CN111695289B - 全功率变流器的故障诊断方法和平台 - Google Patents
全功率变流器的故障诊断方法和平台 Download PDFInfo
- Publication number
- CN111695289B CN111695289B CN202010401975.0A CN202010401975A CN111695289B CN 111695289 B CN111695289 B CN 111695289B CN 202010401975 A CN202010401975 A CN 202010401975A CN 111695289 B CN111695289 B CN 111695289B
- Authority
- CN
- China
- Prior art keywords
- full
- power converter
- fault
- fault diagnosis
- data
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Abstract
本发明公开了一种全功率变流器的故障诊断方法和平台，该平台进行诊断的步骤为：首先，通过RTDS实时仿真装置获得全功率变流器在各种故障条件下的离线样本数据，再对获得的离线样本数据进行处理，基于神经网络利用处理后的数据构建全功率变流器故障诊断模型；具体再将实时采集的全功率变流器的实际运行数据，基于全功率变流器故障诊断模型进行比对诊断，在线确定全功率变流器的故障模式；本发明可以形成故障样本数据库并建立故障诊断模型，能快速准确的对故障进行定位与诊断；同时，故障样本数据库可以根据实时数据进行更新，重新优化故障诊断模型，具有自我完善升级的功能。
Description
技术领域
本发明涉及变流器的故障诊断方法和装置，更具体地讲，涉及一种全功率变流器故障诊断方法和平台。
背景技术
全功率变流器抽水蓄能机组具有快速的有功、无功功率调节能力，对于调节电网频率、平衡大规模可再生能源发电引起的频率波动、改善电力系统稳定性具有重要意义。
全功率变流器作为与电网的关键连接部件，直接影响着整个抽水蓄能机组的性能和可靠性。全功率变流器的核心元件是大功率电力电子功率器件，如IGCT(IntegratedGate Commutated Thyristors，集成门极换流晶闸管)、IGBT(Insulated Gate BipolarTransistor，绝缘栅双极型晶体管)等，但是其可靠性问题一直没有得到有效解决，难免会发生故障。一旦全功率变流器发生故障，整个机组将被迫停运。因此针对全功率变流器故障诊断技术的研究显得尤为迫切和重要。
由于全功率变流器电力电子功率器件数量众多，故障原因多样，一旦发生故障，则仅仅依靠传统机理模型或者经验进行排查和诊断，目前位置都难以实现故障的快速定位与诊断。同时，实际故障的产生具有不确定性，难以快速形成丰富的故障样本数据库从而建立较为精确的诊断模型。
因此需要建立一种故障样本快速生成与故障在线诊断平台，对全功率变流器故障进行快速有效的监测和诊断。
发明内容
本发明的目的是提供一种全功率变流器的故障诊断方法和平台，通过该平台，采集离线样本数据可以形成故障样本数据库并建立故障诊断模型，然后对全功率变流器的实际运行数据能快速定位和诊断相应的故障。
本发明的技术方案如下：
全功率变流器的故障诊断方法，其特征在于步骤包括如下：
首先，采集全功率变流器在各种故障条件下的离线样本数据(X,Y)；
其次，对获得的离线样本数据(X,Y)进行处理，然后基于神经网络构建全功率变流器故障诊断模型；
最后，实时采集全功率变流器的实际运行数据，基于构建得到的全功率变流器故障诊断模型进行比对诊断，在线确定全功率变流器的故障模式。
所述离线样本数据(X,Y)中的X＝[x1,x2,···,x5]可以是故障特征数据，分别对应于全功率变流器的直流母线电流直流分量Idc0、三相输入电流正序分量Iip和负序分量Iin、三相输出电流正序分量Iop和负序分量Ion，Y＝[y1,y2,···,y4]可以是故障类型编码，对应全功率变流器的各种故障模式。
对离线样本数据(X,Y)进行处理的步骤包括：对离线样本数据(X,Y)进行归一化处理。所述归一化处理的计算公式为：x'＝2(x-xmin)/(xmax-xmin)-1；其中,x和x'分别为处理前、后的数据值，xmax和xmin分别为样本数据的最大值与最小值。
基于神经网络构建全功率变流器故障诊断模型的步骤可包括：将归一化处理后的数据作为神经网络计算模型的训练集，不断迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建全功率变流器故障诊断模型。
所述神经网络可包括：输入层，具有五个神经元，分别对应于五个故障特征数据；隐藏层，具有十二个神经元，激活函数为正切型函数，表达式为f(x)＝2/(1+e-2x)-1；输出层，具有四个神经元，对应故障编码，激活函数为线性函数，表达式为f(x)＝x。
