CN110531163A - 一种磁浮列车悬浮斩波器母线电容状态监测方法 - Google Patents

一种磁浮列车悬浮斩波器母线电容状态监测方法 Download PDF

Info

Publication number
CN110531163A
CN110531163A CN201910313847.8A CN201910313847A CN110531163A CN 110531163 A CN110531163 A CN 110531163A CN 201910313847 A CN201910313847 A CN 201910313847A CN 110531163 A CN110531163 A CN 110531163A
Authority
CN
China
Prior art keywords
capacitor
suspending chopper
chopper bus
bus capacitor
input
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
Application number
CN201910313847.8A
Other languages
English (en)
Other versions
CN110531163B (zh
Inventor
龙志强
王永刚
杨君
陈小宇
丁菁芳
王平
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.)
National University of Defense Technology
CRRC Tangshan Co Ltd
Original Assignee
National University of Defense Technology
CRRC Tangshan Co Ltd
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 National University of Defense Technology, CRRC Tangshan Co Ltd filed Critical National University of Defense Technology
Priority to CN201910313847.8A priority Critical patent/CN110531163B/zh
Publication of CN110531163A publication Critical patent/CN110531163A/zh
Application granted granted Critical
Publication of CN110531163B publication Critical patent/CN110531163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2605—Measuring capacitance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M3/00—Conversion of dc power input into dc power output

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了磁浮列车悬浮斩波器母线电容状态监测方法，所述方法包括，步骤S100：获取磁浮列车悬浮斩波器母线的负载电流、电容电压和电容纹波电压；步骤S200：构造监测悬浮斩波器母线电容状态的神经网络模型；步骤S300：将悬浮斩波器母线的负载电流、电容电压和电容纹波电压作为神经网络的输入量，悬浮斩波器母线电容的特征值作为神经网络的输出量，对悬浮斩波器母线电容状态进行判定。能够对磁浮列车悬浮斩波器母线电容状态实施可靠的监测，以提高对磁浮列车的安全性能。

Description

一种磁浮列车悬浮斩波器母线电容状态监测方法
技术领域
本发明涉及磁浮列车技术领域，尤其涉及一种磁浮列车悬浮斩波器母线电容状态监测方法。
背景技术
随着磁悬浮列车的发展，实施可靠的磁浮列车悬浮斩波母线的电容器状态监测以确保可靠的现场操作和预防性维护变得越来越重要。尽管现代电容器技术取得了很大的进步，但据报道电容器仍然是功率转换器现场运行故障率的突出组件之一。如果电容器的使用寿命结束，电源转换器将发生故障。这通常会导致系统的转换器检查和分析。在识别出劣化的电容器之后，可以进行维护以进行更换。即使对于仅具有单个劣化电容器的电容器组，也建议整个组作为整体直接替换，以确保整体转换器的性能和可靠性。这种事故后维护方法简单但成本高且不安全，因为维护更换通常在转换器异常或失败后执行。而离线的电容监测技术需要将电容从电路中拆卸下来才能进行测试，采用这种方案虽然精度高但是不实用。电容的纹波电流直接流过电容内部，难以直接获取，或者需要增加额外的电流传感器来测量电容纹波电流。而新增加的电容监测电路会增加系统复杂度和硬件成本。在电容器老化的过程中，电容器电容容值C(Capacitance)和电容等效串联电阻ESR(EquivalentSeriesResistance)都会发生明显的变化，但大多数电容监测方法不能同时对电容器电容容值C和电容等效串联电阻ESR进行监测。
因此如何能够对磁浮列车悬浮斩波器母线电容状态实施可靠的监测，以提高对磁浮列车的安全性能，成为本领域技术人员亟需解决的问题。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种磁浮列车悬浮斩波器母线电容状态监测方法，能够对磁浮列车悬浮斩波器母线电容状态实施可靠的监测，以提高对磁浮列车的安全性能。
本发明解决其技术问题采用的技术方案是：
磁浮列车悬浮斩波器母线电容状态监测方法，所述方法包括以下步骤：
步骤S100：获取磁浮列车悬浮斩波器母线的负载电流、电容电压和电容纹波电压；
步骤S200：构造监测悬浮斩波器母线电容状态的神经网络模型；
步骤S300：将悬浮斩波器母线的负载电流、电容电压和电容纹波电压作为神经网络的输入量，悬浮斩波器母线电容的特征值作为神经网络的输出量，对悬浮斩波器母线电容状态进行判定。
优选地，所述步骤S300中悬浮斩波器母线电容的特征值具体为电容器电容容值状态或电容等效串联电阻状态。
优选地，所述步骤S300中对悬浮斩波器母线电容状态进行判定具体为：当电容器电容容值减少到其初始值的20％以下或电容等效串联电阻值增加到其初始值的2倍以上，则悬浮斩波器母线电容处于故障状态，反之悬浮斩波器母线电容处于正常状态。
优选地，所述步骤S200中神经网络模型包括输入层，隐层和输出层三层，所述隐层对输入进行相应的处理并输出，输出层对隐层的输出进行相应的处理并输出，从而得到输入和目标输出之间的函数。
优选地，所述输入层到隐层之间的函数为：
从输入到隐层的第一步映射过程可表示如下：
其中，I1＝(i1，i2，...，in)为输入矢量，ij是来自第j个输入的信号，Wm＝(wm1,wm2,...wmn)为输入层连接到隐层第m个神经元的权重，wmj表示输入ij与隐层第m个神经元之间的连接权重，ym表示输入向量I1和权重Wm的内积之后的结果，bm表示隐层第m个神经元的偏差，n为输入信号的个数。
第二步映射过程为，ym输入到激活函数，激活函数的输出即为隐层的输出y′m。
优选地，所述激活函数为sigmoid函数：
优选地，通过损失函数对权重进行更新调整，所述损失函数Lmse具体为：
其中，O(k)为预测值，Y(k)为标签，(k＝1,2,..,q)，q为历史数据的个数。
优选地，选择损失函数后，使用随机梯度下降的标准优化器进行反向传播中的参数训练以更新权重。
能够对磁浮列车悬浮斩波器母线电容状态实施可靠的监测，以提高对磁浮列车的安全性能。
附图说明
图1为本发明提供的一种磁浮列车悬浮斩波器母线电容状态监测方法的流程图；
图2为本发明提供的悬浮斩波器母线电容状态的神经网络模型框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
参见图1，图1为本发明提供的一种磁浮列车悬浮斩波器母线电容状态监测方法的流程图。
一种磁浮列车悬浮斩波器母线电容状态监测方法，所述方法包括以下步骤：
步骤S100：获取磁浮列车悬浮斩波器母线的负载电流、电容电压和电容纹波电压；
步骤S200：构造监测悬浮斩波器母线电容状态的神经网络模型；
步骤S300：将悬浮斩波器母线的负载电流、电容电压和电容纹波电压作为神经网络的输入量，悬浮斩波器母线电容的特征值作为神经网络的输出量，对悬浮斩波器母线电容状态进行判定。
能够对磁浮列车悬浮斩波器母线电容状态实施可靠的监测，以提高对磁浮列车的安全性能。
在进一步的方案中，所述步骤S300中悬浮斩波器母线电容的特征值具体为电容器电容容值状态或电容等效串联电阻状态。进而，所述步骤S300中对悬浮斩波器母线电容状态进行判定具体为：当电容器电容容值减少到其初始值的20％以下或电容等效串联电阻值增加到其初始值的2倍以上，则悬浮斩波器母线电容处于故障状态，反之悬浮斩波器母线电容处于正常状态。
以电容器电容容值状态或电容等效串联电阻状态作为悬浮斩波器母线电容的特征值，监控方便且对电容状态的反应及时可靠。
参见图2，图2为本发明提供的悬浮斩波器母线电容状态的神经网络模型框图。
所述步骤S200中神经网络模型包括输入层，隐层和输出层三层，所述隐层对输入进行相应的处理并输出，输出层对隐层的输出进行相应的处理并输出，从而得到输入和目标输出之间的函数，具体为：
如图2所示，神经网络具有多个神经元。由单个隐藏神经元接收的输入可以表示为输入矢量I1＝(i1，i2，...，in)，其中ij是来自第j个输入的信号，共n个输入信号。输入层连接到隐层第m个神经元的权重可以表示为形式Wm＝(wm1,wm2,...wmn)，其中wmj表示输入ij与隐层第m个神经元之间的连接权重。
优选地，所述输入层到隐层之间的函数为：
从输入到隐层的第一步映射过程可表示如下：
其中，ym表示输入向量I1和权重Wm的内积之后的结果，bm表示隐层第m个神经元的偏差，。
从输入到隐层第一个神经元的第一步映射过程可表示如下：
其中，y1表示输入向量I1和权重W1的内积之后的结果，b1表示隐层第一个神经元的偏差。
第二步映射过程为，ym输入到激活函数，激活函数的输出即为隐层的输出y′m。
优选地，所述激活函数为sigmoid函数：
y1输入到激活函数，激活函数的输出结果即为隐层第一个神经元得到的结果y′1。
其中，激活函数有很多种形式，以sigmoid函数为例，其表现形式如下：
输出层对隐层的输出进行相应的处理并输出，即为隐藏层向输出层的映射过程，都具有与等式(1)和(2)类似的表示。
优选地，为了最小化预测值与训练数据中的标签之间的差异，通过历史数据训练神经网络，调整神经网络的权重。所述预测值即为输出层的输出。所述训练数据中的标签是指输出层应输出的真实值。通过设计适当的损失函数并指定优化器来对权重进行更新调整。定义在预测值O(k)和标签Y(k)(k＝1,2,..,q)之间的均方误差Lmse称损失函数。q为历史数据的个数。损失函数可以描述为：
选择了损失函数后，可以使用随机梯度下降(SGD)的标准优化器进行反向传播中的参数训练以更新权重。
在进一步的方案中，将悬浮斩波器母线的负载电流I、电容电压U和电容纹波电压△Vdc作为神经网络的输入量，电容器电容容值状态C或电容等效串联电阻状态ESR作为神经网络的输出量，对悬浮斩波器母线电容状态进行判定。
以上对本发明所提供的一种磁浮列车悬浮斩波器母线电容状态监测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述方法包括以下步骤：
步骤S100：获取磁浮列车悬浮斩波器母线的负载电流、电容电压和电容纹波电压；
步骤S200：构造监测悬浮斩波器母线电容状态的神经网络模型；
步骤S300：将悬浮斩波器母线的负载电流、电容电压和电容纹波电压作为神经网络的输入量，悬浮斩波器母线电容的特征值作为神经网络的输出量，对悬浮斩波器母线电容状态进行判定。
2.根据权利要求1所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述步骤S300中悬浮斩波器母线电容的特征值具体为电容器电容容值状态或电容等效串联电阻状态。
3.根据权利要求2所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述步骤S300中对悬浮斩波器母线电容状态进行判定具体为：当电容器电容容值减少到其初始值的20％以下或电容等效串联电阻值增加到其初始值的2倍以上，则悬浮斩波器母线电容处于故障状态，反之悬浮斩波器母线电容处于正常状态。
4.根据权利要求3所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述步骤S200中神经网络模型包括输入层，隐层和输出层三层，所述隐层对输入进行相应的处理并输出，输出层对隐层的输出进行相应的处理并输出，从而得到输入和目标输出之间的函数。
5.根据权利要求4所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述输入层到隐层之间的函数为：
从输入到隐层的第一步映射过程可表示如下：
其中，I1＝(i1，i2，...，in)为输入矢量，ij是来自第j个输入的信号，Wm＝(wm1,wm2,...wmn)为输入层连接到隐层第m个神经元的权重，wmj表示输入ij与隐层第m个神经元之间的连接权重，ym表示输入向量I1和权重Wm的内积之后的隐层第m个神经元结果，bm表示隐层第m个神经元的偏差，n为输入信号的个数。
第二步映射过程为ym输入到激活函数，激活函数的输出结果即为隐层的输出y′m。
6.根据权利要求5所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，所述激活函数为sigmoid函数：
7.根据权利要求6所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，通过损失函数对权重进行更新调整，所述损失函数Lmse具体为：
其中，O(k)为预测值，Y(k)为标签，(k＝1,2,..,q)，q为历史数据的个数。
8.根据权利要求7所述的磁浮列车悬浮斩波器母线电容状态监测方法，其特征在于，选择损失函数后，使用随机梯度下降的标准优化器进行反向传播中的参数训练以更新权重。
CN201910313847.8A 2019-04-18 2019-04-18 一种磁浮列车悬浮斩波器母线电容状态监测方法 Active CN110531163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910313847.8A CN110531163B (zh) 2019-04-18 2019-04-18 一种磁浮列车悬浮斩波器母线电容状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910313847.8A CN110531163B (zh) 2019-04-18 2019-04-18 一种磁浮列车悬浮斩波器母线电容状态监测方法

