CN109858564B - 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法 - Google Patents

适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法 Download PDF

Info

Publication number
CN109858564B
CN109858564B CN201910135617.7A CN201910135617A CN109858564B CN 109858564 B CN109858564 B CN 109858564B CN 201910135617 A CN201910135617 A CN 201910135617A CN 109858564 B CN109858564 B CN 109858564B
Authority
CN
China
Prior art keywords
sample
weight
classifier
adaboost
svm
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.)
Active
Application number
CN201910135617.7A
Other languages
English (en)
Other versions
CN109858564A (zh
Inventor
郑小霞
彭鹏
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.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201910135617.7A priority Critical patent/CN109858564B/zh
Publication of CN109858564A publication Critical patent/CN109858564A/zh
Application granted granted Critical
Publication of CN109858564B publication Critical patent/CN109858564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Combined Means For Separation Of Solids (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种适用于风电变流器故障诊断的改进型Adaboost‑SVM模型生成方法，给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器。设计的改进Adaboost‑SVM模型，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。

Description

适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法
技术领域
本发明涉及一种电力故障判断技术，特别涉及一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法。
背景技术
风力发电在电能领域发挥着极其重要的作用。变流器作为发电系统与电网之间的枢纽(文献1)，既能确保电能在随机风速下稳定也能满足电网要求。变流器通常长期处于恶劣的工作环境中，极易发生故障(文献2、3)。变流器的功率开关器件(Insulated GateBipolar Transistor，IGBT)的短路和开路是变流器最常见的两类故障。当IGBT发生短路时，会在极短时限内流过很大的电流，烧坏与其串联的保护装置，最终表现为开路(文献4)。因此主要研究变流器功率开关元件IGBT的开路故障诊断。风电变流器在实际运行中，变流器的单只功率管元件开路和两只功率管同时开路故障最为常见，所以只考虑这两种功率管的开路故障，功率开关器件IGBT开路故障分为22类。
基于权值限制的Adaboost-SVM故障诊断模型通过在提升过程中对易错样本的权值进行调整，并在每一次迭代过程中利用鸟群算法寻找基分类器SVM的惩罚参数C和核参数σ。该故障诊断模型泛化能力强，诊断精度高。AdaBoost(Adaptive Boosting)算法是Freund和Schapire在1997年对Boosting算法改进而来的(文献5)，因其能够综合优化多个精度相对较低的弱学习算法，广泛的应用于故障诊断(文献6、7)、人脸识别(文献8)和预测评估(文献9、10、11)等领域中。然而其在研究的过程中仍存在着许多的问题，传统的Adaboost集成SVM故障诊断模型受故障样本的影响较大，会出现性能退化的问题，导致诊断精度差，具有一定的局限性(文献10)。
文献1：L.Alhmoud,Reliability Improvement for a High-power IGBT in WindEnergy Applications[J].IEEE Transactions on Industrial Electronics,2018,65(9):7129-7137.
文献2：K.Ma,D.Zhou,and F.Blaabjerg,Evaluation and Design Tools for theReliability of Wind Power Converter System[J],Journal of Power Electronics,2015,15(5):1149-1157.
文献3：W.X.Yang,P.J.Tavner,C.J.Crabtree,and M.Wilkinson,Cost-effectiveCondition Monitoring for Wind Turbines[J],IEEE Industrial Electronics,2010,57(1):263-271.