在线确定全功率变流器的故障模式的步骤可包括：实时采集实际运行的全功率变流器的实际电流值，对采集到的实际电流值进行数据处理，得到实时数据；将实时数据中的电流值数据输入全功率变流器故障诊断模型，确定全功率变流器对应的故障模式。
对实际电流值进行数据处理的过程包括：将实际电流值进行FFT计算及坐标变换得到实施特征数据，再将实时特征数据进行归一化。
所述故障诊断方法还包括：对诊断模型进行优化，即将离线样本数据和实时数据进行融合，重新训练神经网络，从而在线优化神经网络权值与阈值。
适用上述故障诊断方法设计的全功率变流器的故障诊断平台，其特征在于包括：
一RTDS实时仿真装置，与全功率变流器实际控制器连接，用于采集全功率变流器在各种故障条件下的离线样本数据(X,Y)；
一全功率变流器的故障诊断装置，接收RTDS实时仿真装置采集的数据，构建全功率变流器的故障诊断模型，并用于将实际运行数据与所述故障诊断模型进行比对诊断，确定全功率变流器的故障。
所述故障诊断装置，包括：
一存储器，被配置为：存储基于RTDS实时仿真装置获得的全功率变流器在各种故障条件下的离线样本数据(X,Y)；
一处理器，被配置为：对获得的离线样本数据(X,Y)进行处理，基于神经网络构建全功率变流器故障诊断模型，实时采集全功率变流器的实际运行数据，基于全功率变流器故障诊断模型，在线确定全功率变流器的故障模式。
本发明的有益效果如下：
本发明可以形成故障样本数据库并建立故障诊断模型，解决了实际装置难以形成丰富样本数据库的问题，能快速准确的对故障进行定位与诊断；同时，故障样本数据库可以根据实时数据进行更新，重新优化故障诊断模型，具有自我完善升级的功能。
附图说明
通过以下结合附图进行的详细描述，将会更清楚地理解本发明构思，其中：
图1是本发明的方法流程图；
图2是本发明的全功率变流器故障工况模拟系统的示意图；
图3是图2中所示的全功率变流器的拓扑结构图；
图4是本发明的全功率变流器故障诊断平台的示意图；
图5是本发明的神经网络模型示意图。
具体实施方式
通过参照下面对实施例和附图的详细描述，可更容易地理解本发明构思的特征和实现本发明构思的方法。在下面的描述中，为了解释的目的，阐述了很多具体细节以提供对各种实施例的全面理解。
参照图1，一种全功率变流器的故障诊断方法，其步骤包括如下：
在操作S101，基于RTDS实时仿真装置，获得全功率变流器在各种故障条件下的离线样本数据。
在操作S103，故障诊断装置处理在操作S101中获得的离线样本数据，基于神经网络构建全功率变流器故障诊断模型。
在操作S105，故障诊断装置实时采集全功率变流器的实际运行数据，基于全功率变流器故障诊断模型，在线确定全功率变流器的故障模式。
在操作S107，故障诊断装置对诊断模型进行优化。
参照图2-5，更详细地描述根据本发明构思的全功率变流器故障诊断方法。
如图2所示，全功率变流器应用工况仿真模型可包括：水泵水轮机(M)、发电电动机(G)、全功率变流器、并网变压器以及接入电网等。
如图3所示，全功率变流器拓扑结构由功率单元U1～U12以及直流电容C1～C2组成。
根据本发明构思的实施例，可基于RTDS实时仿真装置，构建全功率变流器故障工况模拟系统，获得全功率变流器在各种故障条件下的离线样本数据库(S101)。
参照图1-3，可利用RTDS实时仿真装置配套的专用RSCAD软件，建立包括水泵水轮机(M)、发电电动机(G)、全功率变流器、并网变压器以及接入电网等的全功率变流器应用工况仿真模型。通过RTDS实时仿真装置的IO接口(GTAO、GTAI、GTDO和GTDI)接入全功率变流器实际控制器，构建全功率变流器-RTDS故障工况模拟系统。
在全功率变流器-RTDS故障工况模拟系统中，选取不同的典型运行点(P,Q)来模拟各种故障模式下全功率变流器的响应，得到直流母线电流Idc、三相输入电流(Iia,Iib,Iic)、三相输出电流(Ioa,Iob,Ioc)等数据，从而建立故障样本离线数据库(X,Y)。其中，X＝[x1,x2,···,x5]可以是故障特征数据，x1可以是直流母线电流Idc对应的直流分量Idc0，x2和x3可以分别是三相输入电流(Iia,Iib,Iic)对应的输入电流正序分量Iip和负序分量Iin，x4和x5可以分别是三相输出电流(Ioa,Iob,Ioc)对应的输出电流正序分量Iop和负序分量Ion；Y＝[y1,y2,···,y4]可以是故障类型编码，其与故障模式的对应的关系如表1所示。
表1故障模式与故障类编码对应关系
| 故障模式 | <![CDATA[故障编码[y<sub>1</sub>,y<sub>2</sub>,y<sub>3</sub>,y<sub>4</sub>]]]> | 故障模式 | <![CDATA[故障编码[y<sub>1</sub>,y<sub>2</sub>,···,y<sub>4</sub>]]]> |
