[发明专利]一种基于RVM-QNN的电力电子电路多参数辨识故障预测方法

说明书

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小，可以用于电力电子电路的实时预测。

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：

(1)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(1)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X_i，i＝1，2，L，M，电路的性能参数时间序列为X_i，1、X_i，2、X_i，3，…，则获取所预测电路的性能参数X_i连续p个时刻的性能参数序列为{X_i，j，X_i，j+1，L，X_i，j+p}，j＝1，2，3，L，p＝1，2，3，L；

(42)利用RVM对{X_i，j，X_i，j+1，L，X_i，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X_i，j+p+q，q＝1，2，3，L。