最優位置和當前魚的位置控制魚鷹的移動方向，該方法有效避免了OOA 搜索后期易陷入局部極值的問題，提高了算法的搜索精度。 IOOA 的位置更新公式如式（5）所示：

式（5）中，r1，r2為［0，1］之間的隨機數，xbest為全局最優位置。

（3）方向因子擾動

在OOA 的第二階段魚鷹會將魚帶至合適的位置進行進食，會隨機微調當前魚鷹位置，這里引入方向因子擴大式（3）中隨機微調的魚鷹位置，擴大搜索解的范圍，增加種群的多樣性。 如式（6）、式（7）所示。

綜上所述，改進的魚鷹優化算法的具體步驟如下：

步驟（1）：初始化魚鷹參數，如魚鷹種群規模N，目標函數維度D，初始值的上下界ub、lb，最大迭代次數T；

步驟（2）：根據式（4）Circle 混沌映射對種群進行初始化；

步驟（3）：根據式（1）確定魚鷹的魚組，隨機確定選擇的魚；

步驟（4）：根據式（5）計算魚鷹的新位置；

步驟（5）：根據式（6）魚鷹將魚帶至合適進食位置，更新魚鷹位置；

步驟（6）：判斷是否滿足最大迭代次數要求，若已經滿足，則輸出結果，否則返回步驟（3）。

3 IOOA 優化SVM

3.1 SVM

SVM 具有優秀的泛化和低數據要求的分類建模能力，被廣泛應用在故障診斷中。 是相關的計算在低維空間中進行的一種算法，如式（8）所示。

式（8）中，b為偏移量，ω為權向量，C為懲罰參數。 通過拉格朗日乘子α得到最優分類決策函數如式（9）所示：

以徑向基函數作為內核可得到其分類決策函數如式（10）所示：

3.2 IOOA 優化SVM 的故障診斷模型

從SVM 的公式可以看出，懲罰參數（C）和核函數參數（g）決定了SVM 的分類性能，本文通過IOOA 優化SVM的懲罰參數和核函數參數，建立IOOA-SVM 模型，進行電力電子故障診斷。 故障診斷過程如圖1 所示。

圖1 IOOA-SVM 診斷流程

4 電力電子電路軟故障診斷

4.1 電路結構與軟故障參數分析

實驗中的150W DC-DC 升壓測試電路使用UC3842 芯片控制DC～DC 轉換電路。 電路正常工作時，輸入電壓為10～32V，輸出電壓為12～35V。 圖2 為電路原理圖。

圖2 電路原理圖

在本文中，研究人員選擇的電容值在標稱值的基礎上進行了10%～40%的退化，及與常見的電容值相結合設置16 種電路軟故障模式，如表1 所示。

表1 故障模式設定

4.2 實驗結果與分析

（1）不同分類器對比實驗

為了驗證SVM 的分類優勢，使用SVM、反向傳播（back propagation，BP）神經網絡和極限學習機（extreme learning machine，ELM）作為分類器進行對比實驗，其中實驗參數設置如下：BP 神經網絡的結構為［52，9，16］，ELM的網絡結構為［52，10000，16］，各分類器的實驗結果如表2 所示。

表2 故障模式設定

從表2 中可以看出，BP 分類的準確率最高，但運行時間最長；ELM 的運行速度最快，但準確率相比BP 與SVM較低。 其中SVM 的準確率和運行速度達到了很好的平衡，為實際的進一步應用提供了理論基礎。

（2）對比實驗

為進一步驗證改進后的IOOA 算法優化SVM 的有效性，本文選取了斑馬優化算法（zebra optimization algorithm，ZOA）、麻雀搜索算法（sparrow search algorithm，SSA）、飛蛾撲火優化（moth-flame optimization，MFO）算法以及原始的OOA 等群智能優化算法對SVM 的參數進行優化，每種算法對電力電子電路電容參數故障數據進行了30 次測試并取其正確率的平均值，實驗結果如表3 所示。

表3 故障模式設定

從表3 可知，IOOA 優化SVM 的測試集準確率均高于其他算法，體現了優化后OOA 算法的有效性。 為了更直觀地表示IOOA-SVM 中每類故障的詳細診斷結果，做了對結果測試集數據故障分類的混淆矩陣。

從圖3 可以看出，除了在第9、12、15 類故障上有個別錯誤外，其他類故障均達到了100%的準確率，體現了本文方法的優越性。

圖3 測試集混淆矩陣

5 結語

針對本文研究內容，主要結論如下：

（1）通過加入Circle 初始化種群、記憶功能以及方向因子擾動3 種策略對魚鷹算法進行了改進，通過基準函數驗證改進后的魚鷹算法的尋優能力和跳出局部最優能力有了提升。

（2）通過實驗研究以及本文對實驗電路的圖像分析可知，電力電子電路的電容參數退化故障區分度差，難以診斷，并通過多種分類器驗證SVM 有一定的適用性。

（3）通過改進后的魚鷹算法對SVM 的參數進行優化，并通過多組實驗對比驗證本文所提方法的優越性。