| U1故障 | [0,0,0,1] | U7故障 | [1,0,0,1] |
| U2故障 | [0,0,1,0] | U8故障 | [1,0,1,0] |
| U3故障 | [0,0,1,1] | U9故障 | [1,0,1,1] |
| U4故障 | [0,1,0,0] | U10故障 | [1,1,0,0] |
| U5故障 | [0,1,0,1] | U11故障 | [1,1,0,1] |
| U6故障 | [0,1,1,0] | U12故障 | [1,1,1,0] |
根据抽水蓄能机组双向功率流动以及调相运行的特点，机组典型运行点有功功率取值(标幺值)为P＝{-1.0,-0.9,-0.8,-0.7,-0.6,-0.5,-0.4,-0.3,-0.2,-0.1,0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0}，无功功率取值(标幺值)为Q＝{0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0}。
在基于RTDS获得了全功率变流器在各种故障条件下的离线样本数据库之后，故障诊断装置对离线样本数据进行处理，并通过处理后的数据来训练神经网络，以构建全功率变流器的故障诊断模型。
如图4所示，故障诊断装置通过通讯接口接收来自全功率变流器-RTDS故障工况模拟系统的故障样本数据，并对离线样本数据进行处理。
其中，可以采用归一化方法对离线样本数据进行处理，处理数据的计算公式为：x'＝2(x-xmin)/(xmax-xmin)-1，其中，x和x'分别为处理前、后的数据值，xmax和xmin分别为样本数据的最大值与最小值。
然后，故障诊断装置以归一化处理后的数据作为神经网络计算模型的训练集，不断迭代计算动态调整神经元之间的权值以及神经元的阈值，最终得到最优的神经网络权值与阈值，以构建全功率变流器故障诊断离线模型(S103)。
故障诊断装置可以采用使用BP算法训练的单隐层前馈网络。参照图5，神经网络的输入层有五个神经元，分别对应五个故障特征数据(即，Idc0，Iip，Iin，Iop和Ion)；隐藏层具有十二个神经元，激活函数为正切型函数，表达式为f(x)＝2/(1+e-2x)-1；输出层有是四个神经元，对应故障编码，激活函数为线性函数，表达式为f(x)＝x。
在构建了全功率变流器故障诊断模型之后，故障诊断装置可对实际运行的全功率变流器进行实时地故障诊断(S105)。
根据实施例，故障诊断装置可实时采集实际运行的全功率变流器的实际电流值。参照图4，全功率变流器的实际电流值可包括：直流母线电流Idc，三相输入电流(Iia,Iib,Iic)以及三相输出电流(Ioa,Iob,Ioc)，但发明构思不限于此。
故障诊断装置可对采集的全功率变流器的实际电流值进行快速FFT计算及坐标变换，以提取出直流母线电流Idc对应的直流分量、三相输入电流(Iia,Iib,Iic)对应的输入电流正序分量Iip和负序分量Iin以及三相输出电流(Ioa,Iob,Ioc)对应的输出电流正序分量Iop和负序分量Ion。
然后，故障诊断装置可将上述实时特征数据经如前所述的归一化方法进行处理，然后输入至全功率变流器故障诊断离线模型，通过模型中神经网络的计算，由输出值即可确定全功率变流器所对应的故障模式。
故障诊断装置可周期性地或者在满足特定条件的情况下，对离线的故障诊断模型进行优化(S107)。根据实施例，故障诊断装置可周期性地将离线数据和实时数据进行融合，重新训练神经网络，在线优化神经网络权值与阈值，形成故障诊断在线模型。
根据本发明构思的故障诊断方法通过实时仿真装置建立全功率变流器工况仿真模型，结合实际控制器模拟各种故障生成故障样本数据，解决了真实情况下全功率变流器故障样本少、难以形成较为精确的诊断模型的问题；采用在线诊断的方式，能够快速有效的诊断出全功率变流器的故障；通过在线优化神经网络权值与阈值，提高了故障诊断的准确性。
所述故障诊断装置可包括存储器和处理器，其中：
存储器，可存储基于RTDS实时仿真装置获得的全功率变流器在各种故障条件下的离线样本数据。
处理器，可被配置为：对获得的离线样本数据进行处理，基于神经网络构建全功率变流器故障诊断模型；实时采集全功率变流器的实际运行数据；基于全功率变流器故障诊断模型，在线确定全功率变流器的故障模式。
图1、图4和图5中示出的执行在本申请中描述的操作的方法通过计算硬件(例如，通过一个或多个处理器或计算机)来执行，其中，计算硬件被实现为上面描述的执行用于执行在本申请中描述的通过该方法执行的操作的指令或软件。例如，单个操作或者两个或更多个操作可通过单个处理器或者两个或更多个处理器、或者处理器和控制器来执行。一个或多个操作可通过一个或多个处理器、或者处理器和控制器来执行，并且一个或多个其他操作可通过一个或多个其他处理器，或者另外的处理器和另外的控制器来执行。一个或多个处理器、或者处理器和控制器可执行单个操作或者两个或更多个操作。
用于控制处理器或计算机实现硬件组件并执行如上所述的方法的指令或软件被编写为计算机程序、代码段、指令或它们的任何组合，以单独地或共同地指示或配置处理器或者计算机作为机器或专用计算机进行操作，以执行由如上所述的硬件组件和方法执行的操作。在一个示例中，指令或软件包括由处理器或者计算机直接执行的机器代码(诸如，由编译器产生的机器代码)。在另一个示例中，指令或软件包括由处理器或者计算机使用解释器执行的高级代码。本领域的普通编程人员可基于附图中所示的框图和流程图以及说明书中的对应描述，容易地编写指令或软件，其中，附图中所示的框图和流程图以及说明书中的对应描述公开了用于执行由如上所述的硬件组件和方法执行的操作的算法。
前述是对示例实施例的说明，并且不被解释为对示例实施例的限制。虽然已经描述了一些示例实施例，但是本领域的技术人员将容易理解，在实质不脱离示例实施例的新颖教导和优点的情况下，在示例实施例中可以进行很多修改。因此，所有这样的修改意图包括在如权利要求限定的示例实施例的范围内。本发明构思由所附权利要求限定，权利要求的等同物包括在所附权利要求中。
Claims (13)
1.全功率变流器的故障诊断方法，其特征在于包括如下步骤：
首先，采集全功率变流器在各种故障条件下的离线样本数据；
其次，对获得的离线样本数据进行处理，然后基于神经网络构建全功率变流器故障诊断模型；所述离线样本数据中的是故障特征数据，分别对应于全功率变流器的直流母线电流直流分量、三相输入电流正序分量和负序分量、三相输出电流正序分量和负序分量， 是故障类型编码，对应全功率变流器的各种故障模式；
最后，实时采集全功率变流器的实际运行数据，基于构建得到的全功率变流器故障诊断模型进行比对诊断，在线确定全功率变流器的故障模式。
2.根据权利要求1所述全功率变流器的故障诊断方法，其特征在于：对离线样本数据进行归一化处理，所述归一化处理的计算公式为：；
其中，和分别为处理前、后的数据值，和分别为样本数据的最大值与最小值。
3.根据权利要求1或2所述全功率变流器的故障诊断方法，其特征在于：所述构建全功率变流器故障诊断模型，具体是将归一化处理后的数据作为神经网络计算模型的训练集，持续迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建全功率变流器故障诊断模型。
4.根据权利要求3所述全功率变流器的故障诊断方法，其特征在于，所述神经网络包括：
输入层，具有五个神经元，分别对应于五个故障特征数据；
隐藏层，具有十二个神经元，激活函数为正切型函数，表达式为；
输出层，具有四个神经元，对应故障编码，激活函数为线性函数，表达式为。
5.根据权利要求1所述全功率变流器的故障诊断方法，其特征在于，所述在线确定全功率变流器的故障模式的具体步骤为：
实时采集实际运行的全功率变流器的实际电流值；
对采集到的实际电流值进行数据处理，得到实时数据；
将得到的实时数据中的电流值数据输入全功率变流器故障诊断模型，确定全功率变流器对应的故障模式。
6.根据权利要求5所述全功率变流器的故障诊断方法，其特征在于：对采集到的实际电流值进行数据处理，是指将实际电流值进行FFT计算及坐标变换得到实施特征数据，再将实时特征数据进行归一化。
7.根据权利要求5所述全功率变流器的故障诊断方法，其特征在于还包括：对诊断模型进行优化，即将离线样本数据和实时数据进行融合，重新训练神经网络，从而在线优化神经网络权值与阈值。
8.全功率变流器的故障诊断平台，其特征在于包括：
一RTDS实时仿真装置，与全功率变流器实际控制器连接，用于采集全功率变流器在各种故障条件下的离线样本数据；离线样本数据中的为故障特征数据，分别对应全功率变流器的直流母线电流直流分量、三相输入电流正序分量和负序分量、三相输出电流正序分量和负序分量， 为故障类型编码，对应全功率变流器的各种故障模式；
一全功率变流器的故障诊断装置，接收RTDS实时仿真装置采集的数据，构建全功率变流器的故障诊断模型，并用于将实际运行数据与所述故障诊断模型进行比对诊断，确定全功率变流器的故障；
所述故障诊断装置包括，
一存储器，被配置为：存储基于RTDS实时仿真装置获得的全功率变流器在各种故障条件下的离线样本数据；
一处理器，被配置为：对获得的离线样本数据进行处理，基于神经网络构建全功率变流器故障诊断模型，实时采集全功率变流器的实际运行数据，基于全功率变流器故障诊断模型，在线确定全功率变流器的故障模式。
9.根据权利要求8所述的全功率变流器的故障诊断平台，其特征在于：所述处理器被配置为对离线样本数据进行归一化处理，归一化处理的计算公式为：
，
其中，和分别为处理前、后的数据值，和分别为样本数据的最大值与最小值。
10.根据权利要求9所述的全功率变流器的故障诊断平台，其特征在于，所述处理器还被配置为：将归一化处理后的数据作为神经网络计算模型的训练集，不断迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建全功率变流器故障诊断模型。
11.根据权利要求10所述的全功率变流器的故障诊断平台，其特征在于，所述神经网络包括：
输入层，具有五个神经元，分别对应于五个故障特征数据；
隐藏层，具有十二个神经元，激活函数为正切型函数，表达式为；
输出层，具有四个神经元，对应故障编码，激活函数为线性函数，表达式为。
12.根据权利要求11所述的全功率变流器的故障诊断平台，其特征在于，所述处理器还被配置为：
实时采集实际运行的全功率变流器的实际电流值；
对采集的全功率变流器的实际电流值进行数据处理；
将处理后的数据输入全功率变流器故障诊断模型，确定全功率变流器对应的故障模式。
13.根据权利要求12所述的全功率变流器的故障诊断平台，其特征在于，所述处理器还被配置为：对诊断模型进行优化，具体是将离线数据和实时数据进行融合，重新训练神经网络，从而在线优化神经网络权值与阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401975.0A CN111695289B (zh) | 2020-05-13 | 2020-05-13 | 全功率变流器的故障诊断方法和平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401975.0A CN111695289B (zh) | 2020-05-13 | 2020-05-13 | 全功率变流器的故障诊断方法和平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695289A CN111695289A (zh) | 2020-09-22 |
| CN111695289B true CN111695289B (zh) | 2023-04-28 |
Family
ID=72477723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401975.0A Active CN111695289B (zh) | 2020-05-13 | 2020-05-13 | 全功率变流器的故障诊断方法和平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695289B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318757A (zh) * | 2018-01-23 | 2018-07-24 | 中国东方电气集团有限公司 | 基于半实物仿真的储能系统控制策略测试优化平台 |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
| CN110263481A (zh) * | 2019-07-01 | 2019-09-20 | 国网安徽省电力有限公司 | 分布式光伏暂态特性测试方法 |
| CN110502105A (zh) * | 2019-07-08 | 2019-11-26 | 南京航空航天大学 | 一种基于csi相位差的手势识别系统及识别方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104502758B (zh) * | 2014-12-17 | 2017-05-10 | 西北工业大学 | 航空静止变流器故障诊断方法 |
| CN110019238B (zh) * | 2017-12-29 | 2023-01-06 | 阿里巴巴集团控股有限公司 | 多维度范围分区裁剪的方法、装置和存储介质 |
-
2020
- 2020-05-13 CN CN202010401975.0A patent/CN111695289B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318757A (zh) * | 2018-01-23 | 2018-07-24 | 中国东方电气集团有限公司 | 基于半实物仿真的储能系统控制策略测试优化平台 |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
| CN110263481A (zh) * | 2019-07-01 | 2019-09-20 | 国网安徽省电力有限公司 | 分布式光伏暂态特性测试方法 |
| CN110502105A (zh) * | 2019-07-08 | 2019-11-26 | 南京航空航天大学 | 一种基于csi相位差的手势识别系统及识别方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《电力系统及其自动化学报》2014年总目次(第26卷 第1～12期).电力系统及其自动化学报.2014,(第12期),第123-125页. * |
| 于辉 ; 邓英 ; .变速风力发电机变流器故障诊断方法.可再生能源.2010,(第03期),第143-145页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695289A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102760191B (zh) | 基于转速分群的双馈机组风电场等值建模系统及方法 | |
| CN109194225B (zh) | 一种双馈电机参数在线辨识方法 | |
| Liang et al. | A novel fault diagnostic method in power converters for wind power generation system | |
| CN112054552A (zh) | 一种光伏逆变器控制参数的辨识方法和装置 | |
| CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| CN112069727A (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 | |
| Hu et al. | Impedance-based oscillatory stability analysis of high power electronics-penetrated power systems—A survey | |
| CN115392133A (zh) | 采用高斯混合模型的风电场最优聚类等值方法 | |
| Pan et al. | Optimal control for speed governing system of on-grid adjustable-speed pumped storage unit aimed at transient performance improvement | |
| CN111695289B (zh) | 全功率变流器的故障诊断方法和平台 | |
| CN115249980A (zh) | 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 | |
| CN111879514A (zh) | 基于elm模型的无刷直流电机轴承故障诊断方法 | |
| Brescia et al. | Automated parameter identification of spmsms based on two steady states using cloud computing resources | |
| CN106410862A (zh) | 基于有功恢复斜率校正的风电场单机等值方法 | |
| CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
| CN116306236A (zh) | 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统 | |
| CN116611011A (zh) | 一种暂态过电压幅值的预测方法、系统、终端及介质 | |
| CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
| CN115659601A (zh) | 一种双馈风电场单机等值并网模型的参数辨识方法及装置 | |
| CN111045329B (zh) | 基于自适应模式切换的双馈风机数字物理混合仿真方法 | |
| Gao et al. | Improved extended kalman filter based dynamic equivalent method of DFIG wind farm cluster | |
| CN113623126A (zh) | 一种基于模糊控制的直驱永磁水力发电系统控制方法、系统、终端及可读存储介质 | |
| CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 | |
| CN112016684A (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
| Wang et al. | Fault diagnosis of permanent magnet direct-drive wind turbine converter based on lifting wavelet and random forest |
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 |