CN113093058A - 一种npc三电平逆变器开路故障诊断方法 - Google Patents
一种npc三电平逆变器开路故障诊断方法 Download PDFInfo
- Publication number
- CN113093058A CN113093058A CN202110229045.6A CN202110229045A CN113093058A CN 113093058 A CN113093058 A CN 113093058A CN 202110229045 A CN202110229045 A CN 202110229045A CN 113093058 A CN113093058 A CN 113093058A
- Authority
- CN
- China
- Prior art keywords
- fault
- npc
- sample
- level inverter
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供一种NPC三电平逆变器开路故障诊断方法,搭建NPC三电平逆变器仿真模型,模拟故障情况;采集输出的三相相电压作为特征信号;对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量;在不同工况下获取所有故障类型下的特征向量作为训练样本,把待预测的故障类型的特征向量作为测试样本,训练样本和测试样本组成总样本矩阵;使用稀疏主成分分析法对样本矩阵进行降维处理;用降维后的训练样本对支持向量机进行训练,将训练完成的支持向量机保存;用支持向量机对降维后的测试样本进行测试,分析故障诊断结果。本发明诊断速度快,诊断正确率高。
Description
技术领域
本发明设计电力电子故障诊断技术,具体涉及一种NPC三电平逆变器开路故障诊断方法。
背景技术
近年来,在高压、大功率应用场合,一种新型的变换器—多电平逆变器受到越来越多的关注。它产生的背景是为了克服传统逆变器开关应力大,直流母线电压利用率低等缺点,出发点是通过对主电路拓扑结构的改进,使所有功率器件工作在基频以下,达到减小开关应力,改善输出波形的目的。与传统的两电平逆变器相比,多电平逆变器具有功率开关电压应力低、功率器件串联均压、输出电压波形谐波含量低、电磁干扰问题小、开关损耗小和工作效率高等优点,因而这种结构的变换器在高电压、大电流、大功率领域受到越来越多的关注。目前,多电平逆变器己被广泛应用在静止无功补偿器、大容量的、高压变频调速器和有源滤波等方面。多电平逆变技术已经成为电力电子领域中高压大功率变换方面最活跃的一个分支。
多电平逆变器是今后的一个发展趋势,随着多电平逆变器的广泛应用,人们对其可维护性的要求也越来越高。虽然多电平逆变器的产生为电力电子技术在高压、大功率场合的应用提供了很多便利,但随着电平数增加,主电路所需的开关管数量成倍增加,电路结构和控制更加复杂,这使得电力电子设备的故障增多,系统的可靠性大大降低。多电平逆变器一旦发生故障,轻则造成工矿企业停产,重则造成严重的、灾难性的事故,给使用部门及社会造成了巨大的损失和影响。尽管人们为了提高系统的可靠性而采取降额设计电力电子电路的或使用并联冗余元件或电路的方法,但这两种设计方法会使系统造价过高,仅适应于空间条件许可的场合。为改变这种状况,国外己有研究者提出逆变器的容错技术,但是容错技术的核心问题是逆变器的故障检测与诊断,因此研究多电平逆变器的故障诊断问题显得日趋重要。
传统的人工故障查找方法由于缺少详细的故障状态信息,并依赖于维修人员的经验,要准确而且快速地诊断故障是比较困难的,导致维修周期长,影响了企业的生产。这就急需建立一种故障自动检测和诊断系统来对逆变器故障进行有效地诊断。故障自动检测和诊断就是实时监测电力电子设备运行状态,一旦发生故障,记录发生故障时的状态信息,运用一定的故障诊断方法,分析故障产生的原因并确定故障发生的位置,以便及时维修,将故障带来的损失降低到最小。因此,研究多电平逆变器故障诊断问题,对于今后在各种工业场合使用的逆变器的故障诊断研究,无疑具有重要的理论意义和应用价值。
发明内容
本发明的目的在于提供一种NPC三电平逆变器开路故障诊断方法,以提高故障诊断精确度和效率。
实现本发明目的的技术解决方案为:一种NPC三电平逆变器开路故障诊断方法,包括如下步骤:
搭建NPC三电平逆变器仿真模型,模拟故障情况;
采集输出的三相相电压作为特征信号;
对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量;
在不同工况下获取所有故障类型下的特征向量作为训练样本,把待预测的故障类型的特征向量作为测试样本,训练样本和测试样本组成总样本矩阵;
使用稀疏主成分分析法对样本矩阵进行降维处理;
用降维后的训练样本对支持向量机进行训练,用训练完成的支持向量机模型对降维后的测试样本进行测试,分析故障诊断结果。
进一步的,所述的对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量,包括以下步骤:
(1)对采集的三相相电压信号进行三层的小波包分解,分别提取第三层从低频到高频8个频带的系数;
(2)对小波包分解系数重构,获取各频带的重构信号,以Sij表示原信号Xij的重构信号,则总信号S可以表示为:
S=S30+S31+S32+S33+S34+S35+S36+S37 (1)
(3)求取各频带重构信号的能量,设S3j(j=0,1,L,7)对应的能量为E3j,则有:
其中xjk(j=0,1,L,7;k=1,2,L,n)表示重构信号S3j的离散点幅值,设总能量为E,则有:
(4)构造特征向量,不同故障类型输出的三相相电压信号经过小波包变换后各频带的能量具有差异性,将得到的各频带能量值构造成故障特征向量,设构造的故障特征向量为T,则有:
T=[E30,E31,L,E37] (4)
当能量较大时,E3j通常是一个较大的数值,会给分析带来不便,因此对特征向量进行归一化处理:
T′=[E30/E,E31/E,L,E37/E] (5)
T′即为基于小波包变换提取到的故障特征向量。
进一步的,所述的使用稀疏主成分分析法对样本矩阵进行将降维处理,包括以下步骤:
(1)在不同工况下获取所有故障类型下的特征向量和待预测的故障类型的特征向量组成总样本矩阵X=[x1,x2,L,xn]′,X∈Rn×p,其中n表示故障样本数量,p表示样本的参数维度;
(2)对X进行奇异值分解(SVD):
X=UDVT (6)
其中,Z=UD是向量X的主成分,V是向量X的载荷矩阵;
(3)引入稀疏载荷,稀疏载荷通过弹性网络进行回归,对于第i个主成分,定义Zi=UDi,则:
(4)X主成分分析的前L个主成分对应的向量wj组成新的初始化矩阵A=[α1,α2,L,αL];同时设置随机初始化矩阵B=[β1,β2,L,βL];
(5)在给定B的情况下,求解弹性网回归问题:
βj=argmin(αj-β)XTX(αj-β)+λ||β||2+λ1,j||β||1 (8)
其中,λ1,j为弹性惩罚系数;
(6)更新B=[β1,β2,L,βL],计算XTXB=UDVT的SVD,同时更新A=UVT;
(7)重复步骤(5)、(6),直至B收敛;
(8)标准化βj即得到稀疏载荷矩阵;
(9)根据稀疏载荷矩阵获得表征故障信号的样本矩阵的主要成分。
进一步的,所述的支持向量机为多分类支持向量机,支持向量机用于二分类问题,实际三电平故障中包含多种故障类型,需要组合多个二分类器构建多分类器,其步骤如下:
(1)在任意两类样本之间设计一个子SVM,因此k个类别的样本就需要设计k(k-1)/2个子SVM;
(2)在训练第i类和第j类的子SVMij时,使用第i类样本作为正样本,第j类样本作为负样本,对于测试样本x,若子SVMij认为它属于第i类,则第i类所获票数加1,认为它属于第j类,则第j类所获票数加1;
(3)在k(k-1)/2个子SVM作出投票后,统计各个类别得票数,该测试样本的类别属于得票数最多的类别。
一种NPC三电平逆变器开路故障诊断系统,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
本发明与现有技术相比,其显著优点是:(1)故障诊断正确率高;(2)故障诊断速度快。
附图说明
图1为NPC三电平逆变器的拓扑结构图。
图2为NPC三电平逆变器的故障诊断仿真图。
图3为三电平逆变器的故障诊断流程图。
图4为逆变器正常状态下输出端的三相相电压波形图。
图5为逆变器Sa1发生开路故障时输出端的三相相电压波形图。
图6为逆变器Sa2和Sa3同时发生开路故障时输出端的三相相电压波形图。
图7为逆变器Sa1和Sb3同时发生开路故障时输出端的三相相电压波形图。
图8为小波包提取信号特征的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一种NPC三电平逆变器开路故障诊断方法,包括如下步骤:
步骤1,搭建NPC三电平逆变器仿真模型,模拟故障情况;
步骤2,采集输出的三相相电压作为特征信号;
步骤3,对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量;
(1)对采集的三相相电压信号进行三层的小波包分解,分别提取第三层从低频到高频8个频带的系数;
(2)对小波包分解系数重构,获取各频带的重构信号,以Sij表示原信号Xij的重构信号,则总信号S可以表示为:
S=S30+S31+S32+S33+S34+S35+S36+S37 (1)
(3)求取各频带重构信号的能量,设S3j(j=0,1,L,7)对应的能量为E3j,则有:
其中xjk(j=0,1,L,7;k=1,2,L,n)表示重构信号S3j的离散点幅值,设总能量为E,则有:
(4)构造特征向量,不同故障类型输出的三相相电压信号经过小波包变换后各频带的能量具有差异性,将得到的各频带能量值构造成故障特征向量,设构造的故障特征向量为T,则有:
T=[E30,E31,L,E37] (4)
当能量较大时,E3j通常是一个较大的数值,会给分析带来不便,因此对特征向量进行归一化处理:
T′=[E30/E,E31/E,L,E37/E] (5)
T′即为基于小波包变换提取到的故障特征向量。
步骤4,在不同工况下获取所有故障类型下的特征向量作为训练样本,把待预测的故障类型的特征向量作为测试样本,训练样本和测试样本组成总样本矩阵;
步骤5,使用稀疏主成分分析法对样本矩阵进行降维处理;
(1)在不同工况下获取所有故障类型下的特征向量和待预测的故障类型的特征向量组成总样本矩阵X=[x1,x2,L,xn]′,X∈Rn×p,其中n表示故障样本数量,p表示样本的参数维度;
(2)对X进行奇异值分解(SVD):
X=UDVT (6)
其中,Z=UD是向量X的主成分,V是向量X的载荷矩阵;
(3)引入稀疏载荷,稀疏载荷通过弹性网络进行回归,对于第i个主成分,定义Zi=UDi,则:
(4)X主成分分析的前L个主成分对应的向量wj组成新的初始化矩阵A=[α1,α2,L,αL];同时设置随机初始化矩阵B=[β1,β2,L,βL];
