CN105095566A - 一种基于小波分析和svm的逆变器故障诊断方法 - Google Patents
一种基于小波分析和svm的逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN105095566A CN105095566A CN201510367945.1A CN201510367945A CN105095566A CN 105095566 A CN105095566 A CN 105095566A CN 201510367945 A CN201510367945 A CN 201510367945A CN 105095566 A CN105095566 A CN 105095566A
- Authority
- CN
- China
- Prior art keywords
- fault
- power tube
- inverter
- brachium pontis
- phase
- 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.)
- Granted
Links
Landscapes
- Inverter Devices (AREA)
Abstract
本发明涉及一种基于小波分析和SVM的逆变器故障诊断方法,首先建立二极管NPC三电平逆变器模型并确定分类原则,将逆变器无故障时的交流输出侧3个相电压Ua、Ub、Uc与每种故障时的交流输出侧3个相电压进行相减,得到ΔUa、ΔUb、ΔUc,然后对ΔUa、ΔUb、ΔUc进行d-q变换,将三相变为两相,得到Ud和Uq,并利用小波变换对Ud和Uq进行分析;其次对Ud、Uq经小波变换后的各频带信号分别进行能量提取,确定故障特征向量,以此建立数据样本;最后利用MATLAB软件和LIBSVM工具箱建立多值分类器,从而实现二极管NPC三电平逆变器交叉双相桥的故障诊断。
Description
技术领域
本发明涉及电力电子装置故障诊断领域,尤其是一种基于小波分析和SVM的逆变器故障诊断方法。
背景技术
多电平变换器是一种通过改变变换器自身拓扑结构来实现高压大功率输出的新型变换器,它无需升降压电路和均压电路。与二电平逆变器相比,多电平逆变器具有功率开关电压应力低、功率器件串联均压、输出电压波形谐波含量低、电磁干扰问题小、开关损耗小和工作效率高等优点,因而这种结构的逆变器在高电压、大电流、大功率领域应用广泛,如上海磁悬浮列车以及和谐号CRH列车等等。在多电平变换器中最典型的是二极管NPC(NeutralPointClamped)三电平逆变器,其电路原理图如图1所示。
然而,二极管NPC三电平逆变器较二电平逆变器使用了更多的开关器件,电路结构和控制更加复杂,这使得电力电子设备的故障增多,系统的可靠性大大降低。多电平一旦发生故障,轻则造成企业工厂停产,重则造成灾难性事故,给社会造成巨大损失与影响。因此尽早发现电路的故障对于提高二极管NPC三电平逆变器的工作可靠性具有重大意义。
基于数据驱动的思想,利用逆变系统运行过程中不断产生着反应运行机理和状态的数据,通过适当有效的分析和提取,可以快速实现逆变系统的故障检测与识别,这比传统的只靠人工检测和维修去定位故障有效率得多。
小波变换是20世纪80年代中期发展起来的一种时频分析方法,比DCT(DiscreteCosineTransform)这样的傅里叶变换的性能更优越,具有多分辨分析功能,被誉为数学显微镜。SVM是一种基于统计学习理论的机器学习算法,逆变器复合故障诊断属于多值分类问题。多值分类问题也是SVM研究的一个重要方向。
发明内容
针对上述背景技术的不足,本发明的目的是提供一种基于小波分析和SVM的逆变器故障诊断方法。
本发明为解决上述技术问题采用以下技术方案:
一种基于小波分析和SVM的逆变器故障诊断方法,包括如下步骤:
步骤一,建立二极管NPC三电平逆变电路的模型,仅考虑交叉双相桥同时两只IGBT功率管的开路故障的情况,并将故障类型进行分类;
步骤二,通过仿真软件分别获得无故障和所述故障条件下交流输出侧的三个相电压Ua、Ub、Uc,将逆变器无故障时的交流输出侧3个相电压与每种故障时的交流输出侧3个相电压进行相减,得到各故障条件时交流输出侧的三个相电压差值ΔUa、ΔUb、ΔUc,然后对所述差值ΔUa、ΔUb、ΔUc进行d-q变换,得到Ud和Uq,选取小波基函数db3分别对各故障下的Ud、Uq进行6层的小波分解,提取各个频段下的信号;
步骤三,计算步骤二获得的Ud、Uq小波分解后的各频段的能量,提取各个故障下的Ud、Uq的能量特征,构造特征向量;
步骤四,获取数据样本;根据步骤一划分故障种类和步骤三获得的所有故障的特征向量,从不同种类中各选择一个作为样本,并分别对选择的故障特征向量添加5%的随机噪声,每类故障选取若干组样本,得到故障样本;
步骤五,根据步骤四获得的故障样本,将其输入至处理器中,并利用处理器对所述故障样本进行分类,建立针对各种故障的数据模型,在后期出现故障时直接调取故障数据进行比对,判断故障类型。
进一步的,该方法提供一种三电平逆变器电路,具体结构为:
包括三相桥臂电路和两个直流电压源,其中,每相桥臂包括串联的四只功率管IGBT,依次标号为1、2、3、4,上两只功率管IGBT为上半桥,下两只功率管IGBT为下半桥;每相桥臂还包括两个串联二极管支路,所述二极管支路的一端与1号功率管IGBT的正极、2号功率管IGBT的负极相连,另一端与3号功率管IGBT的正极、4号功率管IGBT的负极相连;
所述直流源分为两个等值的并联支路,其中一条并联支路包括两个串联的等值的直流源。
进一步的,步骤一中所述的故障类型分类具体为六大类:
1.1,逆变器上半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类;
1.2,逆变器下半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类;
1.3,逆变器交叉两桥臂中,每只桥臂1、4管中各有一只功率管IGBT发生故障,分为6小类;
1.4,逆变器交叉两桥臂中,每只桥臂2、3管中各有一只功率管IGBT发生故障,分为6小类;
1.5,逆变器交叉两桥臂中,每只桥臂1、3管中各有一只功率管IGBT发生故障,分为6小类;
1.6,逆变器交叉两桥臂中,每只桥臂2、4管中各有一只功率管IGBT发生故障,分为6小类。
进一步的,步骤二中输出侧三相相电压差,并对它们进行d-q变换,将三相化为两相Ud、Uq,选取db3小波函数,分别对Ud、Uq进行6层的小波分解,分别获得小波分解后的第6层的近似信号能量以及第1~6层细节信号的能量,共14个小信号的能量值,将其作为故障的一个特征向量。
作为一种优选,步骤四中对选取的六大类故障特征向量各添加随机噪声,对每类故障特征向量选取若干组样本。
作为一种优选,对故障样本进行分类,每大类各选一部分作为训练样本,其余的作为测试样本,并对训练样本进行归一化处理,选取C-SVC支持向量机和RBF核函数exp(-gamma|u-v|^2)对训练样本进行分类,用训练样本训练支持向量机,对支持向量机惩罚系数c和RBF参数gamma进行寻优,得到训练模型,对训练好的模型用测试样本进行测试,验证故障判断准确性。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明所提出的基于小波分析和SVM的三电平逆变器交叉双相桥的故障诊断方法,是基于数据的思想,并将被誉为数学“显微镜”的小波分析法和在机器学习领域应用广泛的数据分类方法SVM结合起来,实现了其在电力电子装置领域故障诊断的应用。
2.本发明同时考虑了交流输出侧的三相电压,比只考虑其中一个相电压,有更加完善的故障信息,并通过d-q变换将三相化为两相,即不影响故障信息,更简化了计算,在大量数据下可以大大减少诊断时间。
3.本发明采用交叉验证和改进网格寻优的方法,极大的缩短了故障诊断时间,保证了SVM得到的参数是最优的或趋于最优。
4.通过本发明,只需将经过处理后的故障信息输入SVM分类器,就可以快速输出故障类别,实现了故障的实时诊断,具体流程如图8所示。
附图说明
图1为二极管NPC三相三电平逆变器电路原理图;
图2为无故障情况下三相电压输出波形图;
图3为选取的故障情况下三相电压输出波形图;
图4为选取的故障情况下三相电压输出波形图;
图5为选取的故障情况下的Ud波形图;
图6为选取的故障情况下的Uq波形图;
图7为选取的故障情况下的Ud波形图;
图8为选取的故障情况下的Uq波形图;
图9为小波分解树示意图;
图10为选取的故障情况下的Ud、Uq小波分解图;
图11为选取的故障情况下的Ud、Uq小波分解图;
图12为选取的故障情况下的Ud、Uq小波分解图;
图13为选取的故障情况下的Ud、Uq小波分解图;
图14为传统网格法c&gamma寻优图;
图15为改进网格法c&gamma寻优图;
图16为改进网格法c&gamma寻优图;
图17为故障诊断流程图。
具体实施方式
本发明提供一种基于小波分析和SVM的三电平逆变器交叉双相桥的故障诊断方法,为使本发明的目的,技术方案及效果更加清楚,明确,以及参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施仅用以解释本发明,并不用于限定本发明。
下面结合附图对发明的技术方案进行详细说明:
该方法提供一种三电平逆变器电路如图1所述,具体结构为:
包括三相桥臂电路和两个直流电压源,其中,每相桥臂包括串联的四只功率管IGBT,依次标号为1、2、3、4,上两只功率管IGBT为上半桥,下两只功率管IGBT为下半桥;总共有十二只功率管IGBT,从电路整体来看,分别标记为S1、S2、S3……S12;每相桥臂还包括两个串联二极管支路,所述二极管支路的一端与1号功率管IGBT的正极、2号功率管IGBT的负极相连,另一端与3号功率管IGBT的正极、4号功率管IGBT的负极相连;
直流源分为两个等值的并联支路,其中一条并联支路包括两个串联的等值的直流源。
本发明是通过下述方法和步骤实现的:
首先,建立二极管NPC三电平逆变器的模型,根据实际运行的交叉双相桥两只功率管的开路故障分类,共分为6大类48小类,对无故障和这48小类故障进行标号,标号如表1所示。
故障模式 | 故障标号 |
无故障 | 00 |
S1和S5同时开路 | 15 |
S1和S6同时开路 | 16 |
S1和S7同时开路 | 17 |
S1和S8同时开路 | 18 |
S2和S5同时开路 | 25 |
S2和S6同时开路 | 26 |
S2和S7同时开路 | 27 |
