CN104049159A - 逆变器的故障检测方法和检测装置 - Google Patents

逆变器的故障检测方法和检测装置 Download PDF

Info

Publication number
CN104049159A
CN104049159A CN201410208186.XA CN201410208186A CN104049159A CN 104049159 A CN104049159 A CN 104049159A CN 201410208186 A CN201410208186 A CN 201410208186A CN 104049159 A CN104049159 A CN 104049159A
Authority
CN
China
Prior art keywords
neural network
signal
network model
inverter
fourier transform
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
Application number
CN201410208186.XA
Other languages
English (en)
Inventor
何佳
韩晓艳
郑平
李津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Beijing BOE Energy Technology Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing BOE Energy Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd, Beijing BOE Energy Technology Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201410208186.XA priority Critical patent/CN104049159A/zh
Publication of CN104049159A publication Critical patent/CN104049159A/zh
Priority to US14/597,311 priority patent/US20150331062A1/en
Pending legal-status Critical Current

Links

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
    • G01R31/42—AC power supplies
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/12—Arrangements for reducing harmonics from ac input or output

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Inverter Devices (AREA)

Abstract

本发明提供一种逆变器的故障检测方法，该故障检测方法包括：S10、将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；S20、对傅里叶变换后的电压谐波信号进行分类；S30、确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。相应地，本发明还提供一种逆变器的故障检测装置。与现有技术相比，本发明能够提高逆变器的故障检测效率。