文献4：沈艳霞,周文晶,纪志成.基于小波包分析的风力发电系统中变流器的故障识别[J].电网技术,2013,37(7):2011-2017.
文献5：Freund Y,Schapire R E.A Decision-theoretic Generalization ofOn-line Learning and an Application to Boosting[J].Journal of Computer andSystem Science,1997,55(1):119-139.
文献6：陈法法,杨晶晶,肖文荣等.Adaboost_SVM集成模型的滚动轴承早期故障诊断[J].机械科学与技术学报,2018,02:237-243.
文献7：冯帅.基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断[J].城市公共交通，2017,05:30-36
文献8：惠晓威,周金彪.基于改进的Adaboost_SVM的人脸表情识别[J].激光杂志,2014,09:54-57.
文献9：胡莲.AdaBoost集成SVM的供应链金融信用风险评估[J].征信,2014,11:19-22.
文献10：王军,费凯,程勇.基于改进的Adaboost-BP模型在降水中的预测[J].计算机应用,2017,37(9):2689-2693.
文献11：刘光达,王永祥,蔡靖等.基于小波变换和Adaboost算法的心脏骤停预测模型研究[J].生物医学控制研究,2017,36(2):95-100.
发明内容
本发明是针对传统的AdaBoost-SVM分类器运用到故障诊断存在的问题，提出了一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器，提高故障诊断正确率。
本发明的技术方案为：一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，具体包括如下步骤：
1)输入风电变流器故障训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；xi表示第i个样本，yi表示第i个样本类别，i＝1,2,…,N；基分类器RBF-SVM；迭代总次数T；
2)对Adaboost-SVM模型进行改进训练：
步骤1)初始化每个样本的权值，每个样本权值相同：
D1(i)＝1/N,i＝1,2…N   (8)
步骤2)进行迭代，迭代次数t＝1,2,…，T：
2.1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集dt；
2.2)利用鸟群算法在每轮的训练样本集中寻找基分类器RBF-SVM的最佳的参数对(C,σ)，从而得到一个基分类器ht；
2.3)根据公式(9)计算基分类器在训练样本集上的分类误差；
Figure BDA0001974662060000031
式子中：Dt为第t轮的样本权值；
2.4)如果0<εt<0.5，根据公式(10)计算基分类器的权重，根据公式(11)来更新样本的权值；
Figure BDA0001974662060000032
Figure BDA0001974662060000033
公式(2)：
Figure BDA0001974662060000041
公式(7)：
Figure BDA0001974662060000042
Figure BDA0001974662060000043
其中k是样本分类错误的次数；A为类别的集合；
2.5)如果0.5≤εt<1，跳转到步骤1)重新初始化每个样本的权值；
3)迭代结束后输出最终的强分类器为：
Figure BDA0001974662060000044
本发明的有益效果在于：本发明适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，设计的改进Adaboost-SVM模型，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。
附图说明
图1为传统Adaboost—SVM测试集的实际分类和预测分类图；
图2为本发明改进的Adaboost—SVM测试集的实际分类和预测分类图；
图3为本发明不同样本比例下的故障诊断结果的比较图。
具体实施方式
Adaboost是一种迭代算法，其实质是利用同一个训练样本集训练基分类器，然后把训练好的多个基分类器组合起来共同决策，构成一个强分类器。Adaboost算法的迭代过程是对弱分类算法进行加强的过程。给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器。
通过分析和研究Adaboost算法的推导，发现在算法的迭代过程中，一些样本容易被多次误分类，导致样本训练误差呈上升趋势。由于分类器性能的下降，分析和推导了Adaboost算法的训练误差界。
通常训练误差如下：
Figure BDA0001974662060000051
式子中：N为样本的个数；Hfinal表示强分类器；i＝1,2,…N；xi表示第i个样本，f(xi)表示组合基分类器；yi表示第i个样本类别。
通常的训练样本的权值更新方程如下：
Figure BDA0001974662060000052
式子中：t表示迭代次数；αt表示第t次迭代中基分类器的权重；ht表示基分类器；Zt表示基分类器权重的归一化系数。
对公式(2)进行如下调整：
ZtDt+1(i)＝Dt(i)exp(-αtyiht(xi))   (3)
公式(1)中不等式号右边方程推导如下：令
Figure BDA0001974662060000061
从上述方程的推导可以看出，Adaboost误差的上界是每轮归一化因子的乘积，T为迭代总次数。
Figure BDA0001974662060000062
从上述方程可以看出，随着迭代次数的增加误差上限应该逐渐减小。然而，在实际问题中，有些样本易被错分。随着迭代次数的增大，样本的权值的归一化因子也会增大，导致强分类器的分类性能下降。为了避免这一问题，在每轮生成基分类器时，应尽量减小归一化因子。归一化因子的分解方程如下所示：
Figure BDA0001974662060000063
在公式中：
Figure BDA0001974662060000064
表示基分类器的分类误差，A为类别的集合。通过对公式(6)的分析发现在迭代过程中如果样本容易错分，则样本的权值将随着迭代次数的增大而增大。这将使错分样本的权值之和更接近正确分类样本的权值之和，从而使每轮的规范化因子Zt增大，造成分类器的性能下降。为了避免上述问题，本发明改进了错分样本(错分样本是每轮的基分类器分类错误被记录下来的样本)的权值更新策略。
改进后的错分类样本权值更新公式为：
Figure BDA0001974662060000071
其中k是样本分类错误的次数；αt是第t次迭代中基分类器的权重，且αt>0，说明基分类器权重只有大于0的时才起作用,可由这前提推导出
Figure BDA0001974662060000072
从推导中可以看出，错分样本的权值更新策略不仅可以遏制易被错分样本的权值的过度增大，而且对在此之前的迭代过程中样本被错分的次数很敏感。
Figure BDA0001974662060000073
由此推导可以看出样本被错误分类次数越多，错分样本的权值增长幅度会减小。
为了更好地集成基分类器支持向量机，本发明将增大基分类器SVM之间的差异性。利用鸟群算法根据每次迭代的样本的权值分布，来寻找到每个基SVM模型的最佳核函数参数和惩罚参数对，最终加权组合生成强分类器。具体算法描述如下：
输入：训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；基分类器RBF-SVM；迭代总次数T。
模型进行分类识别：
步骤1：初始化每个样本的权值，每个样本权值相同。
D1(i)＝1/N,i＝1,2…N   (8)
步骤2：进行迭代，迭代次数t＝1,2,…T
(1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集dt；
(2)利用鸟群算法(BSA)在每轮的训练样本集中寻找基分类器RBF-SVM的最佳的参数对(C,σ)，从而得到一个基分类器ht；
(3)根据公式(9)计算基分类器在训练样本集上的分类误差；
Figure BDA0001974662060000081
式子中：Dt为第t轮的样本权值；
(4)如果0<εt<0.5，根据公式(10)计算基分类器的权重，根据公式(11)来更新样本的权值；
Figure BDA0001974662060000082
Figure BDA0001974662060000083
(5)如果0.5≤εt<1，返回步骤1重新初始化每个样本的权值；
迭代结束后输出最终的强分类器：
Figure BDA0001974662060000084
最终的强分类器直接运用进行与训练样本集相同类型风电变流器故障诊断。
经过本发明改进的Adaboost-SVM算法，可以很好解决由于样本原因而导致性能退化的问题，使最终的分类器模型泛化能力强，诊断精度高，更好的进行风机变流器的故障诊断。
选用上海电力学院永磁直驱风力发电模拟系统和直驱永磁风力发电机组搭建的实验测试平台进行相关故障模拟实验，采集故障样本数据。实验参数：永磁同步发电机额定功率P＝2.2KW，定子转速n＝1500r/min，额定电压380V，定子电阻R＝0.86Ω，转动惯量J＝0.0032kg.m2；系统参数：机侧变流器和网侧变流器的线电压为380V，开关频率为8KHz，母线电容为1000μF，直流母线电压630V，电网频率为50Hz。总共采集440组变流器三相电流数据，从中随机选取220个数据作为训练集，其余数据作为测试集，改进的Adaboost-SVM模型在训练基分类器RBF-SVM时，根据每次迭代中筛选出的样本，利用BSA来寻找每个基分类器的参数C和σ，该模型的最大迭代次数为T＝15，每次迭代的SVM参数如表1所示。从表1可以看出不同的基分类器SVM具有不同的核参数，提高了个各基分类器之间的差异性。对比传统Adaboost-SVM模型和改进后的Adaboost-SVM模型的诊断精度，如图1和图2所示。
表1
Figure BDA0001974662060000091
图1和图2分别为传统和改进后Adaboost—SVM测试集的实际分类和预测分类图，从图1和图2可以看出(横坐标Testing samples为样本数，纵坐标Class labels为类别标识，Prediction为预测，Actual为实际)，220个测试样本中传统的Adaboost-SVM模型诊断错误了18个，诊断准确率为Accuracy＝91.8181％(202/220)；而改进后的Adaboost-SVM模型只错了4个，诊断准确率为Accuracy＝98.1818％(216/220)，由此看出改进的Adaboost-SVM故障诊断模型比传统的Adaboost-SVM模型的诊断精度高。
为了方便比较改进后的Adaboost-SVM模型和传统的Adaboost-SVM模型在不同样本比例下的分类性能，将分类结果组合成图3(横坐标Poportion of sample sets为样本集的比例，纵坐标Accuracy为准确率，improved Adaboost-SVM为改进后Adaboost—SVM)。从图中可以看出随着样本比例的增大，改进的Adaboost-SVM分类器的性能也逐渐提高。虽然性能曲线稍有波动，但总体性能呈现越来越好的趋势，最终性能趋于稳定。当样本比例较少时，改进后的分类器的性能与传统的分类器性能几乎相同，甚至后者的分类性能要略好于前者。虽然传统的AdaBoost-SVM分类器性能随着样本比例的增大而逐渐提高，但其性能却从样本集的50％左右开始下滑而改进后的Adaboost-SVM分类性能相对稳定和良好。通过对比，发现改进的Adaboost-SVM模型具有更高、更稳定的分类性能，泛化能力强。
通过仿真算例，本发明设计的改进Adaboost-SVM算法，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。

Claims (1)

1.一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，其特征在于，具体包括如下步骤：
1)输入风电变流器故障训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；xi表示第i个样本，yi表示第i个样本类别，i＝1,2,…,N；基分类器RBF-SVM；迭代总次数T；
2)对Adaboost-SVM模型进行改进训练：
步骤1)初始化每个样本的权值，每个样本权值相同：
D1(i)＝1/N,i＝1,2…N   (8)
步骤2)进行迭代，迭代次数t＝1,2,…，T：
2.1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集dt；
2.2)利用鸟群算法在每轮的训练样本集中寻找基分类器RBF-SVM的最佳的参数对(C,σ)，从而得到一个基分类器ht；
2.3)根据公式(9)计算基分类器在训练样本集上的分类误差；
Figure FDA0001974662050000011
式子中：Dt为第t轮的样本权值；
2.4)如果0<εt<0.5，根据公式(10)计算基分类器的权重，根据公式(11)来更新样本的权值；
Figure FDA0001974662050000012
Figure FDA0001974662050000013
公式(2)：
Figure FDA0001974662050000014
公式(7)：
Figure FDA0001974662050000021
Figure FDA0001974662050000022
其中k是样本分类错误的次数；A为类别的集合；
2.5)如果0.5≤εt<1，跳转到步骤1)重新初始化每个样本的权值；
3)迭代结束后输出最终的强分类器为：
Figure FDA0001974662050000023
CN201910135617.7A 2019-02-21 2019-02-21 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法 Active CN109858564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910135617.7A CN109858564B (zh) 2019-02-21 2019-02-21 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910135617.7A CN109858564B (zh) 2019-02-21 2019-02-21 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法

Publications (2)

Publication Number Publication Date
CN109858564A CN109858564A (zh) 2019-06-07
CN109858564B true CN109858564B (zh) 2023-05-05

Family

ID=66898751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910135617.7A Active CN109858564B (zh) 2019-02-21 2019-02-21 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法

Country Status (1)

Country Link
CN (1) CN109858564B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076694B (zh) * 2019-06-20 2023-10-20 北京实力伟业环保科技有限公司 基于物联网的风机故障评价设备
CN110825882B (zh) * 2019-10-09 2022-03-01 西安交通大学 一种基于知识图谱的信息系统管理方法
CN113780394B (zh) * 2021-08-31 2023-05-09 厦门理工学院 一种强分类器模型的训练方法、装置及设备
CN117493514B (zh) * 2023-11-09 2024-05-14 广州方舟信息科技有限公司 文本标注方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868775A (zh) * 2016-03-23 2016-08-17 深圳市颐通科技有限公司 基于pso算法的不平衡样本分类方法
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN107688825A (zh) * 2017-08-03 2018-02-13 华南理工大学 一种改进型的集成加权极限学习机污水处理故障诊方法
CN108229581A (zh) * 2018-01-31 2018-06-29 西安工程大学 基于改进多分类AdaBoost的变压器故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7668790B2 (en) * 2006-07-27 2010-02-23 The United States Of America As Represented By The Secretary Of The Navy System and method for fusing data from different information sources with shared-sampling distribution based boosting
US9710729B2 (en) * 2014-09-04 2017-07-18 Xerox Corporation Domain adaptation for image classification with class priors

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868775A (zh) * 2016-03-23 2016-08-17 深圳市颐通科技有限公司 基于pso算法的不平衡样本分类方法
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN107688825A (zh) * 2017-08-03 2018-02-13 华南理工大学 一种改进型的集成加权极限学习机污水处理故障诊方法
CN108229581A (zh) * 2018-01-31 2018-06-29 西安工程大学 基于改进多分类AdaBoost的变压器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Dongdong Li.Wind Turbine Gearbox Fault Diagnosis Based on EEMD and Fractal Theory.IEEE conference on Industrial Electronics and Applications.2016,952-956. *
郑小霞等.基于变分模态分解和ANFIS的齿轮故障诊断.机械传动.2018,(第03期),155-160. *

Also Published As

Publication number Publication date
CN109858564A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN109858564B (zh) 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法
US10234495B2 (en) Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter
US20220198244A1 (en) Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter
WO2018120077A1 (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
Shi et al. Open switch fault diagnosis method for PWM voltage source rectifier based on deep learning approach
CN110346736B (zh) 基于改进小树变换的npc三电平逆变器故障诊断方法
Zheng et al. Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM
CN112069727B (zh) 具备高可信度的电力系统暂态稳定智能化评估系统及方法
CN110068776B (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
Yin et al. Deep learning based feature reduction for power system transient stability assessment
Sun et al. Fault diagnosis of SEPIC converters based on PSO-DBN and wavelet packet energy spectrum
Xia et al. A learning-based method for speed sensor fault diagnosis of induction motor drive systems
Fu et al. Powercog: A practical method for recognizing power quality disturbances accurately in a noisy environment
CN116882164A (zh) 基于Fisher比与改进LSSVM算法的阀冷设备故障诊断方法
CN106407536B (zh) 一种逆变器钳位二极管与支撑电容的复合故障诊断方法
Cui et al. T-type inverter fault diagnosis based on GASF and improved AlexNet
CN113537080A (zh) 一种级联h桥多电平逆变器的故障诊断方法
Fu et al. Data-driven parameter fault classification for a dc–dc buck converter
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法
Long et al. Fault diagnosis for IGBTs open-circuit faults in photovoltaic grid-connected inverters based on statistical analysis and machine learning
Zhang et al. Improved PSO-SVM-Based Fault Diagnosis Algorithm for Wind Power Converter
Wan et al. A review of power electronic parametric fault diagnosis methods
Huang et al. Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier
Zhang et al. Transient Stability Assessment of High Proportional Renewable Energy Power System Based on Improved Bi-LSTM under Data Sample Imbalance Distribution
Markovic et al. Condition monitoring for power converters via deep one-class classification

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