S2和S8同时开路 | 28 |
S3和S5同时开路 | 35 |
S3和S6同时开路 | 36 |
S3和S7同时开路 | 37 |
S3和S8同时开路 | 38 |
S4和S5同时开路 | 45 |
S4和S6同时开路 | 46 |
S4和S7同时开路 | 47 |
S4和S8同时开路 | 48 |
S1和S9同时开路 | 19 |
S1和S10同时开路 | 110 |
S1和S11同时开路 | 111 |
S1和S12同时开路 | 112 |
S2和S9同时开路 | 29 |
S2和S10同时开路 | 210 |
S2和S11同时开路 | 211 |
S2和S12同时开路 | 212 |
S3和S9同时开路 | 39 |
S3和S10同时开路 | 310 |
S3和S11同时开路 | 311 |
S3和S12同时开路 | 312 |
S4和S9同时开路 | 49 |
S4和S10同时开路 | 410 |
S4和S11同时开路 | 411 |
S4和S12同时开路 | 412 |
S5和S9同时开路 | 59 |
S5和S10同时开路 | 510 |
S5和S11同时开路 | 511 |
S5和S12同时开路 | 512 |
S6和S9同时开路 | 69 |
S6和S10同时开路 | 610 |
S6和S11同时开路 | 611 |
S6和S12同时开路 | 612 |
S7和S9同时开路 | 79 |
S7和S10同时开路 | 710 |
S7和S11同时开路 | 711 |
S7和S12同时开路 | 712 |
S8和S9同时开路 | 89 |
S8和S10同时开路 | 810 |
S8和S11同时开路 | 811 |
S8和S12同时开路 | 812 |
表1
(1)逆变器上半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类,即S1和S5、S1和S6、S1和S9、S1和S10、S2和S5、S2和S6、S2和S9、S2和S10、S5和S9、S5和S10、S6和S9、S6和S10。
(2)逆变器下半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类,即S3和S7、S3和S8、S3和S11、S3和S12、S4和S7、S4和S8、S4和S11、S4和S12、S7和S11、S7和S12、S8和S11、S8和S12。
(3)逆变器交叉两桥臂中,每只桥臂1,4管中各有一只功率管IGBT发生故障,分为6小类,即S1与S8、S1与S12、S4与S5、S4与S9、S5与S12、S8与S9。
(4)逆变器交叉两桥臂中,每只桥臂2,3管中各有一只功率管IGBT发生故障,分为6小类,即S2与S7、S2与S11、S3与S6、S3与S10、S6与S11、S7与S10。
(5)逆变器交叉两桥臂中,每只桥臂1,3管中各有一只功率管IGBT发生故障,分为6小类,即S1与S7、S1与S11、S3与S5、S3与S9、S5与S11、S7与S9。
(6)逆变器交叉两桥臂中,每只桥臂2,4管中各有一只功率管IGBT发生故障,分为6小类,即S2与S8、S2与S12、S4与S6、S4与S10、S6与S12、S8与S10。
第二步,在这48类故障状态下,分别对二极管NPC三电平逆变器进行仿真,获得电路交流输出侧的三个相电压Ua、Ub、Uc;这里,以无故障、S1和S5同时故障、S7和S9同时故障为例说明,图2为无故障时输出的三相相电压,图3、图4分别为在该两种情况下的交流输出侧的三个相电压Ua、Ub、Uc的波形。
第三步,对无故障条件下的Ua、Ub、Uc与每种故障下的Ua、Ub、Uc分别进行相减,得到ΔUa、ΔUb、ΔUc,然后对ΔUa、ΔUb、ΔUc进行d-q变换,将三相变为两相,得到Ud、Uq,图5、图6、图7、图8为选择的2类故障的Ud、Uq波形图。选取db3小波基函数,分别对Ud、Uq进行六层小波分解,图9为小波分解示意图,图10、图11、图12、图13为所选的2类故障下Ud和Uq的6层小波分解图。
第四步,构造故障特征向量。Ud、Uq进行6层小波分解后,分别提取它们各自的第6层的近似信号的能量,即Sda6和Sqa6;以及它们各自的第1~6层的细节信号的能量Sdd6、Sdd5、Sdd4、Sdd3、Sdd2、Sdd1和Sqd6、Sqd5、Sqd4、Sqd3、Sqd2、Sqd1,将求得的Ud、Uq的7个频段的能量值按照一定的顺序排列,例如:S=[Sda6、Sdd6、Sdd5、Sdd4、Sdd3、Sdd2、Sdd1、Sqa6、Sqd6、Sqd5、Sqd4、Sqd3、Sqd2、Sqd1]。S即为故障特征向量,如上,它有14个分量。本发明正是基于不同种类的故障与它的特征向量一一对应的关系。表2为选取的6类故障特征向量表。
表2
第五步,从6大类的故障中各取1类,对所取的6类故障特征向量各添加5%的随机噪声,在本实施例中,对选取的6类故障特征各取60组样本,并对每组样本进行归一化处理,然后选择30组用于支持向量机的训练,30组用于训练后的模型的测试,这样共有180组的训练样本和180组的测试样本。