Publications (2)

Publication Number Publication Date
CN110531163A true CN110531163A (zh) 2019-12-03
CN110531163B CN110531163B (zh) 2022-03-15

Family

ID=68659819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910313847.8A Active CN110531163B (zh) 2019-04-18 2019-04-18 一种磁浮列车悬浮斩波器母线电容状态监测方法

Country Status (1)

Country Link
CN (1) CN110531163B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112114219A (zh) * 2020-09-24 2020-12-22 江西理工大学 一种磁悬浮列车悬浮斩波器故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528516A (zh) * 2015-12-01 2016-04-27 三门县人民医院 基于主元分析与超限学习机相结合的临床病理数据分类方法
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
CN106093615A (zh) * 2016-05-26 2016-11-09 东莞理工学院 超级电容储能模块的健康状态估计方法
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路
CN106934352A (zh) * 2017-02-28 2017-07-07 华南理工大学 一种基于双路分形网络和lstm的视频描述方法
CN107087161A (zh) * 2017-04-28 2017-08-22 南京邮电大学 视频业务中基于多层神经网络的用户体验质量的预测方法
CN107992957A (zh) * 2016-10-25 2018-05-04 航天信息股份有限公司 一种基于税务数据进行经营预测的方法及装置
CN108399421A (zh) * 2018-01-31 2018-08-14 南京邮电大学 一种基于词嵌入的深度零样本分类方法
CN109508751A (zh) * 2018-12-06 2019-03-22 西南交通大学 高速铁路列车晚点时间预测的深度神经网络模型建模方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528516A (zh) * 2015-12-01 2016-04-27 三门县人民医院 基于主元分析与超限学习机相结合的临床病理数据分类方法
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
CN106093615A (zh) * 2016-05-26 2016-11-09 东莞理工学院 超级电容储能模块的健康状态估计方法
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路
CN107992957A (zh) * 2016-10-25 2018-05-04 航天信息股份有限公司 一种基于税务数据进行经营预测的方法及装置
CN106934352A (zh) * 2017-02-28 2017-07-07 华南理工大学 一种基于双路分形网络和lstm的视频描述方法
CN107087161A (zh) * 2017-04-28 2017-08-22 南京邮电大学 视频业务中基于多层神经网络的用户体验质量的预测方法
CN108399421A (zh) * 2018-01-31 2018-08-14 南京邮电大学 一种基于词嵌入的深度零样本分类方法
CN109508751A (zh) * 2018-12-06 2019-03-22 西南交通大学 高速铁路列车晚点时间预测的深度神经网络模型建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAMMAM SOLIMAN等: "Condition Monitoring for DC-link Capacitors Based on Artificial Neural Network Algorithm", 《2015 IEEE 5TH INTERNATIONAL CONFERENCE ON POWER ENGINEERING, ENERGY AND ELECTRICAL DRIVES (POWERENG)》 *
孙学信: "《燃煤锅炉燃烧试验技术与方法》", 31 January 2002 *
龙驹 等: "《永磁无刷直流电动机转速控制系统的优化设计》", 31 December 2006 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112114219A (zh) * 2020-09-24 2020-12-22 江西理工大学 一种磁悬浮列车悬浮斩波器故障诊断方法
CN112114219B (zh) * 2020-09-24 2023-11-21 江西理工大学 一种磁悬浮列车悬浮斩波器故障诊断方法

Also Published As

Publication number Publication date
CN110531163B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
JP2023042527A (ja) データドライブの能動配電網異常状態検知方法及びシステム
CN108053148B (zh) 一种电力信息系统故障高效诊断方法
CN107346466A (zh) 一种电力调度系统的控制方法及装置
CN105046370A (zh) 四线一库备品备件库存量预测系统及其建立方法
CN110533294B (zh) 一种基于人工智能技术的核电厂运行故障报警方法
CN109670584A (zh) 一种基于大数据的故障诊断方法及系统
CN110362064B (zh) 一种航空发动机排气温度传感器的故障诊断方法
AU2020103212A4 (en) IoT AND MACHINE LEARNING-BASED POWER DISTRIBUTION MANAGEMENT SYSTEM
CN108020781A (zh) 一种断路器故障诊断方法
Hu et al. Hierarchical fault diagnosis for power systems based on equivalent-input-disturbance approach
CN107015123A (zh) 一种基于录波数据的输电线路故障精确判定方法
CN113625103B (zh) 小电流接地系统单相接地故障的选线方法
Roverso Soft computing tools for transient classification
CN107527134A (zh) 一种基于大数据的配电变压器状态评估方法及装置
CN105137354A (zh) 一种基于神经网络电机故障检测方法
CN110531163A (zh) 一种磁浮列车悬浮斩波器母线电容状态监测方法
CN115796610A (zh) 一种支管成型系统运行综合监测方法、系统及存储介质
CN111060779A (zh) 一种基于概率神经网络的电网分区故障诊断方法及系统
CN115587309A (zh) 一种变压器抗短路能力关键特征提取方法、装置及设备
CN114156901A (zh) 一种低压配变无功补偿装置状态异常检测方法
CN112924813B (zh) 基于电气数据的配电网短路故障监控方法及装置
CN113219330B (zh) 一种隔离开关状态检测方法及系统
CN209056570U (zh) 一种基于双路径信息采样监测与保护控制的蓄电池储能bms系统
CN108805289A (zh) 一种基于基底神经节的电机故障诊断方法
CN114996633B (zh) 一种ai智能局部放电检测方法

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