CN112488011A - 一种模块化多电平换流器故障分类方法 - Google Patents
一种模块化多电平换流器故障分类方法 Download PDFInfo
- Publication number
- CN112488011A CN112488011A CN202011415193.9A CN202011415193A CN112488011A CN 112488011 A CN112488011 A CN 112488011A CN 202011415193 A CN202011415193 A CN 202011415193A CN 112488011 A CN112488011 A CN 112488011A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- bridge arm
- wavelet
- phase
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000001125 extrusion Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明涉及多电平换流器故障诊断技术,具体涉及一种模块化多电平换流器故障分类方法,通过对三相交流输出电流和内部环流进行采样,对采样得到的电流信号进行小波硬阀值去燥,滤除其中的噪声;再将去燥信号归一化处理;对归一化的信号使用同步挤压小波变换(SST)得到原始电流信号的三维时频图;将三维时频图像随机划分为训练集和测试集;用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型;在优化后的模型上输入测试集数据,测试结果即为故障分类结果。该方法能准确的分类待测试样本中的故障类型。对于整个MMC换流器,仅需要6个电压传感器,节省了成本,减少了检测复杂性,简单易实现。
Description
技术领域
本发明属于多电平换流器故障诊断技术领域,特别涉及一种模块化多电平换流器故障分类方法。
背景技术
模块化多电平换流器(MMC)最先由德国学者R.Marquardt于2001年提出。作为一种新型电压源换流器拓扑结构,由于其具有模块化结构设计、易于扩展、输出波形质量高、运行损耗小、具有公共直流母线等优点,在中高压直流输电、新能源并网、高压电力驱动等场合得到了越来越广泛的应用。三相MMC拓扑机构如图-1所示,它由三相6个桥臂组成,上下桥臂合成一个相单元,每个桥臂含有一个桥臂电抗和相同数目的串联子模块。图中,ua,ub,uc分别为换流器三相交流电压。ipz和inz分别为上下桥臂电流,uzp为上桥臂电压,uzn为下桥臂电压,z=a,b,c。
模块化多电平换流器(MMC)由大量半桥子模块(Sub-Modules,SMs)级联而成,每个子模块又包含有2个功率器件IGBT,功率器件极易发生开路故障,因此,每个功率器件都是潜在的故障点。子模块故障是MMC常见的故障类型之一,子模块故障会导致桥臂输出电压与期望出现偏差、相间环流增大、交直流侧谐波增大,继而影响整个系统的安全可靠运行。
故障子模块可能位于MMC六个桥臂中的一个,加上正常状态,共有7种故障类型。
发明内容
针对背景技术存在的问题,本发明提供一种模块化多电平换流器子模块故障分类方法。
为解决上述技术问题,本发明采用如下技术方案:一种模块化多电平换流器故障分类方法,模块化多电平换流器包括A、B、C相6个桥臂,A、B、C相上下桥臂组合成一个相单元,每个桥臂含有一个桥臂电抗和相同数目的串联子模块;该方法包括以下步骤:
步骤1:对三相输出电流和三相内部环流信号进行采样;
步骤2:使用小波硬阀值方法对采样信号进行滤波降噪并归一化处理;
步骤3:对归一化后的信号做同步挤压小波变换,获取原始电流信号的三维时频图像特征数据;
步骤4:将三维时频图像数据随机划分为训练集、验证集和测试集,其中训练集作为卷积神经网络模型的输入数据,网络自动学习时频图像中的潜在故障信息;
步骤5:利用遗传算法优化卷积神经网络模型的超参数,采用4折交叉验证法在验证集上评估模型,得到优化模型;
步骤6:在优化模型上输入测试集数据,得到故障类型的结论。
在上述模块化多电平换流器故障分类方法中,步骤2采用小波硬阀值方法进行处理时,先对信号做连续小波变换得到小波系数,再估计噪声阀值λ,若小波系数小于λ,则该系数为噪声引起,去除这部分系数;若小波系数大于λ,则该系数为信号引起,保留这部分系数,然后对处理后的小波系数进行小波逆变换得到去噪后的信号。
在上述模块化多电平换流器故障分类方法中,步骤4所述三维时频图像数据随机划分为训练集、验证集和测试集;图像数据集各包含7种故障类型,分别是:正常状态、A相上桥臂子模块故障、A相下桥臂子模块故障、B相上桥臂子模块故障、B相下桥臂子模块故障、C相上桥臂子模块故障和A相下桥臂子模块故障;其中训练集中每一类样本个数为180,验证集中每一类样本个数为60,测试集中每一类样本个数为60;合计总样本数为(180+60+60)×7=2100。
