CN109815934A - 一种应用于逆变器故障的多尺度oglpe特征提取方法 - Google Patents
一种应用于逆变器故障的多尺度oglpe特征提取方法 Download PDFInfo
- Publication number
- CN109815934A CN109815934A CN201910111155.5A CN201910111155A CN109815934A CN 109815934 A CN109815934 A CN 109815934A CN 201910111155 A CN201910111155 A CN 201910111155A CN 109815934 A CN109815934 A CN 109815934A
- Authority
- CN
- China
- Prior art keywords
- matrix
- formula
- feature
- oglpe
- sample
- 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
- Complex Calculations (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
一种应用于逆变器故障的多尺度OGLPE特征提取方法,包括如下步骤:S1、采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;S2、使用集成经验模态分解EEMD方法对各状态下的电流偏差信号进行多尺度分解,得到不同尺度下的本征模态IMF分量;S3、使用正交全局与局部保持嵌入OGLPE特征提取方法自适应提取嵌入于各IMF分量中的敏感特征,构成故障特征集;本发明解决了现有技术存在的只考虑全局分布特性或局部结构保持特性导致的功能性不足以及存在局限性的问题。
Description
技术领域
本发明属于电力电子技术领域,具体涉及一种应用于逆变器故障的多尺度 OGLPE特征提取方法。
背景技术
级联H桥(Cascaded H_bridge,CHB)具有高压大容量、谐波失真低的特 点,已广泛应用于电力电子变压器(Power electronics transformer,PET)、静止 无功发生器(Static Var Generator,SVG)中。级联H桥多电平逆变器结构复杂, IGBT较多,开关频率快,其故障发生机率明显增大,一旦IGBT发生开路故障, 输出三相电压不均衡,将会对系统造成严重影响。目前针对这种情况主要采用 故障容错技术使其继续运行,而实现故障容错运行功能的关键是对故障元件的 快速识别与定位。
级联H桥七电平逆变器部分故障原始特征属性相互交叉,不同故障类相似 度高,从原始特征量中提取有效特征有利于提升故障诊断准确率。目前常用的 故障信号特征提取方法主要有傅里叶变换(FFT)、主成分分析(PCA)、小波分 析(Wavelet)、邻域保持嵌入(NPE)等。现有文献中通过对模块化逆变器原始三相 电压信号进行FFT提取特征,再利用PCA进行降维,减少冗余特征,提升了故 障模块识别准确率;现有文献中利用Wavelet变换求取光伏逆变器电流能量谱特 征,取得多管开路的故障特征表达;现有文献中通过对风电变流器三相电压进 行经验模态分解,再利用NPE进行维数约简。
上述方法都取得一定效果,但FFT并不适合局部特征提取,而Wavelet效 果依赖于小波基与分解层数选择,NPE不合适全局特征保持,因此都具有一定 局限。
发明内容
针对现有技术中的上述不足,本发明提出一种应用于逆变器故障的多尺度 OGLPE特征提取方法,用于解决现有技术存在的只考虑全局分布特性或局部结 构保持特性导致的功能性不足以及存在局限性的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种应用于逆变器故障的多尺度OGLPE特征提取方法,包括如下步骤:
S1:采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;
S2:使用集成经验模态分解EEMD方法对各状态下的电流偏差信号进行多 尺度分解,得到不同尺度下的本征模态IMF分量;
S3:使用正交全局与局部保持嵌入OGLPE特征提取方法自适应提取嵌入于 各IMF分量中的敏感特征,构成故障特征集。
进一步地,步骤S1中,电流偏差信号的公式为:
ep=iref-ip
式中,ep为第p条电流信号的电流偏差信号;iref为电流参考值;ip为第p条 电流信号的归一化后电流检测值。
进一步地,步骤S3包括如下步骤:
S3-1:使用OGLPE特征提取方法提取不同尺度下的IMF分量的低维特征;
S3-2:使用主成分分析FDA方法对提取的低维特征进行鉴别分析以自适应 确定特征提取维数;
S3-3:根据特征提取维数,组合低维特征成为敏感故障特征集。
进一步地,步骤S3-1包括如下步骤:
A-1:使用非线性映射函数将原始数据集映射到高维核空间,原始数据集为 嵌入各尺度下的IMF分量中的样本集合;
A-2:在高维核空间中,根据K近邻方法构建近邻无向图;
A-3:根据近邻无向图,获取相似度矩阵;
A-4:根据相似度矩阵,获取投影矩阵;