(5)在给定B的情况下,求解弹性网回归问题:
βj=argmin(αj-β)XTX(αj-β)+λ||β||2+λ1,j||β||1 (8)
其中,λ1,j为弹性惩罚系数;
(6)更新B=[β1,β2,L,βL],计算XTXB=UDVT的SVD,同时更新A=UVT;
(7)重复步骤(5)、(6),直至B收敛;
(8)标准化βj即得到稀疏载荷矩阵;
(9)根据稀疏载荷矩阵获得表征故障信号的样本矩阵的主要成分。
步骤6,用降维后的训练样本对支持向量机进行训练,用训练完成的支持向量机模型对降维后的测试样本进行测试,分析故障诊断结果。
所述的支持向量机为多分类支持向量机,支持向量机用于二分类问题,实际三电平故障中包含多种故障类型,需要组合多个二分类器构建多分类器,其步骤如下:
(1)在任意两类样本之间设计一个子SVM,因此k个类别的样本就需要设计k(k-1)/2个子SVM;
(2)在训练第i类和第j类的子SVMij时,使用第i类样本作为正样本,第j类样本作为负样本,对于测试样本x,若子SVMij认为它属于第i类,则第i类所获票数加1,认为它属于第j类,则第j类所获票数加1;
(3)在k(k-1)/2个子SVM作出投票后,统计各个类别得票数,该测试样本的类别属于得票数最多的类别。
本发明还提出一种NPC三电平逆变器开路故障诊断系统,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于任一项所述的方法实现NPC三电平逆变器开路故障诊断。
实施例
为了验证本发明方案的有效性,进行如下仿真实验。
附图1为NPC三电平逆变器的拓扑结构。在matlab下搭建NPC三电平逆变器仿真模型如附图2。以逆变器输出三相相电压信号作为故障分析的特征信号,各种可能出现的故障情况如表1,一共分为有9种故障类型,73种故障。三电平逆变器故障诊断流程图如附图3,附图4、图5、图6和图7位选取的4种不同的故障类型下输出的电压信号,可以看出三电平逆变器在不同故障类型下的相电压信号不同,因此可以将三相相电压信号作为给故障诊断的特征信号,提取故障特征信息,通过故障辨识方法实现故障诊断。
表1 NPC三电平逆变器故障类型和故障描述
采集数据样本,改变逆变器输入端直流电压和输出端负载获取不同情况下的样本数据。采集600V45kw、600V50kw、600V55kw、550V45kw、550V50kw情况下的三相相电压信号作为样本数据。三相相电压信号具有周期性,选择采样频率为1kHz,每个周期采样点数为20个。数据样本总数为365组。
采用小波包变换方法,附图8为小波包变换进行特征提取的流程图,分别对三相相电压信号进行三层小波包分解和重构,得到8个频带重构信号并求取能量值,三相相电压可以获取24个能量值。对这些能量值进行归一化处理,获取故障信号的特征向量。共有365组数据样本,则特征向量组合成365*24的样本矩阵。
通过稀疏主成分分析法对故障信号的样本矩阵进行降维处理,选取累计主成分贡献率为90%,此时可将24维的特征向量降维成7维,选择292组为训练样本,73组为测试样本。
通过多分类支持向量机方法进行故障辨识。在任意两类样本之间设计一个子SVM,在训练第i类和第j类的子SVMij时,使用第i类样本作为正样本,第j类样本作为负样本。对于测试样本x,若子SVMij认为它属于第i类,则第i类所获票数加1,认为它属于第j类,则第j类所获票数加1。在子SVM都作出投票后,统计各个类别得票数,该测试样本的类别属于得票数最多的类别。用降维后的训练样本对支持向量机进行训练,将训练完成的支持向量机模型保存;用该模型对降维后的测试样本进行测试,分析故障诊断结果。
测试完成后,通过对比测试样本的实际标签和期望标签,只有3个故障类型预测失败,测试样本的故障诊断正确率达到95.89%,故障诊断时间在3秒内完成。仿真表明该方法诊断速度快,诊断正确率高,在NPC三电平故障诊断领域有很好的效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种NPC三电平逆变器开路故障诊断方法,其特征在于,包括如下步骤:
搭建NPC三电平逆变器仿真模型,模拟故障情况;
采集输出的三相相电压作为特征信号;
对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量;
在不同工况下获取所有故障类型下的特征向量作为训练样本,把待预测的故障类型的特征向量作为测试样本,训练样本和测试样本组成总样本矩阵;
使用稀疏主成分分析法对样本矩阵进行降维处理;
用降维后的训练样本对支持向量机进行训练,用训练完成的支持向量机模型对降维后的测试样本进行测试,分析故障诊断结果。
2.根据权利要求1所述的NPC三电平逆变器开路故障诊断方法,其特征在于:所述的对三相相电压信号进行分析,通过小波包变换进行特征提取,求得变换后各频带的能量并进行归一化处理作为信号特征向量,包括以下步骤:
(1)对采集的三相相电压信号进行三层的小波包分解,分别提取第三层从低频到高频8个频带的系数;
(2)对小波包分解系数重构,获取各频带的重构信号,以Sij表示原信号Xij的重构信号,则总信号S可以表示为:
S=S30+S31+S32+S33+S34+S35+S36+S37 (1)
(3)求取各频带重构信号的能量,设S3j(j=0,1,L,7)对应的能量为E3j,则有:
其中xjk(j=0,1,L,7;k=1,2,L,n)表示重构信号S3j的离散点幅值,设总能量为E,则有:
(4)构造特征向量,不同故障类型输出的三相相电压信号经过小波包变换后各频带的能量具有差异性,将得到的各频带能量值构造成故障特征向量,设构造的故障特征向量为T,则有:
T=[E30,E31,L,E37] (4)
当能量较大时,E3j通常是一个较大的数值,会给分析带来不便,因此对特征向量进行归一化处理:
T′=[E30/E,E31/E,L,E37/E] (5)
T′即为基于小波包变换提取到的故障特征向量。
3.根据权利要求1所述的NPC三电平逆变器开路故障诊断方法,其特征在于:所述的使用稀疏主成分分析法对样本矩阵进行将降维处理,包括以下步骤:
(1)在不同工况下获取所有故障类型下的特征向量和待预测的故障类型的特征向量组成总样本矩阵X=[x1,x2,L,xn]′,X∈Rn×p,其中n表示故障样本数量,p表示样本的参数维度;
(2)对X进行奇异值分解(SVD):
X=UDVT (6)
其中,Z=UD是向量X的主成分,V是向量X的载荷矩阵;
(3)引入稀疏载荷,稀疏载荷通过弹性网络进行回归,对于第i个主成分,定义Zi=UDi,则:
(4)X主成分分析的前L个主成分对应的向量wj组成新的初始化矩阵A=[α1,α2,L,αL];同时设置随机初始化矩阵B=[β1,β2,L,βL];
(5)在给定B的情况下,求解弹性网回归问题:
βj=argmin(αj-β)XTX(αj-β)+λ||β||2+λ1,j||β||1 (8)
其中,λ1,j为弹性惩罚系数;
(6)更新B=[β1,β2,L,βL],计算XTXB=UDVT的SVD,同时更新A=UVT;
(7)重复步骤(5)、(6),直至B收敛;
(8)标准化βj即得到稀疏载荷矩阵;
(9)根据稀疏载荷矩阵获得表征故障信号的样本矩阵的主要成分。
4.根据权利要求1所述的NPC三电平逆变器开路故障诊断方法,其特征在于:所述的支持向量机为多分类支持向量机,支持向量机用于二分类问题,实际三电平故障中包含多种故障类型,需要组合多个二分类器构建多分类器,其步骤如下:
(1)在任意两类样本之间设计一个子SVM,因此k个类别的样本就需要设计k(k-1)/2个子SVM;
(2)在训练第i类和第j类的子SVMij时,使用第i类样本作为正样本,第j类样本作为负样本,对于测试样本x,若子SVMij认为它属于第i类,则第i类所获票数加1,认为它属于第j类,则第j类所获票数加1;
(3)在k(k-1)/2个子SVM作出投票后,统计各个类别得票数,该测试样本的类别属于得票数最多的类别。
5.一种NPC三电平逆变器开路故障诊断系统,其特征在于,基于权利要求1-4任一项所述的方法实现NPC三电平逆变器开路故障诊断。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-4任一项所述的方法实现NPC三电平逆变器开路故障诊断。
7.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-4任一项所述的方法实现NPC三电平逆变器开路故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229045.6A CN113093058A (zh) | 2021-03-02 | 2021-03-02 | 一种npc三电平逆变器开路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229045.6A CN113093058A (zh) | 2021-03-02 | 2021-03-02 | 一种npc三电平逆变器开路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113093058A true CN113093058A (zh) | 2021-07-09 |
Family
ID=76667766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110229045.6A Pending CN113093058A (zh) | 2021-03-02 | 2021-03-02 | 一种npc三电平逆变器开路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113093058A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
CN114019310A (zh) * | 2021-11-08 | 2022-02-08 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
CN117595686A (zh) * | 2024-01-18 | 2024-02-23 | 西南交通大学 | 一种适用于模块内负载开路的单相pet调制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229544A (zh) * | 2017-12-22 | 2018-06-29 | 南昌大学 | 一种npc三电平光伏逆变器开路故障诊断方法 |
CN108628185A (zh) * | 2018-06-26 | 2018-10-09 | 上海海事大学 | 五电平逆变器故障诊断与容错控制方法及半实物仿真平台 |
CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