在上述模块化多电平换流器故障分类方法中,步骤5所述影响神经网络模型性能的超参数为dropout,learning rate,batch size;三个超参数在模型评估过程中被寻优确定一组最佳超参数;采用4折交叉验证法来评估训练好的模型,将训练集数据同等划分为4个区,对于每个分区i,在剩余的3个分区上训练模型,然后再分区i上评估模型;最终分数等于K个分数的平均值;评估完成,得到一组最佳超参数设置的优化模型。
与现有技术相比,本发明的有益效果是:本发明模块化多电平换流器故障分类方法,能准确的分类待测试样本中的故障类型,且分类精度高;无需使用过多的传感器,整个检测装置仅需6个传感器,成本低廉,没有大量复杂的计算简单易实现。
附图说明
图1:是本发明一个实施例模块化多电平换流器拓扑结构图;
图2:是本发明一个实施例模块化多电平换流器子模块结构图;
图3:是本发明一个实施例故障分类方法的实施方案流程图;
图4:是本发明一个实施例正常状态时三相交流电流和三相内部环流时域波形图;
图5:是本发明一个实施例故障状态时三相交流电流和三相内部环流的三维时频图;
图6:是本发明一个实施例方法流程图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施例一种模块化多电平换流器故障分类方法,首先对三相交流输出电流和内部环流进行采样,对采样得到的电流信号进行小波硬阀值去燥,滤除其中的噪声;再将去燥信号归一化处理;对归一化的信号使用同步挤压小波变换(SST)得到原始电流信号的三维时频图;将三维时频图像随机划分为训练集、验证集和测试集;用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型;在优化后的模型上输入测试集数据,测试结果即为故障分类结果。
本实施例是通过以下技术方案来实现的,一种模块化多电平换流器子模块故障分类方法,包括以下步骤:
S1:对三相输出电流和三相内部环流信号进行采样;
S2:使用小波硬阀值方法对采样信号进行滤波降噪并归一化处理;
S3:对归一化后的信号做同步挤压小波变换;
S4:将三维时频图像数据随机划分为训练集、验证集和测试集,其中训练集作为卷积神经网络模型的输入数据,网络自动学习时频图像中的潜在故障信息;
S5:用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型;
S6:最后,在优化后的模型上输入测试集数据,测试结果即为故障分类结果。
并且,S1中三相输出电流为ij(j=a,b,c),三相内部环流为idif.f(j=a,b,c)。
上下桥臂电流为:
环流表达式为:
idiff.j=(ipj+inj)/2(j=a,b,c)。
并且,S2中采用小波硬阀值方法进行处理时,先对信号做连续小波变换得到小波系数,再估计噪声阀值λ,若小波系数小于λ,认为该系数主要由噪声引起,去除这部分系数;若小波系数大于λ,则认为此系数主要是由信号引起,保留这部分系数,然后对处理后的小波系数进行小波逆变换得到去噪后的信号。
并且,S3中对三相交流电流和三相内部环流的降噪信号做同步挤压小波变换(SST)获取原始电流信号的三维时频图像特征数据。
并且,S4中图像数据被随机划分为训练集、验证集和测试集。图像数据数据集各包含7种故障类型:分别是正常状态、A相上桥臂子模块故障、A相下桥臂子模块故障、B相上桥臂子模块故障、B相下桥臂子模块故障、C相上桥臂子模块故障和A相下桥臂子模块故障。其中训练集中每一类样本个数为180,验证集中每一类样本个数为60,测试集中每一类样本个数为60。合计总样本数为(180+60+60)×7=2100。
并且,S5中影响神经网络模型性能的主要超参数为dropout,learning rate,batch size。因此,这三个超参数将在模型评估过程中被寻优确定一组最佳超参数。由于训练集样本比较少,所以采用4折交叉验证法来评估训练好的模型,即将训练集数据同等划分为4个区,对于每个分区i,在剩余的3个分区上训练模型,然后再分区i上评估模型。最终分数等于K个分数的平均值。评估完成后,得到一组最佳超参数设置的网络模型来测试数据。
并且,S6中用遗传算法优化后的模型就是性能最佳的模型,将测试集数据输入模型,输出结果对应的标签就是每一张图像数据对应的故障类型。
具体实施时,通过采集MMC三相交流输出电流和三相内部环流信号,并对采集到的时间序列信号做同步挤压变换得到三维时频特征图数据,再输入卷积神经网络,完成对原始信号的故障分类。
三相MMC拓扑结构如图1所示,MMC由三相6个桥臂组成,上下桥臂合成一个相单元,每个桥臂含有一个桥臂电抗和相同数目的串联子模块。图中,ua,ub,uc分别为换流器三相交流电压。ip,z和in,z分别为上下桥臂电流,uz,p为上桥臂电压,uz,n为下桥臂电压z=a,b,c(j=a,b,c)。Idc为直流侧电流,L为桥臂电抗值。每个桥臂有N个子模块(sub-module)串联而成。
子模块结构如图2所示,每个子模块有2个绝缘栅双极晶体管(T1和T2),一个反并联的二极管以及一个悬浮电容并联组成。图3为本实施例所提出的一种模块化多电平换流器子模块故障检测与定位方法实施流程图。