A-5:根据投影矩阵,获取原始数据集中样本的低维特征。
进一步地,步骤A-2中,获取原始数据集中样本间的距离,并根据其寻找 高维核空间各个点的K近邻,构建近邻无向图;
原始数据集中样本间的距离的公式为:
式中,为样本和间的距离;为样本和 间的核欧式距离;β为调整系数;为非线性映射函数;和分别 为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量;L为指示量, 当xi和xj为同类时L=1,反之L=0;
核欧式距离的公式为:
式中,为样本和间的核欧式距离;Kij、Kii、Kjj分别为 核矩阵K对应行列的元素,且(Kij、Kii、Kjj)∈K;为非线性映射函数;和 分别为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量。
核矩阵K的元素的公式为:
式中,Kij为核矩阵K对应第i行第j列的元素;K(xi,xj)为高斯核函数;
K(xi,xj)=exp(-||xi-xj‖2/2δ2)
式中,K(xi,xj)为高斯核函数;δ为核宽度。
进一步地,步骤A-3中,相似度矩阵的获取公式为:
式中,JWi为相似度矩阵的获取函数;Dii为对角矩阵D的对角元素;wij为样 本xi与其各近邻样本点的相似度,且相似度矩阵W=[wij],(i,j=1,2,...,n);n为样本 总数,也为对角矩阵D的阶数;i和j分别为指示量;
最小化上式的重构误差求得每个样本与其各近邻样本点的相似度,获取相 似度矩阵。
进一步地,步骤A-4包括如下步骤:
A-4-1:使用拉格朗日乘子法将OGLPE特征提取方法的整体投影目标函数 和正交约束转化为有约束最大值求解形式的投影矩阵的分量求解函数;
A-4-2:根据相似度矩阵,将投影矩阵的分量求解函数进行迭代求解,获取 若干投影分量,即正交映射向量,并构成映射矩阵;
A-4-3:根据映射矩阵获取投影矩阵。
进一步地,步骤A-4-1中,OGLPE特征提取方法的整体投影目标函数公式 为:
J=argmax(JKPCA-JKNPE)
=argmaxtr(aTKKa-aTKMKa)
=argmaxtr(aTK(I-M)Ka)
st.aTKDKa=I
式中,J为OGLPE特征提取方法的整体投影目标函数;JKPCA为核主元分析 KPCA方法的全局方差最大目标函数;JKNPE为核邻域保持嵌入KNPE方法的局 部流形保持目标函数;a为映射矩阵;aT为映射矩阵的转置;K为核矩阵;D为 对角矩阵;I为单位矩阵;M为中间矩阵;
正交约束的公式为:
式中,为第j个正交映射向量的转置;ap为第p个正交映射向量,为整体 投影目标函数中最大特征值对应的特征向量;j、p分别为指示量;k为最终的映 射矩阵的列数;
投影矩阵的分量求解函数的公式为:
[I-2((Ap-1)T(KDK)-1Ap-1)-1(Ap-1)T]×(KDK)-1K(I-M)Kap=λap
式中,ap为第p个正交映射向量;Ap-1为上一代投影矩阵;K为核矩阵;D 为对角矩阵;I为单位矩阵;M为中间矩阵;λ为第p个正交映射向量ap对应的 特征值。
进一步地,步骤A-4-3中,获取投影矩阵的公式为:
式中,A为投影矩阵;a为映射矩阵;为非线性映射后的数据集,且
进一步地,步骤A-5中,获取原始数据集中样本的低维特征的公式为:
式中,Y为样本的低维特征;AT为投影矩阵的转置;为为非线性映射 后数据集样本,且
本方案的有益效果:
(1)本发明提供的多尺度OGLPE特征提取方法能够在投影过程中兼顾全 局方差最大变换特性以及局部结构保持特性,避免只考虑全局分布特性或局部 结构保持特性导致的功能性不足以及存在局限性的问题,并且正则化限定条件 消除了投影分量间的冗余信息,具有良好的特征提取效果。
(2)本发明提供的多尺度OGLPE特征提取方法有效融合原始故障信号的 各尺度信息,更能全面表征故障特性,增大类间区分度,降低相似类误诊率, 与KELM相结合时诊断准确率为98.4%,有效提升了故障诊断准确率。
附图说明
图1为应用于逆变器故障的多尺度OGLPE特征提取方法流程图;
图2为级联H桥七电平逆变器拓扑图;
图3为不同运行状态下电流波形对比图;
图4为电流偏差信号折线图;
图5为三相电流参考值波形图;
图6为本实施例中故障时各尺度信号对比图;
图7为不同维数特征组合对应的FDA鉴别准确率折线图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理 解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的 普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保 护之列。
本发明基于级联H桥七电平逆变器进行实现,级联H桥七电平逆变器部分 故障原始特征属性相互交叉,不同故障类相似度高,从原始特征量中提取有效 特征有利于提升故障诊断准确率,为实现改进调制提供可能,选择定位到具体 IGBT,由于两个及以上IGBT发生开路故障的概率极低,因此本发明对单个IGBT 进行故障诊断,级联H桥七电平逆变器包含9个H桥,36个IGBT,每个IGBT 开路故障对应一种故障类型,加上无故障类型,总计37种;搭建如图2所示的 级联H桥七电平逆变器电路模型(输出三相交流2400V/50Hz,THD<1.7%,额 定功率220kW);
以A相相位0°为采样触发角,采集一个周期内三相电流,并将获取的三 个信号整合形成一个信号样本作为一条原始三相电流信号,考虑实际电路中各 元件内部参数均具有一定的波动,设置电路中元件参数存在5%的容差,分别对 220kW±50%阻性负载情况下一个周期三相电流信号进行数据采集,采样频率为 10kHz,每个样本数据点数3×0.02s×10kHz=600,每种故障模式下采集90个样本,共 采集3330组样本;图3(a)到(f)为额定负载下,正常状态与几种IGBT元件 分别发生故障(5种不同故障)时对应的三相电流归一化波形,从左到右依次为 ABC相。
如图1所示,一种应用于逆变器故障的多尺度OGLPE特征提取方法,有效 融合KPCA的全局分布方差保持特性与KNPE的局部非线性流形结构保持特 性,并通过正交化消除嵌入向量间的冗余信息,包括如下步骤:
S1:采集级联H桥七电平逆变器的原始三相电流信号,电流信号采集成本 低,但电流信号受负载影响较大,并结合参考电流信号求取如图4所示的电流 偏差信号,以消除负载带来的影响,建立原始数据集,其公式为:
ep=iref-ip
式中,ep为第p条电流信号的电流偏差信号;iref为电流参考值;ip为第p条 电流信号的归一化后电流检测值;其中电流参考值为理想三相交流,如图5所 示,从左到右依次为ABC相;
S2:使用EEMD方法对各状态下的电流偏差信号进行多尺度分解,得到不 同尺度下的N=6个的IMF分量,如图6所示;
对原始三相电流偏差信号进行多尺度变换后更有利于体现相似故障类间的 细微差异,融合各尺度分量的有效信息形成的故障特征集更能全面有效地表征 故障特性;
S3:使用OGLPE特征提取方法自适应提取嵌入于各IMF分量中的敏感特 征,构成故障特征集,包括如下步骤:
S3-1:使用OGLPE特征提取方法提取不同尺度下的IMF分量的低维特征, 包括如下步骤:
A-1:使用非线性映射函数将原始数据集映射到高维核空间,原始数据集为 嵌入各尺度下的IMF分量中的样本集合;
A-2:在高维核空间中,根据K近邻方法构建近邻无向图;
获取原始数据集中样本间的距离,并根据其寻找高维核空间各个点的K近 邻,构建近邻无向图;
原始数据集中样本间的距离的公式为:
式中,为样本和间的距离;为样本和 间的核欧式距离;β为调整系数;为非线性映射函数;和分别 为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量;L为指示量, 当xi和xj为同类时L=1,反之L=0;
核欧式距离的公式为:
式中,为样本和间的核欧式距离;Kij、Kii、Kjj分别为 核矩阵K对应行列的元素,且(Kij、Kii、Kjj)∈K;为非线性映射函数;和 分别为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量。
核矩阵K的元素的公式为:
式中,Kij为核矩阵K对应第i行第j列的元素;K(xi,xj)为高斯核函数;
K(xi,xj)=exp(-||xi-xj||2/2δ2)
式中,K(xi,xj)为高斯核函数;δ为核宽度;
A-3:根据近邻无向图,获取相似度矩阵,其公式为:
式中,JWi为相似度矩阵的获取函数;Dii为对角矩阵D的对角元素;wij为样 本xi与其各近邻样本点的相似度,且相似度矩阵W=[wij],(i,j=1,2,...,n);n为样本 总数,也为对角矩阵D的阶数;i和j分别为指示量。
最小化上式的重构误差求得每个样本与其各近邻样本点的相似度,获取相 似度矩阵;
A-4:根据相似度矩阵,获取投影矩阵,包括如下步骤:
A-4-1:使用拉格朗日乘子法将OGLPE特征提取方法的整体投影目标函数 和正交约束转化为有约束最大值求解形式的投影矩阵的分量求解函数;
OGLPE特征提取方法的整体投影目标函数公式为:
J=argmax(JKPCA-JKNPE)
=argmaxtr(aTKKa-aTKMKa)
=argmaxtr(aTK(I-M)Ka)
st.aTKDKa=I
式中,J为OGLPE特征提取方法的整体投影目标函数;JKPCA为KPCA方法 的全局方差最大目标函数;JKNPE为KNPE方法的局部流形保持目标函数;a为映 射矩阵;aT为映射矩阵的转置;K为核矩阵;D为对角矩阵;I为单位矩阵;M 为中间矩阵,且M=(D-W)T(D-W),W为相似度矩阵;
为进一步减小投影后数据集分量间的信息冗余,引入正交约束,其公式为:
式中,为第j个正交映射向量的转置;ap为第p个正交映射向量,为整体 投影目标函数中最大特征值对应的特征向量;j、p分别为指示量;k为最终的映 射矩阵的列数;
联立上式,应用拉格朗日乘子法将上面两式转化为有约束最大值求解问题, 对投影矩阵的分量求偏导并置于零后,其求解函数的初始表达式为:
对求解函数的初始表达式进一步转换,左乘定义 矩阵变量Ap-1=[a1,a2,…,ap-1]与Up-1=[μ1,μ2,…,μp-1]T,得到Up-1的计算表达式为:
Up-1=2[(Ap-1)T(KDK)-1Ap-1]-1(Ap-1)T×(KDK)-1K(I-M)Kap