CN111091094A (zh) * | 2019-12-18 | 2020-05-01 | 上海海事大学 | 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法 |
-
2021
- 2021-03-02 CN CN202110229045.6A patent/CN113093058A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229544A (zh) * | 2017-12-22 | 2018-06-29 | 南昌大学 | 一种npc三电平光伏逆变器开路故障诊断方法 |
CN108628185A (zh) * | 2018-06-26 | 2018-10-09 | 上海海事大学 | 五电平逆变器故障诊断与容错控制方法及半实物仿真平台 |
CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
CN111091094A (zh) * | 2019-12-18 | 2020-05-01 | 上海海事大学 | 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
王磊 等: "基于稀疏主成分的空调系统传感器故障诊断", 《仪表技术与传感器》 * |
裴石磊: "微电网中三电平并网逆变器故障诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
CN114019310A (zh) * | 2021-11-08 | 2022-02-08 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
CN114019310B (zh) * | 2021-11-08 | 2024-02-20 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
CN117595686A (zh) * | 2024-01-18 | 2024-02-23 | 西南交通大学 | 一种适用于模块内负载开路的单相pet调制方法 |
CN117595686B (zh) * | 2024-01-18 | 2024-04-12 | 西南交通大学 | 一种适用于模块内负载开路的单相pet调制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
CN112710969B (zh) | 一种单相半桥五电平逆变器开关管开路故障诊断方法 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN109782091A (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 | |
Zheng et al. | Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM | |
CN106093678A (zh) | 一种快速准确诊断柔性直流输电系统换流器故障的方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN110068776A (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 | |
CN113125992A (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
Sun et al. | Fault diagnosis of SEPIC converters based on PSO-DBN and wavelet packet energy spectrum | |
CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
CN113537080A (zh) | 一种级联h桥多电平逆变器的故障诊断方法 | |
Fu et al. | Fault diagnosis of power electronic device based on wavelet and neural network | |
CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
Zhou et al. | Fault diagnosis method of power electronic equipment based on improved resnet neural network | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
Jiang et al. | Parameter identification of DC–DC converter based on dendrite net under fluctuating input voltages | |
Bais et al. | Faulty line localization in ieee 30 bus system using cnn-lstm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |