CN109782091B - 基于深度小波极限学习机的多电平逆变器故障诊断方法 - Google Patents
基于深度小波极限学习机的多电平逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN109782091B CN109782091B CN201910090344.9A CN201910090344A CN109782091B CN 109782091 B CN109782091 B CN 109782091B CN 201910090344 A CN201910090344 A CN 201910090344A CN 109782091 B CN109782091 B CN 109782091B
- Authority
- CN
- China
- Prior art keywords
- learning machine
- wavelet
- extreme learning
- deep
- fault
- 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
Images
Landscapes
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于深度小波极限学习机的多电平逆变器故障诊断方法，该方法包括采集各种工作状态下逆变器交流侧电压故障信号，将采集的三相交流电压进行截取并合成为一条数据，得到总样本数据集，将总样本数据集进行归一化处理，生成训练集、验证集和测试集，构建深层特征提取与故障诊断模型，将测试集作为待测样本，利用深层特征提取与故障诊断模型对模块化多电平逆变器故障进行诊断。本发明利用小波基、极限学习机与自编码器构成小波极限学习机自编码器，具有特征提取效果好，训练速度快的优点，同时在小波极限学习机自编码器实现过程中加入稀疏系数，使得深度小波极限学习机具有良好的抗躁性能表现。
Description
技术领域
本发明属于模块化多电平变流器技术领域，具体涉及一种基于深度小波极限学习机的多电平逆变器故障诊断方法。
背景技术
模块化多电平变流器(Modular Multilevel Converter，MMC)具有高压大容量，开关电流应力低，谐波失真率低的特点，MMC已成为柔性直流输电系统中的首选换流器拓扑。但MMC结构通常包含多个子模块，开关器件较多，且长期处于快速开关状态中，相比两电平逆变，其故障发生率明显增大。MMC开关器件发生开路故障之后，输出三相电压不均衡，会对系统造成严重影响。MMC不同模块之间故障存在相似度高的问题，故障特征区分度不高，现有研究较少。
模块化多电平逆变器有多种类型，根据其子模块单元拓扑，分为半桥型与全桥。以半桥型模块化五电平逆变器为例，研究其故障诊断，其拓扑结构如图1所示。
MMC五电平逆变器包含三相六桥臂，共24个半桥子模块。潜在故障类型繁多，主要以功率开关管IGBT开路故障为主。在具体应用中，故障发生后可通过故障容错技术使逆变器继续工作且输出信号在可接受的谐波范围内，常见的有硬件冗余、重构拓扑、改进调制。改进调制通过更换调制方式以避开故障IGBT，相比于其余两种措施，无需增加旁路开关，具有良好的应用前景。因此可以选择定位到具体IGBT，为实现改进调制提供可能。由于两个及以上IGBT发生开路故障的概率极低，因此对单个IGBT进行故障诊断，对于任意一个子模块，其工作状态如表1，分析可知，不同开关管发生开路，直流侧电容都将会发生异常充放电，从而影响电路工作特性。
表1、子模块不同工作状态表
对图1(a)中电路简单分析可知，同一桥臂上不同模块，相同位置的IGBT发生开路，故障表现相似，区分度低。针对故障类型多、故障表现相似，常见做法是首先选择合适的方法进行故障信号特征提取，然后利用模式识别相关方法进行故障诊断。目前特征提取主要采用信号处理(如FFT、小波)与统计分析(如PCA、ICA)的方法，这些方法具有人工干预大，自动化程度低的缺点。2006年，Hilton教授提出深度学习，通过模拟人脑学习过程，能从海量数据中自适应提取出深层特征信息，克服了传统特征提取方法人工干预大缺点，但是深度学习较一般方法又存在训练速度慢的问题。
发明内容
本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于深度小波极限学习机的多电平逆变器故障诊断方法。
本发明的技术方案是：一种基于深度小波极限学习机的多电平逆变器故障诊断方法，包括以下步骤：
A、利用电压传感器采集各种工作状态下逆变器交流侧电压故障信号；
B、将每一次采集的三相交流电压按照设定长度进行截取并合成为一条数据，得到总样本数据集；
C、将步骤B中得到的总样本数据集进行归一化处理，生成训练集、验证集和测试集；
D、利用小波极限学习机自编码器对训练集样本进行逐层预训练，并利用训练好的小波极限学习机自编码器堆栈深度小波极限学习机，再利用验证集对深度小波极限学习机进行模型调优，得到深层特征提取与故障诊断模型，并保存模型数据；
E、将测试集作为待测样本，利用深层特征提取与故障诊断模型对模块化多电平逆变器故障进行诊断。
进一步地，所述步骤B中，设定故障类别为ω，每类故障下的样本数量为i，则总样本数量表示为i*ω；采集一个工频周期内信号波形，采样频率为fc，电网频率为f网，则一条样本的数据总长度表示为N＝3fc/f网。
进一步地，所述步骤C中，采用最大最小归一化方法对步骤B中得到的总样本数据集进行归一化处理，表示为
xk＝(xk-xmin)/(xmax-xmin)
其中，xk为总样本数据集的第k个特征构成的数据序列，xmin为数据序列xk中的最小数，xmax为数据序列xk中的最大数。
进一步地，所述步骤D中，利用小波极限学习机自编码器对训练集样本进行逐层预训练，具体包括以下分步骤：
D1、随机产生输入权值均值μ和隐含层正交随机偏置b；
D2、随机生成ε～N(0,1)，确定输入层到隐含层正交随机输入权值w；
D3、设定稀疏系数，计算稀疏输入权值矩阵W；
D4、设定小波基平移因子w1和伸缩因子w2，计算隐含层输出矩阵H；
D5、计算隐含层到输出层权重值β。
进一步地，所述步骤D2中，输入层到隐含层正交随机权值w表示为
w＝orth(μ+ε*log(1+exp(0.1)))
wTw＝E
其中，μ为输入权值均值，ε为限定输入权重的标准差，orth(x)为求矩阵x正交向量，E为单位矩阵。
进一步地，所述步骤D3中，计算稀疏输入权值矩阵W的计算公式具体为
W＝w.*(rand(size(w))＞ρ)
其中，ρ为稀疏系数，‘.*’表示对位相乘，rand(size(w))为产生一个与w相同大小的随机矩阵。
进一步地，所述步骤D4中，计算隐含层输出矩阵H的计算公式具体为
其中，X为输入样本矩阵，h为小波基。
进一步地，所述步骤D5中，计算隐含层到输出层权重值β的计算公式具体为
其中，C为正则化系数。
本发明具有以下有益效果：
(1)本发明由特征提取技术与故障诊断技术共同构成，操作简单，便于实施；
(2)本发明充分结合小波基、极限学习机与自编码器各自的优点，构成新的深度学习基础单元-小波极限学习机自编码器，相比于传统基础单元，如自编码器AE、受限玻尔兹曼机RBM，本发明不仅具有小波基变换信号的能力，在训练速度上的优势也是AE、RBM所不能比的；
(3)本发明的小波极限学习机自编码器在实现的过程中加入稀疏系数，类似于降噪自编码，使得深度小波极限学习机具有一定的抗噪能力。
附图说明
图1为现有技术中模块化多电平逆变器电路拓扑结构示意图，其中图(a)为多电平逆变器拓扑结构图，图(b)为半桥型子模块拓扑结构图；
图2为本发明的基于深度小波极限学习机的多电平逆变器故障诊断方法流程示意图；
图3为本发明实施例中三种开关状态下逆变器交流侧电压故障信号示意图，其中图(a)为正常状态，图(b)为SM11_T1故障状态，图(c)为SM11_T2故障状态；
图4为本发明实施例中小波极限学习机自编码器结构示意图；
图5为本发明实施例中深度小波极限学习机结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的基于深度小波极限学习机的多电平逆变器故障诊断方法流程示意图；一种基于深度小波极限学习机的多电平逆变器故障诊断方法，包括以下步骤：
A、利用电压传感器采集各种工作状态下逆变器交流侧电压故障信号；
B、将每一次采集的三相交流电压按照设定长度进行截取并合成为一条数据，得到总样本数据集；
C、将步骤B中得到的总样本数据集进行归一化处理，生成训练集、验证集和测试集；
D、利用小波极限学习机自编码器对训练集样本进行逐层预训练，并利用训练好的小波极限学习机自编码器堆栈深度小波极限学习机，再利用验证集对深度小波极限学习机进行模型调优，得到深层特征提取与故障诊断模型，并保存模型数据；
E、将测试集作为待测样本，利用深层特征提取与故障诊断模型对模块化多电平逆变器故障进行诊断。
本发明基于小波基、自编码器与极限学习机，提出一种新的深度学习基础单元——小波极限学习机自编码器(WELM_AE)，并利用该基础单元堆栈深度小波极限学习机，实现对MMC五电平逆变器IGBT开路故障深度自适应特征提取与故障诊断。
在步骤A中，本发明利用电压传感器采集各种工作状态下逆变器交流侧电压故障信号，如图3所示。
在步骤B中，本发明将每一次采集的三相交流电压按照设定长度进行截取并合成为一条数据，得到总样本数据集将每一次采集的三相交流电压按照设定长度进行截取并合成为一条数据，得到总样本数据集X＝(x1,x2,...,xω)；
本发明设定故障类别为ω，每类故障下的样本数量为i，则总样本数量表示为i*ω；采集一个工频周期内信号波形，采样频率为fc，电网频率为f网，则一条样本的数据总长度表示为N＝3fc/f网，其中电网频率f网为50Hz。
在步骤C中，本发明将步骤B中得到的总样本数据集进行归一化处理，具体采用最大最小归一化方法对步骤B中得到的总样本数据集进行归一化处理至[0,1]区间内，从而取消各维数据间数量级差别，消除量纲。
上述最大最小归一化方法的计算模型具体表示为
xk＝(xk-xmin)/(xmax-xmin)
其中，xk为总样本数据集的第k个特征构成的数据序列，xmin为数据序列xk中的最小数，xmax为数据序列xk中的最大数。
在对总样本数据集进行归一化处理后，将总样本数据集划分为训练集、验证集和测试集，作为后续训练阶段和诊断阶段的数据基础。
在步骤D中，本发明利用小波基、极限学习机与自编码器构建新的深度学习基础单元-小波极限学习机自编码器，如图4所示，为本发明实施例中小波极限学习机自编码器结构示意图。
本发明利用小波极限学习机自编码器对训练集样本进行逐层预训练，并利用训练好的小波极限学习机自编码器堆栈深度小波极限学习机，再利用验证集样本对深度小波极限学习机进行模型调优，得到深层特征提取与故障诊断模型，并保存模型数据；如图5所示，为本发明实施例中深度小波极限学习机结构示意图。
本发明利用训练集样本和验证集样本训练第1个小波极限学习机自编码器，保存权值和偏置参数，再训练第2个小波极限学习机自编码器，保存权值和偏置参数，依次循环训练第n-1个小波极限学习机自编码器，保存权值和偏置参数，再训练分类层极限学习机，得到深层特征提取与故障诊断模型。
本发明的小波极限学习机自编码器由输入层、隐含层、输出层构成，包括编码与解码，其输入等于输出；当隐含层节点数小于输入层节点数时，将会对输入数据维度起到一种“压缩”效果，从而实现无监督特征提取。本发明采用充分结合小波基、极限学习机与自编码器各自的优点，不仅具有提取深层特征的能力，且训练速度极快，具有特征提取效果好，训练速度快的优点。
本发明利用小波极限学习机自编码器对训练集样本进行逐层预训练，具体包括以下分步骤：
D1、随机产生输入权值均值μ和隐含层正交随机偏置b；
D2、随机生成ε～N(0,1)，确定输入层到隐含层正交随机输入权值w，表示为
w＝orth(μ+ε*log(1+exp(0.1)))
wTw＝E
其中，μ为输入权值均值，ε为限定输入权重的标准差，orth(x)为求矩阵x正交向量，E为单位矩阵；
D3、设定稀疏系数，使得小波极限学习机自编码器具有一定的抗噪性能，计算稀疏输入权值矩阵W，计算公式具体为
W＝w.*(rand(size(w))＞ρ)
其中，ρ为稀疏系数，‘.*’表示对位相乘，rand(size(w))为产生一个与w相同大小的随机矩阵；
D4、设定小波基平移因子w1和伸缩因子w2，计算隐含层输出矩阵H，计算公式具体为
其中，X为输入样本矩阵，h为小波基，如harr、db1、墨西哥帽等。
D5、计算隐含层到输出层权重值β，计算公式具体为
其中，C为正则化系数。
与常见的堆栈自编码，深度置信网络类似，深度小波极限学习机(DWELM)首先采用小波极限学习机自编码器(WELM_AE)进行逐层预训练，然后利用训练好的小波极限学习机自编码器初始化深度小波极限学习机，与其他深度学习方法的不同之处在于，深度小波极限学习机没有反向调优的过程，深度小波极限学习机的前n-1层权值由小波极限学习机自编码器输出层权重β构成，第n层为分类层，分类层权重计算公式为
其中，Hn-1为第n-1层隐含层输出，Y为类别标签。
在步骤E中，本发明将测试集作为待测样本，输入至训练好的深度小波极限学习机中，利用深层特征提取与故障诊断模型对模块化多电平逆变器故障进行诊断，计算诊断结果，判断具体故障IGBT类型。
本发明先提出小波极限学习机自编码器，再利用其堆栈构成深度小波极限学习机，并用于MMC五电平逆变器IGBT开路故障的深度自适应特征提取与故障诊断，在测试集诊断精度上表现良好，且具有一定的抗噪能力。
下面本发明采用实例验证的方式对本发明的基于深度小波极限学习机的多电平逆变器故障诊断方法作进一步详细说明。
本发明在样本采集时，搭建图1所示MMC五电平逆变器(额定输出800V/50Hz)，含三相六桥臂，共24个子模块，48个IGBT，每个IGBT故障对应一种故障加上正常状态(特殊故障)，共49种故障。设置电源电压存在10％容差，分别对每种故障模式采集90个样本，采样频率10kHZ，采集一个周期三相输出电压信号，组成一个样本，因此每条样本长度为600，共采集4410组样本。
本发明在对深度小波极限学习机的参数进行设置时，深度小波极限学习机的结构为600-200-300-180-49，由三个小波极限学习机自编码器堆栈而成，采用harr小波基，稀疏系数分别为1e-3、1e-3、1e-3，正则化系数分别为0.001、0.037、10，随机生成小波平移因子与伸缩因子。
加入不同等级的高斯白噪声，以模拟实际电路中存在的热噪声与白噪声。为证明本发明的优势，选择相同结构的深度极限学习机DELM与深度置信网络DBN进行对比，比对结果如表2所示。
表2、比对结果分析表
从表2可以看出，相比于DELM、DBN来说，DWELM优势明显，在加入不同噪声之后，DWELM的抗噪性能表现也较为良好。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于深度小波极限学习机的多电平逆变器故障诊断方法，其特征在于，包括以下步骤：
A、利用电压传感器采集各种工作状态下多电平逆变器交流侧电压故障信号；
B、将每一次采集的三相交流电压按照设定长度进行截取并合成为一条数据，得到总样本数据集；
C、将步骤B中得到的总样本数据集进行归一化处理，生成训练集、验证集和测试集；
D、利用小波极限学习机自编码器对训练集样本进行逐层预训练，并利用训练好的小波极限学习机自编码器堆栈深度小波极限学习机，再利用验证集对深度小波极限学习机进行模型调优，得到深层特征提取与故障诊断模型，并保存模型数据；
利用小波极限学习机自编码器对训练集样本进行逐层预训练，具体包括以下分步骤：
D1、随机产生输入权值均值μ和隐含层正交随机偏置b；
D2、随机生成ε～N(0,1)，确定输入层到隐含层正交随机输入权值w：
w＝orth(μ+ε*log(1+exp(0.1)))
wTw＝E
其中，μ为输入权值均值，ε为限定输入权重的标准差，orth(x)为求矩阵x正交向量，E为单位矩阵；
D3、设定稀疏系数，计算稀疏输入权值矩阵W；计算公式具体为
W＝w.*(rand(size(w))＞ρ)
其中，ρ为稀疏系数，‘.*’表示对位相乘，rand(size(w))为产生一个与w相同大小的随机矩阵；
D4、设定小波基平移因子w1和伸缩因子w2，计算隐含层输出矩阵H；
计算隐含层输出矩阵H的计算公式具体为
其中，X为输入样本矩阵，h为小波基；
D5、计算隐含层到输出层权重值β；计算公式具体为
其中，C为正则化系数；
E、将测试集作为待测样本，利用深层特征提取与故障诊断模型对模块化多电平逆变器故障进行诊断。
2.如权利要求1所述的基于深度小波极限学习机的多电平逆变器故障诊断方法，其特征在于，所述步骤B中，设定故障类别为ω，每类故障下的样本数量为i，则总样本数量表示为i*ω；采集一个工频周期内信号波形，采样频率为fc，电网频率为f网，则一条样本的数据总长度表示为N＝3fc/f网。
3.如权利要求1所述的基于深度小波极限学习机的多电平逆变器故障诊断方法，其特征在于，所述步骤C中，采用最大最小归一化方法对步骤B中得到的总样本数据集进行归一化处理，表示为
x'k＝(xk-xmin)/(xmax-xmin)
其中，xk为总样本数据集的第k个特征构成的数据序列，xmin为数据序列xk中的最小数，xmax为数据序列xk中的最大数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090344.9A CN109782091B (zh) | 2019-01-30 | 2019-01-30 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090344.9A CN109782091B (zh) | 2019-01-30 | 2019-01-30 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109782091A CN109782091A (zh) | 2019-05-21 |
| CN109782091B true CN109782091B (zh) | 2021-04-06 |
Family
ID=66502865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910090344.9A Expired - Fee Related CN109782091B (zh) | 2019-01-30 | 2019-01-30 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109782091B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488149A (zh) * | 2019-08-05 | 2019-11-22 | 三峡大学 | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 |
| CN111695289B (zh) * | 2020-05-13 | 2023-04-28 | 中国东方电气集团有限公司 | 全功率变流器的故障诊断方法和平台 |
| CN111753891B (zh) * | 2020-06-11 | 2023-04-07 | 燕山大学 | 一种无监督特征学习的滚动轴承故障诊断方法 |
| CN112234576B (zh) * | 2020-09-29 | 2022-07-05 | 东南大学 | 基于滑窗特征提取的模块化多电平换流器故障诊断方法 |
| CN112348071B (zh) * | 2020-10-30 | 2022-05-17 | 浙江大学 | 一种模块化多电平换流器子模块开关管开路故障诊断方法 |
| CN112611982B (zh) * | 2020-11-30 | 2022-07-12 | 西华大学 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
| CN113033632A (zh) * | 2021-03-10 | 2021-06-25 | 西北工业大学 | 基于小波分析和多层超限学习机的高空台故障诊断方法 |
| CN113159226B (zh) * | 2021-05-18 | 2021-11-16 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
| CN114659785B (zh) * | 2021-12-27 | 2024-07-26 | 三一重能股份有限公司 | 一种风力发电机传动链的故障检测方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598920B (zh) * | 2014-12-30 | 2016-05-18 | 中国人民解放军国防科学技术大学 | 基于Gist特征与极限学习机的场景分类方法 |
| CN104751169B (zh) * | 2015-01-10 | 2018-02-02 | 哈尔滨工业大学（威海） | 高铁钢轨伤损分类方法 |
| CN107305159A (zh) * | 2016-04-21 | 2017-10-31 | 中冶长天国际工程有限责任公司 | 一种烧结主抽风机的故障诊断方法及装置 |
| CN105975749B (zh) * | 2016-04-28 | 2019-03-12 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