对求解函数的初始表达式进一步转换,左乘(KDK)-1,得到公式:
根据结合上两式,获取的投影矩阵的分量求解函数的公式为:
[I-2((Ap-1)T(KDK)-1Ap-1)-1(Ap-1)T]×(KDK)-1K(I-M)Kap=λap
式中,ap为第p个正交映射向量;Ap-1为上一代投影矩阵;K为核矩阵;D 为对角矩阵;I为单位矩阵;M为中间矩阵;λ为第p个正交映射向量ap对应的 特征值;
A-4-2:根据相似度矩阵,将投影矩阵的分量求解函数进行迭代求解,获取k 个投影分量即正交映射向量,并构成映射矩阵;
A-4-3:根据映射矩阵获取投影矩阵,其公式为:
式中,A为投影矩阵;a为映射矩阵;为非线性映射后的数据集,且
A-5:根据投影矩阵,获取原始数据集中样本的低维特征,其公式为:
式中,Y为样本的低维特征;AT为投影矩阵的转置;为为非线性映射 后数据集样本,且
S3-2:使用FDA方法对提取的低维特征进行鉴别分析以自适应确定特征提 取维数dq,其中q=1,2,...,N;
以第6个分量IMF6的特征提取为例,按照OGLPE特征提取方法的上述步 骤步骤逐一提取出低维特征,统计随着维数的增加不同维数特征组合的FDA鉴 别准确率,如图7所示;分析图7中鉴别准确率的变化趋势,可以发现随着特 征维数的增加,FDA鉴别准确率也随之上升,但是当维数达到8维时,变化微 小,因此可以确定分量IMF6的特征提取维数d6=8,按照相同方法确定各IMF 分量对应的低维特征维数,结果如表1各IMF分量对应的低维特征维数表所示:
表1
尺度分量 | IMF<sub>1</sub> | IMF<sub>2</sub> | IMF<sub>3</sub> | IMF<sub>4</sub> | IMF<sub>5</sub> | IMF<sub>6</sub> |
特征维数 | 5 | 6 | 6 | 7 | 6 | 8 |
S3-3:根据特征提取维数,组合低维特征成为敏感故障特征集。
本发明提出一种应用于逆变器故障的多尺度OGLPE特征提取方法,解决了 现有技术存在的只考虑全局分布特性或局部结构保持特性导致的功能性不足以 及存在局限性的问题。
Claims (10)
1.一种应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,包括如下步骤:
S1:采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;
S2:使用EEMD方法对各状态下的电流偏差信号进行多尺度分解,得到不同尺度下的IMF分量;
S3:使用OGLPE特征提取方法自适应提取嵌入于各IMF分量中的敏感特征,构成故障特征集。
2.根据权利要求1所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤S1中,电流偏差信号的公式为:
ep=iref-ip
式中,ep为第p条电流信号的电流偏差信号;iref为电流参考值;ip为第p条电流信号的归一化后电流检测值。
3.根据权利要求1所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤S3包括如下步骤:
S3-1:使用OGLPE特征提取方法提取不同尺度下的IMF分量的低维特征;
S3-2:使用FDA方法对提取的低维特征进行鉴别分析以自适应确定特征提取维数;
S3-3:根据特征提取维数,组合低维特征成为敏感故障特征集。
4.根据权利要求3所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤S3-1包括如下步骤:
A-1:使用非线性映射函数将原始数据集映射到高维核空间,所述原始数据集为嵌入各尺度下的IMF分量中的样本集合;
A-2:在高维核空间中,根据K近邻方法构建近邻无向图;
A-3:根据近邻无向图,获取相似度矩阵;
A-4:根据相似度矩阵,获取投影矩阵;
A-5:根据投影矩阵,获取原始数据集中样本的低维特征。
5.根据权利要求4所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-2中,获取原始数据集中样本间的距离,并根据其寻找高维核空间各个点的K近邻,构建近邻无向图;
所述原始数据集中样本间的距离的公式为:
式中,为样本和间的距离;为样本和间的核欧式距离;β为调整系数;为非线性映射函数;和分别为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量;L为指示量,当xi和xj为同类时L=1,反之L=0;
所述核欧式距离的公式为:
式中,为样本和间的核欧式距离;Kij、Kii、Kjj分别为核矩阵K对应行列的元素,且(Kij、Kii、Kjj)∈K;为非线性映射函数;和分别为非线性映射后数据集中第i个和第j个样本;i和j分别为指示量。
核矩阵K的元素的公式为:
式中,Kij为核矩阵K对应第i行第j列的元素;K(xi,xj)为高斯核函数;
K(xi,xj)=exp(-||xi-xj‖2/2δ2)
式中,K(xi,xj)为高斯核函数;δ为核宽度。
6.根据权利要求5所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-3中,相似度矩阵的获取公式为:
式中,为相似度矩阵的获取函数;Dii为对角矩阵D的对角元素;wij为样本xi与其各近邻样本点的相似度,且相似度矩阵W=[wij],(i,j=1,2,...,n);n为样本总数,也为对角矩阵D的阶数;i和j分别为指示量;
最小化上式的重构误差求得每个样本与其各近邻样本点的相似度,获取相似度矩阵。
7.根据权利要求6所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-4包括如下步骤:
A-4-1:使用拉格朗日乘子法将OGLPE特征提取方法的整体投影目标函数和正交约束转化为有约束最大值求解形式的投影矩阵的分量求解函数;
A-4-2:根据相似度矩阵,将投影矩阵的分量求解函数进行迭代求解,获取若干投影分量,即正交映射向量,并构成映射矩阵;
A-4-3:根据映射矩阵获取投影矩阵。
8.根据权利要求7所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-4-1中,OGLPE特征提取方法的整体投影目标函数公式为:
J=argmax(JKPCA-JKNPE)
=argmaxtr(aTKKa-aTKMKa)
=argmaxtr(aTK(I-M)Ka)
st.aTKDKa=I
式中,J为OGLPE特征提取方法的整体投影目标函数;JKPCA为KPCA方法的全局方差最大目标函数;JKNPE为KNPE方法的局部流形保持目标函数;a为映射矩阵;aT为映射矩阵的转置;K为核矩阵;D为对角矩阵;I为单位矩阵;M为中间矩阵;
正交约束的公式为:
式中,为第j个正交映射向量的转置;ap为第p个正交映射向量,为整体投影目标函数中最大特征值对应的特征向量;j、p分别为指示量;k为最终的映射矩阵的列数;
投影矩阵的分量求解函数的公式为:
[I-2((Ap-1)T(KDK)-1Ap-1)-1(Ap-1)T]×(KDK)-1K(I-M)Kap=λap
式中,ap为第p个正交映射向量;Ap-1为上一代投影矩阵;K为核矩阵;D为对角矩阵;I为单位矩阵;M为中间矩阵;λ为第p个正交映射向量ap对应的特征值。
9.根据权利要求8所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-4-3中,获取投影矩阵的公式为:
式中,A为投影矩阵;a为映射矩阵;为非线性映射后的数据集,且
10.根据权利要求9所述的应用于逆变器故障的多尺度OGLPE特征提取方法,其特征在于,所述步骤A-5中,获取原始数据集中样本的低维特征的公式为:
式中,Y为样本的低维特征;AT为投影矩阵的转置;为为非线性映射后数据集样本,且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910111155.5A CN109815934B (zh) | 2019-02-12 | 2019-02-12 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910111155.5A CN109815934B (zh) | 2019-02-12 | 2019-02-12 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815934A true CN109815934A (zh) | 2019-05-28 |
CN109815934B CN109815934B (zh) | 2020-11-03 |
Family
ID=66606478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910111155.5A Expired - Fee Related CN109815934B (zh) | 2019-02-12 | 2019-02-12 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815934B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111062447A (zh) * | 2019-12-26 | 2020-04-24 | 东北石油大学 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
CN114594332A (zh) * | 2022-03-18 | 2022-06-07 | 昆明理工大学 | 一种vsc-hvdc换流站故障诊断系统及方法 |
CN115166517A (zh) * | 2022-09-07 | 2022-10-11 | 沈阳科来沃电气技术有限公司 | 一种针对电机传动系统中逆变器故障诊断方法 |
CN115455730A (zh) * | 2022-09-30 | 2022-12-09 | 南京工业大学 | 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
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 |
---|---|---|---|---|
US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
CN107092923A (zh) * | 2017-03-22 | 2017-08-25 | 东北大学 | 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法 |
CN107576948A (zh) * | 2017-08-15 | 2018-01-12 | 电子科技大学 | 一种基于高分辨距离像imf特征的雷达目标识别方法 |
CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
-
2019
- 2019-02-12 CN CN201910111155.5A patent/CN109815934B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
CN107092923A (zh) * | 2017-03-22 | 2017-08-25 | 东北大学 | 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法 |
CN107576948A (zh) * | 2017-08-15 | 2018-01-12 | 电子科技大学 | 一种基于高分辨距离像imf特征的雷达目标识别方法 |
CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
LONG HAN 等: "Feature Extraction Method of Rolling Bearing Fault Signal", 《ENTROPY》 * |
于萍 等: "基于EEMD降噪和流形学习的高速列车走行部故障特征提取", 《铁道学报》 * |
李敏 等: "基于改进凝聚层次聚类算法的变压器绕组及铁心故障诊断研究", 《高压电器》 * |
邓为权: "基于EEMD和SVM的电能质量扰动检测与分析研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111062447B (zh) * | 2019-12-26 | 2022-07-19 | 东北石油大学 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
CN111062447A (zh) * | 2019-12-26 | 2020-04-24 | 东北石油大学 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
CN113051826B (zh) * | 2021-03-29 | 2022-08-09 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
CN114594332A (zh) * | 2022-03-18 | 2022-06-07 | 昆明理工大学 | 一种vsc-hvdc换流站故障诊断系统及方法 |
CN115166517A (zh) * | 2022-09-07 | 2022-10-11 | 沈阳科来沃电气技术有限公司 | 一种针对电机传动系统中逆变器故障诊断方法 |
CN115166517B (zh) * | 2022-09-07 | 2022-11-25 | 沈阳科来沃电气技术有限公司 | 一种针对电机传动系统中逆变器故障诊断方法 |
CN115455730A (zh) * | 2022-09-30 | 2022-12-09 | 南京工业大学 | 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
CN116610916B (zh) * | 2023-05-18 | 2023-11-21 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
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 |
---|---|
CN109815934B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815934A (zh) | 一种应用于逆变器故障的多尺度oglpe特征提取方法 | |
Kou et al. | Fault diagnosis for open‐circuit faults in NPC inverter based on knowledge‐driven and data‐driven approaches | |
Yuan et al. | Open-circuit fault diagnosis of NPC inverter based on improved 1-D CNN network | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