Description

逆变器的故障检测方法和检测装置
技术领域
本发明涉及逆变器的故障检测领域，尤其涉及一种逆变器的故障检测方法和逆变器的故障检测装置。
背景技术
逆变器是一种把直流电转变为交流电的变压器，广泛适用于电动工具、电脑、电视、洗衣机、风扇等电器。级联逆变器的输出端可以有多个电平的输出从而得到了广泛应用，随着级联逆变输出电平数的增加，对应的电路中的功率器件的数目也随之增加，使得电路的结构和控制方式更加复杂，同时使得设备的故障率增加，因而逆变器的故障检测尤为重要。现有的逆变器检测方法主要有：基于知识和经验的故障检测和基于支持向量机的故障检测方法等。
但是这些方法的检测效率较低，需要检测电路中多个位置，且应用范围较窄，不能适用于多种结构不同的电路。
发明内容
本发明的目的在于提供一种逆变器的故障检测方法和检测装置，以提高逆变器的故障检测效率。
为了实现上述目的，本发明提供一种逆变器的故障检测方法，该故障检测方法包括：
S10、将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
S20、对傅里叶变换后的电压谐波信号进行分类；
S30、确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
优选地，在所述步骤S20中，利用神经网络模型对傅里叶变换后的电压谐波信号进行分类。
优选地，所述逆变器的输出电压信号包括模拟电压信号，所述步骤S10包括：
S11、将所述逆变器的输出的模拟电压信号转换为数字电压信号；
S12、将转换后的数字电压信号进行傅里叶变换。
优选地，所述傅里叶变换包括快速傅里叶变换。
优选地，所述步骤S20包括：
S21、将所述神经网络模型的输入信号进行归一化；
S22、将所述归一化后的值进行降维。
优选地，所述故障检测方法还包括在所述步骤S10之前执行的至少一次神经网络模型的训练过程，该训练过程包括：
S01、将逆变器的在预设故障状态下的输出信号进行傅里叶变换，得到电压谐波信号；
S02、将所述步骤S01中经傅里叶变换后的谐波信号输入神经网络模型的输入层；
S03、根据所述神经网络模型的输入信号和神经网络模型的预设输出信号确定所述神经网路模型的权值，以确定所述神经网络模型的分类机制，所述神经网络模型的预设输出信号与所述预设故障状态对应。
优选地，所述故障检测方法包括多次神经网络模型的训练过程，该多次神经网络模型的训练过程包括：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。
优选地，所述故障检测方法还包括在所述步骤S10之前执行的至少一次神经网络模型的测试过程，该测试过程包括：
S04、将逆变器的调制比的值调节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行傅里叶变换；
S05、将傅里叶变换后的谐波信号输入所述神经网络模型；
S06、比较所述神经网络模型的实际输出信号和所述预设输出信号是否一致，若是，则所述神经网络模型训练成功；若否，则所述神经网络模型训练失败。
优选地，所述故障检测方法包括多次执行的神经网络模型的测试过程。
相应地，本发明还提供一种逆变器的故障检测装置，所述故障检测装置包括：
信号变换单元，用于将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
分类单元，用于对傅里叶变换后的电压谐波信号进行分类；
故障确定单元，用于确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
优选地，所述分类单元内设置有神经网络模型，该神经网络模型用于对傅里叶变换后的电压谐波信号进行分类。
优选地，所述逆变器的输出电压信号包括模拟电压信号，所述故障检测装置还包括连接在所述逆变器与所述信号变换单元之间的模数转换单元，该模数转换单元能够将所述逆变器输出的模拟电压信号转换为数字电压信号，且所述信号变换单元能够将转换后的数字电压信号进行傅里叶变换。
优选地，所述分类单元能够将所述神经网络模型的输入信号进行归一化并将所述归一化后的信号进行降维。
与现有技术中的检测逆变器电路的多个位置相比，本发明通过对逆变器的输出电压信号进行傅里叶变换，从而将难以处理的时域信号转换为便于分析的频域信号，由于傅里叶变换可以应用于多种信号，因而检测效率得到提高，适用范围有所增大；且快速傅里叶变换进一步提高了检测效率；另一方面，利用神经网络模型对电压谐波信号进行分类以确定各类型电压谐波信号所对应的故障类型，进而确定逆变器的输出电压信号所对应的故障类型，提高了逆变器的故障检测效率。同时，可以减少电压检测器件的使用，降低系统成本。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1所示的是本发明所提供的逆变器的故障检测方法流程图；
图2所示的是本发明所提供的逆变器的故障检测装置结构示意图。
其中附图标记为：10、信号变换单元；20、分类单元；30、故障确定单元；40、模数转换单元；41、采样保持电路；42、A/D转换电路。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明提供一种逆变器的故障检测方法，如图1所示，该故障检测方法包括：
S10、将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
S20、对傅里叶变换后的电压谐波信号进行分类；
S30、确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
傅里叶变换将原来难以处理的时域信号转换为便于分析的频域信号，通过对傅里叶变换后的电压谐波信号进行分类，从而确定各类型电压谐波信号所对应的故障类型，进而确定逆变器的输出电压信号所对应的故障类型。与现有技术中的检测电路的多个位置相比，可以提高故障检测效率，且傅里叶变换对各种不同电压信号进行变换，即对不同结构的逆变器电路进行检测，提高了检测方法的适用范围；同时，避免了对电路中多个位置进行检测，降低了系统成本。
本发明可以采用多种方法对傅里叶变换后的电压谐波信号进行分类，为了提高分类的准确度和分类速度，作为本发明的一种优选实施方式，利用神经网络模型对傅里叶变换后的电压谐波信号进行分类。
具体地，所述神经网络模型的输入层可以设置有20～50个输入节点，将傅里叶变换后得到的各次谐波信号依次输入各个输入节点，例如，将基波信号输入第一个输入节点，一次谐波信号输入第二个输入节点，二次谐波信号输入第三个输入结点，以此类推。所述神经网络模型的输出层的输出节点的数量可以根据逆变器可能出现的故障的类别数而进行设置。以所述逆变器包括10个功率器件为例，当只考虑其中一个功率器件发生故障的情况时，所述逆变器的故障状态有10种，分别为：第一个功率器件发生故障，第二个功率器件发生故障，第三个功率器件发生故障等等。这种情况下，所述神经网络模型的输出节点的数量可以设置为4个，每个节点可以输出0、1两种信号，因而所述神经网络模型共可以输出16种不同的信号，其中的10种不同的信号与10种故障类型相对应。例如，当所述神经网络模型的输出为0001时，可以判断逆变器的第一个功率器件发生故障；当所述神经网络模型的输出为0010时，可以判断逆变器的第二个功率器件发生故障，以此类推。
所述神经网络模型可以有多种输出形式，例如可以在输出层设置多个节点，也可以设置多个子神经网络模型，每个子神经网络模型的输出层设置一个输出节点，只要可以输出不同的信号以区别不同的故障状态即可。
应用神经网络模型的好处在于，可以提高分类效率，对于结构复杂而可能发生多种故障的逆变器，应用所述神经网络模型可以提高检测效率，换言之，本发明尤其适用于级联逆变器。
通常，所述逆变器的输出电压信号包括模拟电压信号，所述步骤S10可以包括：
S11、将所述逆变器的输出的模拟电压信号转换为数字电压信号；
S12、将转换后的数字电压信号进行傅里叶变换。
本领域技术人员可以理解的是，所述步骤S11中将模拟电压信号转换为数字电压信号的过程可以包括：对所述逆变器的输出的模拟电压信号进行采样、保持、量化和编码四个过程。为了保证转换精度，可以在采样过程之前对所述模拟电压信号进行滤波，以降低所述模拟电压信号中的混叠成分。
为了提高傅里叶变换的效率，更进一步地，所述傅里叶变换可以包括快速傅里叶变换，采用快速傅里叶变换的方法可以减少运算量，节省运算时间。
为了提高神经网络模型的分类速率，更进一步，步骤S20包括：
S21、将所述神经网络模型的输入信号进行归一化。本发明对所述归一化的方法不作具体限制，例如，可以采用Z-scoring的方法进行归一化，即：对于待归一化的数组X＝[x1,x2,…xn]，该数组的均值为XM，标准差为XS，则xi(1≤i≤n)归一化后的值为：(xi-XM)/XS；
S22、将所述归一化后的输入信号进行降维。具体地，可以采用主成分分析的方法进行降维，使得输入的谐波信号的数量减少，以进一步提高神经网络模型的分类速率。例如，将神经网络模型输入层的输入信号的维度由20～50降低至5～8，即傅里叶变换后产生的20～50个谐波信号变换为5～8个谐波信号，且变换后的5～8个谐波信号包含原有的20～50个谐波信号中的主要信息。输入信号的维度降低的有益效果在于能够提高神经网络模型的分类效率，而对分类精度影响很小。
为了提高所述神经网络效率的分类效果，更进一步地，所述故障检测方法还包括在步骤S10之前执行的至少一次神经网络模型的训练过程，该训练过程包括：
S01、将逆变器的在预设故障状态下的输出信号进行傅里叶变换，得到谐波信号；
S02、将步骤S01中经傅里叶变换后的谐波信号输入神经网络模型的输入层；
S03、根据所述神经网络模型的输入信号和神经网络模型预设输出信号确定所述神经网路模型的权值，以确定所述神经网络模型的分类机制，所述神经网络模型的预设输出信号与所述预设故障状态对应。
例如，预设故障状态可以为第一个功率器件发生故障，相应的预设输出信号为0001，将所述神经网络模型的权值初始化为初始值，此时，将逆变器的输出信号进行傅里叶变换，之后将傅里叶变换后得到的谐波信号输入神经网络模型的输入层，根据神经网络模型实际的输出信号和预设输出信号(0001)之间的差值调节所述神经网络的权值，直至神经网络模型实际的输出信号与预设输出信号之间的误差在预设范围内或权值的调节次数达到预设次数为止，此时得到的权值作为神经网络模型的权值，从而确定所述神经网络模型的分类机制，即，当对逆变器的故障状态进行检测时，若神经网络模型的输出信号为0001，则判断逆变器的故障为第一个功率器件发生故障。可以理解的是，所述权值包括神经网络模型的输入层与隐含层之间的权值以及神经网络模型的隐含层与输出层之间的权值。
