CN105589037A - 基于集成学习的电力电子开关器件网络故障诊断方法 - Google Patents

Abstract

基于集成学习的电力电子开关器件网络故障诊断方法，包括以下步骤：(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}，n＝1,2,…,N；(2)利用主成分分析从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量，根据归一化故障特征向量得到归一化故障特征向量集(3)用归一化故障特征向量集依次训练k个神经网络基元分类器，设定神经网络基元分类器个数上限K＝50和系统误差阈值e₀；(4)针对待测电路重复步骤(1)(2)，得待测故障特征向量V^*，将其分别接入训练好的k个神经网络基元分类器，并利用集成学习方法得到集成识别结果。本发明可避免单一神经网络的过学习和陷入局部最小值的缺陷，提高神经网络基元分类器的分类精度。

Description

基于集成学习的电力电子开关器件网络故障诊断方法

技术领域

本发明涉及电力电子电路故障诊断领域，具体是涉及一种基于集成学习的电力电子开关器件网络故障诊断方法。

背景技术

在电力电子系统中，电力电子开关器件如晶闸管，MOSFET(金属氧化物半导体场效应管)和IGBT(绝缘栅双极型晶体管)等，被认为是最常发生故障的元件。开关故障包括短路故障和开路故障两类，发生短路故障时产生的过电流会损坏系统中的其他开关，元器件以及负载；而发生开路故障时，系统无法实现预定功能；此外，由于电流不平衡导致的脉冲信号会在负载或电机中产生噪声和振动。所以，研究针对电力电子开关器件的故障诊断技术，能够检测并识别发生故障的开关，减小维修成本，提高系统的稳定性和可靠性。

目前基于神经网络的电力电子开关器件故障模式分类器缺点在于：神经网络采用经验风险最小化原则，在学习过程中易出现过学习和陷入局部最小值等缺陷，神经网络基元分类器的分类精度低。

发明内容

本发明所要解决的技术问题是，克服上述背景技术的不足，提供一种基于集成学习的电力电子开关器件网络故障诊断方法，避免单一神经网络的过学习和陷入局部最小值的缺陷，提高神经网络基元分类器的分类精度。

本发明解决其技术问题采用的技术方案是，一种基于集成学习的电力电子开关器件网络故障诊断方法，包括以下步骤：

(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}，n＝1,2,…,N，其中V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T表示在故障模式F_q下的信号向量，符号(·)^T表示转置，M表示信号向量的维数，N表示信号向量的个数；

(2)利用主成分分析从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量R表示归一化故障特征向量的维数，N表示信号向量的个数，也即归一化故障特征向量的个数；根据归一化故障特征向量得到归一化故障特征向量集

(3)用归一化故障特征向量集依次训练k个神经网络基元分类器，设定神经网络基元分类器个数上限K＝50和系统误差阈值e₀；

(4)针对待测电路重复步骤(1)(2)，得待测故障特征向量V^*，将其分别接入训练好的k个神经网络基元分类器，并利用集成学习方法得到集成识别结果。

进一步，步骤(1)中，采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}的步骤为：

(1.1)确定电力电子开关器件的所有故障模式F_q，包括开关管开路故障和短路故障，其中q＝1,2,…,Q，Q表示故障模式总数，同时确定电力电子开关器件可能的控制信号C_p，p＝1,2,…,P，P表示控制信号的总数；

(1.2)在故障模式F_q下，当控制信号为C_p时，进行L次数据采样，其中，q＝1,2,…,Q，p＝1,2,…,P，Q表示故障模式总数，P表示控制信号的总数，则每种故障模式下共采集P*L个信号向量，此处*表示乘号；

(1.3)采集到的信号向量用V_n ^q表示，n＝1,2,…,N，V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T，其中，N＝Q*P*L，N表示信号向量的个数，M表示信号向量的维数，也即信号向量元素的个数，根据信号向量V_n ^q得到信号向量集{V_n ^q}。