Yuan et al. | A secondary classification fault diagnosis strategy based on PCA-SVM for cascaded photovoltaic grid-connected inverter | |
Yu et al. | Open-circuit fault diagnosis of neutral point clamped three-level inverter based on sparse representation | |
Jia et al. | High frequency transient sparse measurement-based fault location for complex DC distribution networks | |
Zhang et al. | Concurrent fault diagnosis of modular multilevel converter with Kalman filter and optimized support vector machine | |
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 | |
Ye et al. | A fast and intelligent open-circuit fault diagnosis method for a five-level NNPP converter based on an improved feature extraction and selection model | |
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 | |
Zheng et al. | Recognition method of voltage sag causes based on two‐dimensional transform and deep learning hybrid model | |
Hong et al. | Deep‐belief‐Networks based fault classification in power distribution networks | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
Ye et al. | Fault diagnosis for multilevel converters based on an affine-invariant riemannian metric autoencoder | |
CN113702767A (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
Li et al. | Data-driven cyber-attack detection for photovoltaic systems: A transfer learning approach | |
Luo et al. | Prediction for dissolved gas in power transformer oil based on TCN and GCN | |
Song et al. | Robust three-phase state estimation for PV-Integrated unbalanced distribution systems | |
CN111799843A (zh) | 一种概率融合式光伏电站的多维全状态数据建模方法 | |
Yuan et al. | Fault diagnosis of H-bridge cascaded five-level inverter based on improved support vector machine with gray wolf algorithm | |
Al-kaf et al. | Fault detection of NPC inverter based on ensemble machine learning methods | |
Liu et al. | Identification and location of voltage sag sources based on multi-label random forest | |
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 | |
Wang et al. | A disturbance localization method for power system based on group sparse representation of compressed sensing |
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: 20201103 Termination date: 20220212 |