CN108229544A - 一种npc三电平光伏逆变器开路故障诊断方法 - Google Patents
一种npc三电平光伏逆变器开路故障诊断方法 Download PDFInfo
- Publication number
- CN108229544A CN108229544A CN201711405058.4A CN201711405058A CN108229544A CN 108229544 A CN108229544 A CN 108229544A CN 201711405058 A CN201711405058 A CN 201711405058A CN 108229544 A CN108229544 A CN 108229544A
- Authority
- CN
- China
- Prior art keywords
- sample
- feature vector
- npc
- signal
- frequency band
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Inverter Devices (AREA)
Abstract
一种NPC三电平光伏逆变器开路故障诊断方法,包括如下步骤:(1)搭建NPC三电平逆变器仿真模型,模拟故障情形;(2)采集三相相电压时域信号;(3)对相电压信号进行小波包变换求取变换后各频带能量,作为信号特征向量;(4)用主成分分析法对提取到特征向量降维处理,得到低维数据矩阵样本,将样本分为训练样本和测试样本两部分;(5)建立径向基神经网络,用训练样本训练径向基神经网络,将训练好的神经网络保存;(6)用测试样本测试训练好的径向基神经网络,分析故障诊断结果。本发明诊断速度快;诊断正确率高。
Description
技术领域
本发明属于光伏发电技术领域。
背景技术
在光伏发电系统中,逆变器起着非常重要的作用。与传统的二电平逆变器相比,NPC(Neutral Point Clamped)三电平光伏逆变器有诸多优点,例如,控制方式多样、开关器件应力低、电磁干扰小、输出电压波形谐波低,工作过程中逆变效率高。然而三电平逆变器比两电平逆变器需要跟多的功率开关器件,电路结构更加复杂,所以发生故障的可能性更高,可靠性变差。逆变器功率开关器件如果发生故障,将会对整个逆变系统正常运行产生重要影响,甚至会造成巨大经济损失。因此,对NPC三电平光伏逆变器进行故障诊断,及时对发生故障的开关器件进行定位是非常必要的。
逆变器的故障主要由功率开关器件的短路故障和开路故障造成,功率开关器件的短路故障由保护电路保护,一旦短路故障由保护电路保护,保护电路会迅速断开,最终会将功率开关器件短路故障转化成开路故障。鉴于短路故障存在时间短,会迅速转化为开路故障,只考虑对NPC三电平逆变器功率开关器件的开路故障进行诊断。
故障特征提取技术和故障辨识技术是实现逆变器故障诊断两个难点。故障特征提取是指当逆变器发生故障,对相关物理量进行分析,采用适当的特征提取技术,提取这些物理量的特征信息,使得提取到的特征信息能够完整的表征当前故障。故障辨识是指根据故障特征提取技术提取到的故障特征信息,采用有效的故障辨识方法,实现故障的诊断和定位。
发明内容
对逆变器故障诊断的研究主要是为了提高故障诊断精确度和快速性为目标。本发明从提高诊断精度和诊断快速性出发,提出一种基于小波包变换-主成分分析-径向基神经网络的NPC三电平光伏逆变器故障诊断方法。
本发明所述的一种NPC三电平光伏逆变器开路故障诊断方法,包括如下步骤:
(1)搭建NPC三电平逆变器仿真模型,模拟故障情形。
(2)采集三相相电压时域信号。
(3)对相电压信号进行小波包变换求取变换后各频带能量,作为信号特征向量。
(4)用主成分分析法对提取到特征向量降维处理,得到低维数据矩阵样本,将样本分为训练样本和测试样本两部分。
(5)建立径向基神经网络,用训练样本训练径向基神经网络,将训练好的神经网络保存。
(6)用测试样本测试训练好的径向基神经网络,分析故障诊断结果。
进一步地,本发明步骤(3)所述的对相电压信号进行小波包变换求取变换后各频带能量,作为信号特征向量,包括以下步骤:
(1)对原始采样信号S进行三层小波包分解,分别提取第三层从低频到高频8个频带的分解系数dij
(2)重构小波包分解系数,得到各频带的重构信号。以Sij表示dij重构信号。则总信号S可以表示为:
S=S30+S31+…+S37 (1)
(3)求取各频带重构信号能量,设S3j对应的能量为E3j,则有:
其中xjk(j=0,1,…,7;k=1,2,…,n)表示重构信号S3j的离散点幅值。总能量为E,则有
(4)构造特征向量:不同故障类型输出的电压信号经小波包变换后各频带能量具有差异性,将得到的各频带能量值构造成故障特征向量,设构造的特征向量为T,则
T=[E30,E31,…,E37] (4)
(5)当能量较大时,E3j通常是一个较大的数值,这给分析带来了不便,因此需要对特征向量T进行归一化处理。
T′=[E30/E,E31/E,…,E37/E] (5)
T′便是基于小波包算法提取到的故障特征向量。
进一步地,本发明步骤(4)所述的用主成分分析法对提取到特征向量降维处理,得到低维数据矩阵样本,按如下步骤
假定有n个样本,每个样本共有p个个变量,构成一个n×p阶的数据矩阵X,接着可以求取数据矩阵X的协方差矩阵R。
R=E{[X-E(X)][X-E(X)]T} (6)
