本發(fā)明屬于電源變換器的故障檢測(cè)，具體涉及一種電源變換器的自檢測(cè)方法、裝置及計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、dc-dc變換器作為一種通用的電能變換拓?fù)淦骷?，其種類繁瑣，常用的有雙向全橋dc-dc變換器等，且由于其具有功率密度高、控制靈活性強(qiáng)、模塊化設(shè)計(jì)等優(yōu)勢(shì)，已經(jīng)被廣泛應(yīng)用于各種重要的電力轉(zhuǎn)換系統(tǒng)，例如電動(dòng)汽車，儲(chǔ)能系統(tǒng)和電力電子變壓器等；同時(shí)，隨著對(duì)電力電子變換器可靠性要求的日益提高，dc-dc變換器中的故障診斷問題已引起越來越多的關(guān)注，其中，若dc-dc變換器出現(xiàn)故障，會(huì)造成電子設(shè)備功能喪失，甚至?xí)?dǎo)致系統(tǒng)癱瘓，從而帶來巨大的損失；因此，在使用前，準(zhǔn)確檢測(cè)dc-dc變換器的故障非常關(guān)鍵，這有助于使用戶及時(shí)采取防御措施，進(jìn)而降低維修周期和損失。

2、目前，對(duì)dc-dc變換器的故障檢測(cè)，大多是針對(duì)變換器中的某個(gè)特定部件，如基于卡爾曼濾波的電解電容器的故障檢測(cè)，基于高斯回歸方法的濾波器的故障檢測(cè)等等；雖然前述技術(shù)能夠?qū)崿F(xiàn)變換器中某個(gè)特定部件的故障檢測(cè)，但是，由于變換器中各個(gè)元件具有負(fù)載型和容差等問題，因此，使得前述現(xiàn)有技術(shù)在應(yīng)用中存在局限性，無法對(duì)dc-dc變換器的整體性能進(jìn)行評(píng)估，從而無法有效實(shí)現(xiàn)dc-dc變換器的故障檢測(cè)；由此，基于前述不足，如何提供一種能夠?qū)c-dc變換器的整體性能進(jìn)行評(píng)估的自檢測(cè)方法，已成為了一個(gè)亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種電源變換器的自檢測(cè)方法、裝置及計(jì)算機(jī)程序產(chǎn)品，用以解決現(xiàn)有技術(shù)無法對(duì)dc-dc變換器的整體性能進(jìn)行評(píng)估，從而無法有效實(shí)現(xiàn)dc-dc變換器的故障檢測(cè)的問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、第一方面，提供了一種電源變換器的自檢測(cè)方法，包括：

4、獲取目標(biāo)電源變換器在自檢測(cè)過程中的運(yùn)行參數(shù)，其中，所述運(yùn)行參數(shù)包括第一電壓、第二電壓以及第三電壓，且所述第一電壓為目標(biāo)電源變換器的輸出電壓，所述第二電壓為目標(biāo)電源變換器中逆變電路的輸出電壓，所述第三電壓為目標(biāo)電源變換器中續(xù)流管兩端的電壓；

5、基于目標(biāo)電源變換器的歷史運(yùn)行參數(shù)集，并采用電源變換器故障識(shí)別訓(xùn)練算法，訓(xùn)練隱馬爾可夫模型，以在訓(xùn)練結(jié)束后，得到故障檢測(cè)模型，其中，所述電源變換器故障識(shí)別訓(xùn)練算法用于利用進(jìn)化計(jì)算方式尋優(yōu)得到隱馬爾可夫模型的最優(yōu)狀態(tài)數(shù)以及最優(yōu)狀態(tài)數(shù)對(duì)應(yīng)的最優(yōu)模型參數(shù)，且隱馬爾可夫模型的最優(yōu)狀態(tài)數(shù)中的每種狀態(tài)對(duì)應(yīng)目標(biāo)電源變換器的一種運(yùn)行狀態(tài)；

6、將所述運(yùn)行參數(shù)輸入至所述故障檢測(cè)模型中進(jìn)行故障檢測(cè)處理，以在故障檢測(cè)處理后，得出所述目標(biāo)電源變換器的自檢測(cè)結(jié)果。

7、基于上述公開的內(nèi)容，本發(fā)明所提供的電源變換器的自檢測(cè)方法，在自檢測(cè)過程中，獲取了目標(biāo)電源變換器的運(yùn)行參數(shù)，且該運(yùn)行參數(shù)包括有目標(biāo)電源變換器的輸出電壓、目標(biāo)電源變換器中逆變電路的輸出電壓以及目標(biāo)電源變換器中續(xù)流管兩端的電壓；其中，續(xù)流管兩端的電壓含有變換器中整流元件的故障信息，整個(gè)變換器的輸出電壓含有內(nèi)部濾波器的故障信息，而逆變電路的輸出電壓則含有開關(guān)管的故障信息；如此，本發(fā)明相當(dāng)于是采集了用于表征變換器中不同元件工作狀態(tài)的運(yùn)行數(shù)據(jù)，來進(jìn)行目標(biāo)電源變換器的故障自檢測(cè)。

8、在具體應(yīng)用時(shí)，本發(fā)明構(gòu)建了故障檢測(cè)模型，該模型是以其歷史運(yùn)行參數(shù)為訓(xùn)練集來訓(xùn)練得到的，其中，故障檢測(cè)模型為具有多種狀態(tài)數(shù)的隱馬爾可夫模型，且每種狀態(tài)對(duì)應(yīng)目標(biāo)電源變換器的一種運(yùn)行狀態(tài)；如此，在進(jìn)行自檢測(cè)時(shí)，將前述運(yùn)行參數(shù)直接輸入至該構(gòu)建的故障檢測(cè)模型，則可得到目標(biāo)電源變換器的實(shí)時(shí)運(yùn)行狀態(tài)（也就是自檢測(cè)結(jié)果）。

9、通過上述設(shè)計(jì)，本發(fā)明通過提取用于表征變換器中不同元件工作狀態(tài)的運(yùn)行數(shù)據(jù)，來進(jìn)行電源變換器的故障自檢測(cè)，并同時(shí)構(gòu)建了利用其歷史運(yùn)行數(shù)據(jù)來訓(xùn)練得到的隱馬爾可夫模型；如此，將電源變換器的不同元件的運(yùn)行數(shù)據(jù)輸入至前述訓(xùn)練后的隱馬爾可夫模型，則可得出電源變換器的實(shí)時(shí)運(yùn)行狀態(tài)，而在得到實(shí)時(shí)運(yùn)行狀態(tài)后，則可完成電源變換器的故障自檢測(cè)；由此，本發(fā)明以用于表征不同元件工作狀態(tài)的運(yùn)行數(shù)據(jù)為基礎(chǔ)來進(jìn)行故障自檢測(cè)，相比于傳統(tǒng)技術(shù)，能夠?qū)﹄娫醋儞Q器的整體性能進(jìn)行有效評(píng)估，從而可實(shí)現(xiàn)電源變換器的有效故障檢測(cè)。

10、在一個(gè)可能的設(shè)計(jì)中，基于目標(biāo)電源變換器的歷史運(yùn)行參數(shù)集，并采用電源變換器故障識(shí)別訓(xùn)練算法，訓(xùn)練隱馬爾可夫模型，包括：

11、對(duì)所述隱馬爾可夫模型的狀態(tài)數(shù)進(jìn)行初始化處理，得到多個(gè)初始狀態(tài)數(shù)，并根據(jù)各個(gè)初始狀態(tài)數(shù)，確定出所述隱馬爾可夫模型在每個(gè)初始狀態(tài)數(shù)下的初始模型參數(shù)，其中，任一初始狀態(tài)數(shù)對(duì)應(yīng)的各個(gè)初始狀態(tài)分別用于表征所述目標(biāo)電源變換器的一種運(yùn)行狀態(tài)；

12、基于各個(gè)初始狀態(tài)數(shù)以及每個(gè)初始狀態(tài)數(shù)對(duì)應(yīng)的初始模型參數(shù)，生成多個(gè)粒子個(gè)體，其中，每個(gè)粒子個(gè)體配置有一個(gè)初始位置向量以及一個(gè)初始速度向量，且每個(gè)初始位置向量中包含有一個(gè)初始狀態(tài)數(shù)以及該一個(gè)初始狀態(tài)數(shù)對(duì)應(yīng)的初始模型參數(shù)；

13、初始化迭代次數(shù)s為1，并確定出各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，其中，當(dāng)s為1時(shí)，任一粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，為該任一粒子個(gè)體的初始位置向量和初始速度向量；

14、根據(jù)每個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的模型參數(shù)，建立每個(gè)粒子個(gè)體在第s次迭代時(shí)的初始隱馬爾可夫模型，以及根據(jù)每個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)，從歷史運(yùn)行參數(shù)集中確定出每個(gè)粒子個(gè)體在第s次迭代時(shí)的訓(xùn)練集，其中，任一粒子個(gè)體在第s次迭代時(shí)的訓(xùn)練集內(nèi)包含有目標(biāo)電源變換器在目標(biāo)運(yùn)行狀態(tài)下的歷史運(yùn)行參數(shù)，且目標(biāo)運(yùn)行狀態(tài)為該任一粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)所對(duì)應(yīng)的各種運(yùn)行狀態(tài)；

15、利用每個(gè)粒子個(gè)體在第s次迭代時(shí)的訓(xùn)練集，訓(xùn)練每個(gè)粒子個(gè)體在第s次迭代時(shí)的初始隱馬爾可夫模型，并在訓(xùn)練結(jié)束后，基于每個(gè)粒子個(gè)體對(duì)應(yīng)的訓(xùn)練后的初始隱馬爾可夫模型的輸出，得出每個(gè)粒子個(gè)體在第s次迭代時(shí)的適應(yīng)度；

16、根據(jù)每個(gè)粒子個(gè)體的適應(yīng)度，更新全局最優(yōu)解以及各個(gè)粒子個(gè)體的個(gè)體最優(yōu)解，其中，所述全局最優(yōu)解為第1次至第s次迭代過程中，適應(yīng)度最大的粒子個(gè)體所對(duì)應(yīng)的位置向量；

17、判斷是否符合迭代停止條件；

18、若否，則根據(jù)更新后的全局最優(yōu)解和各個(gè)更新后的個(gè)體最優(yōu)解，更新各個(gè)粒子個(gè)體對(duì)應(yīng)的速度向量，得到各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后的速度向量；

19、利用各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)，以及各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后的速度向量，更新各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)，得到各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后狀態(tài)數(shù)；

20、基于各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后狀態(tài)數(shù)，重新確定出各個(gè)粒子個(gè)體對(duì)應(yīng)的初始隱馬爾可夫模型的模型參數(shù)，并利用各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后狀態(tài)數(shù)以及重新確定出的模型參數(shù)，組成各個(gè)粒子個(gè)體更新后的位置向量；

21、將s自加1，以及將各個(gè)粒子個(gè)體更新后的位置向量和更新后的速度向量，作為各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，并重新根據(jù)每個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的模型參數(shù)，建立每個(gè)粒子個(gè)體在第s次迭代時(shí)的初始隱馬爾可夫模型，直至滿足迭代停止條件時(shí)，基于滿足迭代停止條件時(shí)的全局最優(yōu)解，確定出所述最優(yōu)狀態(tài)數(shù)以及所述最優(yōu)狀態(tài)數(shù)對(duì)應(yīng)的最優(yōu)模型參數(shù)，以便基于所述最優(yōu)狀態(tài)數(shù)以及所述最優(yōu)狀態(tài)數(shù)對(duì)應(yīng)的最優(yōu)模型參數(shù)，得出所述故障檢測(cè)模型。

22、在一個(gè)可能的設(shè)計(jì)中，根據(jù)更新后的全局最優(yōu)解和各個(gè)更新后的個(gè)體最優(yōu)解，更新各個(gè)粒子個(gè)體對(duì)應(yīng)的速度向量，得到各個(gè)粒子個(gè)體對(duì)應(yīng)的更新后的速度向量，包括：

23、對(duì)于任一粒子個(gè)體，生成第一隨機(jī)數(shù)和第二隨機(jī)數(shù)，其中，所述第一隨機(jī)數(shù)和所述第二隨機(jī)數(shù)互不相同，且均處于[0,1]；

24、獲取最大迭代次數(shù)，并根據(jù)所述最大迭代次數(shù)和所述第一隨機(jī)數(shù)，生成第一更新算子，以及根據(jù)所述最大迭代次數(shù)和所述第二隨機(jī)數(shù)，生成第二更新算子；

25、基于所述第一更新算子和所述任一粒子個(gè)體對(duì)應(yīng)的更新后的個(gè)體最優(yōu)解，計(jì)算出所述任一粒子個(gè)體在第s次迭代時(shí)的個(gè)體擾動(dòng)解，以及根據(jù)所述第二更新算子和所述更新后的全局最優(yōu)解，計(jì)算出在第s次迭代時(shí)的全局?jǐn)_動(dòng)解；

26、根據(jù)所述第一更新算子，所述第二更新算子，所述個(gè)體擾動(dòng)解，所述全局?jǐn)_動(dòng)解，以及所述任一粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，計(jì)算得到所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量。