以一个桥臂含有8个子模块的模块化多电平换流器为例,即N=8;
下面结合图1至图6介绍本实施例,具体包括以下步骤:
I.对三相输出电流和三相内部环流信号进行采样;
步骤I中三相输出电流为ij(j=a,b,c),三相内部环流为idiff.j(j=a,b,c)。
上下桥臂电流为:
其中环流表达式为:
idiff.j=(ipj+inj)/2(j=a,b,c)
II.使用小波硬阀值方法对采样信号进行滤波去噪并归一化处理;
步骤II中采用小波硬阀值方法进行降噪处理时,先对原始信号做小波变换得到小波系数,再估计出小波系数阀值,将小于阀值的小波系数置零后,对保留的小波系数做小波逆变换得到去噪信号;
III.对归一化后的信号做同步挤压小波变换;
步骤III中对三相交流电流和三相内部环流的降噪信号做同步挤压小波变换获取原始电流信号的三维时频图像特征数据。
IV.将三维时频图像数据划分为训练集、验证集和测试集,其中训练集作为卷积神经网络模型的输入数据,网络自动学习时频图像中的潜在故障信息;
步骤IV中图像数据被随机划分为训练集、验证集和测试集。数据集各包含7种故障类型的图像数据,其中训练集中每一类样本个数为180,验证集中每一类样本个数为60,测试集中每一类样本个数为60。合计总样本数为(180+60+60)×7=2100。
V.用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型;
步骤V中影响神经网络模型性能的主要超参数为dropout,learning rate,batchsize。因此,这三个超参数将在模型评估过程中被寻优确定一组最佳超参数。由于训练集样本比较少,因而采用4折交叉验证法来评估训练好的模型,即把训练集数据同等划分为4个区,对于每个分区i,在剩余的3个分区上训练模型,然后再分区i上评估模型。最终分数等于K个分数的平均值。评估完成后,得到一组最佳超参数设置的网络模型来测试数据;
VI.最后,在优化后的模型上输入测试集数据,测试结果即为故障分类结果;
步骤VI中用遗传算法优化后的模型就是性能最佳的模型,把测试集数据输入模型,模型预测结果就是每一张图像数据对应的故障类型。
本实施例模块化多电平换流器故障分类方法,与传统的时频故障分类方法相比,具有很高的分类准确率,它以三相输出电流和三相内部环流的三维时频图作为故障特征数据,输入到卷积神经网络(CNN),而CNN的特点是能够自动学习到每一种故障类型的特征,从而准确的分类待测试样本中的故障类型。对于整个MMC换流器,仅需要6个电压传感器,节省了成本,减少了检测复杂性,简单易实现。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (4)
1.一种模块化多电平换流器故障分类方法,模块化多电平换流器包括A、B、C相6个桥臂,A、B、C相上下桥臂组合成一个相单元,每个桥臂含有一个桥臂电抗和相同数目的串联子模块;其特征是,该方法包括以下步骤:
步骤1:对三相输出电流和三相内部环流信号进行采样;
步骤2:使用小波硬阀值方法对采样信号进行滤波降噪并归一化处理;
步骤3:对归一化后的信号做同步挤压小波变换,获取原始电流信号的三维时频图像特征数据;
步骤4:将三维时频图像数据随机划分为训练集、验证集和测试集,其中训练集作为卷积神经网络模型的输入数据,网络自动学习时频图像中的潜在故障信息;
步骤5:利用遗传算法优化卷积神经网络模型的超参数,采用4折交叉验证法在验证集上评估模型,得到优化模型;
步骤6:在优化模型上输入测试集数据,得到故障类型的结论。
2.如权利要求1所述模块化多电平换流器故障分类方法,其特征是,步骤2采用小波硬阀值方法进行处理时,先对信号做连续小波变换得到小波系数,再估计噪声阀值λ,若小波系数小于λ,则该系数为噪声引起,去除这部分系数;若小波系数大于λ,则该系数为信号引起,保留这部分系数,然后对处理后的小波系数进行小波逆变换得到去噪后的信号。
3.如权利要求1所述模块化多电平换流器故障分类方法,其特征是,步骤4所述三维时频图像数据随机划分为训练集、验证集和测试集;图像数据集各包含7种故障类型,分别是:正常状态、A相上桥臂子模块故障、A相下桥臂子模块故障、B相上桥臂子模块故障、B相下桥臂子模块故障、C相上桥臂子模块故障和A相下桥臂子模块故障;其中训练集中每一类样本个数为180,验证集中每一类样本个数为60,测试集中每一类样本个数为60;合计总样本数为(180+60+60)×7=2100。
