CN105334472A - 矿用本安电源在线剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种矿用本安电源在线剩余寿命预测方法，对利用自相关法去噪后的电路输出电压、电流信号计算，获取输出电压均值、输出电流均值、负载阻抗、输出电压纹波比、Renyi小波包能量熵；基于极端学习机构建输出电压纹波比δ与负载阻抗Z_L、Renyi小波包能量熵p_r的关系函数δ＝f₁(p_r,Z_L)；基于历史及当前的p_r，利用ELM-PF算法构建对p_r的预测模型，并预测出未来的p_r；利用负载阻抗、预测的未来第q时刻的p_r(q)，及关系函数δ＝f₁(p_r,Z_L)，求取未来第q时刻输出电压纹波比，并由规定的δ失效阈值，获取待测本安电源剩余寿命。本发明可用于开关电源电路故障诊断或故障预测技术领域中，能在线准确评估矿用本安电源剩余寿命。

Description

矿用本安电源在线剩余寿命预测方法

技术领域

本发明涉及电路故障预测与健康管理技术领域，尤其涉及一种矿用本安电源在线剩余寿命预测方法。

背景技术

本安电源是煤矿本安***中不可缺少的部分，其质量与可靠性直接影响负载设备的稳定性、可靠性与准确性，甚至关系到整个矿井的生产安全。作为电气化装置的供电核心，对矿用本安电源开展准确有效的故障预测与剩余寿命评估，能确定当前或预知电源电路未来的健康状况(如故障、健康或亚健康等)，可为设备的维护维修提供决策依据，从而降低故障风险，为***的安全、可靠运行提供保障。

矿用本安电源工作环境存在强电磁干扰，电源电路信号既与电路健康状况有关，又受负载影响，因此，对矿用本安电源的剩余寿命的有效准确预测较为困难。为此，本发明结合本安电源的性能指标要求，提出一种矿用本安电源寿命在线寿命预测新方法。该方法通过对在线监测的电源电路信号进行自相关去噪，计算电源输出电压Renyi小波包能量熵，构建本安电源寿命预测模型，建立输出电压Renyi小波包能量熵、负载阻抗与输出电压纹波比关系函数，最终评估待测电源剩余寿命。本发明能够解决矿用本安电源的强电磁干扰、负载波动等影响矿用本安电源剩余寿命预测准确度的问题，能够实现矿用本安电源的高精度剩余寿命预测及可靠性评估。

发明内容

本发明的目的在于提供一种矿用本安电源在线剩余寿命预测方法，用于判定本安电源的健康状况，为实现高效准确的预测及健康管理提供保障，以及时采取措施，保障用电***的安全可靠运行。

为了达成上述目的，本发明的解决方案是：

矿用本安电源在线剩余寿命预测方法，包括以下步骤(1)～(7)：

(1)在线检测电源输出电压信号u_o(t)，输出电流信号i_o(t)，利用自相关法分别对所测输出电压u_o(t)、电流信号i_o(t)去噪，得到无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)；

(2)利用u_o ^*(t)、i_o ^*(t)计算输出电压均值U_o、输出电流均值I_o、负载阻抗Z_L、输出电压纹波比δ，其中u_max、u_min分别为输出电压最大值和最小值；

(3)计算无噪声输出电压信号u_o ^*(t)的Renyi小波包能量熵p_r；

(4)利用极端学习机(ExtremeLearningMachine，ELM)构建输出电压纹波比δ与负载阻抗Z_L、Renyi小波包能量熵p_r的关系函数，即为δ＝f₁(p_r，Z_L)；

(5)基于p_r历史及当前数据，利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对p_r的预测模型，并预测出未来第q时刻的Renyi小波包能量熵p_r(q)；

(6)利用负载阻抗Z_L(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵p_r(q)，步骤(4)中所建立的δ＝f₁(p_r，Z_L)，求取未来第q时刻输出电压纹波比δ(q)；

(7)根据规定的δ失效阈值，利用步骤(6)中所得的输出电压纹波比δ(q)，求取出本安电源剩余寿命。

本发明的矿用本安电源在线剩余寿命预测方法，所述步骤(1)中利用自相关法去除输出电压、输出电流噪声的具体步骤为(1.1)～(1.2)：

(1.1)分别求取电源输出电压信号u_o(t)、输出电流信号i_o(t)的自相关函数，记为R_u(τ)、R_i(τ)，即：

$R_u\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[u_o\left(t\right)u_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(1)

$R_i\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[i_o\left(t\right)i_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(2)

其中T为截取信号的时间区间，τ为延时参数；

(1.2)u_o(t)、i_o(t)去除延时τ＝0及τ最大值附近的数据即为无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)。

本发明的矿用本安电源在线剩余寿命预测方法，所述步骤(3)中，计算无噪声输出电压信号u_o ^*(t)的Renyi小波包能量熵的计算步骤为(2.1)～(2.3)：

(2.1)对u_o ^*(t)进行4层小波包分解，小波基函数采用db4函数，小波包分解为现有成熟技术，具体不再赘述：

(2.2)计算小波包分解后的各频带能量，即其中i＝1，2，…，16，表示经小波包分解后节点S(j，n)所对应的第m个系数，N为信号长度；

(2.3)计算Renyi小波包能量熵p_r，具体为其中0＜α＜1，此处优选α＝0.45。

本发明的矿用本安电源在线剩余寿命预测方法，所述步骤(4)中，构建输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数的具体步骤为(3.1)～(3.3)：

(3.1)选取c组历史时刻的Renyi小波包能量熵p_r、输出电压纹波比δ及负载阻抗Z_L，记为{p_r(k-c+1)，p_r(k-c+2)，…，p_r(k)}，{δ(k-c+1)，δ(k-c+2)，…，δ(k)}，{Z_L(k-c+1)，Z_L(k-c+2)，…，Z_L(k)}，其中1≤c≤k，k为当前时刻；

(3.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层，其中2个输入量、1个输出量，隐层神经元个数为15；

(3.3)以p_r(i)、Z_L(i)作为ELM的输入、以δ(i)作为极端学习机的输出，共c组样本训练ELM，训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，其中i＝k-c+1，…，k。

本发明的矿用本安电源在线剩余寿命预测方法，所述步骤(5)中，利用ELM-MPF算法构建对p_r的预测模型，并预测出未来第q时刻的Renyi小波包能量熵p_r(q)的具体步骤为(4.1)～(4.3)：

(4.1)选取l组历史时刻的输出电压Renyi小波包能量熵p_r，记为{p_r(k-l+1)，p_r(k-l+2)，…，p_r(k)}，其中1≤l≤k，k为当前时刻；

(4.2)设置ELM结构为输入层、输出层和1个隐层，其中4个输入量，单个输出量、隐层神经元个数为20，以p_r(i-4)、p_r(i-3)、p_r(i-2)和p_r(i-1)作为ELM的输入、以p_r(i)作为ELM的输出，训练ELM，训练后的ELM作为Renyi小波包能量熵p_r的状态转换函数，即p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，其中i＝k-l+1，…，k；

(4.3)利用步骤(4.2)中所建立的Renyi小波包能量熵p_r状态转换函数p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，采用多阶粒子滤波算法(MultiParticleFilter，MPF)预测第q时刻的Renyi小波包能量熵p_r(q)，具体实现为：

(4.3.1)使用p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))状态转换，得到***状态空间模型如式(3)，

$\left\{\begin{array}{c}{p}_r\left(i\right)=f_2(p_r(i-1),p_r(i-2),p_r(i-3),p_r(i-4))+w_{i-1}\\ y\left(i\right)=p_r\left(i\right)+v_{i-1}\end{array}\right.$ 式(3)

