CN116819382A - 一种基于数字孪生的dc-dc变换器状态监测方法 - Google Patents
一种基于数字孪生的dc-dc变换器状态监测方法 Download PDFInfo
- Publication number
- CN116819382A CN116819382A CN202310750014.4A CN202310750014A CN116819382A CN 116819382 A CN116819382 A CN 116819382A CN 202310750014 A CN202310750014 A CN 202310750014A CN 116819382 A CN116819382 A CN 116819382A
- Authority
- CN
- China
- Prior art keywords
- converter
- digital
- particle
- data
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002427 irreversible effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 91
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
一种基于数字孪生的DC‑DC变换器状态监测方法，它涉及一种DC‑DC变换器状态监测方法。本发明为提高DC‑DC变换器的可靠性，及时发现潜在问题及异常情况，并克服现有状态监测技术的缺陷。本发明提出的基于数字孪生的DC‑DC变换器状态监测方法可以实现对DC‑DC变换器的全寿命周期健康状况监测；针对软故障情况，所提方法对DC‑DC变换器实施了全面的无创监测，无需增加额外的硬件电路即可实时监测各元器件的退化情况；针对硬故障中开路故障的情况，所提出的数字孪生方法相较于基于数学模型的方法更易于实现且具有普适性，同时解决了数据驱动方法中获取故障数据难度大的问题。本发明属于电力电子可靠性技术领域。
Description
技术领域
本发明涉及一种DC-DC变换器状态监测方法，属于电力电子可靠性技术领域。
背景技术
DC-DC变换器是多电飞机和全电飞机高压直流供配电系统中最重要的设备之一，对其进行状态监测将有助于提高飞机的安全性和可靠性。DC-DC变换器的故障主要分为软故障和硬故障两类。软故障是指DC-DC变换器中的关键器件在长期运行后，在外部环境应力以及内部电应力的作用下出现的性能退化乃至失效现象，会使整个DC-DC变换器处于异常运行状态甚至崩溃。硬故障包括短路故障和开路故障，其中，短路故障可能带来巨大的冲击电流，具有很强的破坏性，会在短时间内对变换器中的元器件造成不可逆的损坏；在DC-DC变换器发生开路故障时，电路中其他器件仍能正常工作，虽然会使电路性能降低，但系统不会立即崩溃，然而，开路故障长时间持续可能会给电路带来严重损害。
传统的DC-DC变换器软故障检测方法主要有器件级方法和系统级方法两类。器件级方法通过额外的电路来测量电气指标和热学指标，从而对电路中单个或多个关键器件进行健康状况评估；系统级方法对系统的频率响应和谐波等信号进行计算与分析，提取出包含电路健康状况的表征参数。这些方法通常只对器件的一种或一类特性进行离线监控，在实时性和全面性上有所不足，同时还需要增设外接电路或对电路控制器注入额外信号，状态监测成本较高，可靠性较低。
DC-DC变换器硬故障中的短路故障由于速度快，危害大，通常由目前已经比较成熟的硬件保护技术来检测和处理，以迅速切断故障。而对于开路故障，传统的监测方法包括基于模型的方法和基于数据驱动的方法，基于模型的方法需要对电路建立精确的数学模型，在复杂系统中实现难度较大；基于数据驱动的方法依赖于大量实际运行数据和先验故障信息，存在故障数据获取难度大，信号分析处理过程复杂等问题。
因此，设计一种无创、全面且易于实现的DC-DC变换器状态监测方法，弥补传统软硬故障监测方法的不足，具有重要意义。
发明内容
本发明为提高DC-DC变换器的可靠性，及时发现潜在问题及异常情况，并克服现有状态监测技术的缺陷，提出一种基于数字孪生的DC-DC变换器状态监测方法。
采取的技术方案如下：
本发明的具体步骤为：
步骤一、建立数字孪生框架；
步骤二、对DC-DC变换器的软故障进行监测；
步骤三、对DC-DC变换器的开路故障进行监测。
步骤一中的数字孪生框架包括物理层、数字层、计算层三个部分，其建立步骤为：