| CN107330394A (zh) * | 2017-06-27 | 2017-11-07 | 国网湖南省电力公司 | 一种基于极限学习机的输电线路山火判识方法 |
| CN108845193A (zh) * | 2018-03-21 | 2018-11-20 | 湘潭大学 | 一种移相全桥dc-dc变换器的故障诊断方法 |
| CN108709745B (zh) * | 2018-05-02 | 2020-08-11 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
-
2019
- 2019-01-30 CN CN201910090344.9A patent/CN109782091B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109782091A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
| US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
| CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
| CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
| Zheng et al. | Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM | |
| CN116541772B (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
| CN112488011B (zh) | 一种模块化多电平换流器故障分类方法 | |
| CN113159226B (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
| Si et al. | Fault diagnosis based on attention collaborative LSTM networks for NPC three-level inverters | |
| Gargoom et al. | Investigation of effective automatic recognition systems of power-quality events | |
| 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 | |
| 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 | |
| CN113159119A (zh) | 一种中压模块化多电平变流器故障诊断方法 | |
| CN113030789A (zh) | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 | |
| Tong et al. | Fault diagnosis for modular multilevel converter (MMC) based on deep learning: an edge implementation using binary neural network | |
| Ibrahim et al. | Novel data compression technique for power waveforms using adaptive fuzzy logic | |
| Ma et al. | Life prediction for IGBT based on improved long short-term memory network | |
| Geng et al. | Fault diagnosis of modular multilevel converter based on RNN and wavelet analysis | |
| CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
| Bhuiyan et al. | A reliable open-switch fault diagnosis strategy for grid-tied photovoltaic inverter topology | |
| CN110968073A (zh) | 一种hvdc系统换相失败故障原因双层溯源辨识方法 | |
| CN114089181B (zh) | 基于XG-Boost的MMC开关管开路故障检测方法 | |
| CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
| Ren et al. | Application of RBF neural network optimized based on K-means cluster algorithm in fault diagnosis |
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: 20210406 Termination date: 20220130 |