第六步,建立SVM分类器。在MATLAB平台下利用LIBSVM工具箱对步骤5获得的180组数据进行训练,选取的6类故障的标号为15、37、18、27、79、810,分别表示S1和S5同时故障、S3和S7同时故障、S1与S8同时故障、S2与S7同时故障、S7与S9同时故障、S8与S10同时故障。选择RBF核函数作为SVM分类机模型,利用改进的网格法和交叉验证的思想对惩罚系数c和RBF参数gamma进行寻优,上述改进的网格法故障诊断步进如图17所示,因为会有不同的c和gamma都对应最高的的准确率,把具有最小c的那组c和gamma认为是最佳的c和gamma,因为惩罚参数c不能设置太高,很高的惩罚参数的确能使得训练数据的准确率提高,但过高的惩罚参数c会造成过学习状态,降低分类器的范化能力。
首先利用传统的网格法进行参数寻优,设置惩罚系数c的搜索范围为[2^(-10),2^(10)],搜索步距为0.1,设置gamma的搜索范围为[2^(-10),2^(10)],步距为0.1,通过传统网格搜索得到最优的c=119.4282,gamma=776.0469,耗时1227.2秒,传统网格法的c和gamma的寻优图如图14所示,显然这种方法耗时过长,效率太低。
利用改进的网格法和交叉验证的思想对惩罚系数c和RBF参数gamma进行寻优,所述的改进的网格法具体过程如下:
(1)首先进行大范围搜索,设置惩罚系数c的初始范围为[2^(-10),2^(10)],搜索步距为1。
(2)设置gamma的初始范围为[2^(-10),2^(10)],搜索步距为1。
(3)通多大范围搜索得到最优的c=256,gamma=512,耗时15.9秒。
(4)其次根据大范围搜索得到的c和gamma,设置小范围搜索下的惩罚系数c的范围为[2^(6),2^(9)],gamma的范围为[2^(8),2^(10)],搜索步距减小为0.1。
(5)通过小范围搜索得到最优的c=119.4282,gamma=776.0469,耗时14.5秒。总耗时30.4秒。显然相比传统网格法,此方法更为高效。利用改进的网格法的c和gamma的寻优图如图15和图16所示。
用上述的180组测试样本对所建立的SVM模型进行测试,最终得到分类准确率为Accuracy=176/180=97.78%,表3为故障分类测试结果。
故障标号 | 样本总数 | 正确诊断数 | 诊断正确率 |
15 | 30 | 30 | 100% |
37 | 30 | 30 | 100% |
18 | 30 | 30 | 100% |
27 | 30 | 30 | 100% |
79 | 30 | 30 | 100% |
810 | 30 | 26 | 86.67% |
Total | 180 | 177 | 97.78% |
表3
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,包括如下步骤:
步骤一,建立二极管NPC三电平逆变电路的模型,仅考虑交叉双相桥同时两只IGBT功率管的开路故障的情况,并将故障类型进行分类;
步骤二,通过仿真软件分别获得无故障和所述故障条件下交流输出侧的三个相电压Ua、Ub、Uc,将逆变器无故障时的交流输出侧3个相电压与每种故障时的交流输出侧3个相电压进行相减,得到各故障条件时交流输出侧的三个相电压差值ΔUa、ΔUb、ΔUc,然后对所述差值ΔUa、ΔUb、ΔUc进行d-q变换,得到Ud和Uq,选取小波基函数db3分别对各故障下的Ud、Uq进行6层的小波分解,提取各个频段下的信号;
步骤三,计算步骤二获得的Ud、Uq小波分解后的各频段的能量,提取各个故障下的Ud、Uq的能量特征,构造特征向量;
步骤四,获取数据样本;根据步骤一划分故障种类和步骤三获得的所有故障的特征向量,从不同种类中各选择一个作为样本,并分别对选择的故障特征向量添加随机噪声,每类故障选取若干组样本,得到故障样本;
步骤五,根据步骤四获得的故障样本,将其输入至处理器中,并利用处理器对所述故障样本进行分类,建立针对各种故障的数据模型,在后期出现故障时直接调取故障数据进行比对,判断故障类型。
2.根据权利要求1所述的一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,该方法提供一种三电平逆变器电路,具体结构为:
包括三相桥臂电路和两个直流电压源,其中,每相桥臂包括串联的四只功率管IGBT,依次标号为1、2、3、4,上两只功率管IGBT为上半桥,下两只功率管IGBT为下半桥;每相桥臂还包括两个串联二极管支路,所述二极管支路的一端与1号功率管IGBT的正极、2号功率管IGBT的负极相连,另一端与3号功率管IGBT的正极、4号功率管IGBT的负极相连;
所述直流源分为两个等值的并联支路,其中一条并联支路包括两个串联的等值的直流源。
3.根据权利要求2所述的一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,步骤一中所述的故障类型分类具体为六大类:
1.1,逆变器上半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类;
1.2,逆变器下半桥交叉两桥臂有两只功率管IGBT同时发生故障,共分为12小类;
1.3,逆变器交叉两桥臂中,每只桥臂1、4管中各有一只功率管IGBT发生故障,分为6小类;
1.4,逆变器交叉两桥臂中,每只桥臂2、3管中各有一只功率管IGBT发生故障,分为6小类;