所述故障检测方法可以包括一次神经网络模型的训练过程，也可以包括多次神经网络模型的训练过程。为了提高训练得到的权值的准确性，作为本发明的一种优选实施方式，所述故障检测方法包括多次神经网络模型的训练过程：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。例如，可以调节逆变器的调制比分别为0.6、0.7、0.8和0.9，将逆变器的第一个功率器件发生故障时所对应的预设输出信号设置为0001，第二个功率器件发生故障时所对应的预设输出信号设置为0010，第三个功率器件发生故障时所对应的预设输出信号设置为0011，依次类推。每得到一个调制比，将所有故障状态所对应的逆变器的输出信号进行傅里叶变换，并将多个输出信号对应的谐波信号形成的信号矩阵作为神经网络模型的输入，多个输出信号对应的预设输出信号所形成的信号矩阵作为神经网络模型的输出，以确定神经网络模型的权值。应当理解的是，调制比为不同时训练得到的神经网络模型的权值是相同的。
为了对所述神经网络模型进行测试，更进一步地，所述故障检测方法还包括在所述步骤S10之前执行的至少一次神经网络模型的测试过程，该测试过程包括：
S04、将逆变器的调制比的值调节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行傅里叶变换；
S05、将傅里叶变换后的谐波信号输入所述神经网络模型；
S06、比较所述神经网络模型的实际输出信号和所述预设输出信号是否一致，若是，则所述神经网络模型训练成功；若否，则所述神经网络模型训练失败。
如上文中所举例说明的在逆变器的调制比分别为0.6、0.7、0.8和0.9的情况下执行神经网络模型的训练过程，则所述测试过程中逆变器的调制比可以调节不同于训练过程中的调制比(0.6、0.7、0.8和0.9)的其他任意值。以所述测试过程中的调制比为0.65为例，当训练过程中第一个功率器件发生故障所对应的预设输出信号为0001时，将逆变器的在第一个功率器件发生故障时的输出电压信号进行傅里叶变换后输入至所述神经网络模型，若此时神经网络模型的实际输出信号为0001，则神经网络模型训练成功。可以理解的是，所述训练过程是根据多种故障类型以及各故障类型所对应的多个预设输出信号来确定神经网络的权值的，相应地，在测试过程中，需要对多种故障类型所对应的实际输出信号分别与多种故障类型所对应的多个预设输出信号进行比较，当多种故障类型所对应的实际输出信号与多种故障类型多对应的多个预设输出信号均相同时，则神经网络模型训练成功。即，当第二个功率器件发生故障所对应的预设输出信号为0010时，所述神经网络模型的实际输出信号为0010，当第三个功率器件发生故障所对应的预设输出信号为0011时，所述神经网络模型的实际输出信号为0011，以此类推。
为了提高所述神经网络模型的测试效果，更进一步地，所述故障检测方法可以包括多次执行的神经网络模型的测试过程。每次测试过程的调制比均不同于所述训练过程的调制比。
上述为本发明所提供的逆变器的故障检测方法的描述，可以看出，本发明通过对逆变器的输出电压信号进行傅里叶变换，从而将难以处理的时域信号转换为便于分析的频域信号，与现有技术中的检测电路的多个位置相比，由于傅里叶变换可以应用于各种不同的信号，因而所述检测方法的效率得到提高，适用范围有所增大；且快速傅里叶变换进一步提高了检测效率；另一方面，利用神经网络模型对电压谐波信号进行分类以确定各类型电压谐波信号所对应的故障类型，进而确定逆变器的输出电压信号所对应的故障类型，提高了检测效率。同时，避免了对电路中多个位置进行检测，减少了电压检测器件的使用，降低了系统成本。
作为本发明的另一方面，提供一种逆变器的故障检测装置，如图2所示，所述故障检测装置可以包括：
信号变换单元10，用于将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
分类单元20，用于对傅里叶变换后的电压谐波信号进行分类；
故障确定单元30，用于确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
分类单元20可以采用多种方式对傅里叶变换后的电压谐波信号进行分类，作为本发明的一种具体实施方式，分类单元20内设置有神经网络模型，该神经网络模型用于对傅里叶变换后的电压谐波信号进行分类。
通常，所述逆变器的输出电压信号包括模拟电压信号，为了对便于对所述逆变器的输出电压进行处理，更进一步地，所述故障检测装置还包括连接在所述逆变器与信号变换单元10之间的模数转换单元40，该模数转换单元40可以将所述逆变器输出的模拟电压信号转换为数字电压信号，且信号变换单元10可以将转换后的数字电压信号进行傅里叶变换。
具体地，模数转换单元40可以包括采样保持电路41和A/D转换电路42，为了降低模拟电压信号中的混叠成分，模数转换单元40还可以包括反混叠滤波器(未示出)。
为了提高检测效率，更进一步地，分类单元20可以将所述神经网络模型的输入信号进行归一化并将所述归一化后的信号进行降维，以提高所述神经网络模型的分类效率。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (13)