协方差矩阵R的特征值λ和特征向量α可由方程(7)、(8)确定
|λI-R|=0 (7)
|λiI-R|αi=0,i=1,2,…,p (8)
其中协方差矩阵R特征值λi从大到小排列为λ1≥λ2≥…≥λp。αi是特征值λi对应的特征向量,令P=[α1,α2,…,αp]。
计算主成分累计贡献率η
式中,A是一个常数,根据需要进行适当设置,一般取85%-95%。
最终,数据矩阵X降维后得到一个更低维数的n×k的矩阵X′
X′=XP′ (10)
式(10)中,P′是一个p×k矩阵,由矩阵P前k列组成。
进一步地,本发明步骤(5)所述的立径向基神经网络,用训练样本训练径向基神经网络,将训练好的神经样本保存,按如下步骤:
(1)在matlab中建立径向基神经网络。
(2)输入层为主成分分析降维后的特征向量,节点数为10,输出层为六位二进制故障编码,节点数为6,均方误差0.001,隐层节神经元个数最大值设为100,隐层激活函数为径向基函数。
(3)经主成分分析后,数据样本维数降低,降维后的数据样本分为训练样本和测试样本,用训练样本训练径向基神经网络,然后将其保存。最后用测试样本测试,分析故障诊断效果。
本发明的特点及有益效果:(1)诊断速度快。(2)诊断正确率高。
附图说明
附图1小波包变换-主成分分析-径向基神经网络诊断流程图。
附图2逆变器正常状态下输出端三相相电压波形图。
附图3逆变器sa1发生开路故障时输出端三相相电压波形图。
附图4逆变器sa1、sa2同时发生开路故障时输出端三相相电压波形图。
附图5逆变器sa1、sb1同时发生开路故障时输出端三相相电压波形图。
附图6小波包变换提取信号特征流程图图。
附图7径向基神经网络结构图。
具体实施方式
下面结合附图工作原理对及具体实施例对本发明作进一步说明。
(1)三电平逆变器故障诊断流程如附图1,各种可能出现的故障情形如表2。搭建三电平逆变器故障诊断仿真模型,以逆变器输出端三相相电压信号作为故障分析的特征信号,附图2、图3、图4、图5为选取的4种不同故障情形下逆变器输出端相电压波形图。从图中可以得出两个结论:(i)逆变器在各种故障类型下输出的相电压信号是不同的,因此可将相电压信号作为逆变器故障诊断分析的特征信号,提取信号故障特征信息,选取有效的故障辨识方法从而实现故障诊断。(ii)当只有一个功率开关器件或同一相桥臂的两个功率开关器件同时发生故障,可以直接通过观察相电压波形很容易实现故障的诊断,而在交叉桥臂上的两个功率开关器件发生开路故障时,直接通过观察相电压波形无法正确确定故障发生位置,需要采用适当的故障诊断方法实现故障诊断。将表1中第一类、第二类和第三类故障类型共25种故障情况(故障发生在同一桥臂)定义为简单故障,将表2第四至第九类故障类型48种故障情况(故障发生在交叉桥臂)定义为复杂故障。由于简单故障容易识别,可以通过观察相电压输出波形直接进行区分,所以仅对复杂故障情形,采用小波包-主成分分析-径向基神经网络诊断方法。通过搭建好的仿真模型,模拟各种复杂故障情况,改变逆变器输入端直流电压和输出端负载,获取576组数据样本。
表1三电平NPC型逆变器故障类型和故障描述
(2)采用小波包变换方法,附图6是小波包变换获取信号特征信息流程图,分别对三相相电压信号进行三层小波包分解与重构,得到各个频带重构信号并求取能量值,由于毎相相电压信号经三层小波包分解后可得到8个能量值,三相电压可提取到24个能量值,将这24个能量值作为故障信号的特征向量,特征向量维数是24维。
(3)主成分分析法对故障信号特征向量进行降维处理,选取累计主元贡献率为90%,则此时可将24维特征向量降维成10维特征向量。将样本维数为10的576组数据样本,分成两部分,其中432组数据样本作为训练样本,剩余144组数据样本作为测试样本。
(4)附图7是径向基神经网络结构图。径向基神经网络输入层节点数为10,输出层节点数为6,隐层最大节点数设为100,均方误差设为0.001,隐层激活函数为径向基函数。用训练样本训练径向基神经网络,然后将其保存,接着用测试样本测试。为了验证小波包-主成分分析-径向基神经网络有效性,将其与其他诊断方法进行比较。表2是不同诊断方法参数设置,表3是不同诊断方法的诊断结果。
表2不同诊断方法的参数设置
表3不同诊断方法诊断时间和诊断准确率
诊断方法 | 诊断时间(S) | 诊断正确率 |
小波包-BP神经网络 | 6.653 | 88.19% |
小波包-PCA-BP神经网络 | 3.211 | 95.83% |
小波包-径向基网络 | 2.550 | 100% |
小波包-PCA-径向基神经网络 | 2.368 | 100% |
Claims (4)
1.一种NPC三电平光伏逆变器开路故障诊断方法,其特征是包括如下步骤:
(1)搭建NPC三电平逆变器仿真模型,模拟故障情形;
(2)采集三相相电压时域信号;
(3)对相电压信号进行小波包变换求取变换后各频带能量,作为信号特征向量;
(4)用主成分分析法对提取到特征向量降维处理,得到低维数据矩阵样本,将样本分为训练样本和测试样本两部分;
(5)建立径向基神经网络,用训练样本训练径向基神经网络,将训练好的神经网络保存;
(6)用测试样本测试训练好的径向基神经网络,分析故障诊断结果。
2.根据权利要求1所述的一种NPC三电平光伏逆变器开路故障诊断方法,其特征是发明步骤(3)所述的对相电压信号进行小波包变换求取变换后各频带能量,作为信号特征向量,包括以下步骤:
(1)对原始采样信号S进行三层小波包分解,分别提取第三层从低频到高频8个频带的分解系数dij;
(2)重构小波包分解系数,得到各频带的重构信号。以Sij表示dij重构信号。则总信号S可以表示为:
S=S30+S31+…+S37 (1)
(3)求取各频带重构信号能量,设S3j对应的能量为E3j,则有:
其中xjk(j=0,1,…,7;k=1,2,…,n)表示重构信号S3j的离散点幅值。总能量为E,则有:
(4)构造特征向量:不同故障类型输出的电压信号经小波包变换后各频带能量具有差异性,将得到的各频带能量值构造成故障特征向量,设构造的特征向量为T,则:
T=[E30,E31,…,E37] (4)
(5)当能量较大时,E3j通常是一个较大的数值,这给分析带来了不便,因此需要对特征向量T进行归一化处理:
T′=[E30/E,E31/E,…,E37/E] (5)
T′便是基于小波包算法提取到的故障特征向量。
3.根据权利要求1所述的一种NPC三电平光伏逆变器开路故障诊断方法,其特征是步骤(4)所述的用主成分分析法对提取到特征向量降维处理,得到低维数据矩阵样本,按如下步骤:
假定有n个样本,每个样本共有p个变量,构成一个n×p阶的数据矩阵X,接着可以求取数据矩阵X的协方差矩阵R:
R=E{[X-E(X)][X-E(X)]T} (6)
协方差矩阵R的特征值λ和特征向量α可由方程(7)、(8)确定:
|λI-R|=0 (7)
|λiI-R|αi=0,i=1,2,…,p (8)
其中协方差矩阵R特征值λi从大到小排列为λ1≥λ2≥…≥λp;αi是特征值λi对应的特征向量,令P=[α1,α2,…,αp];
计算主成分累计贡献率η:
式中,A是一个常数,根据需要进行适当设置,一般取85%-95%;
最终,数据矩阵X降维后得到一个更低维数的n×k的矩阵X′:
X′=XP′ (10)
式(10)中,P′是一个p×k矩阵,由矩阵P前k列组成。
4.根据权利要求1所述的一种NPC三电平光伏逆变器开路故障诊断方法,其特征步骤(5)所述的立径向基神经网络,用训练样本训练径向基神经网络,将训练好的神经样本保存,按如下步骤:
(1)在matlab中建立径向基神经网络;
(2)输入层为主成分分析降维后的特征向量,节点数为10,输出层为六位二进制故障编码,节点数为6,均方误差0.001,隐层节神经元个数最大值设为100,隐层激活函数为径向基函数;
(3)经主成分分析后,数据样本维数降低,降维后的数据样本分为训练样本和测试样本,用训练样本训练径向基神经网络,然后将其保存。最后用测试样本测试,分析故障诊断效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711405058.4A CN108229544A (zh) | 2017-12-22 | 2017-12-22 | 一种npc三电平光伏逆变器开路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711405058.4A CN108229544A (zh) | 2017-12-22 | 2017-12-22 | 一种npc三电平光伏逆变器开路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229544A true CN108229544A (zh) | 2018-06-29 |
Family
ID=62648671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711405058.4A Pending CN108229544A (zh) | 2017-12-22 | 2017-12-22 | 一种npc三电平光伏逆变器开路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229544A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872751A (zh) * | 2018-07-05 | 2018-11-23 | 西南交通大学 | 一种基于神经网络的三电平级联逆变器的故障诊断方法 |
CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 |
CN109389104A (zh) * | 2018-11-30 | 2019-02-26 | 浙江碳银互联网科技有限公司 | 一种户用光伏电站逆变器故障预测方法 |
CN109884449A (zh) * | 2019-02-26 | 2019-06-14 | 广东省智能机器人研究院 | 电机驱动系统三相逆变器桥臂开路故障实时检测方法 |
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 |
CN110133538A (zh) * | 2019-05-16 | 2019-08-16 | 合肥工业大学 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
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 |
CN110361625A (zh) * | 2019-07-23 | 2019-10-22 | 中南大学 | 一种用于逆变器开路故障诊断的方法和电子设备 |
CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
CN112668556A (zh) * | 2021-01-21 | 2021-04-16 | 广州联智信息科技有限公司 | 一种呼吸音识别方法及系统 |
CN112731019A (zh) * | 2020-12-21 | 2021-04-30 | 合肥工业大学 | 一种anpc三电平逆变器故障诊断方法 |
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 |
CN113093058A (zh) * | 2021-03-02 | 2021-07-09 | 南京理工大学 | 一种npc三电平逆变器开路故障诊断方法 |
CN113358993A (zh) * | 2021-05-13 | 2021-09-07 | 武汉大学 | 一种多电平变换器igbt的在线故障诊断方法及系统 |
CN114021987A (zh) * | 2021-11-08 | 2022-02-08 | 深圳供电局有限公司 | 微网能量调度策略确定方法、装置、设备及存储介质 |
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 |
CN117596161A (zh) * | 2023-12-28 | 2024-02-23 | 南京佳建信息技术有限公司 | 一种通信网络设备智能安全运维方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107139777A (zh) * | 2017-05-12 | 2017-09-08 | 深圳通业科技股份有限公司 | 一种车辆能量管理方法及其系统 |
-
2017
- 2017-12-22 CN CN201711405058.4A patent/CN108229544A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107139777A (zh) * | 2017-05-12 | 2017-09-08 | 深圳通业科技股份有限公司 | 一种车辆能量管理方法及其系统 |
Non-Patent Citations (1)
Title |
---|
于生宝等: "基于小波包分析和概率神经网络的电磁法三电平变换器故障诊断方法", 《电工技术学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872751A (zh) * | 2018-07-05 | 2018-11-23 | 西南交通大学 | 一种基于神经网络的三电平级联逆变器的故障诊断方法 |
CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 |
CN109389104A (zh) * | 2018-11-30 | 2019-02-26 | 浙江碳银互联网科技有限公司 | 一种户用光伏电站逆变器故障预测方法 |
CN109884449A (zh) * | 2019-02-26 | 2019-06-14 | 广东省智能机器人研究院 | 电机驱动系统三相逆变器桥臂开路故障实时检测方法 |
CN109884449B (zh) * | 2019-02-26 | 2021-07-16 | 广东省智能机器人研究院 | 电机驱动系统三相逆变器桥臂开路故障实时检测方法 |
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 |
CN110133538A (zh) * | 2019-05-16 | 2019-08-16 | 合肥工业大学 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
CN110361625A (zh) * | 2019-07-23 | 2019-10-22 | 中南大学 | 一种用于逆变器开路故障诊断的方法和电子设备 |
CN110361625B (zh) * | 2019-07-23 | 2022-01-28 | 中南大学 | 一种用于逆变器开路故障诊断的方法和电子设备 |
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 |
CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
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 |
CN112731019A (zh) * | 2020-12-21 | 2021-04-30 | 合肥工业大学 | 一种anpc三电平逆变器故障诊断方法 |
CN112668556A (zh) * | 2021-01-21 | 2021-04-16 | 广州联智信息科技有限公司 | 一种呼吸音识别方法及系统 |
CN112668556B (zh) * | 2021-01-21 | 2024-06-07 | 广东白云学院 | 一种呼吸音识别方法及系统 |
CN113093058A (zh) * | 2021-03-02 | 2021-07-09 | 南京理工大学 | 一种npc三电平逆变器开路故障诊断方法 |
CN113358993A (zh) * | 2021-05-13 | 2021-09-07 | 武汉大学 | 一种多电平变换器igbt的在线故障诊断方法及系统 |
CN114021987A (zh) * | 2021-11-08 | 2022-02-08 | 深圳供电局有限公司 | 微网能量调度策略确定方法、装置、设备及存储介质 |
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 |
CN117596161A (zh) * | 2023-12-28 | 2024-02-23 | 南京佳建信息技术有限公司 | 一种通信网络设备智能安全运维方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229544A (zh) | 一种npc三电平光伏逆变器开路故障诊断方法 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Perera et al. | Recognition of fault transients using a probabilistic neural-network classifier | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN106405339A (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
CN104297635B (zh) | 基于原子稀疏分解与极限学习机的配电网故障选线方法 | |
CN109142851B (zh) | 一种新型的配电网内部过电压识别方法 | |
Xiao et al. | High-impedance fault detection method based on one-dimensional variational prototyping-encoder for distribution networks | |
Saini et al. | Detection and classification of power quality disturbances in wind‐grid integrated system using fast time‐time transform and small residual‐extreme learning machine | |
CN106483425B (zh) | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 | |
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
Shafiullah et al. | Machine learning tools for active distribution grid fault diagnosis | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN101782625B (zh) | 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法 | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
CN113159226A (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
CN106295023A (zh) | 一种异步电机转子复合故障的诊断方法 | |
Perera et al. | Development and hardware implementation of a fault transients recognition system | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
CN113591792A (zh) | 一种基于自组织竞争神经网络算法的变压器故障辨识方法 | |
Yadav | Comparison of single and modular ANN based fault detector and classifier for double circuit transmission lines | |
CN115128402A (zh) | 一种基于数据驱动的配电网故障类型识别方法及系统 | |
CN114792108A (zh) | 一种高压断路器故障诊断方法及装置 | |
Raval et al. | Improved fault classification in series compensated EHV transmission line using Wavelet transform and Artificial Neural Network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |
|
WD01 | Invention patent application deemed withdrawn after publication |