步骤一(一)、将状态监测的对象DC-DC变换器硬件实验平台置于物理层，作为物理实体；令DC-DC变换器在稳态条件下运行，使用电压、电流传感器测得三个完整周期中电路各部分的电压、电流波形，每周期等间隔采样25个数据点，共75个数据点；将所得数据集存储在数据库中；用vphysical,x来表示电压数据，用iphysical,x来表示电流数据，其中，physical代表数据来自物理层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(二)、在数字层中，参照DC-DC变换器硬件实验平台的设计指标，在仿真软件中搭建DC-DC变换器模型，即数字孪生体；令仿真模型与物理实体具有相同的结构和相同的运行条件；对仿真模型设置与物理实体相同的输入电压、开关频率和负载，利用解算器运行仿真，采集电路各部分的电压、电流波形，共三个完整周期，每周期等间隔采样25个数据点，共75个数据点。将所得数据集存储在数据库中；用vdigital,x来表示电压数据，用idigital,x来表示电流数据，其中，digital代表数据来自数字层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(三)、在计算层中编写代码。
步骤一(三)中在计算层中编写代码的流程为：
步骤1、种群初始化：将数字层各元器件的一个参数集视作一个粒子，每项参数视为粒子的一个维度，包括DC-DC变换器中各主要元器件的电阻、电感、电容值；随机初始化一群粒子的位置和速度，其中，位置指的是各维度的数值，应在合理的范围内随机产生；速度指的是粒子各维度的数值在两次迭代间变化的步长，同样在合理的范围内随机产生；
步骤2、粒子评价：将各粒子所代表的参数集输入数字层，以数字层和物理层输出波形各采样点之间的差值来计算目标函数fobj；目标函数计算公式为：
公式(1)中，N为采样点个数，此处N＝75，k为采样点编号，p为权重因子，vphysical,x和vdigital,x分别为物理层和数字层各电压量，iphysical,x和idigital,x分别为物理层和数字层各电流量；在迭代开始时，分别计算种群中各个粒子的目标函数，目标函数最小的粒子的位置即为全局最优位置，记作Gb，此时，每个粒子的局部最优位置都为当前所在位置，记作Pb；
步骤3、种群更新：计算出目标函数后，更新各个粒子的速度和位置；
粒子速度的更新公式为：
vi+1,j,d＝wvi,j,d+c1rand(0,1)(Gb,d-Pi,j,d)+c2rand(0,1)(Pb,j,d-Pi,j,d) (2)
粒子位置的更新公式为：
Pi+1,j,d＝Pi,j,d+vi+1,j,d (3)
公式(2)和(3)中，rand(0,1)代表一个在(0,1)内的随机实数，v为粒子速度，i为迭代次数，j为粒子编号，d为参数维度编号，w为学习因子，与全局寻优和局部寻优的搜索能力有关，w值较大时，粒子更容易找到全局最优位置，否则更容易找到局部最优位置，c1为社会权重因子，c2为个体权重因子，学习因子和权重因子均为经验值；此处，w设置为0.6，c1和c2均设置为1.5；
计算更新后的种群中各粒子的目标函数，若其中最小的目标函数值小于全局最优目标函数值，则将该粒子记为新的全局最优Gb，否则，全局最优保持不变；若单个粒子当前的目标函数值小于自身局部最优目标函数值，则将此时粒子的位置记为该粒子新的局部最优Pb，否则，该粒子的局部最优保持不变；
步骤4、检验结束条件：如果当前全局最优的目标函数值小于所设定的阈值，或迭代次数达到设定的最大值，则停止迭代并输出该全局最优粒子所代表的参数集，否则，种群中每个粒子继续根据种群共享的全局最优解以及自身当前所找到的局部最优解更新各维度的数值，直到满足结束条件。
步骤二中所述DC-DC变换器软故障监测的具体步骤如下：
步骤二(一)、将步骤一(三)中计算层的粒子数量设置为24，最大迭代次数设置为100，阈值设置为0.1，运行计算层代码，得到最佳电路参数集；最终得到的数字层器件参数集将与物理层的器件实际值十分接近，此时，数字孪生体可以准确反映DC-DC变换器物理实体的实际运行状况；
步骤二(二)、为了减小粒子群优化算法随机性的影响，在相同条件下重复进行十次实验，观察数据整体趋势；若计算结果中DC-DC变换器中某器件参数值与额定值有较大差异，则认为该器件发生了退化；利用数字孪生体，无需停止DC-DC变换器的运行或进行侵入性测试就可以知道其内部的情况，另外，也无需对DC-DC变换器进行定期检修，而是可以根据其退化情况随时对其进行维护。
步骤三中所述DC-DC变换器开路故障监测的具体步骤如下：
步骤三(一)、令步骤二(一)中所得DC-DC变换器数字孪生体在正常情况和发生各类开路故障的条件下运行，假设共n种运行情况；在不同运行情况下各采集4000个周期的变压器一次侧电压数据，每个周期以相同的间隔采样25个数据点；设置滑动窗口宽度为25个数据点，步长为一个数据点，在每个滑动窗口对变压器原边电压进行12种常见时域特征的提取，包括：最大值最小值/>峰峰值xp-p＝xmax-xmin、平均值标准差/>峭度/>方差/>偏度裕度/>脉冲/>峰值/>和波形式中，x代表数据点，N代表滑动窗口中的数据点个数，此处N＝25；最终，得到一个具有12个特征，4000*n个样本的数据集；
步骤三(二)、使用独热编码法，将DC-DC变换器的不同运行状态分别表示为一个0和1的序列，序列的第几位为1，就代表DC-DC变换器运行在编号为几的状态，通过这种方法，将分类数据转换为数值数据，方便后续使用BP神经网络分类器对DC-DC变换器运行状态进行分类；
步骤三(三)、建立BP神经网络分类器；BP神经网络共有三层，包括一个包含12个神经元的输入层、一个包含n个神经元的输出层和一个包含10个神经元的隐藏层；BP神经网络的输入为DC-DC变换器中变压器一次侧电压的12个时域特征，输出为DC-DC变换器的n种运行状态；BP神经网络隐藏层的传递函数选择对数S型传递函数logsig，输出层的传递函数选择线性传递函数purelin，反向传播函数选择梯度下降自适应学习率训练函数traingdx；将第三部分步骤1所得数据集的一半用作训练集，另一半用作测试集；将BP神经网络的训练目标设置为0.0001，学习率设置为0.01，最大训练集数设置为10000；利用训练集训练BP神经网络分类器，并用测试集测试训练好的BP神经网络的有效性；最终得到的BP神经网络分类器可以在一个周期内识别DC-DC变换器的不同运行状态，从而及时发现与定位常见开路故障，实现对DC-DC变换器的状态监测，避免变换器在异常状况下长时间运行导致的不可逆后果。
本发明的有益效果是：本发明提出的基于数字孪生的DC-DC变换器状态监测方法可以实现对DC-DC变换器的全寿命周期健康状况监测。针对软故障情况，所提方法对DC-DC变换器实施了全面的无创监测，无需增加额外的硬件电路即可实时监测各元器件的退化情况；针对硬故障中开路故障的情况，所提出的数字孪生方法相较于基于数学模型的方法更易于实现且具有普适性，同时解决了数据驱动方法中获取故障数据难度大的问题。所提方法为DC-DC变换器的状态监测问题提供了切实可行的解决方案，是提高机载高压直流供配电系统可靠性的可行途径。
附图说明
图1是DC-DC变换器状态监测系统框架示意图；
图2为数字孪生框架示意图；
图3为计算层算法流程图；
图4为三层BP神经网络架构图；
图5为物理层中移相全桥倍流整流DC-DC变换器硬件实验平台；
图6为数字层中移相全桥倍流整流DC-DC变换器仿真模型；
图7为目标函数fobj迭代情况；
图8为物理层与数字层稳态输出结果比较；
图9为软故障监测实验中用于模拟电感退化情况的一组五对滤波电感；
图10为软故障监测实验结果箱线图；
图11为数字孪生体在不同运行状况下的变压器一次侧电压波形；
图12为硬件实验平台中变换器正常运行状态下的变压器一次侧电压波形；
图13为硬件实验平台中变换器超前臂开路状态下的变压器一次侧电压波形。
具体实施方式
具体实施方式一：结合图1至图13说明本实施方式，本实施方式所述一种基于数字孪生的DC-DC变换器状态监测方法是通过如下步骤实现的：
步骤一、建立数字孪生框架；
步骤二、对DC-DC变换器的软故障进行监测；
步骤三、对DC-DC变换器的开路故障进行监测。
步骤一中数字孪生框架如图2包括物理层、数字层、计算层三层、传感器、解算器、数据库；其中，物理层对应DC-DC变换器物理实体，是数字层进行自我更新迭代的基准，也是状态监测的直接作用对象。传感器是用于测量和采集物理层中各参数和波形的设备，是层间信息交互的通道；数字层对应于DC-DC变换器数字孪生体，即利用仿真软件搭建的DC-DC变换器模型，其结构与运行条件与物理层电路相对应；解算器是数字孪生框架中用于求解数字层仿真模型的部分；计算层是数字孪生框架中的数据处理与计算部分，对数据库中来自物理层和数字层的运行数据进行分析计算，使物理实体和数字孪生体的内部信息趋同；计算层根据分析结果指导数字层的更新迭代过程，并对物理层运行状态进行监测与评估；数据库是用于存储、管理及检索数字孪生框架中所涉及的数据的系统。
步骤一中所述计算层中采用的粒子群优化算法的目标函数为：
公式(1)中vphysical,x和vdigital,x分别为物理层和数字层各电压量，iphysical,x和idigital,x分别为物理层和数字层各电流量，其中，physical代表数据来自物理层，x代表数据来自DC-DC变换器电路中的x号位置。对各电压、电流量进行等间隔采样，N为采样点个数，k为采样点编号，p为权重因子，根据各电压、电流量的数量级以及重要性进行设置。
步骤二中利用步骤一所得的数字孪生体跟踪物理实体的参数及输出，从而推断DC-DC变换器中关键器件参数的变化，预测可能发生的软故障。
步骤三中利用步骤一所得的数字孪生体模拟变换器不同运行状况，收集并处理运行数据，获取数据集，训练BP神经网络分类器，用于开路故障的监测与诊断。
步骤三中所述开路故障监测方法中所述数据集由DC-DC变换器的变压器一次侧电压经数据处理所得，数据处理方法为：对每个周期的变压器一次侧电压等间隔采样25个数据点，设置滑动窗口宽度为一个周期即25个数据点，步长为一个数据点，在每个滑动窗口进行时域特征的提取，所采用的时域特征共12种，包括：最大值最小值峰峰值xp-p＝xmax-xmin、平均值/>标准差/>峭度方差/>偏度/>裕度脉冲/>峰值/>和波形/>式中，x代表数据点，i代表数据点编号，N代表滑动窗口中的数据点个数，此处N＝25；最终，得到的数据集具有12种特征。
具体实施方式二：结合图1至图12说明本实施方式，本实施方式所述一种基于数字孪生的DC-DC变换器状态监测方法的步骤一建立数字孪生框架的步骤为：
步骤一(一)、将状态监测的对象DC-DC变换器硬件实验平台置于物理层，作为物理实体；令DC-DC变换器在稳态条件下运行，使用电压、电流传感器测得三个完整周期中电路各部分的电压、电流波形，每周期等间隔采样25个数据点，共75个数据点；将所得数据集存储在数据库中；用vphysical,x来表示电压数据，用iphysical,x来表示电流数据，其中，physical代表数据来自物理层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(二)、在数字层中，参照DC-DC变换器硬件实验平台的设计指标，在仿真软件中搭建DC-DC变换器模型，即数字孪生体；令仿真模型与物理实体具有相同的结构和相同的运行条件；对仿真模型设置与物理实体相同的输入电压、开关频率和负载，利用解算器运行仿真，采集电路各部分的电压、电流波形，共三个完整周期，每周期等间隔采样25个数据点，共75个数据点。将所得数据集存储在数据库中；用vdigital,x来表示电压数据，用idigital,x来表示电流数据，其中，digital代表数据来自数字层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(三)、在计算层中编写代码。
具体实施方式三：结合图1至图12说明本实施方式，本实施方式所述一种基于数字孪生的DC-DC变换器状态监测方法的步骤一(三)中在计算层中编写代码的流程如图3所示：
步骤1、种群初始化：将数字层各元器件的一个参数集视作一个粒子，每项参数视为粒子的一个维度，包括DC-DC变换器中各主要元器件的电阻、电感、电容值；随机初始化一群粒子的位置和速度，其中，位置指的是各维度的数值，应在合理的范围内随机产生；速度指的是粒子各维度的数值在两次迭代间变化的步长，同样在合理的范围内随机产生；
步骤2、粒子评价：将各粒子所代表的参数集输入数字层，以数字层和物理层输出波形各采样点之间的差值来计算目标函数fobj；目标函数计算公式为：
公式(1)中，N为采样点个数，此处N＝75，k为采样点编号，p为权重因子，vphysical,x和vdigital,x分别为物理层和数字层各电压量，iphysical,x和idigital,x分别为物理层和数字层各电流量；在迭代开始时，分别计算种群中各个粒子的目标函数，目标函数最小的粒子的位置即为全局最优位置，记作Gb，此时，每个粒子的局部最优位置都为当前所在位置，记作Pb；
步骤3、种群更新：计算出目标函数后，更新各个粒子的速度和位置；
粒子速度的更新公式为：
vi+1,j,d＝wvi,j,d+c1rand(0,1)(Gb,d-Pi,j,d)+c2rand(0,1)(Pb,j,d-Pi,j,d) (2)
粒子位置的更新公式为：
Pi+1,j,d＝Pi,j,d+vi+1,j,d (3)
公式(2)和公式(3)中，rand(0,1)代表一个在(0,1)内的随机实数，v为粒子速度，i为迭代次数，j为粒子编号，d为参数维度编号，w为学习因子，与全局寻优和局部寻优的搜索能力有关，w值较大时，粒子更容易找到全局最优位置，否则更容易找到局部最优位置，c1为社会权重因子，c2为个体权重因子，学习因子和权重因子均为经验值；此处，w设置为0.6，c1和c2均设置为1.5；
计算更新后的种群中各粒子的目标函数，若其中最小的目标函数值小于全局最优目标函数值，则将该粒子记为新的全局最优Gb，否则，全局最优保持不变；若单个粒子当前的目标函数值小于自身局部最优目标函数值，则将此时粒子的位置记为该粒子新的局部最优Pb，否则，该粒子的局部最优保持不变；
步骤4、检验结束条件：如果当前全局最优的目标函数值小于所设定的阈值，或迭代次数达到设定的最大值，则停止迭代并输出该全局最优粒子所代表的参数集，否则，种群中每个粒子继续根据种群共享的全局最优解以及自身当前所找到的局部最优解更新各维度的数值，直到满足结束条件。
具体实施方式四：结合图1至图12说明本实施方式，本实施方式所述一种基于数字孪生的DC-DC变换器状态监测方法的步骤二中所述DC-DC变换器软故障监测的具体步骤如下：
步骤二(一)、令步骤一(三)中计算层的粒子数量设置为24，最大迭代次数设置为100，阈值设置为0.1，运行计算层代码，得到最佳电路参数集；最终得到的数字层器件参数集将与物理层的器件实际值十分接近，此时，数字孪生体可以准确反映DC-DC变换器物理实体的实际运行状况；
步骤二(二)、为了减小粒子群优化算法随机性的影响，在相同条件下重复进行十次实验，观察数据整体趋势；若计算结果中DC-DC变换器中某器件参数值与额定值有较大差异，则认为该器件发生了退化；利用数字孪生体，无需停止DC-DC变换器的运行或进行侵入性测试就可以知道其内部的情况，另外，也无需对DC-DC变换器进行定期检修，而是可以根据其退化情况随时对其进行维护。
具体实施方式五：结合图1至图12说明本实施方式，本实施方式所述一种基于数字孪生的DC-DC变换器状态监测方法的步骤三中所述DC-DC变换器开路故障监测的具体步骤如下：
步骤三(一)、将步骤二(一)中所得DC-DC变换器数字孪生体在正常情况和发生各类开路故障的条件下运行，假设共n种运行情况；在不同运行情况下各采集4000个周期的变压器一次侧电压数据，每个周期以相同的间隔采样25个数据点；设置滑动窗口宽度为25个数据点，步长为一个数据点，在每个滑动窗口对变压器原边电压进行12种常见时域特征的提取，包括：最大值最小值/>峰峰值xp-p＝xmax-xmin、平均值标准差/>峭度/>方差/>偏度裕度/>脉冲/>峰值/>和波形式中，x代表数据点，N代表滑动窗口中的数据点个数，此处N＝25；最终，得到一个具有12个特征，4000*n个样本的数据集；
步骤三(二)、使用独热编码法，将DC-DC变换器的不同运行状态分别表示为一个0和1的序列，序列的第几位为1，就代表DC-DC变换器运行在编号为几的状态，通过这种方法，将分类数据转换为数值数据，方便后续使用BP神经网络分类器对DC-DC变换器运行状态进行分类；
步骤三(三)、建立BP神经网络分类器；如图4所示，该BP神经网络共有三层，包括一个包含12个神经元的输入层、一个包含n个神经元的输出层和一个包含10个神经元的隐藏层；BP神经网络的输入为DC-DC变换器中变压器一次侧电压的12个时域特征，输出为DC-DC变换器的n种运行状态；BP神经网络隐藏层的传递函数选择对数S型传递函数logsig，输出层的传递函数选择线性传递函数purelin，反向传播函数选择梯度下降自适应学习率训练函数traingdx；将第三部分步骤1所得数据集的一半用作训练集，另一半用作测试集；将BP神经网络的训练目标设置为0.0001，学习率设置为0.01，最大训练集数设置为10000；利用训练集训练BP神经网络分类器，并用测试集测试训练好的BP神经网络的有效性；最终得到的BP神经网络分类器可以在一个周期内识别DC-DC变换器的不同运行状态，从而及时发现与定位常见开路故障，实现对DC-DC变换器的状态监测，避免变换器在异常状况下长时间运行导致的不可逆后果。
实施例
本实施例中的DC-DC变换器是一个移相全桥倍流整流DC-DC变换器，其技术指标如下：输入电压Vin为270V，输出电压Vout为28V，额定功率为1kW，开关频率为200kHz。
图5是该移相全桥倍流整流DC-DC变换器的硬件实验平台，即物理层中的物理实体。图6是在仿真软件中搭建的移相全桥倍流整流DC-DC变换器的仿真模型，即数字层中的数字孪生体。两者拓扑结构、控制方法及运行条件均相同。分别对物理层和数字层电路中的如下电压电流波形进行采样，存储于数据库：原边电流ipabs、谐振电感电流ip、副边电感电流iL1与iL2、副边电感电压vL1与vL2、变压器原副边电压vpri与vsec以及输出电压vout。
计算层调用数据库中来自物理层与数字层的数据，进行更新迭代运算。图7是第一部分步骤3第(2)条算法实现过程中所述目标函数的迭代情况，可以看出，目标函数fobj随迭代次数增加按指数下降，经过约80次迭代，fobj的值趋于稳定，并保持在一个很低的值，说明此时物理层和数字层的输出波形之间的差异已达到最低水平。将最终得到的最佳参数集输入数字层中的仿真电路并运行，比较稳态运行情况下物理层与数字层主要的电压电流波形，结果如图8所示。从图8中可以看出，物理实体的波形与数字孪生体的输出基本一致，这说明所建立的数字孪生体能够很好地反映真实物理世界中移相全桥倍流整流DC-DC变换器的运行状态。
图9是为了模拟移相全桥倍流整流DC-DC变换器中副边滤波电感变化而设置的一组五对环形线圈电感。其中，L1感值不变，L2感值依次下降4％。保持其他元件参数不变，顺次在电路中安装L2-1到L2-5，模拟滤波电感的退化。分别采集安装L2-1至L2-5时物理实体变换器各部分的电压电流波形，对应于实验1至实验5。运行数字孪生框架，利用这五次硬件平台实验的结果，分别令数字孪生体重复十次完整的迭代过程，得到数字孪生体对变换器内部参数的推断结果，如图10所示。在图10中，实验1至实验5各自所代表的数据簇均包括十个数据点，表示十次数字孪生框架运行的结果。利用箱线图剔除异常值，观察数据的整体趋势。可以看出，滤波电感L2的参数值明显呈现出下降趋势，而其他关键器件的参数值总体保持不变，此外，各数据簇箱线图中的中位线能较为准确地指示出器件的参数值。实验结果表明，所构建的数字孪生体能监测到变换器中器件的退化过程，并准确定位发生软故障的器件。
