CN109815934B - 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 PDF

Info

Publication number
CN109815934B
CN109815934B CN201910111155.5A CN201910111155A CN109815934B CN 109815934 B CN109815934 B CN 109815934B CN 201910111155 A CN201910111155 A CN 201910111155A CN 109815934 B CN109815934 B CN 109815934B
Authority
CN
China
Prior art keywords
matrix
formula
mapping
sample
oglpe
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
Application number
CN201910111155.5A
Other languages
English (en)
Other versions
CN109815934A (zh
Inventor
张彼德
彭丽维
孔令瑜
梅婷
李宜
肖丰
洪锡文
陈颖倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201910111155.5A priority Critical patent/CN109815934B/zh
Publication of CN109815934A publication Critical patent/CN109815934A/zh
Application granted granted Critical
Publication of CN109815934B publication Critical patent/CN109815934B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Complex Calculations (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

一种应用于逆变器故障的多尺度OGLPE特征提取方法
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(StaticVar 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：使用判别分析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：
Figure GDA0002603353400000031
式中，
Figure GDA0002603353400000032
为样本
Figure GDA0002603353400000033
和
Figure GDA0002603353400000034
间的距离；
Figure GDA0002603353400000035
为样本
Figure GDA0002603353400000036
和
Figure GDA0002603353400000037
间的核欧式距离；β为调整系数；
Figure GDA0002603353400000038
为非线性映射函数；
Figure GDA0002603353400000039
和
Figure GDA00026033534000000310
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：
Figure GDA00026033534000000311
式中，
Figure GDA00026033534000000312
为样本
Figure GDA00026033534000000313
和
Figure GDA00026033534000000314
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；
Figure GDA00026033534000000315
为非线性映射函数；
Figure GDA00026033534000000316
和
Figure GDA00026033534000000317
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：
Figure GDA00026033534000000318
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：
Figure GDA0002603353400000041
式中，
Figure GDA0002603353400000042
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＝arg max(JKPCA-JKNPE)
＝arg maxtr(aTKKa-aTKMKa)
＝arg maxtr(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：
Figure GDA0002603353400000043
式中，
Figure GDA0002603353400000051
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：
Figure GDA0002603353400000052
式中，A为投影矩阵；a为映射矩阵；
Figure GDA0002603353400000053
为非线性映射后的数据集，且
Figure GDA0002603353400000054
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：
Figure GDA0002603353400000055
式中，Y为样本的低维特征；AT为投影矩阵的转置；
Figure GDA0002603353400000056
为为非线性映射后数据集样本，且
Figure GDA0002603353400000057
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：
Figure GDA0002603353400000081
式中，
Figure GDA0002603353400000082
为样本
Figure GDA0002603353400000083
和
Figure GDA0002603353400000084
间的距离；
Figure GDA0002603353400000085
为样本
Figure GDA0002603353400000086
和
Figure GDA0002603353400000087
间的核欧式距离；β为调整系数；
Figure GDA0002603353400000088
为非线性映射函数；
Figure GDA0002603353400000089
和
Figure GDA00026033534000000810
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：
Figure GDA00026033534000000811
式中，
Figure GDA00026033534000000812
为样本
Figure GDA00026033534000000813
和
Figure GDA00026033534000000814
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；
Figure GDA00026033534000000815
为非线性映射函数；
Figure GDA00026033534000000816
和
Figure GDA00026033534000000817
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：
Figure GDA00026033534000000818
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：
Figure GDA0002603353400000091
式中，
Figure GDA0002603353400000092
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＝arg max(JKPCA-JKNPE)
＝arg maxtr(aTKKa-aTKMKa)
＝arg maxtr(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：
Figure GDA0002603353400000093
式中，
Figure GDA0002603353400000094
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：
Figure GDA0002603353400000101
对求解函数的初始表达式进一步转换，左乘
Figure GDA0002603353400000102
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：
Figure GDA0002603353400000103
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
Figure GDA0002603353400000104
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：
Figure GDA0002603353400000105
式中，A为投影矩阵；a为映射矩阵；
Figure GDA0002603353400000106
为非线性映射后的数据集，且
Figure GDA0002603353400000107
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：
Figure GDA0002603353400000111
式中，Y为样本的低维特征；AT为投影矩阵的转置；
Figure GDA0002603353400000112
为为非线性映射后数据集样本，且
Figure GDA0002603353400000113
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。

Claims (3)

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；
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；
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；
所述步骤A-3中，相似度矩阵W的获取公式为：
Figure FDA0002588028720000011
式中，JWi为相似度矩阵W中第i行元素的获取函数；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xj的相似度，且相似度矩阵W＝[wij]，下标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；
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；
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＝arg max(JKPCA-JKNPE)
＝arg max tr(aTKKa-aTKMKa)
＝arg max tr(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：
Figure FDA0002588028720000021
式中，下标q＝1,2,…,p-1，p＝1,2,…,k，
Figure FDA0002588028720000022
为第q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；q,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-1为ap-1对应的投影矩阵；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；
所述步骤A-4-3中，获取投影矩阵的公式为：
Figure FDA0002588028720000031
式中，A为投影矩阵；a为映射矩阵；
Figure FDA0002588028720000035
为非线性映射后的数据集，且
Figure FDA0002588028720000032
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：
Figure FDA0002588028720000036
式中，Y为样本的低维特征；AT为投影矩阵的转置；
Figure FDA0002588028720000037
为非线性映射后数据集样本，且
Figure FDA0002588028720000038
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：
Figure FDA0002588028720000033
式中，
Figure FDA0002588028720000039
为样本
Figure FDA00025880287200000310
和
Figure FDA00025880287200000311
间的距离；
Figure FDA00025880287200000312
为样本
Figure FDA00025880287200000313
和
Figure FDA00025880287200000314
间的核欧式距离；β为调整系数；
Figure FDA00025880287200000315
为非线性映射函数；
Figure FDA00025880287200000316
和
Figure FDA00025880287200000317
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：
Figure FDA0002588028720000034
式中，
Figure FDA00025880287200000318
为样本
Figure FDA00025880287200000319
和
Figure FDA00025880287200000320
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；
Figure FDA0002588028720000041
为非线性映射函数；
Figure FDA0002588028720000042
和
Figure FDA0002588028720000043
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：
Figure FDA0002588028720000044
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。
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S1中，电流偏差信号的公式为：
el＝iref-il
式中，el为第l条电流信号的电流偏差信号；iref为电流参考值；il为第l条电流信号的归一化后电流检测值。
CN201910111155.5A 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 Expired - Fee Related CN109815934B (zh)

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 CN109815934A (zh) 2019-05-28
CN109815934B true 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)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN115455730B (zh) * 2022-09-30 2023-06-20 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
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
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10055551B2 (en) * 2013-10-10 2018-08-21 Board Of Regents Of The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes
CN107092923B (zh) * 2017-03-22 2019-10-11 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
CN109164343B (zh) * 2018-08-30 2020-11-06 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN109815934A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109815934B (zh) 一种应用于逆变器故障的多尺度oglpe特征提取方法
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
Usman et al. Validation of a PMU‐based fault location identification method for smart distribution network with photovoltaics using real‐time data
CN110596530B (zh) 一种小电流接地故障选线方法
CN111965486B (zh) 一种基于智能数据融合分析的配电网故障识别方法及系统
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
CN103399257A (zh) 一种中性点不接地系统的铁磁谐振故障检测方法
Jia et al. High frequency transient sparse measurement-based fault location for complex DC distribution networks
Dhibi et al. A hybrid fault detection and diagnosis of grid-tied pv systems: Enhanced random forest classifier using data reduction and interval-valued representation
Liu et al. Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves
CN106950446A (zh) 基于主成分分析法的电网异常快速检测与定位方法
Yuan et al. A secondary classification fault diagnosis strategy based on PCA-SVM for cascaded photovoltaic grid-connected inverter
Guomin et al. Deep learning‐based fault location of DC distribution networks
CN113702767B (zh) 基于小波滑窗能量的孤岛直流微电网故障诊断方法
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
CN114881077A (zh) 一种基于时序轨迹特征的电压暂降源分类方法及系统
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
Liu et al. Identification and location of voltage sag sources based on multi-label random forest
Zhang et al. Correntropy‐based parameter estimation for photovoltaic array model considering partial shading condition
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
Liu et al. Data-driven mode identification method for broad-band oscillation of interconnected power system
Wang et al. An Identification Method for Anomaly Types of Active Distribution Network Based on Data Mining
Behzadi et al. Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier
Zhang et al. Fault detection, classification, and location for active distribution network based on neural network and phase angle analysis

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

Granted publication date: 20201103

Termination date: 20220212

CF01 Termination of patent right due to non-payment of annual fee