CN106682303B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106682303B CN106682303B CN201611216599.8A CN201611216599A CN106682303B CN 106682303 B CN106682303 B CN 106682303B CN 201611216599 A CN201611216599 A CN 201611216599A CN 106682303 B CN106682303 B CN 106682303B
- Authority
- CN
- China
- Prior art keywords
- level inverter
- energy
- fault
- circuit
- failure
- 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.)
- Expired - Fee Related
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 230000007935 neutral effect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims description 2
- 230000011664 signaling Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 210000000080 chela (arthropods) Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了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，针对光伏发电系统中的二极管中点箝位式三电平逆变器故障诊断问题，首先分析逆变电路的运行情况并进行故障分类，然后以中、上、下三种桥臂电压为测量信号，采用经验模态分解法提取各个信号分量，再计算对应的能量和能量熵等参数，进而利用粒子群聚类算法生成决策树RVM分类模型，最终实现了光伏二极管中点箝位式三电平逆变器的多模式故障诊断。其优点是：不需要设定参数，分类模型数目较少，运算效率高且诊断精度高，鲁棒性强。
Description
技术领域
本发明涉及电力电子装置故障诊断领域，尤其是一种基于经验模态分解和决策树RVM的二极管中点箝位式三电平逆变器故障诊断方法。
背景技术
随着光伏发电技术的进步和光伏发电并网运行规模的增大，光伏发电系统的优化、改善和运行成本等问题严重制约了光伏发电产业的发展。其中，光伏逆变器虽然成本不高，但由于逆变电路所用的电力电子器件本身具有脆弱性、逆变器电路控制复杂、通断控制频繁、外部环境较恶劣等原因，逆变器一直是整个系统中易发生故障的薄弱环节，其易出现过压、过流、功率管短路和开路等故障，而这些情况都严重关系到整个光伏发电系统的安全运行。为了防止因故障造成更严重的事故，及时检测故障设备，确定设备发生故障的原因和位置，不仅有利于降低经济损失，也有利于维护人员工作的开展。同时，可以实现光伏发电系统稳定、高效、安全地运行，对促进我国光伏发电的规模化发展具有及其重要的意义。
随着不同类型和结构的逆变器在光伏发电系统的逐渐应用，其工作的可靠性、稳定性、可维护性显得愈发重要。据资料显示，在所有并网逆变器故障中，38％来自逆变器主电路中功率管损坏。常见的逆变器故障主要有短路故障和开路故障，短路故障通常由硬件电路在微秒级的时间内进行保护处理；而短路故障，大多数不会立即导致系统停机，但会引起其他器件的二次故障，最终导致系统无法工作。当逆变器发生故障时，电路中的电压、电流等物理量相对于正常状态会发生变化，所以可以根据检测信号的不同，将逆变器功率管开路故障诊断方法分为两种：电流和电压故障诊断法。采用电流的故障诊断方法不需要额外的传感器，但很多时候，电流与负载是相关的，当其为空载或轻载时，电流法的诊断精度很低。电压法通过考察逆变器相电压、线电压或桥臂电压与正常状态的偏差来进行故障诊断，需要增加传感器，但这样也有很多优势：对噪声和负载的鲁棒性更强、误报率较低且诊断时间较少。
在电力电子装置的故障诊断中，故障特征向量的选择和提取一直是诊断的关键，它直接影响到故障诊断结果的准确性。而光伏三电平逆变器的开关器件较多，故障问题种类繁杂，其中所测得的大量信号为非稳态信号。因此在故障诊断过程中有必要采用适合于处理非平稳信号的特征提取方法，经验模态分解法恰恰就是这样一种方法。
另一方面，设计结构合理的分类器来进行状态识别是故障诊断的又一关键步骤。目前，用于故障检测与诊断的模式识别方法主要是统计模式识别和神经网络识别，同时如极限学习机、支持向量机等智能诊断算法也显示出了极大的应用潜力。但传统的统计模式识别方法都有各自的局限性，神经网络技术有很多重要的问题尚未从理论上得到解决，极限学习机需要大量的样本进行训练，支持向量机虽然适用于解决小样本、非线性及高维模式识别，但仍有多种参数需要凭经验选定，惩罚系数和核函数半径等参数对诊断精度影响较大。相关向量机(relevant vector machine,RVM)是基于贝叶斯框架构建的学习机，它比不需对惩罚因子做出设置，不会出现像支持向量机因为设置参数不当而引起过学习的情况，且该算法同样能解决高维、非线性及小样本的模式识别问题，具有很好的应用前景。
发明内容
一种基于经验模态分解和决策树RVM的二极管中点箝位式三电平逆变器故障诊断方法，其特征在于，包括：构建二极管中点箝位式三电平逆变电路模型并进行故障分类；提取三电平逆变电路开路故障特征向量；构建粒子群聚类三电平逆变器故障诊断决策树；构建相关向量机故障分类决策树模型，最终实现光伏二极管中点箝位式三电平逆变器的故障诊断；
第一步：构建二极管中点箝位式三电平逆变电路模型并进行故障分类；三电平逆变器主电路由三相桥臂构成，共有两个钳位电容、十二个主开关管、十二续流二极管和六个中点钳位二极管；
由于光伏二极管中点箝位式三电平逆变器电路的三相是对称的，因此以A相为例，其他相类似；三电平逆变电路故障的开路故障包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还考虑中点钳位二极管开路的情况，故障分类如下，共四大类十三小类；
1)系统无故障，共一小类；
2)单个钳位二极管开路，共两小类；
3)单个功率器件开路，即在四个功率管中任意一个开路，共四小类；
4)两个器件开路，存在两种情况：一是开路的两个功率管不在同一桥臂，这种情况归结为不同桥臂上的单个器件故障，参考第三种单个功率器件开路的故障分类；二是故障的两个开关管在同一桥臂，即四个功率管中任意两个功率管开路的情况，共六小类；
第二步：提取三电平逆变电路开路故障特征向量；在信号的分析过程中，时间尺度和随时间尺度分布的能量是信号的两个最主要参数；当逆变电路功率管开路时，其电压信号与正常系统的电压信号相比，相同频带内信号的能量会有较大差别；在信号各个频率成分的能量中包含着丰富的故障信息，某种或几种频率成分能量的改变即代表了一种故障，因此根据各频带能量的变化进行故障分析；
对采用空间矢量脉宽调制(SVPWM)和中性点电位控制的二极管中点箝位式三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行EMD分解，选取前n个IMF分量和残留量，再计算各个IMF分量和残留量的能量；设各个分量的能量Ei
式中，ci,k(i＝1,2,…,n+1；k＝1,2,…,J)为前n个IMF分量和残留量的J个离散点的幅值；得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T1为：
T1＝[E0 E1 ... En+1] (2)
考虑到能量的数值往往较大，为便于后面分类，对归一化处理过程进行改进
同时，在各个IMF能量的基础上，计算相应的IMF能量熵
式中，pi＝Ei/Ez为第i个分量的能量占整个信号能量的百分比
综合以上参数，故障特征向量定义为：
T1'＝[E0/E E1/E ... En+1/E H1] (6)
采用同样的方法再处理上、下桥臂，分别得到特征向量T2′和T3′，定义故障特征向量为：
T＝[T1' T2' T3'] (7)
将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本；
第三步：构建粒子群聚类三电平逆变器故障诊断决策树；三电平逆变器共有13种故障类型，若要构建决策树，那么采用聚类算法将故障不断地划分成两类，直到子类只包含一种样本类型为止，其具体为：
先处理初始类，将全部训练样本作为初始类，利用聚类算法，将其划分成两个子类；再判断子类，如果子类只包含一种样本类型，则算法结束，否则继续利用聚类算法进行聚类划分，直到所有子类只包含一种样本类型；
采用粒子群聚类算法；粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置相关参数，再进行随机分类，将每个样本随机分类，计算适应度、聚类中心这两个参数，将粒子初速度设为零；这样就可以根据初始粒子群，得到的粒子个体最优位置pid和全局最优位置pgd；依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度；再一次比较适应度，若其优于个体最优位置pid，则更新pid；若其优于全局最优位置pgd，则更新pgd；如果达到最大迭代次数，则算法结束，否则继续迭代；
这样将聚类的结果进行汇总就可以构建故障诊断决策树的结构，为后面RVM的训练对象提供依据；
第四步：构建相关向量机故障分类决策树模型；按照3:7的比例将数据样本划分成训练集和测试集，训练集按照上一步得到的决策树结构进行训练；训练完成后，利用测试集进行测试，得到诊断精度、平均训练时间和平均测试时间指标，最终实现光伏二极管中点箝位式三电平逆变器的故障诊断。
本发明的有益效果是：
1)本发明所提出的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，是基于数据驱动的思想，将经验模态分解、粒子群聚类和相关向量机算法结合起来，实现光伏逆变器，尤其是光伏二极管中点箝位式三电平逆变器的故障诊断。
2)本发明通过经验模态分解算法进行特征提取，它是一种自适应的算法，十分适合对非平稳、非线性信号进行分析。同时，不需要像小波分析那样根据经验选择参数值，并能通过提取各个IMF分量的能量和信号的能量熵作为故障特征向量，表征故障信息。
3)本发明采用决策树RVM的故障诊断模型结构，决策树结构只需要构建较少的分类模型就能完成故障诊断任务，同时RVM算法相比于SVM算法，其具有使用的向量更少、测试时间更短、稀疏性更强、对于训练样本和特征较少的分类更鲁棒性更强、不需要设置参数等优点。
附图说明
图1为二极管中点箝位式三电平逆变器的故障诊断流程
图2为二极管中点箝位式三电平逆变器主电路拓扑结构
图3为逆变器主电路的A相拓扑
图4为单个器件故障时的桥臂电压
图5为两个器件同时开路时的桥臂电压
图6为单个钳位二极管开路时的桥臂电压
图7为逆变器正常时的EMD分解结果
图8为逆变器正常时的故障特征向量直方图
图9为聚类划分后的决策树结构图
具体实施方式
下面结合附图对本发明做进一步说明。
本发明的基于经验模态分解和决策树RVM的三电平逆变器故障诊断流程图如图1所示，本发明方法的具体实施包括以下步骤：
如图2所示为二极管中点箝位式三电平逆变器主电路拓扑结构图，为简化分析，只研究逆变器逆变状态下A相的工作状态，其电路拓扑如图3所示。图中实线为电流正方向，虚线为电流的负方向，忽略功率器件导通压降后，P状态A点电位始终等于P点电位，O状态A点电位始终等于O点电位，N状态A点电位始终等于N点电位。
根据拓扑结构，将故障分为四大类十三小类，即二极管中点箝位式三电平逆变器的故障分类。
1)逆变电路无故障，功率器件正常工作，共一小类。
2)单个钳位二极管VDa5和VDa6中任意一个开路，共两小类。
2)单个器件开路，即功率管Sa1、Sa2、Sa3、Sa4，共四小类。
3)两个器件开路，这类存在两种小类，一是开路的两个功率管不在同一桥臂，可以参考第三类的开路情况，不计入故障分类；二是开路的两个功率管在同一桥臂，即功率管(Sa1,Sa2)、(Sa1,Sa3)、(Sa1,Sa4)、(Sa2,Sa3)、(Sa2,Sa4)或(Sa3,Sa4)任意一组开路的情况，共六小类。综上，故障分类和对应的标签如表1所示。
表1故障分类
建立二极管中点箝位式三相三电平逆变器模型，采用SVPWM控制协同中点电位控制技术，控制逆变器三相的工作状态，驱动三电平逆变器完成逆变工作。选取桥臂电压为研究对象，可以得到各种故障情况下的桥臂电压如图4和图5所示，对比图4(c)和图5(a)可以发现，Sa2和(Sa1,Sa2)两者的电平逻辑相同，这是电路自身结构原因造成的，所以需要引入新的测点，即上桥臂电压，如图6所示。分别对各个桥臂电压进行EMD分解，每个桥臂电压被分解成4个IMF分量和1个残余量，正常情况下桥臂电压的EMD分解结果如图7所示。分解后计算信号的能量，统一量纲后，再计算能量熵，最后构建单个桥臂电压的故障特征向量。整合单个故障特征向量，按照中、上和下的顺序构建总体故障特征向量，并按照不同的故障类型，构建数据样本。逆变器正常工作时的故障特征向量的直方图如图8所示。
如前所述，采用粒子群聚类算法，进行故障样本的划分，如第一次划分的结果是：标签为0、1、4、5、6和14的数据样本归为一类；标签是2、3、12、13、23、24和34的数据样本归为另一类。这样决策树第一层的结构和对应的分类模型RVM1的训练样本也得到确定，依此类推。划分结束后构建决策树，最终结果如图9所示。从图中可知，对于13种故障分类的问题，采用决策树结构只需要构建12个分类模型，而如果采用一对一结构，则需要构建78个分类模型。同时，在测试模型方面，采用决策树结构只需要进行2～6次分类运算，而一对一结构还是需要进行78次分类运算。综上，采用决策树结构无疑将大大减少模型构建数目，减少运算时间，提高运算效率。
将数据样本分成训练集和测试集，比例为3:7。按照构建的决策树结构，分别训练RVM1～RVM12，共12个相关向量机分类模型。为了验证算法的抗干扰能力，对原始数据加入信号幅值10％和15％的白噪声进行对比，同时还横向比较了BP神经网络(backpropagation neural network,BPNN)、极限学习机(extreme learning machine,ELM)、一对一结构(1vs.1)的相关向量机和决策树支持向量机(decision tree support vectormachine,DT-SVM)的训练、测试时间和诊断精度，最终的故障诊断结果汇总如表2和表3所示。
表2故障诊断结果(10％白噪声)
表3故障诊断结果(15％白噪声)
上述实施例仅仅是为清楚地说明本发明所做的举例，而并非是对本发明的实施方式限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。
Claims (1)
1.一种基于经验模态分解和决策树RVM的二极管中点箝位式三电平逆变器故障诊断方法，其特征在于，包括：构建二极管中点箝位式三电平逆变电路模型并进行故障分类；提取三电平逆变电路开路故障特征向量；构建粒子群聚类三电平逆变器故障诊断决策树；构建相关向量机故障分类决策树模型，最终实现光伏二极管中点箝位式三电平逆变器的故障诊断；
第一步：构建二极管中点箝位式三电平逆变电路模型并进行故障分类；三电平逆变器主电路由三相桥臂构成，共有两个钳位电容、十二个主开关管、十二续流二极管和六个中点钳位二极管；
由于光伏二极管中点箝位式三电平逆变器电路的三相是对称的，因此以A相为例，其他相类似；三电平逆变电路故障的开路故障包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还考虑中点钳位二极管开路的情况，故障分类如下，共四大类十三小类；
1)系统无故障，共一小类；
2)单个钳位二极管开路，共两小类；
3)单个功率器件开路，即在四个功率管中任意一个开路，共四小类；
4)两个器件开路，存在两种情况：一是开路的两个功率管不在同一桥臂，这种情况归结为不同桥臂上的单个器件故障，参考第三种单个功率器件开路的故障分类；二是故障的两个开关管在同一桥臂，即四个功率管中任意两个功率管开路的情况，共六小类；
第二步：提取三电平逆变电路开路故障特征向量；在信号的分析过程中，时间尺度和随时间尺度分布的能量是信号的两个最主要参数；当逆变电路功率管开路时，其电压信号与正常系统的电压信号相比，相同频带内信号的能量会有较大差别；在信号各个频率成分的能量中包含着丰富的故障信息，某种或几种频率成分能量的改变即代表了一种故障，因此根据各频带能量的变化进行故障分析；
对采用空间矢量脉宽调制(SVPWM)和中性点电位控制的二极管中点箝位式三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行EMD分解，选取前n个IMF分量和残留量，再计算各个IMF分量和残留量的能量；设各个分量的能量Ei