式(3)中，w_i-1为***噪声，v_i-1为观测噪声，y(i)为观测值；

(4.3.2)随机生成初始粒子j＝1，2，…，N_s，N_s为粒子数，令i＝k，k为当前时刻点；

(4.3.3)将步骤(4.3.2)中的代入式(3)，计算得到y^j(i)；

(4.3.4)由已知状态参数p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4)，利用式(3)计算得p_r(i)，y(i)；

(4.3.5)计算每个粒子误差e_j＝y^j(i)-y(i)，j＝1，2，…，N_s；

(4.3.6)由每个粒子误差大小，确定每个粒子权重w_j，即：

$w_j=\left(\frac{1}{\sqrt{2\mathrm{\πR}}}{e}^{-\frac{{e_j}^2}{2R}}\right)/\underset{j=1}{\overset{N_s}{\mathrm{\Σ}}}\left(\frac{1}{\sqrt{2\mathrm{\πR}}}{e}^{-\frac{{e_j}^2}{2R}}\right)$ 式(4)

(4.3.7)计算p_r(i)的预测值 ${\hat{p}}_r\left(i\right)=\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}\left(w_j{p}_r^j\left(i\right)\right);$

(4.3.8)粒子重采样、粒子更新，具体方法为：

有效粒子数为有效粒子阈值若则进行重采样，具体步骤为：

对第j个粒子j＝1，2，…，N_s，计算权重累加和N_R＝1，2，…，N_s，若 $\underset{j=1}{\overset{N_R}{\mathrm{\Σ}}}{w}_j\≥0.65,$ 则 $p_r^j(i-1)=p_r^{N_R}(i-1),p_r^j(i-2)=p_r^{N_R}(i-2),$ $p_r^j(i-3)=p_r^{N_R}(i-3),p_r^j(i-4)=p_r^{N_R}(i-4);$

(4.3.9)令i＝i+1，转步骤(4.3.3)，进行下一步预测，若进行前向s步预测，则循环执行s次，得到预测值p_r(q)＝p_r(k+s)＝p_r(i)。

本发明的矿用本安电源在线剩余寿命预测方法，所述步骤(7)中，求取本安电源剩余寿命的具体实现为：

若当前时刻为k时刻，待测本安电源故障阈值设置为电源输出电压纹波比δ₀＝10％，

(5.1)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(5)中的ELM-MPF算法进行前向s步预测，得到(k+s)时刻的输出电压Renyi小波包能量熵p_r(k+s)；

(5.2)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，步骤(5.1)所得的p_r(k+s)，求解出(k+s)时刻的输出电压纹波比δ(k+s)；

(5.3)将步骤(5.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ₀相比，若δ(k+s)≥δ₀，则待测本安电源剩余寿命为t_RUL＝s·Δh，其中Δh为p_r的历史及当前时间序列数据的时间间隔。

附图说明

图1是矿用本安电源在线剩余寿命预测方法流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

本发明提供一种矿用本安电源在线寿命预测方法，其总体思路为，首先利用自相关法对电路输出电压、电流信号去噪，利用去噪后的输出电压和电流信号计算得到输出电压均值、输出电流均值、负载阻抗、输出电压纹波比、Renyi小波包能量熵；然后，基于极端学习机构建输出电压纹波比δ与负载阻抗Z_L、Renyi小波包能量熵p_r的关系函数δ＝f₁(p_r，Z_L)；基于p_r历史及当前数据，利用ELM-PF(ExtremeLearningMachine-ParticleFilter)算法构建对p_r的预测模型，并预测出未来时刻的Renyi小波包能量熵；最后，利用负载阻抗Z_L、预测的未来第q时刻的Renyi小波包能量熵p_r(q)，及关系函数δ＝f₁(p_r，Z_L)，求取未来第q时刻输出电压纹波比δ(q)，并根据规定的δ失效阈值，获取待测本安电源剩余寿命。本发明方法尤其适用于煤矿等存在强电磁干扰工作环境的本安电源、且不受电路输入电压及负载波动等工作条件影响，能够实现矿用本安电源的剩余寿命的准确预测。

如图1所示，本发明的矿用本安电源在线剩余寿命预测方法，具体实施包括以下步骤：

(1)在线检测电源输出电压信号u_o(t)，输出电流信号i_o(t)，利用自相关法分别对所测输出电压u_o(t)、电流信号i_o(t)去噪，得到无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)，具体步骤为(1.1)～(1.2)：

(1.1)分别求取电源输出电压信号u_o(t)、输出电流信号i_o(t)的自相关函数，记为R_u(τ)、R_i(τ)，即：

$R_u\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[u_o\left(t\right)u_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(1)

$R_i\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[i_o\left(t\right)i_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(2)

其中T为截取信号的时间区间，τ为延时参数；

(1.2)u_o(t)、i_o(t)去除延时τ＝0及τ最大值附近的数据即为无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)。

(2)利用u_o ^*(t)、i_o ^*(t)计算输出电压均值U_o、输出电流均值I_o、负载阻抗Z_L、输出电压纹波比δ，其中u_max、u_min分别为输出电压最大值和最小值；

(3)计算无噪声输出电压信号u_o ^*(t)的Renyi小波包能量熵p_r，具体实现步骤为(3.1)～(3.3)：

(3.1)对u_o ^*(t)进行4层小波包分解，小波基函数采用db4函数，小波包分解为现有成熟技术，具体不再赘述；

(3.2)计算小波包分解后的各频带能量，即其中i＝1，2，…，16，表示经小波包分解后节点S(j，n)所对应的第m个系数，N为信号长度；

(3.3)计算Renyi小波包能量熵p_r，具体为其中0＜α＜1，此处优选α＝0.45。

(4)利用极端学习机(ExtremeLearningMachine，ELM)构建输出电压纹波比δ与负载阻抗Z_L、Renyi小波包能量熵p_r的关系函数，即为δ＝f₁(p_r，Z_L)，具体实现步骤为(4.1)～(4.3)：

(4.1)选取c组历史时刻的Renyi小波包能量熵p_r、输出电压纹波比δ及负载阻抗Z_L，记为{p_r(k-c+1)，p_r(k-c+2)，…，p_r(k)}，{δ(k-c+1)，δ(k-c+2)，…，δ(k)}，{Z_L(k-c+1)，Z_L(k-c+2)，…，Z_L(k)}，其中1≤c≤k，k为当前时刻；

(4.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层，其中2个输入量、1个输出量，隐层神经元个数为15；

(4.3)以p_r(i)、Z_L(i)作为ELM的输入、以δ(i)作为极端学习机的输出，共c组样本训练ELM，训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，其中i＝k-c+1，…，k。

(5)基于p_r历史及当前数据，利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对p_r的预测模型，并预测出未来第q时刻的Renyi小波包能量熵p_r(q)，具体实现步骤为(5.1)～(5.3)：

(5.1)选取l组历史时刻的输出电压Renyi小波包能量熵p_r，记为{p_r(k-l+1)，p_r(k-l+2)，…，p_r(k)}，其中1≤l≤k，k为当前时刻；

(5.2)设置ELM结构为输入层、输出层和1个隐层，其中4个输入量，单个输出量、隐层神经元个数为20，以p_r(i-4)、p_r(i-3)、p_r(i-2)和p_r(i-1)作为ELM的输入、以p_r(i)作为ELM的输出，训练ELM，训练后的ELM作为Renyi小波包能量熵p_r的状态转换函数，即p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，其中i＝k-l+1，…，k；

(5.3)利用步骤(5.2)中所建立的Renyi小波包能量熵p_r状态转换函数p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，采用多阶粒子滤波算法(MultiParticleFilter，MPF)预测第q时刻的Renyi小波包能量熵p_r(q)，具体实现为：

(5.3.1)使用p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))状态转换，得到***状态空间模型如式(3)，

$\left\{\begin{array}{c}{p}_r\left(i\right)=f_2(p_r(i-1),p_r(i-2),p_r(i-3),p_r(i-4))+w_{i-1}\\ y\left(i\right)=p_r\left(i\right)+v_{i-1}\end{array}\right.$ 式(3)

式(3)中，w_i-1为***噪声，v_i-1为观测噪声，y(i)为观测值；

(5.3.2)随机生成初始粒子j＝1，2，…，N_s，N_s为粒子数，令i＝k，k为当前时刻点；

(5.3.3)将步骤(5.3.2)中的代入式(3)，计算得到y^j(i)；

(5.3.4)由已知状态参数p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4)，利用式(3)计算得p_r(i)，y(i)；

(5.3.5)计算每个粒子误差e_j＝y^j(i)-y(i)，j＝1，2，…，N_s；

(5.3.6)由每个粒子误差大小，确定每个粒子权重w_j，即：

$w_j=\left(\frac{1}{\sqrt{2\mathrm{\πR}}}{e}^{-\frac{{e_j}^2}{2R}}\right)/\underset{j=1}{\overset{N_s}{\mathrm{\Σ}}}\left(\frac{1}{\sqrt{2\mathrm{\πR}}}{e}^{-\frac{{e_j}^2}{2R}}\right)$ 式(4)

(5.3.7)计算p_r(i)的预测值 ${\hat{p}}_r\left(i\right)=\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}\left(w_j{p}_r^j\left(i\right)\right);$

(5.3.8)粒子重采样、粒子更新，具体方法为：

有效粒子数为有效粒子阈值若N_eff＜N_th，则进行重采样，具体步骤为：

对第j个粒子j＝1，2，…，N_s，计算权重累加和N_R＝1，2，…，N_s，若 $\underset{j=1}{\overset{N_R}{\mathrm{\Σ}}}{w}_j\≥0.65,$ 则 $p_r^j(i-1)=p_r^{N_R}(i-1),p_r^j(i-2)=p_r^{N_R}(i-2),$ $p_r^j(i-3)=p_r^{N_R}(i-3),p_r^j(i-4)=p_r^{N_R}(i-4);$

(5.3.9)令i＝i+1，转步骤(5.3.3)，进行下一步预测，若进行前向s步预测，则循环执行s次，得到预测值p_r(q)＝p_r(k+s)＝p_r(i)。

(6)利用负载阻抗Z_L(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵p_r(q)，代入步骤(4)中所建立基于ELM的δ＝f₁(p_r，Z_L)，求取未来第q时刻输出电压纹波比δ(q)，δ(q)即为对应ELM的输出值。

(7)根据规定的δ失效阈值，利用步骤(6)中所得的输出电压纹波比δ(q)，求取出本安电源剩余寿命，具体步骤为：

若当前时刻为k时刻，待测本安电源故障阈值设置为电源输出电压纹波比δ₀＝10％，

(7.1)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(5)中的ELM-MPF算法进行前向s步预测，得到(k+s)时刻的输出电压Renyi小波包能量熵p_r(k+s)；

(7.2)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，步骤(5.1)所得的p_r(k+s)，求解出(k+s)时刻的输出电压纹波比δ(k+s)；

(7.3)将步骤(7.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ₀相比，若δ(k+s)≥δ₀，则待测本安电源剩余寿命为t_RUL＝s·Δh，其中Δh为p_r的历史及当前时间序列数据的时间间隔。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种矿用本安电源在线剩余寿命预测方法，其特征在于，包括以下步骤：

(1)在线检测电源输出电压信号u_o(t)，输出电流信号i_o(t)，利用自相关法分别对所测输出电压u_o(t)、电流信号i_o(t)去噪，得到无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)；

(2)利用u_o ^*(t)、i_o ^*(t)计算输出电压均值U_o、输出电流均值I_o、负载阻抗Z_L、输出电压纹波比δ，其中u_max、u_min分别为输出电压最大值和最小值；