27、在一個(gè)可能的設(shè)計(jì)中，根據(jù)所述最大迭代次數(shù)和所述第一隨機(jī)數(shù)，生成第一更新算子，包括：

28、按照如下公式（1），計(jì)算出所述第一更新算子；

29、（1）

30、上述公式（1）中，表示所述第一更新算子，表示所述最大迭代次數(shù)，表示所述第一隨機(jī)數(shù)；

31、相應(yīng)的，基于所述第一更新算子和所述任一粒子個(gè)體對(duì)應(yīng)的更新后的個(gè)體最優(yōu)解，計(jì)算出所述任一粒子個(gè)體在第s次迭代時(shí)的個(gè)體擾動(dòng)解，則包括：

32、將所述第一更新算子與所述任一粒子個(gè)體對(duì)應(yīng)的更新后的個(gè)體最優(yōu)解之間的乘積，作為所述任一粒子個(gè)體在第s次迭代時(shí)的個(gè)體擾動(dòng)解。

33、在一個(gè)可能的設(shè)計(jì)中，根據(jù)所述第一更新算子，所述第二更新算子，所述個(gè)體擾動(dòng)解，所述全局?jǐn)_動(dòng)解，以及所述任一粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，計(jì)算得到所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量，包括：

34、根據(jù)更新后的全局最優(yōu)解和各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量，計(jì)算出更新權(quán)重；

35、基于所述更新權(quán)重，確定出第一加速因子，并根據(jù)第一加速因子，計(jì)算出第二加速因子；

36、利用所述更新權(quán)重、所述第一加速因子、所述第二加速因子、所述第一更新算子、所述第二更新算子、所述個(gè)體擾動(dòng)解、所述全局?jǐn)_動(dòng)解以及所述任一粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，計(jì)算得到所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量。

37、在一個(gè)可能的設(shè)計(jì)中，任一粒子個(gè)體在第s次迭代時(shí)的位置向量中的模型參數(shù)包括：所述任一粒子個(gè)體對(duì)應(yīng)的初始隱馬爾可夫模型的狀態(tài)分布矩陣、狀態(tài)轉(zhuǎn)移概率矩陣以及觀測(cè)值輸出概率矩陣；

38、其中，根據(jù)更新后的全局最優(yōu)解和各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量，計(jì)算出更新權(quán)重，包括：

39、基于各個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量和更新后的全局最優(yōu)解，并按照如下公式（2），計(jì)算出各個(gè)粒子個(gè)體與目標(biāo)個(gè)體之間的距離，其中，所述目標(biāo)個(gè)體為更新后的全局最優(yōu)解所對(duì)應(yīng)的粒子個(gè)體；

40、（2）

41、上述公式（2）中，表示各個(gè)粒子個(gè)體中第個(gè)粒子個(gè)體與目標(biāo)個(gè)體之間的距離，依次表示第個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)轉(zhuǎn)移概率矩陣、觀測(cè)值輸出概率矩陣和狀態(tài)分布矩陣，依次表示所述更新后的全局最優(yōu)解中的狀態(tài)轉(zhuǎn)移概率矩陣、觀測(cè)值輸出概率矩陣和狀態(tài)分布矩陣，表示所述第個(gè)粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)，表示常數(shù)，其中，，且表示粒子個(gè)體的總數(shù)，表示模運(yùn)算符號(hào)；

42、基于各個(gè)粒子個(gè)體與目標(biāo)個(gè)體之間的距離，得出第s次迭代時(shí)的平均距離；

43、獲取第1次至第s次迭代過程中的所有平均距離，并從獲取的所有平均距離中，篩選出最大的平均距離；

44、將第s次迭代時(shí)的平均距離與最大的平均距離之間的比值，作為所述更新權(quán)重。

45、在一個(gè)可能的設(shè)計(jì)中，基于所述更新權(quán)重，確定出第一加速因子，并根據(jù)第一加速因子，計(jì)算出第二加速因子，包括：

46、獲取更新權(quán)重因子，將更新權(quán)重因子與所述更新權(quán)重之間的乘積，作為所述第一加速因子；

47、計(jì)算出所述更新權(quán)重因子與所述第一加速因子之間的差值，并將所述差值作為所述第二加速因子；

48、相應(yīng)的，利用所述更新權(quán)重、所述第一加速因子、所述第二加速因子、所述第一更新算子、所述第二更新算子、所述個(gè)體擾動(dòng)解、所述全局?jǐn)_動(dòng)解以及所述任一粒子個(gè)體在第s次迭代時(shí)的位置向量和速度向量，計(jì)算得到所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量，則包括：