1.一种逆变器的故障检测方法，其特征在于，该故障检测方法包括：
S10、将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
S20、对傅里叶变换后的电压谐波信号进行分类；
S30、确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
2.根据权利要求1所述的逆变器的故障检测方法，其特征在于，在所述步骤S20中，利用神经网络模型对傅里叶变换后的电压谐波信号进行分类。
3.根据权利要求1所述的逆变器的故障检测方法，其特征在于，所述逆变器的输出电压信号包括模拟电压信号，所述步骤S10包括：
S11、将所述逆变器的输出的模拟电压信号转换为数字电压信号；
S12、将转换后的数字电压信号进行傅里叶变换。
4.根据权利要求3所述的逆变器的故障检测方法，其特征在于，所述傅里叶变换包括快速傅里叶变换。
5.根据权利要求2所述的逆变器的故障检测方法，其特征在于，所述步骤S20包括：
S21、将所述神经网络模型的输入信号进行归一化；
S22、将所述归一化后的值进行降维。
6.根据权利要求2所述的逆变器的故障检测方法，其特征在于，所述故障检测方法还包括在所述步骤S10之前执行的至少一次神经网络模型的训练过程，该训练过程包括：
S01、将逆变器的在预设故障状态下的输出信号进行傅里叶变换，得到电压谐波信号；
S02、将所述步骤S01中经傅里叶变换后的谐波信号输入神经网络模型的输入层；
S03、根据所述神经网络模型的输入信号和神经网络模型的预设输出信号确定所述神经网路模型的权值，以确定所述神经网络模型的分类机制，所述神经网络模型的预设输出信号与所述预设故障状态对应。
7.根据权利要求6所述的逆变器的故障检测方法，其特征在于，所述故障检测方法包括多次神经网络模型的训练过程，该多次神经网络模型的训练过程包括：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。
8.根据权利要求7所述的逆变器的故障检测方法，其特征在于，所述故障检测方法还包括在所述步骤S10之前执行的至少一次神经网络模型的测试过程，该测试过程包括：
S04、将逆变器的调制比的值调节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行傅里叶变换；
S05、将傅里叶变换后的谐波信号输入所述神经网络模型；
S06、比较所述神经网络模型的实际输出信号和所述预设输出信号是否一致，若是，则所述神经网络模型训练成功；若否，则所述神经网络模型训练失败。
9.根据权利要求7所述的逆变器的故障检测方法，其特征在于，所述故障检测方法包括多次执行的神经网络模型的测试过程。
10.一种逆变器的故障检测装置，其特征在于，所述故障检测装置包括：
信号变换单元，用于将逆变器的输出电压信号进行傅里叶变换，以得到电压谐波信号；
分类单元，用于对傅里叶变换后的电压谐波信号进行分类；
故障确定单元，用于确定各种类型的傅里叶变换后的电压谐波信号所对应的故障类型。
11.根据权利要求10所述的逆变器的故障检测装置，其特征在于，所述分类单元内设置有神经网络模型，该神经网络模型用于对傅里叶变换后的电压谐波信号进行分类。
12.根据权利要求10所述的逆变器的故障检测装置，其特征在于，所述逆变器的输出电压信号包括模拟电压信号，所述故障检测装置还包括连接在所述逆变器与所述信号变换单元之间的模数转换单元，该模数转换单元能够将所述逆变器输出的模拟电压信号转换为数字电压信号，且所述信号变换单元能够将转换后的数字电压信号进行傅里叶变换。
13.根据权利要求11所述的逆变器的故障检测装置，其特征在于，所述分类单元能够将所述神经网络模型的输入信号进行归一化并将所述归一化后的信号进行降维。
CN201410208186.XA 2014-05-16 2014-05-16 逆变器的故障检测方法和检测装置 Pending CN104049159A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201410208186.XA CN104049159A (zh) 2014-05-16 2014-05-16 逆变器的故障检测方法和检测装置
US14/597,311 US20150331062A1 (en) 2014-05-16 2015-01-15 Failure Detection Method and Detection Device for Inverter