(3)计算无噪声输出电压信号u_o ^*(t)的Renyi小波包能量熵p_r；

(4)利用极端学习机(ExtremeLearningMachine，ELM)构建输出电压纹波比δ与负载阻抗Z_L、Renyi小波包能量熵p_r的关系函数，即为δ＝f₁(p_r，Z_L)；

(5)基于p_r历史及当前数据，利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对p_r的预测模型，并预测出未来第q时刻的Renyi小波包能量熵p_r(q)；

(6)利用负载阻抗Z_L(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵p_r(q)，步骤(4)中所建立的δ＝f₁(p_r，Z_L)，求取未来第q时刻输出电压纹波比δ(q)；

(7)根据规定的δ失效阈值，利用步骤(6)中所得的输出电压纹波比δ(q)，求取出本安电源剩余寿命。

2.如权利要求1所述矿用本安电源在线剩余寿命预测方法，其特征在于，所述步骤(1)中利用自相关法去除输出电压、输出电流噪声的具体步骤为：

(2.1)分别求取电源输出电压信号u_o(t)、输出电流信号i_o(t)的自相关函数，记为R_u(τ)、R_i(τ)，即：

$R_u\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[u_o\left(t\right)u_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(1)

$R_i\left(\mathrm{\τ}\right)=\underset{T\→\∞}{\lim }\left(\frac{1}{2T}{\∫}_{-T}^T\right[i_o\left(t\right)i_o(t-\mathrm{\τ})\left]\mathrm{dt}\right)$ 式(2)

其中T为截取信号的时间区间，τ为延时参数；

(2.2)u_o(t)、i_o(t)去除延时τ＝0及τ最大值附近的数据即为无噪声输出电压信号u_o ^*(t)与无噪声输出电流信号i_o ^*(t)。

3.如权利要求1所述矿用本安电源在线剩余寿命预测方法，其特征在于，所述步骤(3)中，计算无噪声输出电压信号u_o ^*(t)的Renyi小波包能量熵的计算步骤为：

(3.1)对u_o ^*(t)进行4层小波包分解，小波基函数采用db4函数，小波包分解为现有成熟技术，具体不再赘述；

(3.2)计算小波包分解后的各频带能量，即其中i＝1，2，…，16，表示经小波包分解后节点S(j，n)所对应的第m个系数，N为信号长度；

(3.3)计算Renyi小波包能量熵p_r，具体为其中0＜α＜1，此处优选α＝0.45。

4.如权利要求1所述矿用本安电源在线剩余寿命预测方法，其特征在于，所述步骤(4)中，构建输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数的具体步骤为：

(4.1)选取c组历史时刻的Renyi小波包能量熵p_r、输出电压纹波比δ及负载阻抗Z_L，记为{p_r(k-c+1)，p_r(k-c+2)，…，p_r(k)}，{δ(k-c+1)，δ(k-c+2)，…，δ(k)}，{Z_L(k-c+1)，Z_L(k-c+2)，…，Z_L(k)}，其中1≤c≤k，k为当前时刻；

(4.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层，其中2个输入量、1个输出量，隐层神经元个数为15；

(4.3)以p_r(i)、Z_L(i)作为ELM的输入、以δ(i)作为极端学习机的输出，共c组样本训练ELM，训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，其中i＝k-c+1，…，k。

5.如权利要求1所述矿用本安电源在线剩余寿命预测方法，其特征在于，所述步骤(5)中，利用ELM-MPF算法构建对p_r的预测模型，并预测出未来第q时刻的Renyi小波包能量熵p_r(q)的具体步骤为：

(5.1)选取l组历史时刻的输出电压Renyi小波包能量熵p_r，记为{p_r(k-l+1)，p_r(k-l+2)，…，p_r(k)}，其中1≤l≤k，k为当前时刻；

(5.2)设置ELM结构为输入层、输出层和1个隐层，其中4个输入量，单个输出量、隐层神经元个数为20，以p_r(i-4)、p_r(i-3)、p_r(i-2)和p_r(i-1)作为ELM的输入、以p_r(i)作为ELM的输出，训练ELM，训练后的ELM作为Renyi小波包能量熵p_r的状态转换函数，即p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，其中i＝k-l+1，…，k；

(5.3)利用步骤(5.2)中所建立的Renyi小波包能量熵p_r状态转换函数p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))，采用多阶粒子滤波算法(MultiParticleFilter，MPF)预测第q时刻的Renyi小波包能量熵p_r(q)，具体实现为：

(5.3.1)使用p_r(i)＝f₂(p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4))状态转换，得到***状态空间模型如式(3)，

$\left\{\begin{array}{c}{p}_r\left(i\right)=f_2(p_r(i-1),p_r(i-2),p_r(i-3),p_r(i-4))+w_{i-1}\\ y\left(i\right)=p_r\left(i\right)+v_{i-1}\end{array}\right.$ 式(3)

式(3)中，w_i-1为***噪声，v_i-1为观测噪声，y(i)为观测值；

(5.3.2)随机生成初始粒子j＝1，2，…，N_s，N_s为粒子数，令i＝k，k为当前时刻点；

(5.3.3)将步骤(5.3.2)中的代入式(3)，计算得到y^j(i)；

(5.3.4)由已知状态参数p_r(i-1)，p_r(i-2)，p_r(i-3)，p_r(i-4)，利用式(3)计算得p_r(i)，y(i)；

(5.3.5)计算每个粒子误差e_j＝y^j(i)-y(i)，j＝1，2，…，N_s；

(5.3.6)由每个粒子误差大小，确定每个粒子权重w_j，即：

$w_j=\left(\frac{1}{\sqrt{2\mathrm{\πR}}}{e}^{-\frac{{e_j}^2}{2R}}\right)/\underset{j=1}{\overset{N_s}{\mathrm{\Σ}}}(\frac{1}{\sqrt{2\mathrm{\πR}}}e-\frac{{e_j}^2}{2R})$ 式(4)

(5.3.7)计算p_r(i)的预测值 ${\hat{p}}_r\left(i\right)=\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}\left(w_j{p}_r^j\left(i\right)\right);$

(5.3.8)粒子重采样、粒子更新，具体方法为：

有效粒子数为有效粒子阈值若N_eff＜N_th，则进行重采样，具体步骤为：

对第j个粒子j＝1，2，...，N_s，计算权重累加和N_R＝1，2，...，N_s，若 $\underset{j=1}{\overset{N_R}{\mathrm{\Σ}}}{w}_j\≥0.65,$ 则 $p_r^j(i-1)=p_r^{N_R}(i-1),p_r^j(i-2)=p_r^{N_R}(i-2),$ $p_r^j(i-3)=p_r^{N_R}(i-3),p_r^j(i-4)=p_r^{N_R}(i-4);$

(5.3.9)令i＝i+1，转步骤(5.3.3)，进行下一步预测，若进行前向s步预测，则循环执行s次，得到预测值p_r(q)＝p_r(k+s)＝p_r(i)。

6.如权利要求1所述矿用本安电源在线剩余寿命预测方法，其特征在于，所述步骤(7)中，求取本安电源剩余寿命的具体实现为：

若当前时刻为k时刻，待测电源故障阈值设置为输出电压纹波比δ₀＝10％，

(6.1)利用步骤(5)中的ELM-MPF算法进行前向s步预测，得到(k+s)时刻的输出电压Renyi小波包能量熵p_r(k+s)；

(6.2)利用步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵p_r、负载阻抗Z_L的关系函数δ＝f₁(p_r，Z_L)，步骤(6.1)所得的p_r(k+s)，求解出(k+s)时刻的输出电压纹波比δ(k+s)；

(6.3)将步骤(6.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ₀相比，若δ(k+s)≥δ₀，则待测电源剩余寿命为t_RUL＝s·Δh，其中Δh为p_r的历史及当前时间序列数据的时间间隔。