1.5,逆变器交叉两桥臂中,每只桥臂1、3管中各有一只功率管IGBT发生故障,分为6小类;
1.6,逆变器交叉两桥臂中,每只桥臂2、4管中各有一只功率管IGBT发生故障,分为6小类。
4.根据权利要求3所述的一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,步骤二中输出侧三相相电压差,并对它们进行d-q变换,将三相化为两相Ud、Uq,选取db3小波函数,分别对Ud、Uq进行6层的小波分解,分别获得小波分解后的第6层的近似信号能量以及第1至6层细节信号的能量,共14个小信号的能量值,将其作为故障的一个特征向量。
5.根据权利要求3所述的一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,步骤四中对选取的六大类故障特征向量各添加随机噪声,对每类故障特征向量选取若干组样本。
6.根据权利要求4所述的一种基于小波分析和SVM的逆变器故障诊断方法,其特征在于,对故障样本进行分类,每大类各选一部分作为训练样本,其余的作为测试样本,并对训练样本进行归一化处理,选取C-SVC支持向量机和RBF核函数exp(-gamma|u-v|^2)对训练样本进行分类,用训练样本训练支持向量机,对支持向量机惩罚系数c和RBF参数gamma进行寻优,得到训练模型,对训练好的模型用测试样本进行测试,验证故障判断准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510367945.1A CN105095566B (zh) | 2015-06-29 | 2015-06-29 | 一种基于小波分析和svm的逆变器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510367945.1A CN105095566B (zh) | 2015-06-29 | 2015-06-29 | 一种基于小波分析和svm的逆变器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095566A true CN105095566A (zh) | 2015-11-25 |
CN105095566B CN105095566B (zh) | 2019-06-04 |
Family
ID=54575994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510367945.1A Expired - Fee Related CN105095566B (zh) | 2015-06-29 | 2015-06-29 | 一种基于小波分析和svm的逆变器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105095566B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891658A (zh) * | 2016-06-06 | 2016-08-24 | 安徽大学 | 一种逆变器功率管开路故障的诊断方法 |
CN106154103A (zh) * | 2016-08-02 | 2016-11-23 | 江南大学 | 三电平逆变器的开关管开路故障诊断方法 |
CN106291162A (zh) * | 2016-07-20 | 2017-01-04 | 江南大学 | 一种光伏二极管箝位式三电平逆变器的故障诊断方法 |
CN106407536A (zh) * | 2016-09-07 | 2017-02-15 | 南京航空航天大学 | 一种逆变器钳位二极管与支撑电容的复合故障诊断方法 |
CN107064738A (zh) * | 2017-03-28 | 2017-08-18 | 国网山东省电力公司青岛供电公司 | 电力电子系统故障检测方法及装置 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN108872772A (zh) * | 2018-07-12 | 2018-11-23 | 武汉科技大学 | 基于混合核支持张量机的mmc子模块开路故障检测方法 |
CN110018411A (zh) * | 2019-05-14 | 2019-07-16 | 集美大学 | 一种基于对称分量分析的逆变电路故障诊断方法 |
CN110033105A (zh) * | 2019-04-18 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
CN110058111A (zh) * | 2019-04-22 | 2019-07-26 | 浙江万里学院 | 基于相电压残差的t型三电平逆变器故障诊断方法 |
CN110346736A (zh) * | 2019-08-14 | 2019-10-18 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
CN112327804A (zh) * | 2020-10-30 | 2021-02-05 | 中车株洲电力机车研究所有限公司 | 牵引控制单元的故障诊断方法、装置、系统和列车 |
US11468715B2 (en) | 2017-01-13 | 2022-10-11 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, apparatus, and system |
CN117092554A (zh) * | 2023-10-17 | 2023-11-21 | 中南大学 | 逆变器耦合故障分析方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996190A (zh) * | 2006-11-23 | 2007-07-11 | 浙江大学 | 一种基于小波分析的工业生产过程故障诊断系统及方法 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN104698397A (zh) * | 2015-03-16 | 2015-06-10 | 浙江万里学院 | 一种多电平逆变器故障诊断方法 |
-
2015
- 2015-06-29 CN CN201510367945.1A patent/CN105095566B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996190A (zh) * | 2006-11-23 | 2007-07-11 | 浙江大学 | 一种基于小波分析的工业生产过程故障诊断系统及方法 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN104698397A (zh) * | 2015-03-16 | 2015-06-10 | 浙江万里学院 | 一种多电平逆变器故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
N TORABI ET AL.: "Wavelet based Fault Classification for Partially Observable Power Systems", 《POWER&ENERGY ENGINEERING CONFERENCE》 * |
张洪涛等: "基于小波变换和神经网络的逆变电路故障诊断方法", 《计算机测量与控制》 * |
樊京路等: "基于小波分析的光伏并网逆变器故障诊断", 《大功率变流技术》 * |
王梅: "一种改进的核函数参数选择方法", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891658B (zh) * | 2016-06-06 | 2019-04-12 | 安徽大学 | 一种逆变器功率管开路故障的诊断方法 |
CN105891658A (zh) * | 2016-06-06 | 2016-08-24 | 安徽大学 | 一种逆变器功率管开路故障的诊断方法 |
CN106291162A (zh) * | 2016-07-20 | 2017-01-04 | 江南大学 | 一种光伏二极管箝位式三电平逆变器的故障诊断方法 |
CN106154103A (zh) * | 2016-08-02 | 2016-11-23 | 江南大学 | 三电平逆变器的开关管开路故障诊断方法 |
CN106154103B (zh) * | 2016-08-02 | 2019-10-18 | 江南大学 | 三电平逆变器的开关管开路故障诊断方法 |
CN106407536A (zh) * | 2016-09-07 | 2017-02-15 | 南京航空航天大学 | 一种逆变器钳位二极管与支撑电容的复合故障诊断方法 |
CN106407536B (zh) * | 2016-09-07 | 2019-08-13 | 南京航空航天大学 | 一种逆变器钳位二极管与支撑电容的复合故障诊断方法 |
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN106682303B (zh) * | 2016-12-26 | 2019-09-13 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
US11468715B2 (en) | 2017-01-13 | 2022-10-11 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, apparatus, and system |
CN107064738A (zh) * | 2017-03-28 | 2017-08-18 | 国网山东省电力公司青岛供电公司 | 电力电子系统故障检测方法及装置 |
CN107451557B (zh) * | 2017-07-29 | 2020-06-23 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
CN108872772B (zh) * | 2018-07-12 | 2020-06-16 | 武汉科技大学 | 基于混合核支持张量机的mmc子模块开路故障检测方法 |
CN108872772A (zh) * | 2018-07-12 | 2018-11-23 | 武汉科技大学 | 基于混合核支持张量机的mmc子模块开路故障检测方法 |