利用数字孪生体对移相全桥倍流整流DC-DC变换器的正常情况和发生四种开路故障的情况进行模拟，包括超前臂开路、滞后臂开路、负载R开路、谐振电感Lr开路。用独热编码法编码后的分类标签分别为：正常运行(10000)，超前臂开路(01000)，滞后臂开路(00100)，负载R开路(00010)，谐振电感Lr开路(00001)。
图11为数字孪生体在正常情况和发生以上四种开路故障运行条件下的变压器一次侧电压波形。由于实际变换器硬件实验平台中存在输入电压的波动，为了提高数字孪生体模拟的准确度，在孪生体的输入电压中加入了白噪声。按第三部分步骤1中所述方法对这五种运行情况下的变压器一次侧电压波形进行采集与处理，获得一个具有12个特征，20000个样本的数据集。将数据集的一半用作训练集，另一半用作测试集，各包含10000个样本。训练及测试结果表明，该BP神经网络分类器对移相全桥倍流整流DC-DC变换器运行状态的识别率为99.18％。
图12是从移相全桥倍流整流DC-DC变换器物理实体中采集的正常运行状态下的变压器一次侧电压波形，共十个周期。按第三部分步骤1中所述方法对这十个周期的波形进行处理后，用训练好的BP神经网络进行分类，十个周期对应数据的分类结果均为10000正常运行状态。图13是从移相全桥倍流整流DC-DC变换器物理实体中采集的超前臂开路状态下的变压器一次侧电压波形，共十个周期。按第三部分步骤1中所述方法对这十个周期的波形进行处理后，用训练好的BP神经网络进行分类，十个周期对应数据的分类结果均为01000超前臂开路。上述实验结果表明，由于数字孪生体和物理实体变换器具有一致性，利用从孪生体采集的运行数据训练的BP神经网络可以准确识别变换器实体的运行状况，实现对常见开路故障的监测。
综上，以上实验证明了本发明方法能在无需增设外加电路或注入额外信号的情况下，实时跟踪DC-DC变换器中关键器件的退化情况，并对DC-DC变换器的开路故障进行快速而准确的识别和定位，因此本发明方法在DC-DC变换器状态监测方面具有良好的应用前景。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种基于数字孪生的DC-DC变换器状态监测方法，其特征在于：所述一种基于数字孪生的DC-DC变换器状态监测方法是通过如下步骤实现的：
步骤一、建立数字孪生框架；
步骤二、对DC-DC变换器的软故障进行监测；
步骤三、对DC-DC变换器的开路故障进行监测。
2.根据权利要求1所述的一种基于数字孪生的DC-DC变换器状态监测方法，其特征在于：步骤一建立数字孪生框架的步骤为：
步骤一(一)、将状态监测的对象DC-DC变换器硬件实验平台置于物理层，作为物理实体；令DC-DC变换器在稳态条件下运行，使用电压、电流传感器测得三个完整周期中电路各部分的电压、电流波形，每周期等间隔采样25个数据点，共75个数据点；将所得数据集存储在数据库中；用vphysical,x来表示电压数据，用iphysical,x来表示电流数据，其中，physical代表数据来自物理层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(二)、在数字层中，参照DC-DC变换器硬件实验平台的设计指标，在仿真软件中搭建DC-DC变换器模型，即数字孪生体；令仿真模型与物理实体具有相同的结构和相同的运行条件；对仿真模型设置与物理实体相同的输入电压、开关频率和负载，利用解算器运行仿真，采集电路各部分的电压、电流波形，共三个完整周期，每周期等间隔采样25个数据点，共75个数据点。将所得数据集存储在数据库中；用vdigital,x来表示电压数据，用idigital,x来表示电流数据，其中，digital代表数据来自数字层，x代表数据来自DC-DC变换器电路中的x号位置；
步骤一(三)、在计算层中编写代码。
3.根据权利要求2所述的一种基于数字孪生的DC-DC变换器状态监测方法，其特征在于：步骤一(三)中在计算层中编写代码的流程为：
步骤1、种群初始化：将数字层各元器件的一个参数集视作一个粒子，每项参数视为粒子的一个维度，包括DC-DC变换器中各主要元器件的电阻、电感、电容值；随机初始化一群粒子的位置和速度，其中，位置指的是各维度的数值，应在合理的范围内随机产生；速度指的是粒子各维度的数值在两次迭代间变化的步长，同样在合理的范围内随机产生；
步骤2、粒子评价：将各粒子所代表的参数集输入数字层，以数字层和物理层输出波形各采样点之间的差值来计算目标函数fobj；目标函数计算公式为：
公式(1)中，N为采样点个数，此处N＝75，k为采样点编号，p为权重因子，vphysical,x和vdigital,x分别为物理层和数字层各电压量，iphysical,x和idigital,x分别为物理层和数字层各电流量；在迭代开始时，分别计算种群中各个粒子的目标函数，目标函数最小的粒子的位置即为全局最优位置，记作Gb，此时，每个粒子的局部最优位置都为当前所在位置，记作Pb；
步骤3、种群更新：计算出目标函数后，更新各个粒子的速度和位置；
