CN110058110A - 一种有源逆变器间歇故障诊断方法 - Google Patents

Abstract

本文发明涉及逆变器间歇故障诊断领域，具体涉及一种有源逆变器间歇故障诊断方法。本方法基于小波包变换和随机森林算法相结合的方法来对有源逆变器间歇故障进行诊断。首先采集有源逆变器各种工作状态输出的三相电流信号，然后使用小波包分解与重构，提取出有源逆变器现有工作状态运行过程的特征信息，根据不同状态下小波包分解重构时序图的特征差异来分辨间歇故障，并使用这些特征信息通过CART算法来训练决策树，以每棵树投票的方式生成随机森林。最后用训练好的随机森林来对未知的有源逆变器间歇故障进行分类和诊断，从而达到有源逆变器间歇故障诊断的目的。本文发明对有源逆变器的间歇故障进行准确的诊断具有十分重要的研究与应用价值，同时也为后续实施容错控制奠定了基础。

Description

一种有源逆变器间歇故障诊断方法

技术领域

本文发明涉及逆变器间歇故障诊断领域，具体涉及一种有源逆变器间歇故障诊断方法。

背景技术

有源逆变电路通常是将直流电能转换为50Hz(或60Hz)的交流电能并馈入公共电网，相应的装置称为有源逆变器。有源逆变器的功率半导体器件和控制电路又是很容易发生故障的薄弱环节，其可靠性问题一直没有得到充分解决。有源逆变电路中逆变器的故障约占整个电网传输系统故障的82.5％。而在这些故障中，间歇故障发生频率是永久故障的数十倍，可以说是造成有源逆变系统失效的主要原因。

间歇故障是一类持续时间短、可反复出现、未经处理可自行消失的非永久类型故障。同时，间歇故障具有累积效应，系统发生间歇故障的频率会逐渐增加，最终演变成永久故障，从而导致整个系统的失效。大多数有源逆变器间歇故障是主电路上晶闸管元器件虚焊、控制信号不稳定或者连线松动等原因引起的。这些间歇故障一旦产生，在短时间内可能对系统的运行不会造成影响，然而经过时间的推移，这些间歇故障将演变成永久故障，从而导致晶闸管损坏，使电机在非平衡供电状态下工作，甚至会使电机受到严重损害，发生较为严重的事故。因此，对有源逆变器的间歇故障进行准确的诊断具有十分重要的研究与应用价值，同时也为后续实施容错控制奠定了基础。

由于有源逆变器间歇故障的机理复杂，建立模型的方法条件较为苟刻，较难实现。目前大部分的电路的间歇故障诊断方法都是基于特征提取或者模式识别算法。通过分析已知类型的电路间歇故障数据，从中提取出相应的故障特征，再通过一些模式识别算法来实现对电路间歇故障的诊断。

发明内容

有鉴于此，本发明的目的就是在于提出一种有源逆变器间歇故障诊断方法。本方法基于小波包变换和随机森林算法。首先采集有源逆变器各种工作状态输出的三相电流信号，然后使用小波包变换提取出这些电流信号的特征信息。由于有源逆变器正常工作状态和间歇故障状态的小波包变换结果有差异，因此可以使用这些数据来训练决策树，生成随机森林。然后用随机森林来对未知的有源逆变器运行状态进行诊断，从而达到有源逆变器间歇故障诊断的目的。

为达到上述目的，本发明的技术方案提供一种有源逆变器间歇故障诊断方法，所述方法包括以下步骤：

1)对不同工作状态下的有源逆变器输出的三相电流信号进行采样，其中包括有源逆变器正常运行状态数据、已知类型的永久故障数据和已知类型的间歇故障数据，生成采样数据集X。

2)将步骤1)中采集到的每个原始数据样本使用小波包算法进行N层小波分解，得到小波包分解结构图，然后对最后一层分解系数进行单支重构得到2^N个频带重构信号，构成重构信号集合

3)将步骤2)中所得的重构信号根据频带顺序由低到高地进行排序，并取各频带的能量熵并对各频带能量熵进行归一化处理得到频带的归一能量熵用构造能量特征向量

4)将所有样本经步骤3)后构造得到的特征向量组成数据集D，对数据集D运用“k折交叉验证”方法进行处理，生成k组训练集和测试集的组合。

5)取步骤4)所得的数据集用于训练CART(Classification and RegressionTree)决策树，在生成分支时，从当前组训练集所有的A个属性中随机选出一个包含A′个属性的子集，在A′中选出使当前数据集“基尼指数”(Gini index)最小特征的a_*，决定决策树的分支，将算法运行到不能再长出分支为止，然后对这棵树进行适当剪枝。使用k组数据训练出k棵决策树。

6)对待测有源逆变器数据样本使用步骤2)的方法进行小波包分解和重构，再使用步骤3)的方法提取归一化能量熵，构造能量特征向量，输入到由步骤5)生成的k棵决策树组成的随机森林网络中，进行间歇故障分类，实现有源逆变器间歇故障诊断。

本发明达到的有益效果为：本发明使用小波包进行特征提取，随机森林进行故障分类，在提取特征向量和构建训练算法时，无需研究有源逆变器间歇故障系统复杂的物理特性，只需要获取足够的有源逆变器各种运行状态下输出的三相电流数据就可以实现。小波包分析的优势在于：小波包分析是对小波分析的进一步改进，它对高频部分进一步分解，从而提高了时频分辨率，并且分解所得的频带具有相同的分辨率，能够提取出我们关心的频带进行分析。并且我们所需要诊断的间歇故障和正常运行情况的小波包分解重构特征区别较为明显，因此它的这种特性非常适合于我们要分析的有源逆变器间歇故障信号。随机森林的优势在于：模型简单、容易实现、计算开销小。在训练决策树的过程中引入了随机属性选择，这样可以产生属性扰动，提升了多样性，使得最终集成的泛化性能通过个体学习器之间差异度的增加而进一步提升。因此，使用本发明的方法能够准确、有效地识别和诊断出有源逆变器间歇故障。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述有源逆变器间歇故障诊断方法的流程框图。

图2为本发明所述有源逆变器间歇故障诊断方法的N层小波包分解结构图。

图3为本发明所述有源逆变器间歇故障诊断方法的各运行状态的小波包分解重构时序图。

图4为本发明所述有源逆变器间歇故障诊断方法的“k折交叉验证”示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整的描述，所描述的实施方案仅仅是本发明一部分实施方案，而不是全部的实施方案。

1)对不同工作状态下的有源逆变器输出的三相电流信号进行采样，其中包括有源逆变器正常运行状态数据、已知类型的永久故障数据和已知类型的间歇故障数据，生成采样数据集X：

其中x₁,x₂,···,x_n的下标n表示样本的正常或者故障的类别，在后续的决策树训练过程中当作标签使用，则表示第n种数据类别的第r个样本。

2)将步骤1)中采集到的每个原始数据样本使用小波包算法进行N层小波包分解，分解的结构示意图在图2中给出，分解算法为：由求和

然后对最后一层分解系数进行单支重构，重构算法为：由和求

式(2)和式(3)中j为尺度因子，n为调制参数或振荡参数，表示第j层第n个子频带的小波系数，k是平移量，l为函数变量。

重构后得到2^N个频带重构信号，用表示第i个频带的信号，构成集合此处的n代表数据集中的第n个样本。各运行状态的小波包分解重构时序图在图3中给出，可以看到，不同运行状态下小波包分解重构时序图是有差异的，因此可以作为诊断依据。

3)将步骤2)中所得的重构信号根据频带顺序由低到高地进行排序，获取各频带信号的能量熵

式(5)中表示重构信号的幅值。

对各频带能量熵进行归一化处理得到频带的归一化能量熵

用归一化能量熵构造特征向量

4)将所有样本经步骤3)后构造得到的特征向量组成数据集D：

将数据集D进行“k折交叉验证”，示意图在图4中给出，具体方法如下：

先将数据集D划分为k个大小相似的互斥子集，即每个子集D_i都从D中通过分层采样得到，尽可能保证数据分布的一致性。每次用k-1个子集的并集作为训练集，剩下的那个子集作为测试集，则可以获得k组训练集和测试集的组合，测试集中不使用标签。

5)取步骤4)所得的数据集用于训练CART决策树，具体的训练方法如下：

首先定义数据集D的基尼指数为：

式(9)中p_x(x＝1,2,…,n)表示当前样本集D中第x类样本所占的比例。Gini(D)越小，表示当前样本集D的纯度越高，表明离最终的分类结果越近。

以同样的思想定义属性a的基尼指数：

从数据集D所有的A个属性中随机选出能一个包含A′个属性的子集，一般取A′＝log₂A，再在A′中选出使当前数据集基尼指数最小特征的a_*：

用a_*决定决策树分支的生长方向，将CART算法运行到不能再长出分支为止，然后对这棵树进行适当剪枝，剪枝方法：

首先采用留出法，在训练集中预留部分数据用作验证集。用余下的训练集生成一棵完整的决策树后，使用验证集自底向上地对非叶节点进行考察，若将该节点对应的子树替换为叶节点能带来决策树泛化性能的提升，则将该子树替换为叶节点。

将k组数据集均按照以上方法训练，得到k棵决策树。

6)对待测有源逆变器数据样本使用步骤2)的方法进行小波包分解和重构，再使用步骤3)的方法提取归一化能量熵，构造能量特征向量，输入到由步骤5)生成的k棵决策树组成的随机森林网络中，进行间歇故障分类，分类的结果按照投票的决策树多少来进行决定，投票过程：

其中的一棵树h_i对待测样本的预测结果为投票完成后，选择使最大的C_j作为最终的分类结果，也就是有源逆变器间歇故障的诊断结果，从而实现有源逆变器间歇故障的诊断。

Claims (7)

1.一种有源逆变器间歇故障诊断方法，其特征在于，包括如下步骤：

1)对不同工作状态下的有源逆变器输出的三相电流信号进行采样，其中包括有源逆变器正常运行状态数据、已知类型的永久故障数据和已知类型的间歇故障数据，生成采样数据集X。

2)将步骤1)中采集到的每个原始数据样本使用小波包算法进行N层小波分解，得到小波包分解结构图，然后对最后一层分解系数进行单支重构得到2^N个频带重构信号，构成重构信号集合

3)将步骤2)中所得的重构信号根据频带顺序由低到高地进行排序，并取各频带的能量熵并对各频带能量熵进行归一化处理得到频带的归一能量熵用构造能量特征向量T_n ^r。

4)将所有样本经步骤3)后构造得到的特征向量组成数据集D，对数据集D运用“k折交叉验证”方法进行处理，生成k组训练集和测试集的组合。

5)取步骤4)所得的数据集用于训练CART(Classification and Regression Tree)决策树，在生成分支时，从当前组训练集所有的A个属性中随机选出一个包含A′个属性的子集，在A′中选出使当前数据集“基尼指数”(Gini index)最小特征的a_*，决定决策树的分支，将算法运行到不能再长出分支为止，然后对这棵树进行适当剪枝。使用k组数据训练出k棵决策树。

6)对待测有源逆变器数据样本使用步骤2)的方法进行小波包分解和重构，再使用步骤3)的方法提取归一化能量熵，构造能量特征向量，输入到由步骤5)生成的k棵决策树组成随机森林网络中，进行间歇故障分类，从而实现有源逆变器间歇故障诊断。

2.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤1)的有源逆变器数据采样过程为：在n种不同工作状态下的有源逆变器电路中，分别采集r组当前工作状态的电路输出的三相电流信号，生成采样数据集X。

3.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤2)使用的小波包分解算法为：

将原始信号分解后对最后一层分解系数进行单支重构，重构算法为：

式(1)和式(2)中j为尺度因子，n为调制参数或振荡参数，表示第j层第n个子频带的小波系数，k是平移量，l为函数变量。重构后得到2^N个频带重构信号的集合此处的n代表数据集中的第n个样本。

4.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤3)的能量熵的计算方法为：

式(3)中表示重构信号的幅值。将计算出能量熵归一化得到归一化能量熵计算方法为：

用归一化能量熵构造特征向量T_n ^r：

将得到的特征向量T_n ^r用作决策树的训练。

5.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤4)的数据集D是由特征向量T_n ^r构成。将数据集D进行“k折交叉验证”的方法为：

先将数据集D划分为k个大小相似的互斥子集，即每个子集D_i都从D中通过分层采样得到，尽可能保证数据分布的一致性。每次用k-1个子集的并集作为训练集，剩下的那个子集作为测试集，则可以获得k组训练集和测试集的组合，测试集中不使用标签。

6.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤5)训练决策树的方法为：

从数据集D所有的A个属性中随机选出能一个包含A′＝log₂ A个属性的子集，再在A′中选出使当前数据集基尼指数最小特征的a_*：

用a_*决定决策树分支的生长方向，将CART算法运行到不能再长出分支为止，然后对这棵树进行适当剪枝，从而生产一棵决策树。

7.根据权利要求1所述的，一种有源逆变器间歇故障诊断方法，其特征在于，所述步骤6)生成随机森林的投票过程为：

其中

其中的一棵树h_i对待测样本的预测结果为投票完成后，选择使最大的C_j作为最终的分类结果，也就是有源逆变器间歇故障的诊断结果，从而实现有源逆变器间歇故障的诊断。