49、按照如下公式（3），計(jì)算得到所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量；

50、（3）

51、上述公式（3）中，表示所述任一粒子個(gè)體對(duì)應(yīng)的更新后的速度向量，表示所述任一粒子個(gè)體在第s次迭代時(shí)的速度向量，表示所述更新權(quán)重，表示所述第一加速因子，表示所述第二加速因子，依次表示所述第一更新算子和所述第二更新算子，表示所述個(gè)體擾動(dòng)解，表示所述全局?jǐn)_動(dòng)解，表示所述任一粒子個(gè)體在第s次迭代時(shí)的位置向量中的狀態(tài)數(shù)，依次表示第三隨機(jī)數(shù)和第四隨機(jī)數(shù)。

52、第二方面，提供了一種電源變換器的自檢測(cè)裝置，包括：

53、獲取單元，用于獲取目標(biāo)電源變換器在自檢測(cè)過程中的運(yùn)行參數(shù)，其中，所述運(yùn)行參數(shù)包括第一電壓、第二電壓以及第三電壓，且所述第一電壓為目標(biāo)電源變換器的輸出電壓，所述第二電壓為目標(biāo)電源變換器中逆變電路的輸出電壓，所述第三電壓為目標(biāo)電源變換器中續(xù)流管兩端的電壓；

54、模型訓(xùn)練單元，用于基于目標(biāo)電源變換器的歷史運(yùn)行參數(shù)集，并采用電源變換器故障識(shí)別訓(xùn)練算法，訓(xùn)練隱馬爾可夫模型，以在訓(xùn)練結(jié)束后，得到故障檢測(cè)模型，其中，所述電源變換器故障識(shí)別訓(xùn)練算法用于利用進(jìn)化計(jì)算方式尋優(yōu)得到隱馬爾可夫模型的最優(yōu)狀態(tài)數(shù)以及最優(yōu)狀態(tài)數(shù)對(duì)應(yīng)的最優(yōu)模型參數(shù)，且隱馬爾可夫模型的最優(yōu)狀態(tài)數(shù)中的每種狀態(tài)對(duì)應(yīng)目標(biāo)電源變換器的一種運(yùn)行狀態(tài)；

55、自檢測(cè)單元，用于將所述運(yùn)行參數(shù)輸入至所述故障檢測(cè)模型中進(jìn)行故障檢測(cè)處理，以在故障檢測(cè)處理后，得出所述目標(biāo)電源變換器的自檢測(cè)結(jié)果。

56、第三方面，提供了另一種電源變換器的自檢測(cè)裝置，以裝置為電子設(shè)備為例，包括依次通信相連的存儲(chǔ)器、處理器和收發(fā)器，其中，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述收發(fā)器用于收發(fā)消息，所述處理器用于讀取所述計(jì)算機(jī)程序，執(zhí)行如第一方面或第一方面中任意一種可能設(shè)計(jì)的所述電源變換器的自檢測(cè)方法。

57、第四方面，提供了一種存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)上存儲(chǔ)有指令，當(dāng)所述指令在計(jì)算機(jī)上運(yùn)行時(shí)，執(zhí)行如第一方面或第一方面中任意一種可能設(shè)計(jì)的所述電源變換器的自檢測(cè)方法。

58、第五方面，提供了一種包含指令的計(jì)算機(jī)程序產(chǎn)品，當(dāng)指令在計(jì)算機(jī)上運(yùn)行時(shí)，使計(jì)算機(jī)執(zhí)行如第一方面或第一方面中任意一種可能設(shè)計(jì)的所述電源變換器的自檢測(cè)方法。

59、有益效果：

60、（1）本發(fā)明通過提取用于表征變換器中不同元件工作狀態(tài)的運(yùn)行數(shù)據(jù)，來進(jìn)行電源變換器的故障自檢測(cè)，并同時(shí)構(gòu)建了利用其歷史運(yùn)行數(shù)據(jù)來訓(xùn)練得到的隱馬爾可夫模型；如此，將電源變換器的不同元件的運(yùn)行數(shù)據(jù)輸入至前述訓(xùn)練后的隱馬爾可夫模型，則可得出電源變換器的實(shí)時(shí)運(yùn)行狀態(tài)，而在得到實(shí)時(shí)運(yùn)行狀態(tài)后，則可完成電源變換器的故障自檢測(cè)；由此，本發(fā)明以用于表征不同元件工作狀態(tài)的運(yùn)行數(shù)據(jù)為基礎(chǔ)來進(jìn)行故障自檢測(cè)，相比于傳統(tǒng)技術(shù)，能夠?qū)﹄娫醋儞Q器的整體性能進(jìn)行有效評(píng)估，從而可實(shí)現(xiàn)電源變換器的有效故障檢測(cè)。