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410208186.XA CN104049159A (zh) 2014-05-16 2014-05-16 逆变器的故障检测方法和检测装置

Publications (1)

Publication Number Publication Date
CN104049159A true CN104049159A (zh) 2014-09-17

Family

ID=51502251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410208186.XA Pending CN104049159A (zh) 2014-05-16 2014-05-16 逆变器的故障检测方法和检测装置

Country Status (2)

Country Link
US (1) US20150331062A1 (zh)
CN (1) CN104049159A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104569716A (zh) * 2014-12-19 2015-04-29 浙江大学 一种从外部诊断储能变流器桥臂igbt开路故障的方法
CN104833884A (zh) * 2015-05-18 2015-08-12 国家电网公司 电压等级设备的故障检测方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10230321B1 (en) * 2017-10-23 2019-03-12 General Electric Company System and method for preventing permanent magnet demagnetization in electrical machines
CN110210152B (zh) * 2019-06-06 2021-01-29 福州大学 一种超高次谐波源建模方法
CN113176468B (zh) * 2021-06-10 2022-09-13 阳光电源股份有限公司 一种逆变器检测方法及其应用装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0843460A (ja) * 1994-07-29 1996-02-16 Toenec Corp 高調波測定解析システム
KR20090125481A (ko) * 2008-06-02 2009-12-07 영남대학교 산학협력단 인버터 고장 검출 장치 및 그 방법
CN102163837A (zh) * 2011-03-09 2011-08-24 天津大学 分布式发电系统中的逆变器保护方法
JP4973147B2 (ja) * 2006-11-21 2012-07-11 株式会社明電舎 インバータの出力電圧制御装置
CN102937688A (zh) * 2012-10-30 2013-02-20 浙江万里学院 二极管中点钳位三电平逆变器的器件开路故障诊断电路
CN103293415A (zh) * 2013-05-23 2013-09-11 江西中能电气科技有限公司 一种基于神经网络专家系统的微逆变器故障检测方法
CN103412171A (zh) * 2013-07-12 2013-11-27 江苏大学 一种基于极端学习机的电网谐波电压信号检测方法
CN103424621A (zh) * 2013-08-20 2013-12-04 江苏大学 一种谐波电流的人工神经网络检测方法
CN103487706A (zh) * 2013-10-14 2014-01-01 东南大学 基于脉冲电压比较的级联型并网逆变器单元故障检测方法
CN103529347A (zh) * 2013-10-14 2014-01-22 东南大学 一种基于谐波分析的级联逆变器h桥单元故障检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0843460A (ja) * 1994-07-29 1996-02-16 Toenec Corp 高調波測定解析システム
JP4973147B2 (ja) * 2006-11-21 2012-07-11 株式会社明電舎 インバータの出力電圧制御装置
KR20090125481A (ko) * 2008-06-02 2009-12-07 영남대학교 산학협력단 인버터 고장 검출 장치 및 그 방법
CN102163837A (zh) * 2011-03-09 2011-08-24 天津大学 分布式发电系统中的逆变器保护方法
CN102937688A (zh) * 2012-10-30 2013-02-20 浙江万里学院 二极管中点钳位三电平逆变器的器件开路故障诊断电路
CN103293415A (zh) * 2013-05-23 2013-09-11 江西中能电气科技有限公司 一种基于神经网络专家系统的微逆变器故障检测方法
CN103412171A (zh) * 2013-07-12 2013-11-27 江苏大学 一种基于极端学习机的电网谐波电压信号检测方法
CN103424621A (zh) * 2013-08-20 2013-12-04 江苏大学 一种谐波电流的人工神经网络检测方法
CN103487706A (zh) * 2013-10-14 2014-01-01 东南大学 基于脉冲电压比较的级联型并网逆变器单元故障检测方法
CN103529347A (zh) * 2013-10-14 2014-01-22 东南大学 一种基于谐波分析的级联逆变器h桥单元故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
肖刚: "三电平逆变器故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 2, 15 August 2007 (2007-08-15) *
陈丹江等: "基于多神经网络的三电平逆变器器件开路故障诊断研究", 《电工技术学报》, vol. 28, no. 6, 30 June 2013 (2013-06-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104569716A (zh) * 2014-12-19 2015-04-29 浙江大学 一种从外部诊断储能变流器桥臂igbt开路故障的方法
CN104833884A (zh) * 2015-05-18 2015-08-12 国家电网公司 电压等级设备的故障检测方法