4.如权利要求1所述模块化多电平换流器故障分类方法,其特征是,步骤5所述影响神经网络模型性能的超参数为dropout,learning rate,batch size;三个超参数在模型评估过程中被寻优确定一组最佳超参数;采用4折交叉验证法来评估训练好的模型,将训练集数据同等划分为4个区,对于每个分区i,在剩余的3个分区上训练模型,然后再分区i上评估模型;最终分数等于K个分数的平均值;评估完成,得到一组最佳超参数设置的优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415193.9A CN112488011B (zh) | 2020-12-04 | 2020-12-04 | 一种模块化多电平换流器故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415193.9A CN112488011B (zh) | 2020-12-04 | 2020-12-04 | 一种模块化多电平换流器故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488011A true CN112488011A (zh) | 2021-03-12 |
CN112488011B CN112488011B (zh) | 2024-05-17 |
Family
ID=74940326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011415193.9A Active CN112488011B (zh) | 2020-12-04 | 2020-12-04 | 一种模块化多电平换流器故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488011B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255772A (zh) * | 2021-05-27 | 2021-08-13 | 北京玻色量子科技有限公司 | 一种数据分析方法及装置 |
CN114089181A (zh) * | 2021-11-19 | 2022-02-25 | 浙江大学 | 基于XG-Boost的MMC开关管开路故障检测方法 |
CN114184893A (zh) * | 2021-12-09 | 2022-03-15 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015135352A1 (zh) * | 2014-03-13 | 2015-09-17 | 国家电网公司 | 一种混合模块化多电平换流器的直流故障穿越控制方法 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
KR20180017888A (ko) * | 2016-08-11 | 2018-02-21 | 연세대학교 산학협력단 | 멀티레벨 컨버터 hvdc 시스템에서 dc 사고 감지 장치 및 방법 |
CN108872772A (zh) * | 2018-07-12 | 2018-11-23 | 武汉科技大学 | 基于混合核支持张量机的mmc子模块开路故障检测方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN110705525A (zh) * | 2019-10-24 | 2020-01-17 | 北京建筑大学 | 一种诊断滚动轴承故障的方法及装置 |
-
2020
- 2020-12-04 CN CN202011415193.9A patent/CN112488011B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015135352A1 (zh) * | 2014-03-13 | 2015-09-17 | 国家电网公司 | 一种混合模块化多电平换流器的直流故障穿越控制方法 |
KR20180017888A (ko) * | 2016-08-11 | 2018-02-21 | 연세대학교 산학협력단 | 멀티레벨 컨버터 hvdc 시스템에서 dc 사고 감지 장치 및 방법 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108872772A (zh) * | 2018-07-12 | 2018-11-23 | 武汉科技大学 | 基于混合核支持张量机的mmc子模块开路故障检测方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN110705525A (zh) * | 2019-10-24 | 2020-01-17 | 北京建筑大学 | 一种诊断滚动轴承故障的方法及装置 |
Non-Patent Citations (4)
Title |
---|
LONGZHANG KE等: "Fault Diagnosis of Modular Multilevel Converter Based on Optimized Support Vector Machine", PROCEEDINGS OF THE 39TH CHINESE CONTROL CONFERENCE, pages 4204 - 4209 * |
何成兵等: "基于改进一维卷积神经网络的汽轮发电机组轴系扭振模态参数辨识", 中国电机工程学报, vol. 40, pages 195 - 202 * |
李翠等: "模块化多电平换流器的子模块开路故障检测方法", 中国电机工程学报 * |
杜小磊等: "基于同步挤压S变换和深度学习的轴承故障诊断", 组合机床与自动化加工技术, no. 5 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255772A (zh) * | 2021-05-27 | 2021-08-13 | 北京玻色量子科技有限公司 | 一种数据分析方法及装置 |
CN114089181A (zh) * | 2021-11-19 | 2022-02-25 | 浙江大学 | 基于XG-Boost的MMC开关管开路故障检测方法 |
CN114184893A (zh) * | 2021-12-09 | 2022-03-15 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
CN114296005A (zh) * | 2021-12-09 | 2022-04-08 | 黄冈师范学院 | 一种模块化多电平换流器子模块复合故障诊断方法 |
CN114184893B (zh) * | 2021-12-09 | 2024-05-14 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112488011B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488011A (zh) | 一种模块化多电平换流器故障分类方法 | |
US20220198244A1 (en) | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter | |
US20180238951A1 (en) | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter | |
CN109782091B (zh) | 基于深度小波极限学习机的多电平逆变器故障诊断方法 | |
CN105095566A (zh) | 一种基于小波分析和svm的逆变器故障诊断方法 | |
CN112748368A (zh) | 一种三电平逆变器igbt开路故障诊断方法 | |
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN111025151B (zh) | 多相永磁同步电机驱动系统开路故障诊断方法 | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN113743528A (zh) | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 | |
US11817809B2 (en) | Motor driving system converter fault diagnosis method based on adaptive sparse filtering | |
Si et al. | Fault diagnosis based on attention collaborative LSTM networks for NPC three-level inverters | |
CN110909302A (zh) | 交直流电网运行状态参数局部扰动特征学习方法及系统 | |
CN113673630A (zh) | 配电网故障分类方法、系统及装置 | |
Asman et al. | Identification of transient overvoltage using discrete wavelet transform with minimised border distortion effect and support vector machine | |
Yuan et al. | A secondary classification fault diagnosis strategy based on PCA-SVM for cascaded photovoltaic grid-connected inverter | |
CN115329816A (zh) | 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113537080A (zh) | 一种级联h桥多电平逆变器的故障诊断方法 | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
Jiang et al. | Fault diagnosis of three-phase inverter based on CEEMDAN and GWO-SVM |
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 |