CN110033105A (zh) * | 2019-04-18 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
CN110033105B (zh) * | 2019-04-18 | 2022-04-01 | 中国人民解放军国防科技大学 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
CN110058111A (zh) * | 2019-04-22 | 2019-07-26 | 浙江万里学院 | 基于相电压残差的t型三电平逆变器故障诊断方法 |
CN110058111B (zh) * | 2019-04-22 | 2021-01-15 | 浙江万里学院 | 基于相电压残差的t型三电平逆变器故障诊断方法 |
CN110018411A (zh) * | 2019-05-14 | 2019-07-16 | 集美大学 | 一种基于对称分量分析的逆变电路故障诊断方法 |
CN110346736A (zh) * | 2019-08-14 | 2019-10-18 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
CN110346736B (zh) * | 2019-08-14 | 2021-07-02 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
CN112327804A (zh) * | 2020-10-30 | 2021-02-05 | 中车株洲电力机车研究所有限公司 | 牵引控制单元的故障诊断方法、装置、系统和列车 |
CN117092554A (zh) * | 2023-10-17 | 2023-11-21 | 中南大学 | 逆变器耦合故障分析方法、装置、电子设备及存储介质 |
CN117092554B (zh) * | 2023-10-17 | 2024-01-02 | 中南大学 | 逆变器耦合故障分析方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105095566B (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095566A (zh) | 一种基于小波分析和svm的逆变器故障诊断方法 | |
US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN104698397B (zh) | 一种多电平逆变器故障诊断方法 | |
CN109782091B (zh) | 基于深度小波极限学习机的多电平逆变器故障诊断方法 | |
CN103837791A (zh) | 三电平逆变器多模式故障诊断电路及其诊断方法 | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
CN112488011B (zh) | 一种模块化多电平换流器故障分类方法 | |
CN101782625B (zh) | 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN106291162A (zh) | 一种光伏二极管箝位式三电平逆变器的故障诊断方法 | |
CN105527539A (zh) | 一种微电网故障诊断过程中的故障信号特征值提取方法 | |
CN110068776A (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
Sun et al. | Data augmentation strategy for power inverter fault diagnosis based on wasserstein distance and auxiliary classification generative adversarial network | |
CN115951268A (zh) | 一种基于Inception的卷积神经网络变流器故障诊断方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
Ma et al. | Fault diagnosis of power electronic system based on fault gradation and neural network group | |
CN106407536A (zh) | 一种逆变器钳位二极管与支撑电容的复合故障诊断方法 | |
CN114252739A (zh) | 配电网单相接地故障判别方法、系统、设备和存储介质 | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN114019310B (zh) | 一种储能变流器的开路故障预判方法、设备及介质 | |
Ke et al. | Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190604 Termination date: 20210629 |