式中，ci,k(i＝1,2,…,n+1；k＝1,2,…,J)为前n个IMF分量和残留量的J个离散点的幅值；得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T1为：
T1＝[E0 E1 ... En+1] (2)
考虑到能量的数值往往较大，为便于后面分类，对归一化处理过程进行改进
同时，在各个IMF能量的基础上，计算相应的IMF能量熵
式中，pi＝Ei/Ez为第i个分量的能量占整个信号能量的百分比
综合以上参数，故障特征向量定义为：
T1'＝[E0/E E1/E ... En+1/E H1] (6)
采用同样的方法再处理上、下桥臂，分别得到特征向量T2′和T3′，定义故障特征向量为：
T＝[T1' T2' T3'] (7)
将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本；
第三步：构建粒子群聚类三电平逆变器故障诊断决策树；三电平逆变器共有13种故障类型，若要构建决策树，那么采用聚类算法将故障不断地划分成两类，直到子类只包含一种样本类型为止，其具体为：
先处理初始类，将全部训练样本作为初始类，利用聚类算法，将其划分成两个子类；再判断子类，如果子类只包含一种样本类型，则算法结束，否则继续利用聚类算法进行聚类划分，直到所有子类只包含一种样本类型；
采用粒子群聚类算法；粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置相关参数，再进行随机分类，将每个样本随机分类，计算适应度、聚类中心这两个参数，将粒子初速度设为零；这样就可以根据初始粒子群，得到的粒子个体最优位置pid和全局最优位置pgd；依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度；再一次比较适应度，若其优于个体最优位置pid，则更新pid；若其优于全局最优位置pgd，则更新pgd；如果达到最大迭代次数，则算法结束，否则继续迭代；
这样将聚类的结果进行汇总就可以构建故障诊断决策树的结构，为后面RVM的训练对象提供依据；
第四步：构建相关向量机故障分类决策树模型；按照3:7的比例将数据样本划分成训练集和测试集，训练集按照上一步得到的决策树结构进行训练；训练完成后，利用测试集进行测试，得到诊断精度、平均训练时间和平均测试时间指标，最终实现光伏二极管中点箝位式三电平逆变器的故障诊断。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611216599.8A CN106682303B (zh) | 2016-12-26 | 2016-12-26 | 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 |
| PCT/CN2016/113643 WO2018120077A1 (zh) | 2016-12-26 | 2016-12-30 | 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 |
| NL2020015A NL2020015B1 (en) | 2016-12-26 | 2017-12-04 | Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611216599.8A CN106682303B (zh) | 2016-12-26 | 2016-12-26 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106682303A CN106682303A (zh) | 2017-05-17 |
| CN106682303B true CN106682303B (zh) | 2019-09-13 |
Family
ID=58870415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611216599.8A Expired - Fee Related CN106682303B (zh) | 2016-12-26 | 2016-12-26 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN106682303B (zh) |
| NL (1) | NL2020015B1 (zh) |
| WO (1) | WO2018120077A1 (zh) |
Families Citing this family (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108196205B (zh) * | 2017-12-19 | 2019-01-29 | 湖南大学 | 中点钳位型电源的故障检测电路及故障分类检测方法 |
| CN108649600A (zh) * | 2018-04-04 | 2018-10-12 | 新疆大学 | 一种基于模型的多电平逆变器参数性故障诊断方法 |
| CN108872882B (zh) * | 2018-08-09 | 2023-09-19 | 西南交通大学 | 一种三电平级联逆变器的故障诊断装置及其诊断方法 |
| CN109167630B (zh) * | 2018-08-28 | 2021-06-18 | 南京邮电大学 | 一种基于dnn神经网络室内灯源布局方法 |
| CN109460588B (zh) * | 2018-10-22 | 2022-02-15 | 武汉大学 | 一种基于梯度提升决策树的设备故障预测方法 |
| CN109934136B (zh) * | 2019-02-28 | 2022-11-25 | 西安理工大学 | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 |
| CN109917287B (zh) * | 2019-03-20 | 2021-06-08 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
| CN110058110A (zh) * | 2019-04-16 | 2019-07-26 | 重庆大学 | 一种有源逆变器间歇故障诊断方法 |
| CN110058112B (zh) * | 2019-04-26 | 2020-12-18 | 西南交通大学 | 一种三电平级联逆变器的故障诊断方法 |
| CN110068776B (zh) * | 2019-05-16 | 2020-08-04 | 合肥工业大学 | 基于优化支持向量机的三电平逆变器开路故障诊断方法 |
| CN110286286B (zh) * | 2019-05-30 | 2021-04-30 | 昆明理工大学 | 一种基于vmd-elm的vsc-hvdc换流站故障识别装置及方法 |
| CN110333426A (zh) * | 2019-07-26 | 2019-10-15 | 沈阳工业大学 | 一种模块化多电平储能系统开路故障诊断装置及方法 |
| 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 |
| CN110472335B (zh) * | 2019-08-15 | 2022-10-21 | 中国科学院工程热物理研究所 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
| CN110579675B (zh) * | 2019-10-30 | 2022-03-01 | 国投云顶湄洲湾电力有限公司 | 一种负载短路识别方法、装置、设备及存储介质 |
| CN110929768A (zh) * | 2019-11-14 | 2020-03-27 | 国电大渡河检修安装有限公司 | 一种机器故障的预测方法 |
| CN111025151B (zh) * | 2019-12-26 | 2021-12-21 | 沈阳工业大学 | 多相永磁同步电机驱动系统开路故障诊断方法 |
| CN111983517B (zh) * | 2020-03-23 | 2023-07-04 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
| CN111612053B (zh) * | 2020-05-14 | 2023-06-27 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
| CN111695611B (zh) * | 2020-05-27 | 2022-05-03 | 电子科技大学 | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 |
| CN112083353B (zh) * | 2020-07-22 | 2023-01-06 | 国网上海市电力公司 | 一种基于开关模态特征对变流器开路故障进行检测的方法及系统 |
| CN112085100B (zh) * | 2020-09-09 | 2024-04-23 | 中国北方车辆研究所 | 一种适用于at产品的基于rvm的故障诊断方法 |
| CN112116003B (zh) * | 2020-09-18 | 2024-01-19 | 中国人民解放军火箭军工程大学 | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
| CN112327206B (zh) * | 2020-10-27 | 2023-06-27 | 河南理工大学 | 一种用于三电平逆变器的故障诊断方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
| CN113761777B (zh) * | 2021-08-26 | 2023-09-26 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
| CN116256592B (zh) * | 2022-11-28 | 2023-09-26 | 国网山东省电力公司德州供电公司 | 一种中压配电电缆潜伏性故障检测方法及系统 |
| 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 |
| CN117454155B (zh) * | 2023-12-26 | 2024-03-15 | 电子科技大学 | 基于ssaf和emd的igbt声发射信号提取方法 |
| CN117807896B (zh) * | 2024-02-29 | 2024-04-30 | 南昌工程学院 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
| CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
| CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937688B (zh) * | 2012-10-30 | 2015-01-28 | 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 |
| KR101627307B1 (ko) * | 2014-05-13 | 2016-06-07 | 아주대학교산학협력단 | 누설전류로 인한 스위치 파괴를 방지한 3-레벨 ｎｐｃ 인버터 |
| CN104698397B (zh) * | 2015-03-16 | 2018-02-23 | 浙江万里学院 | 一种多电平逆变器故障诊断方法 |
| CN105971901B (zh) * | 2016-05-03 | 2018-03-02 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
| CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
| 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 |
-
2016
- 2016-12-26 CN CN201611216599.8A patent/CN106682303B/zh not_active Expired - Fee Related
- 2016-12-30 WO PCT/CN2016/113643 patent/WO2018120077A1/zh active Application Filing
-
2017
- 2017-12-04 NL NL2020015A patent/NL2020015B1/en not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
| CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
| CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2020015B1 (en) | 2018-09-11 |
| NL2020015A (en) | 2018-07-02 |
| CN106682303A (zh) | 2017-05-17 |
| WO2018120077A1 (zh) | 2018-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106682303B (zh) | 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 | |
| CN106443297B (zh) | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 | |
| 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 | |
| CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
| 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 | |
| CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
| CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
| CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
| CN106093713A (zh) | 一种含分布式电源的配电网区段故障定位方法及系统 | |
| CN106093678B (zh) | 一种快速准确诊断柔性直流输电系统换流器故障的方法 | |
| CN110689068B (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
| CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
| CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
| CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
| CN103116090A (zh) | 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 | |
| CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
| CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN109389325A (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN108898182A (zh) | 一种基于核主元分析与支持向量机的mmc故障诊断方法 | |
| CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
| CN112952830A (zh) | 一种故障后电力系统暂态稳定预测方法 | |
| CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
| CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
| CN113848471B (zh) | 继电保护系统的故障智能定位方法及系统 | |
| CN111651932A (zh) | 一种基于集成分类模型的电力系统在线动态安全评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20190913 |