粒子速度的更新公式为：
vi+1,j,d＝wvi,j,d+c1rand(0,1)(Gb,d-Pi,j,d)+c2rand(0,1)(Pb,j,d-Pi,j,d) (2)
粒子位置的更新公式为：
Pi+1,j,d＝Pi,j,d+vi+1,j,d (3)
公式(2)和(3)中，rand(0,1)代表一个在(0,1)内的随机实数，v为粒子速度，i为迭代次数，j为粒子编号，d为参数维度编号，w为学习因子，与全局寻优和局部寻优的搜索能力有关，w值较大时，粒子更容易找到全局最优位置，否则更容易找到局部最优位置，c1为社会权重因子，c2为个体权重因子，学习因子和权重因子均为经验值；此处，w设置为0.6，c1和c2均设置为1.5；
计算更新后的种群中各粒子的目标函数，若其中最小的目标函数值小于全局最优目标函数值，则将该粒子记为新的全局最优Gb，否则，全局最优保持不变；若单个粒子当前的目标函数值小于自身局部最优目标函数值，则将此时粒子的位置记为该粒子新的局部最优Pb，否则，该粒子的局部最优保持不变；
步骤4、检验结束条件：如果当前全局最优的目标函数值小于所设定的阈值，或迭代次数达到设定的最大值，则停止迭代并输出该全局最优粒子所代表的参数集，否则，种群中每个粒子继续根据种群共享的全局最优解以及自身当前所找到的局部最优解更新各维度的数值，直到满足结束条件。
4.根据权利要求1、2或3所述的一种基于数字孪生的DC-DC变换器状态监测方法，其特征在于：步骤二中所述DC-DC变换器软故障监测的具体步骤如下：
步骤二(一)、将步骤一(三)中计算层的粒子数量设置为24，最大迭代次数设置为100，阈值设置为0.1，运行计算层代码，得到最佳电路参数集；最终得到的数字层器件参数集将与物理层的器件实际值十分接近，此时，数字孪生体可以准确反映DC-DC变换器物理实体的实际运行状况；
步骤二(二)、为了减小粒子群优化算法随机性的影响，在相同条件下重复进行十次实验，观察数据整体趋势；若计算结果中DC-DC变换器中某器件参数值与额定值有较大差异，则认为该器件发生了退化；利用数字孪生体，无需停止DC-DC变换器的运行或进行侵入性测试就可以知道其内部的情况，另外，也无需对DC-DC变换器进行定期检修，而是可以根据其退化情况随时对其进行维护。
5.根据权利要求4所述的一种基于数字孪生的DC-DC变换器状态监测方法，其特征在于：步骤三中所述DC-DC变换器开路故障监测的具体步骤如下：
步骤三(一)、令步骤二(一)中所得DC-DC变换器数字孪生体在正常情况和发生各类开路故障的条件下运行，假设共n种运行情况；在不同运行情况下各采集4000个周期的变压器一次侧电压数据，每个周期以相同的间隔采样25个数据点；设置滑动窗口宽度为25个数据点，步长为一个数据点，在每个滑动窗口对变压器原边电压进行12种常见时域特征的提取，包括：最大值最小值/>峰峰值xp-p＝xmax-xmin、平均值标准差/>峭度/>方差/>偏度裕度/>脉冲/>峰值/>和波形式中，x代表数据点，N代表滑动窗口中的数据点个数，此处N＝25；最终，得到一个具有12个特征，4000*n个样本的数据集；
步骤三(二)、使用独热编码法，将DC-DC变换器的不同运行状态分别表示为一个0和1的序列，序列的第几位为1，就代表DC-DC变换器运行在编号为几的状态，通过这种方法，将分类数据转换为数值数据，方便后续使用BP神经网络分类器对DC-DC变换器运行状态进行分类；
步骤三(三)、建立BP神经网络分类器；BP神经网络共有三层，包括一个包含12个神经元的输入层、一个包含n个神经元的输出层和一个包含10个神经元的隐藏层；BP神经网络的输入为DC-DC变换器中变压器一次侧电压的12个时域特征，输出为DC-DC变换器的n种运行状态；BP神经网络隐藏层的传递函数选择对数S型传递函数logsig，输出层的传递函数选择线性传递函数purelin，反向传播函数选择梯度下降自适应学习率训练函数traingdx；将第三部分步骤1所得数据集的一半用作训练集，另一半用作测试集；将BP神经网络的训练目标设置为0.0001，学习率设置为0.01，最大训练集数设置为10000；利用训练集训练BP神经网络分类器，并用测试集测试训练好的BP神经网络的有效性；最终得到的BP神经网络分类器可以在一个周期内识别DC-DC变换器的不同运行状态，从而及时发现与定位常见开路故障，实现对DC-DC变换器的状态监测，避免变换器在异常状况下长时间运行导致的不可逆后果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310750014.4A CN116819382A (zh) | 2023-06-25 | 2023-06-25 | 一种基于数字孪生的dc-dc变换器状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310750014.4A CN116819382A (zh) | 2023-06-25 | 2023-06-25 | 一种基于数字孪生的dc-dc变换器状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819382A true CN116819382A (zh) | 2023-09-29 |