Also Published As

Publication number Publication date
US20150331062A1 (en) 2015-11-19

Similar Documents

Publication Publication Date Title
Valtierra-Rodriguez et al. Detection and classification of single and combined power quality disturbances using neural networks
Camarena-Martinez et al. Novel downsampling empirical mode decomposition approach for power quality analysis
Lin et al. Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM
CN104049159A (zh) 逆变器的故障检测方法和检测装置
CN104777410A (zh) 交联聚乙烯电缆局部放电模式识别方法
Resmi et al. Detection, classification and zone location of fault in transmission line using artificial neural network
Hubana et al. Approach for identification and classification of HIFs in medium voltage distribution networks
US11907090B2 (en) Machine learning for taps to accelerate TDECQ and other measurements
CN101782625B (zh) 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法
CN107798283A (zh) 一种基于决策导向无环图的神经网络故障多类分类器
Usama et al. Design and implementation of a wavelet analysis‐based shunt fault detection and identification module for transmission lines application
Wang et al. Kernel entropy-based classification approach for superbuck converter circuit fault diagnosis
Sahani et al. Automatic power quality events recognition using modes decomposition based online P-norm adaptive extreme learning machine
Jena et al. Variational mode decomposition‐based power system disturbance assessment to enhance WA situational awareness and post‐mortem analysis
Karan et al. Fault classification in microgrids using deep learning
CN111398721A (zh) 一种引入调节因子的配电网电压暂降源分类识别方法
Sridhar et al. Detection and classification of power quality disturbances in the supply to induction motor using wavelet transform and neural networks
Jarrahi et al. An EMD based fault type identification scheme in transmission line
Anshuman et al. Enhanced visualization and characterization of low frequency oscillations in power system
CN107578016A (zh) 一种基于稀疏表示的剩余电流波形自动识别方法
CN110888036B (zh) 测试项目确定方法及装置、存储介质和电子设备
Yadav et al. Automatic fault classification of rolling element bearing using wavelet packet decomposition and artificial neural network
Alshumayri et al. Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks
Hosseini Short circuit fault classification and location in transmission lines using a combination of wavelet transform and support vector machines
CN108548669A (zh) 一种工程装备传动系统故障诊断方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140917

RJ01 Rejection of invention patent application after publication