进一步，步骤(2)中，利用主成分分析从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量的步骤为：

(2.1)对信号向量V_n ^q进行均值化处理：其中V_n ^q,Mean表示信号向量V_n ^q均值化处理后的信号向量，n＝1,2,…,N，N表示信号向量的个数；

(2.2)计算协方差矩阵COV_V：COV_V为M阶方阵；

(2.3)计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V：

(2.4)计算故障特征向量集{V_n ^F,q}：{V_n ^F,q}＝{V_n ^Mean}×C_V，其中，V_n ^F,q＝(v₁,v₂,...,v_R)^T表示经PCA提取的故障特征向量，R表示故障特征向量的维数，也即归一化故障特征向量的维数；

(2.5)计算归一化故障特征向量 其中max(·)表示故障特征向量V_n ^F,q的最大值，min(·)表示故障特征向量V_n ^F,q的最小值。

进一步，步骤(2.3)中，计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V的步骤为：

(2.3.1)求解|COV_V-λE|＝0，得到M个特征值λ_m，其中E为M阶单位矩阵；

(2.3.2)求解M个方程：COV_V-λ_mε＝0，m＝1,2,…,M，得M个特征向量ε_m；

(2.3.3)将M个特征值λ_m从大到小排序，即λ₁≥λ₂≥...≥λ_M，对应的M个特征向量为ε₁,ε₂,...,ε_M；

(2.3.4)计算第m个特征值λ_m的方差贡献度

(2.3.5)前R个特征值的累积方差贡献度ρ_r：

(2.3.6)当前R个特征值的累积方差贡献度满足ρ_R≥98％时，取前R个特征向量构成变换矩阵C_V＝{ε₁,ε₂,...,ε_R}。

进一步，步骤(3)中，用归一化故障特征向量集依次训练k个神经网络基元分类器的步骤为：

(3.1)构建训练样本集合其中T_n为第n个归一化故障特征向量对应的类别标识；

(3.2)令k＝1，初始化样本权重：w_k(n)＝1/N；

(3.3)根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k；

(3.4)设置神经网络基元分类器classifier_k的参数，用训练集set_k训练第k个神经网络基元分类器classifier_k，并用set_k测试神经网络基元分类器classifier_k；

(3.5)计算第k个神经网络基元分类器的分类误差E(k)：其中表示第k个神经网络基元分类器对第n个归一化故障特征向量的识别结果，|·|表示逻辑运算符，即

(3.6)判断：若E(k)≥0.5，则放弃当前神经网络基元分类器classifier_k，返回步骤(3.4)；若0.5>E(k)>e₀，则保存当前神经网络基元分类器，并执行步骤(3.7)，若E(k)≤e₀，训练过程结束，k＝K；

(3.7)计算第k个神经网络基元分类器在集成输出时的投票权α_k：

(3.8)更新样本权重w_k(n)分布：提高分类错误的样本权重，降低分类正确的样本权重，w_k+1(j)表示更新后的样本权重；

(3.9)样本权重归一化：

(3.10)判断：若k>K，则训练过程结束，否则，k＝k+1，返回步骤(3.3)。

进一步，步骤(3.3)中，根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k的步骤为：

(3.3.1)根据样本权重w_k(n)分布将区间[0,1]分为N个小区间，每个小区间表示一个训练样本对

(3.3.2)产生一个(0,1)之间的随机数rand，rand所在的小区间表示训练样本对，即为抽取到的训练样本对；

(3.3.3)重复步骤(3.3.2)N次，产生一个与训练样本集合相同大小的训练集。

进一步，步骤(3.4)中，设置神经网络基元分类器classifier_k的参数的步骤为：

(3.4.1)神经网络结构为三层前馈式，输入层节点数等于归一化故障特征向量的维数，输出层节点数等于类别标识T_n的维数，隐含层节点数hidden＝2*R-1，其中R为归一化故障特征向量的维数，激活函数采用默认的tansig函数；

(3.4.2)神经网络的学习算法采用误差反向传播算法，训练样本对的训练算法为弹性梯度下降算法，每个神经网络基元分类器的最大迭代次数为500次，训练目标为MSE<0.001，其中均方误差T_n为网络目标输出，O_n为网络实际输出，n＝1,2,…,N。

进一步，步骤(4)中，利用集成学习方法得到集成识别结果的步骤为：

(4.1)用V^*表示待测故障特征向量，将其分别接入每个神经网络基元分类器，用classifier_k(V^*)表示每个神经网络基元分类器对V^*的识别结果；

(4.2)将每个识别结果相同的神经网络基元分类器的投票权累加，权值最高的识别结果即为最终的集成识别结果，最终的集成识别结果为：其中，F_q表示第q种故障模式的类别标识，α_k表示第k个神经网络基元分类器在集成输出时的投票权；|·|表示逻辑运算符，即表示当x＝x₀时，f(x₀)为函数f(x)的最大值。

与现有技术相比，本发明的优点如下：

(1)本发明利用主成分分析方法提取归一化故障特征向量，根据累计主元贡献度大小确定合适的归一化故障特征向量的维数，保证故障特征信息完整的同时也减少冗余信息和噪声干扰，有助于降低神经网络基元分类器的训练时间。

(2)本发明使用集成学习方法训练神经网络基元分类器，最终的诊断结果由多个神经网络基元分类器共同决定，避免单一神经网络的过学习和陷入局部最小值的缺陷，提高神经网络基元分类器的分类精度。

附图说明

图1为本发明电力电子开关器件网络故障模式分类方法的流程框图。

图2为本发明电力电子开关器件网络故障模式分类器的集成流程图。

图3为本发明使用集成学习方法训练神经网络基元分类器流程框图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细描述。

参照附图，本实施例包括以下步骤：

(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}，n＝1,2,…,N，其中V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T表示在故障模式F_q下的信号向量，符号(·)^T表示转置，M表示信号向量的维数，N表示信号向量的个数；

(2)利用主成分分析(PCA)从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量R表示归一化故障特征向量的维数，N表示信号向量的个数，也即归一化故障特征向量的个数；根据归一化故障特征向量得到归一化故障特征向量集

(3)用归一化故障特征向量集依次训练k个神经网络基元分类器，设定神经网络基元分类器个数上限K＝50和系统误差阈值e₀；

(4)针对待测电路重复步骤(1)(2)，得待测故障特征向量V^*，将其分别接入训练好的k个神经网络基元分类器，并利用集成学习方法得到集成识别结果。

步骤(1)中，采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}的步骤为：

(1.1)确定电力电子开关器件的所有故障模式F_q，包括开关管开路故障和短路故障，其中q＝1,2,…,Q，Q表示故障模式总数，同时确定电力电子开关器件可能的控制信号C_p，p＝1,2,…,P，P表示控制信号的总数；

(1.2)在故障模式F_q下，当控制信号为C_p时，进行L次数据采样，其中，q＝1,2,…,Q，p＝1,2,…,P，Q表示故障模式总数，P表示控制信号的总数，则每种故障模式下共采集P*L个信号向量，此处*表示乘号；

(1.3)采集到的信号向量用V_n ^q表示，n＝1,2,…,N，V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T，其中，N＝Q*P*L，N表示信号向量的个数，M表示信号向量的维数，也即信号向量元素的个数，根据信号向量V_n ^q得到信号向量集{V_n ^q}。

步骤(2)中，利用主成分分析(PCA)从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量的步骤为：

(2.1)对信号向量V_n ^q进行均值化处理：其中V_n ^q,Mean表示信号向量V_n ^q均值化处理后的信号向量，n＝1,2,…,N，N表示信号向量的个数；

(2.2)计算协方差矩阵COV_V：COV_V为M阶方阵；

(2.3)计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V：

(2.4)计算故障特征向量集{V_n ^F _,q}：{V_n ^F,q}＝{V_n ^Mean}×C_V，其中，V_n ^F,q＝(v₁,v₂,...,v_R)^T表示经PCA提取的故障特征向量，R表示故障特征向量的维数，也即归一化故障特征向量的维数；

(2.5)计算归一化故障特征向量 其中max(·)表示故障特征向量V_n ^F,q的最大值，min(·)表示故障特征向量V_n ^F,q的最小值。

步骤(2.3)中，计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V的步骤为：

(2.3.1)求解|COV_V-λE|＝0，得到M个特征值λ_m，其中E为M阶单位矩阵；

(2.3.2)求解M个方程：COV_V-λ_mε＝0，m＝1,2,…,M，得M个特征向量ε_m；

(2.3.3)将M个特征值λ_m从大到小排序，即λ₁≥λ₂≥...≥λ_M，对应的M个特征向量为ε₁,ε₂,...,ε_M；

(2.3.4)计算第m个特征值λ_m的方差贡献度η_m：

(2.3.5)前R个特征值的累积方差贡献度ρ_r：

(2.3.6)当前R个特征值的累积方差贡献度满足ρ_R≥98％时，取前R个特征向量构成变换矩阵C_V＝{ε₁,ε₂,...,ε_R}。

步骤(3)中，用归一化故障特征向量集依次训练k个神经网络基元分类器的步骤为：

(3.1)构建训练样本集合其中T_n为第n个归一化故障特征向量对应的类别标识；

(3.2)令k＝1，初始化样本权重：w_k(n)＝1/N；

(3.3)根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k；

(3.4)设置神经网络基元分类器classifier_k的参数，用训练集set_k训练第k个神经网络基元分类器classifier_k，并用set_k测试神经网络基元分类器classifier_k；

(3.5)计算第k个神经网络基元分类器的分类误差E(k)：其中表示第k个神经网络基元分类器对第n个归一化故障特征向量的识别结果，|·|表示逻辑运算符，即

(3.6)判断：若E(k)≥0.5，则放弃当前神经网络基元分类器classifier_k，返回步骤(3.4)；若0.5>E(k)>e₀，则保存当前神经网络基元分类器，并执行步骤(3.7)，若E(k)≤e₀，训练过程结束，k＝K；

(3.7)计算第k个神经网络基元分类器在集成输出时的投票权α_k：

(3.8)更新样本权重w_k(n)分布：提高分类错误的样本权重，降低分类正确的样本权重，w_k+1(_j)表示更新后的样本权重；

(3.9)样本权重归一化：

(3.10)判断：若k>K，则训练过程结束，否则，k＝k+1，返回步骤(3.3)。

步骤(3.3)中，根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k的步骤为：

(3.3.1)根据样本权重w_k(n)分布将区间[0,1]分为N个小区间，每个小区间表示一个训练样本对

(3.3.2)产生一个(0,1)之间的随机数rand，rand所在的小区间表示训练样本对，即为抽取到的训练样本对；

(3.3.3)重复步骤(3.3.2)N次，产生一个与训练样本集合相同大小的训练集。

步骤(3.4)中，设置神经网络基元分类器classifier_k的参数的步骤为：

(3.4.1)神经网络结构为三层前馈式，输入层节点数等于归一化故障特征向量的维数，输出层节点数等于类别标识T_n的维数，隐含层节点数hidden＝2*R-1，其中R为归一化故障特征向量的维数，激活函数采用默认的tansig函数；

(3.4.2)神经网络的学习算法采用误差反向传播算法，训练样本对的训练算法为弹性梯度下降算法，每个神经网络基元分类器的最大迭代次数为500次，训练目标为MSE<0.001，其中均方误差T_n为网络目标输出，O_n为网络实际输出，n＝1,2,…,N。

步骤(4)中，利用集成学习方法得到集成识别结果的步骤为：

(4.1)用V^*表示待测故障特征向量，将其分别接入每个神经网络基元分类器，用classifier_k(V^*)表示每个神经网络基元分类器对V^*的识别结果；

(4.2)将每个识别结果相同的神经网络基元分类器的投票权累加，权值最高的识别结果即为最终的集成识别结果，最终的集成识别结果为：其中，F_q表示第q种故障模式的类别标识，α_k表示第k个神经网络基元分类器在集成输出时的投票权；|·|表示逻辑运算符，即表示当x＝x₀时，f(x₀)为函数f(x)的最大值。

本发明基于集成学习方法构建神经网络基元分类器，利用主成分分析方法提取归一化故障特征向量，将归一化故障特征向量送神经网络基元分类器中，使用集成学习方法训练神经网络基元分类器，集成学习方法通过集成多个神经网络基元分类器算法，提高单一算法的分类准确率和容错能力，同时，集成的多个算法之间存在的差异性可以有效的避免过拟合现象，从而提高系统的泛化能力。

本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (8)

1.一种基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于，包括以下步骤：

(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}，n＝1,2,…,N，其中V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T表示在故障模式F_q下的信号向量，符号(·)^T表示转置，M表示信号向量的维数，N表示信号向量的个数；

(2)利用主成分分析从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量R表示归一化故障特征向量的维数，N表示信号向量的个数，也即归一化故障特征向量的个数；根据归一化故障特征向量得到归一化故障特征向量集

(3)用归一化故障特征向量集依次训练k个神经网络基元分类器，设定神经网络基元分类器个数上限K＝50和系统误差阈值e₀；

(4)针对待测电路重复步骤(1)(2)，得待测故障特征向量V^*，将其分别接入训练好的k个神经网络基元分类器，并利用集成学习方法得到集成识别结果。

2.如权利要求1所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(1)中，采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{V_n ^q}的步骤为：

(1.1)确定电力电子开关器件的所有故障模式F_q，包括开关管开路故障和短路故障，其中q＝1,2,…,Q，Q表示故障模式总数，同时确定电力电子开关器件可能的控制信号C_p，p＝1,2,…,P，P表示控制信号的总数；

(1.2)在故障模式F_q下，当控制信号为C_p时，进行L次数据采样，其中，q＝1,2,…,Q，p＝1,2,…,P，Q表示故障模式总数，P表示控制信号的总数，则每种故障模式下共采集P*L个信号向量，此处*表示乘号；

(1.3)采集到的信号向量用V_n ^q表示，n＝1,2,…,N，V_n ^q＝(v_n，1,v_n，2,...,v_n，M)^T，其中，N＝Q*P*L，N表示信号向量的个数，M表示信号向量的维数，也即信号向量元素的个数，根据信号向量V_n ^q得到信号向量集{V_n ^q}。

3.如权利要求1或2所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(2)中，利用主成分分析从信号向量V_n ^q中提取故障模式F_q下的归一化故障特征向量的步骤为：

(2.1)对信号向量V_n ^q进行均值化处理：其中V_n ^q,Mean表示信号向量V_n ^q均值化处理后的信号向量，n＝1,2,…,N，N表示信号向量的个数；

(2.2)计算协方差矩阵COV_V：COV_V为M阶方阵；

(2.3)计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V：

(2.4)计算故障特征向量集其中，V_n ^F,q＝(v₁,v₂,...,v_R)^T表示经PCA提取的故障特征向量，R表示故障特征向量的维数，也即归一化故障特征向量的维数；

(2.5)计算归一化故障特征向量 其中max(·)表示故障特征向量V_n ^F,q的最大值，min(·)表示故障特征向量V_n ^F,q的最小值。

4.如权利要求3所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(2.3)中，计算协方差矩阵COV_V的特征值和特征向量，生成变换矩阵C_V的步骤为：

(2.3.1)求解|COV_V-λE|＝0，得到M个特征值λ_m，其中E为M阶单位矩阵；

(2.3.2)求解M个方程：COV_V-λ_mε＝0，m＝1,2,…,M，得M个特征向量ε_m；

(2.3.3)将M个特征值λ_m从大到小排序，即λ₁≥λ₂≥...≥λ_M，对应的M个特征向量为ε₁,ε₂,...,ε_M；

(2.3.4)计算第m个特征值λ_m的方差贡献度η_m：m＝1,2,...,M；

(2.3.5)前R个特征值的累积方差贡献度ρ_r：

(2.3.6)当前R个特征值的累积方差贡献度满足ρ_R≥98％时，取前R个特征向量构成变换矩阵C_V＝{ε₁,ε₂,...,ε_R}。

5.如权利要求1或2所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(3)中，用归一化故障特征向量集依次训练k个神经网络基元分类器的步骤为：

(3.1)构建训练样本集合其中T_n为第n个归一化故障特征向量对应的类别标识；

(3.2)令k＝1，初始化样本权重：w_k(n)＝1/N；

(3.3)根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k；

(3.4)设置神经网络基元分类器classifier_k的参数，用训练集set_k训练第k个神经网络基元分类器classifier_k，并用set_k测试神经网络基元分类器classifier_k；

(3.5)计算第k个神经网络基元分类器的分类误差E(k)：其中表示第k个神经网络基元分类器对第n个归一化故障特征向量的识别结果，|·|表示逻辑运算符，即

(3.6)判断：若E(k)≥0.5，则放弃当前神经网络基元分类器classifier_k，返回步骤(3.4)；若0.5>E(k)>e₀，则保存当前神经网络基元分类器，并执行步骤(3.7)，若E(k)≤e₀，训练过程结束，k＝K；

(3.7)计算第k个神经网络基元分类器在集成输出时的投票权α_k：

(3.8)更新样本权重w_k(n)分布：提高分类错误的样本权重，降低分类正确的样本权重，w_k+1(j)表示更新后的样本权重；

(3.9)样本权重归一化：

(3.10)判断：若k>K，则训练过程结束，否则，k＝k+1，返回步骤(3.3)。

6.如权利要求5所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(3.3)中，根据样本权重w_k(n)在训练样本对中抽取第k个训练集set_k的步骤为：

(3.3.1)根据样本权重w_k(n)分布将区间[0,1]分为N个小区间，每个小区间表示一个训练样本对

(3.3.2)产生一个(0,1)之间的随机数rand，rand所在的小区间表示训练样本对，即为抽取到的训练样本对；

(3.3.3)重复步骤(3.3.2)N次，产生一个与训练样本集合相同大小的训练集。

7.如权利要求5所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(3.4)中，设置神经网络基元分类器classifier_k的参数的步骤为：

(3.4.1)神经网络结构为三层前馈式，输入层节点数等于归一化故障特征向量的维数，输出层节点数等于类别标识T_n的维数，隐含层节点数hidden＝2*R-1，其中R为归一化故障特征向量的维数，激活函数采用默认的tansig函数；

(3.4.2)神经网络的学习算法采用误差反向传播算法，训练样本对的训练算法为弹性梯度下降算法，每个神经网络基元分类器的最大迭代次数为500次，训练目标为MSE<0.001，其中均方误差T_n为网络目标输出，O_n为网络实际输出，n＝1,2,…,N。

8.如权利要求1或2所述的基于集成学习的电力电子开关器件网络故障诊断方法，其特征在于：步骤(4)中，利用集成学习方法得到集成识别结果的步骤为：

(4.1)用V^*表示待测故障特征向量，将其分别接入每个神经网络基元分类器，用classifier_k(V^*)表示每个神经网络基元分类器对V^*的识别结果；

(4.2)将每个识别结果相同的神经网络基元分类器的投票权累加，权值最高的识别结果即为最终的集成识别结果，最终的集成识别结果为：其中，F_q表示第q种故障模式的类别标识，α_k表示第k个神经网络基元分类器在集成输出时的投票权；|·|表示逻辑运算符，即表示当x＝x₀时，f(x₀)为函数f(x)的最大值。