Family
ID=88125263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310750014.4A Pending CN116819382A (zh) | 2023-06-25 | 2023-06-25 | 一种基于数字孪生的dc-dc变换器状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819382A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972314A (zh) * | 2024-03-29 | 2024-05-03 | 山东华立供水设备有限公司 | 一种基于数字孪生的云平台监控方法及系统 |
-
2023
- 2023-06-25 CN CN202310750014.4A patent/CN116819382A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972314A (zh) * | 2024-03-29 | 2024-05-03 | 山东华立供水设备有限公司 | 一种基于数字孪生的云平台监控方法及系统 |
| CN117972314B (zh) * | 2024-03-29 | 2024-06-04 | 山东华立供水设备有限公司 | 一种基于数字孪生的云平台监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
| US20220222409A1 (en) | Method and system for predicting remaining useful life of analog circuit | |
| JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| CN112327200B (zh) | Dc-ac逆变器电路的健康表征及健康基线构建方法 | |
| CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
| CN104750915B (zh) | 一种Buck电路多参数在线辨识方法 | |
| CN116520182B (zh) | 一种dcs装置电源模块异常早期诊断方法 | |
| US11740275B2 (en) | Method for intelligent fault detection and location of power distribution network | |
| CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
| CN106405384A (zh) | 模拟电路健康状态评估方法 | |
| Yu et al. | Incipient fault diagnosis method for DC–DC converters based on sensitive fault features | |
| CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
| CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 | |
| CN105891698B (zh) | 一种Boost电路多参数在线辨识方法 | |
| Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
| CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
| Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| CN117574275A (zh) | 一种电力系统异常检测分类方法 | |
| CN117110801A (zh) | 基于bp神经网络与ds证据理论的气体绝缘设备故障诊断方法 | |
| CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
| Shuangxi et al. | Fault Feature Recognition of Electric Vehicle Charging Infrastructure | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |