CN113125992A - 基于dbn的npc三电平逆变器故障诊断方法及系统 - Google Patents
基于dbn的npc三电平逆变器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113125992A CN113125992A CN202110441416.7A CN202110441416A CN113125992A CN 113125992 A CN113125992 A CN 113125992A CN 202110441416 A CN202110441416 A CN 202110441416A CN 113125992 A CN113125992 A CN 113125992A
- Authority
- CN
- China
- Prior art keywords
- npc
- dbn
- level inverter
- bridge arm
- training
- 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
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
- G01R31/40—Testing power supplies
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Inverter Devices (AREA)
Abstract
本发明涉及一种基于DBN的NPC三电平逆变器故障诊断方法,包括:搭建NPC三电平逆变器实验平台;测量NPC三电平逆变器a相桥臂的上、中、下桥臂三路电压信号并输送到NPC三电平逆变器实验平台的上位机;上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量;将训练集送入改进的深度置信网络I‑DBN中进行训练;利用测试集对训练好的改进的深度置信网络I‑DBN进行测试,分析诊断结果并将结果在上位机的显示界面中显示出来。本发明还公开了基于DBN的NPC三电平逆变器故障诊断系统。本发明解决了传统特征提取方法不适合应用于三电平逆变器中突变故障信号和非平稳故障信号的特征提取问题。
Description
技术领域
本发明涉及电力电子故障诊断技术领域,尤其是一种基于DBN的NPC三电平逆变器故障诊断方法及系统。
背景技术
逆变器广泛应用于发电系统中,是承担电能变换的电力电子装置,逆变器的故障与否直接关系到电能变换能否正常进行,甚至关乎整个电网的安全可靠运行。三电平逆变器是现阶段电力系统中最常见的逆变器,相对于之前传统的两电平逆变器,三电平逆变器具有开关损耗小、输出电平较多、输出电流谐波含量少以及适应于较高电压等级的特点。但三电平逆变器相较于两电平逆变器应用到更多的功率开关器件,导致故障发生率更高,一旦发生故障并且第一时间无法发现和定位故障,就会严重影响逆变器的安全可靠运行,甚至导致系统中其他电路的运行受到影响,造成较大的经济损失。因此,设计并实现逆变器快速准确故障诊断与定位的方法是非常必要的。
目前,二极管中点钳位(NPC)逆变器故障诊断已成为国内外学者的研究重点,姜媛媛,王友人等在《基于小波包能量谱和ELM的光伏逆变器多故障在线诊断》(仪器仪表学报,2015,36(9):2145-2152)中提出了一种采用小波包能量谱和极端学习机(ExtremeLearning Machine,ELM)相结合的故障诊断方法,ELM是一种新型前馈神经网络,无需多次调整网络参数值,提高了训练速度。余运俊,裴石磊等在《NPC三电平光伏逆变器开路故障诊断》(电子测量与仪器学报,2018,32(05):41-49)中采用小波包变换-主成分分析-径向基神经网络的诊断方法,径向基神经网络具有诊断速度快,不易陷入局部最优解等优点,结果具有不错的诊断精度。李兵,崔介兵等在《基于能量谱熵及小波神经网络的有源中性点钳位三电平逆变器故障诊断》(电工技术学报,2020,35(10):2216-2225)中提出通过小波包能量谱熵提取桥臂电压信号特征,并利用核主成分分析对特征向量进行优化;其次利用自适应矩估计小波神经网络(A-WNN)建立故障字典的逆变器开路故障诊断方法,具有诊断速度快、精度高等特点。从上面可以看出在NPC三电平逆变器故障诊断的特征提取中,将测量信号作为故障诊断的原始数据,应用信号分析方法处理原始数据生成分类器的输入向量,其中小波包方法应用广泛。但上述特征提取方法对NPC三电平逆变器故障时出现的突变非平稳信号的提取效果一般,而且上述神经网络在训练时容易陷入局部最优解,影响最终诊断结果。
发明内容
本发明的首要目的在于提供一种能够提高NPC三电平逆变器开路故障诊断精度和减少诊断时间的基于DBN的NPC三电平逆变器故障诊断方法及系统。
为实现上述目的,本发明采用了以下技术方案:一种基于DBN的NPC三电平逆变器故障诊断方法,该方法包括下列顺序的步骤:
(1)搭建NPC三电平逆变器实验平台;
(2)通过控制功率开关管的驱动信号来模拟NPC三电平逆变器a相11种开路故障,测量NPC三电平逆变器a相桥臂的上、中、下桥臂三路电压信号并输送到NPC三电平逆变器实验平台的上位机;
(3)上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量,样本数据按5:2的比例划分为训练集和测试集;
(4)将训练集送入改进的深度置信网络I-DBN中进行训练;
(5)利用测试集对训练好的改进的深度置信网络I-DBN进行测试,分析诊断结果并将结果在上位机的显示界面中显示出来。
所述步骤(3)中上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量具体是指:
(3a)把故障的三路电压信号分别经过S变换得到变换后的时频矩阵;
(3b)将时频矩阵经过奇异值分解SVD得到分解后矩阵的非零对角线特征元素,奇异值分解SVD的具体步骤如下:
一个S变换后的矩阵A(m×n),矩阵的秩为p(p≤n),则存在正交矩阵U(m×m)和正交矩阵V(n×n),使得:
式中:B为m×n的非负对角矩阵;X=diag(σ1、σ2、…、σr),σ1、σ2、…、σr称为矩阵A的非零奇异值,并且σ1≥σ2≥…≥σr>0;
非零奇异值σ1、σ2、…、σr反映的是信号的能量集中情况,前i个较大的非零奇异值反映信号的主要特征,后面较小的非零奇异值则反映信号噪声;
(3c)通过多次实验对比,选取出在诊断指标上最合适的奇异值个数作为特征向量。
所述步骤(4)包括无监督的受限玻尔兹曼机RBM训练和有监督的改进反向传播训练,其中,无监督的受限玻尔兹曼机RBM训练具体包括步骤(4a)至步骤(4f),有监督的改进反向传播训练具体包括步骤(4g)至步骤(4j):
(4a)将步骤(3)提取的特征相量作为深度置信网络DBN的输入,在无监督训练阶段训练RBM参数,RBM参数的输入输出如下:
用vi代表第i个RBM的输入层,hi代表第i个DBN的输出层,输入层vi经过激活函数映射到输出层hi后,令hi作为第i+1个RBM的输入,即vi+1=hi,以此类推对RBM进行逐个训练;
(4b)RBM初始化:
随机初始化权值{w,a,b},其中w为可见层和隐藏层之间的权重矩阵,a为可见层的偏置向量,b为隐藏层的偏置向量,用较小的数值随机初始化权重;
(4c)设定RBM的单元联合配置能量:
式中,对都有vi∈{0,1},hj∈{0,1};M和N分别表示可见层和隐藏层的节点数;ai和bj分别表示第i个可见层节点和第j个隐藏层节点的偏置;vi和hj分别表示第i个可见层节点和第j个隐藏层节点的二值状态;wij表示第i个可见层节点和第j个隐藏层节点的连接权值;
(4d)可见层和隐藏层出现的每一种状态(v,h),上式中单元联合配置能量都能用一个联合概率分布表示:
(4e)在隐藏层状态为h的状况下,可见层中第i个神经元被激活的概率表达式为:
在可见层状态为v的状况下,隐藏层第j个神经元被激活的概率表达式为:
上述两式中σ为激活函数;
(4f)wij,ai,bj根据对比散度CD算法进行调整:
Δwi,j=ρ[(vihj)data-(vihj)recon]
Δai=ρ[(vi)data-(vi)recon]
Δbj=ρ[(hj)data-(hj)recon]
式中,ρ是RBM的学习率,(·)data表示偏导数在P(h|v)分布下的期望,(·)recon表示偏导数在重构后模型分布下的期望;
(4g)有监督部分选取均方误差MSE作为目标函数来衡量性能指标,其公式为:
(4h)改进传统DBN网络权值反向微调方法,将Momentum算法引入到传统DBN的反向微调,其公式如下:
式中:β为动量因子,通常设置为0.9;vt是第t次指数加权计算出来的梯度;dωt第t次迭代原始梯度;ωt是第t次迭代的权值或阈值;ρ是学习率,为定值;
(4i)将Momentum算法中“历史”的概念引入到学习率的自适应变化上,用历史相邻两次训练准确率的差值做指数加权来引导学习率的变化,改变步骤(4h)中固定学习率导致训练不佳的状况,其公式为:
式中:ρt为第t次迭代的学习率;μt为第t次指数加权计算出来的准确率差值;αt+1为第t次迭代和第t+1次迭代准确率的差值;acct为第t次迭代的诊断准确率;λ为定值;
(4j)改进的深度置信网络I-DBN经过训练达到迭代次数4500后,获得最优的网络权值。
本发明的另一目的在于提供一种基于DBN的NPC三电平逆变器故障诊断方法的系统,包括:
直流电压源,用于产生直流电压,作为NPC三电平逆变器主控开关的输入电压;
NPC三电平逆变器主控开关,通过经驱动电路放大后的PWM信号来控制NPC三电平逆变器主控开关的开关管的通断,实现交流电的输出;
负载,由电阻和电感组成;
电压传感器,用于实时监测逆变器桥臂的电压信号,并将采集到的电压信号传送到控制芯片模块中的DSP芯片中;
控制芯片模块,由DSP芯片和FPGA芯片组成,其中DSP芯片为主控芯片,用来采集信号并与上位机交互,监控电压传感器和驱动电路的频率和相位,保持中点平衡;FPGA芯片为辅控芯片,通过外部异步总线与DSP芯片连接,交换数据,接受DSP芯片发出的控制信号后转化成PWM信号传送到NPC三电平逆变器主控开关的驱动电路中;
驱动电路,用于放大FPGA芯片产生的PWM信号以致足以驱动NPC三电平逆变器主控开关;
上位机,将采集到的数据进行S变换和奇异值分解SVD得到信号的特征向量,输送到改进的DBN中进行对比,得出诊断结果。
由上述技术方案可知,本发明的有益效果为:第一,本发明提出了S变换-SVD的故障信号特征提取方法,S变换高斯窗函数宽度会随频率的变换而变化,拥有更多的分辨率,适合应用于三电平逆变器中突变故障信号和非平稳故障信号的特征提取。SVD是一种对矩阵分解的方法,可实现对S变换后时频矩阵的特征降维,降低特征维度,同时对时频矩阵有很好的降噪能力,保留其有效特征,提高诊断的抗干扰能力。第二,DBN具有很好的非线性映射能力,输入特征通过DBN可以得到更高层次和更加抽象特征,而传统DBN反向微调是存在收敛速度慢、容易陷入局部最小值等缺点,本发明对其反向微调算法进行改进可以加快网络收敛速度和精度,有利于提高故障识别的精度和速度。第三,本发明用C#创建的逆变器实时状态信息、历史故障记录显示等界面可以让逆变器管理者实时清晰掌握逆变器运行信息及逆变器的历史故障信息。
附图说明
图1为NPC三电平逆变器的开路故障诊断流程图;
图2为本发明实验平台的硬件结构图;
图3为NPC三电平逆变器拓扑结构示意图;
图4为NPC三电平逆变器A相电路示意图;
图5为VTa2故障时上、中、下桥臂电压波形图;
图6为VTa3故障时上、中、下桥臂电压波形图;
图7为VTa2和VTa4故障时上、中、下桥臂电压波形图;
图8为VTa3和VTa4故障时上、中、下桥臂电压波形图;
图9为DBN拓扑图;
图10为RBM拓扑图;
图11为不同非零奇异值个数对准确率和时间影响图
图12为三种方法的函数损失率对比图;
图13为测试集测试结果;
图14为逆变器诊断系统实时监控界面;
图15为逆变器诊断系统历史故障查询界面。
具体实施方式
如图1所示,一种基于DBN的NPC三电平逆变器故障诊断方法,该方法包括下列顺序的步骤:
(1)搭建NPC三电平逆变器实验平台;
(2)通过控制功率开关管的驱动信号来模拟NPC三电平逆变器a相11种开路故障,测量NPC三电平逆变器a相桥臂的上、中、下桥臂三路电压信号并输送到NPC三电平逆变器实验平台的上位机;
(3)上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量,样本数据按5:2的比例划分为训练集和测试集;
(4)将训练集送入改进的深度置信网络I-DBN中进行训练;
(5)利用测试集对训练好的改进的深度置信网络I-DBN进行测试,分析诊断结果并将结果在上位机的显示界面中显示出来。
所述步骤(3)中上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量具体是指:
(3a)把故障的三路电压信号分别经过S变换得到变换后的时频矩阵;
(3b)将时频矩阵经过奇异值分解SVD得到分解后矩阵的非零对角线特征元素,奇异值分解SVD的具体步骤如下:
一个S变换后的矩阵A(m×n),矩阵的秩为p(p≤n),则存在正交矩阵U(m×m)和正交矩阵V(n×n),使得:
式中:B为m×n的非负对角矩阵;X=diag(σ1、σ2、…、σr),σ1、σ2、…、σr称为矩阵A的非零奇异值,并且σ1≥σ2≥…≥σr>0;
非零奇异值σ1、σ2、…、σr反映的是信号的能量集中情况,前i个较大的非零奇异值反映信号的主要特征,后面较小的非零奇异值则反映信号噪声;
(3c)通过多次实验对比,选取出在诊断指标上最合适的奇异值个数作为特征向量。
所述步骤(4)包括无监督的受限玻尔兹曼机RBM训练和有监督的改进反向传播训练,其中,无监督的受限玻尔兹曼机RBM训练具体包括步骤(4a)至步骤(4f),有监督的改进反向传播训练具体包括步骤(4g)至步骤(4j):
(4a)将步骤(3)提取的特征相量作为深度置信网络DBN的输入,在无监督训练阶段训练RBM参数,RBM参数的输入输出如下:
用vi代表第i个RBM的输入层,hi代表第i个DBN的输出层,输入层vi经过激活函数映射到输出层hi后,令hi作为第i+1个RBM的输入,即vi+1=hi,以此类推对RBM进行逐个训练;
(4b)RBM初始化:
随机初始化权值{w,a,b},其中w为可见层和隐藏层之间的权重矩阵,a为可见层的偏置向量,b为隐藏层的偏置向量,用较小的数值随机初始化权重;
(4c)设定RBM的单元联合配置能量:
式中,对都有vi∈{0,1},hj∈{0,1};M和N分别表示可见层和隐藏层的节点数;ai和bj分别表示第i个可见层节点和第j个隐藏层节点的偏置;vi和hj分别表示第i个可见层节点和第j个隐藏层节点的二值状态;wij表示第i个可见层节点和第j个隐藏层节点的连接权值;
(4d)可见层和隐藏层出现的每一种状态(v,h),上式中单元联合配置能量都能用一个联合概率分布表示:
(4e)在隐藏层状态为h的状况下,可见层中第i个神经元被激活的概率表达式为:
在可见层状态为v的状况下,隐藏层第j个神经元被激活的概率表达式为:
上述两式中σ为激活函数;
(4f)wij,ai,bj根据对比散度CD算法进行调整:
Δwi,j=ρ[(vihj)data-(vihj)recon]
Δai=ρ[(vi)data-(vi)recon]
Δbj=ρ[(hj)data-(hj)recon]
式中,ρ是RBM的学习率,(·)data表示偏导数在P(h|v)分布下的期望,(·)recon表示偏导数在重构后模型分布下的期望;
(4g)有监督部分选取均方误差MSE作为目标函数来衡量性能指标,其公式为:
(4h)改进传统DBN网络权值反向微调方法,将Momentum算法引入到传统DBN的反向微调,其公式如下:
式中:β为动量因子,通常设置为0.9;vt是第t次指数加权计算出来的梯度;dωt第t次迭代原始梯度;ωt是第t次迭代的权值或阈值;ρ是学习率,为定值;
(4i)将Momentum算法中“历史”的概念引入到学习率的自适应变化上,用历史相邻两次训练准确率的差值做指数加权来引导学习率的变化,改变步骤(4h)中固定学习率导致训练不佳的状况,其公式为:
式中:ρt为第t次迭代的学习率;μt为第t次指数加权计算出来的准确率差值;αt+1为第t次迭代和第t+1次迭代准确率的差值;acct为第t次迭代的诊断准确率;λ为定值;
(4j)改进的深度置信网络I-DBN经过训练达到迭代次数4500后,获得最优的网络权值。
如图2所示,本系统包括:
直流电压源,用于产生直流电压,作为NPC三电平逆变器主控开关的输入电压;
NPC三电平逆变器主控开关,通过经驱动电路放大后的PWM信号来控制NPC三电平逆变器主控开关的开关管的通断,实现交流电的输出;
负载,由电阻和电感组成;
电压传感器,用于实时监测逆变器桥臂的电压信号,并将采集到的电压信号传送到控制芯片模块中的DSP芯片中;
控制芯片模块,由DSP芯片和FPGA芯片组成,其中DSP芯片为主控芯片,用来采集信号并与上位机交互,监控电压传感器和驱动电路的频率和相位,保持中点平衡;FPGA芯片为辅控芯片,通过外部异步总线与DSP芯片连接,交换数据,接受DSP芯片发出的控制信号后转化成PWM信号传送到NPC三电平逆变器主控开关的驱动电路中;
驱动电路,用于放大FPGA芯片产生的PWM信号以致足以驱动NPC三电平逆变器主控开关;
上位机,将采集到的数据进行S变换和奇异值分解SVD得到信号的特征向量,输送到改进的DBN中进行对比,得出诊断结果。
所述控制芯片模块中产生的PWM驱动信号用来驱动NPC三电平逆变器主控开关,随后用电压传感器采集NPC三电平逆变器主控开关上的桥臂电压信号,最后通过上位机进行特征提取和IM-DBN训练,并将训练好的模型保存,实时接收电压传感器的数据,进行特征提取,利用训练好的网络完成故障诊断,通过C#开发的界面显示系统实时显示逆变器运行状态。
通过以上方法便可完成NPC三电平逆变器的开路故障诊断。
搭建NPC三电平逆变器电路实验平台,平台硬件结构如图2所示,其中NPC逆变器拓扑结构示意图如图3所示,电路由a、b、c三相桥臂构成,由于该电路是三相对称的,为了研究方便起见,故仅以a相为例分析。a相电路的拓扑图如图4所示。IGBT开关管故障可分为单管故障和多管故障,而多管故障中常见有双管故障,三管及以上很少发生,故本发明只针对一个功率器件发生开路故障和两个功率器件同时发生开路故障的情形进行研究。故障分类如表1所示:
表1故障分类
如图3所示,a相由6个开关器件:4个功率开关器件(VTa1~VTa4)、4个续流二极管(VDa1~VDa4)和2个中性点钳位二极管(VDa5~VDa6)组成。VTa1、VTa2、VTa3、VTa4串联,VTa1~VTa4分别反向并联在VTa1~VTa4上。VTa1、VTa2组成上半桥,VTa3、VTa4组成下半桥。在VDa5和VDa6的作用下,桥臂输出+Ud/2,0,-Ud/2三种电平。
本发明通过改变驱动信号来模拟IGBT的工作模式,对仿真模型上的参数设置如下:直流侧的电压为100V,直流侧的电容为3000μF,负载中每相电阻为2Ω,电感为1mH,电容为3μF。
通过控制驱动信号模拟11种故障模式并采集中桥臂电压波形,从图5至图8可以看出,采集的上桥臂电压Vuo在故障F3和故障F10、故障F4和故障F11时波形完全一致,因此可以断定,仅利用上桥臂电压无法将11种故障全部分开。同理观察中桥臂电压Vo波形,仍会发生波形混叠现象,但可以分开故障F3和故障F10,一定程度上实现了与上桥臂的互补。接着观察下桥臂电压Vdo波形,从波形中可以看出可以分开故障F4和故障F11,与上桥臂和中桥臂形成互补。同理利用上、中、下桥臂电压也可以准确区分其他故障类型,所以以上三处电压在一起可实现对11种故障模式的准确识别。
采集逆变器上、中、下桥臂电压信号作为检测信号,采集点如图4所示,每种故障按直流侧电压选取94V、96V、98V、100V、102V、104V、106V,调制比选取0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95,采样49组数据样本。每种故障选取直流侧电压为94V、96V、98V、104V、106V为训练样本,每种故障共5×7=35个训练样本,11种故障模式共385个训练样本;每种故障选取直流侧电压为100V、102V为测试样本,每种故障共2×7=14个测试样本,11种故障模式共154个测试样本。采用S变换-SVD对每个故障信号进行特征提取,取前i(i=1、2、…、7)个非零奇异值作为每个信号的特征向量,即3×i维特征向量作为改进DBN的输入,训练分类模型。DBN的具体拓扑结构如图9,深度置信网络DBN是一种有多隐藏层的前馈神经网络,是一种既具有无监督学习结构又具有监督学习结构的深度学习网络。无监督学习部分由多个受限玻尔兹曼(RBM)堆叠构成,单个RBM如图10所示,在无监督学习的末尾链接有监督学习部分,有监督学习部分就是一个Softmax分类器。无监督学习部分相当于对输入特征进行更高维的映射,便于分类,有监督学习部分起分类作用。从图11可以看出,当非零奇异值取前5个及以上时准确率几乎不变,但所需时间还在增加。因此当i=5,即取前5个非零奇异值作为每个信号的特征值最为合适。最后将测试集输入训练好的网络中进行故障诊断。I-DBN的网络参数如表2所示:
表2改进DBN的网络参数
参数描述 | 参数值 |
输入层神经元数目 | 15 |
输出层神经元数目 | 11 |
RBM层数 | 2 |
每层RBM迭代次数 | 60 |
第一层隐藏层神经元个数 | 30 |
第二层隐藏层神经元个数 | 15 |
DBN网络初始学习率α | 0.05 |
梯度动量因子β | 0.9 |
准确率差值动量因子γ | 0.7 |
图12为三种方法的函数损失率对比图,从图中可以看出,I-DBN的损失函数下降速度也比动量DBN(M-DBN)和DBN更快、更稳定。一方面因为引入了梯度动量因子,避免迭代中陷入局部最优解,另一方面因为迭代的前中期两次迭代准确率差值较大,大于设定阈值,以指数增长的形式引导学习率变大,所以收敛更快;而后期,当准确率差值小于设定阈值,引导学习率减小,使收敛结果更加稳定。
图13为测试集测试结果,从图中可以看出有2个故障F10样本错分到故障F3,这是因为电路拓扑结构原因,导致这两种故障发生时上、中桥臂电压信号相同,下桥臂电压信号差异不明显,因此容易造成个别F3和F10的混淆。
表3为七种诊断方法性能比较,由表可见,在同样用I-DBN情况下,本发明所用S变换-SVD的特征提取方法优于傅立叶变换和小波包分解;在同样用S变换-SVD作为提取方法时,I-DBN训练准确率、测试准确率和训练时间均优于RBF、BP算法;虽然本发明方法、M-DBN、DBN的诊断时间在一个量级,但本发明方法的训练、测试准确率明显高于另外两种方法,其训练准确率可达100%,测试准确率可达98.90%。综上所述本发明所提方法诊断准确率高,诊断所需时间短,适用于在线故障诊断。
表3七种诊断方法性能比较
图14为C#开发逆变器诊断系统实时监控界面,从此界面中央可以显示出实时桥臂电压信号,在信号的右边有故障的具体信息,包括故障位置、开关管状态、故障时间等实时信息,在信号的左边有三个选项模块,通过把设备管理模块切换为历史记录查询状态,整个界面切换为图15所示,该界面中上方为查询设备的条件,为空时,默认全部选中,单机查询按钮即可查阅逆变器故障的历史记录。
综上所述,本发明用S变换-SVD的特征提取方法,解决了传统特征提取方法不适合应用于三电平逆变器中突变故障信号和非平稳故障信号的特征提取问题;利用I-DBN无监督学习部分对输入特征进行了强大的非线性映射,有利于故障分类,改进的反向传播算法,避免训练陷入局部最小值,提高训练速度;通过C#开发的实时监控界面系统可以让逆变器管理者实时清晰掌握逆变器运行信息及逆变器的历史故障信息。本发明不仅相较于其他算法具有较高的诊断正确率和较低的诊断时间,而且通过界面显示让整个系统更加简洁、清晰。
Claims (4)
1.一种基于DBN的NPC三电平逆变器故障诊断方法,其特征在于:该方法包括下列顺序的步骤:
(1)搭建NPC三电平逆变器实验平台;
(2)通过控制功率开关管的驱动信号来模拟NPC三电平逆变器a相11种开路故障,测量NPC三电平逆变器a相桥臂的上、中、下桥臂三路电压信号并输送到NPC三电平逆变器实验平台的上位机;
(3)上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量,样本数据按5:2的比例划分为训练集和测试集;
(4)将训练集送入改进的深度置信网络I-DBN中进行训练;
(5)利用测试集对训练好的改进的深度置信网络I-DBN进行测试,分析诊断结果并将结果在上位机的显示界面中显示出来。
2.根据权利要求1所述的基于DBN的NPC三电平逆变器故障诊断方法,其特征在于:所述步骤(3)中上位机将上、中、下桥臂电压信号,经过S变换和奇异值分解SVD后作为最终分类的特征向量具体是指:
(3a)把故障的三路电压信号分别经过S变换得到变换后的时频矩阵;
(3b)将时频矩阵经过奇异值分解SVD得到分解后矩阵的非零对角线特征元素,奇异值分解SVD的具体步骤如下:
一个S变换后的矩阵A(m×n),矩阵的秩为p(p≤n),则存在正交矩阵U(m×m)和正交矩阵V(n×n),使得:
式中:B为m×n的非负对角矩阵;X=diag(σ1、σ2、…、σr),σ1、σ2、…、σr称为矩阵A的非零奇异值,并且σ1≥σ2≥…≥σr>0;
非零奇异值σ1、σ2、…、σr反映的是信号的能量集中情况,前i个较大的非零奇异值反映信号的主要特征,后面较小的非零奇异值则反映信号噪声;
(3c)通过多次实验对比,选取出在诊断指标上最合适的奇异值个数作为特征向量。
3.根据权利要求1所述的基于DBN的NPC三电平逆变器故障诊断方法,其特征在于:所述步骤(4)包括无监督的受限玻尔兹曼机RBM训练和有监督的改进反向传播训练,其中,无监督的受限玻尔兹曼机RBM训练具体包括步骤(4a)至步骤(4f),有监督的改进反向传播训练具体包括步骤(4g)至步骤(4j):
(4a)将步骤(3)提取的特征相量作为深度置信网络DBN的输入,在无监督训练阶段训练RBM参数,RBM参数的输入输出如下:
用vi代表第i个RBM的输入层,hi代表第i个DBN的输出层,输入层vi经过激活函数映射到输出层hi后,令hi作为第i+1个RBM的输入,即vi+1=hi,以此类推对RBM进行逐个训练;
(4b)RBM初始化:
随机初始化权值{w,a,b},其中w为可见层和隐藏层之间的权重矩阵,a为可见层的偏置向量,b为隐藏层的偏置向量,用较小的数值随机初始化权重;
(4c)设定RBM的单元联合配置能量:
式中,对都有vi∈{0,1},hj∈{0,1};M和N分别表示可见层和隐藏层的节点数;ai和bj分别表示第i个可见层节点和第j个隐藏层节点的偏置;vi和hj分别表示第i个可见层节点和第j个隐藏层节点的二值状态;wij表示第i个可见层节点和第j个隐藏层节点的连接权值;
(4d)可见层和隐藏层出现的每一种状态(v,h),上式中单元联合配置能量都能用一个联合概率分布表示:
(4e)在隐藏层状态为h的状况下,可见层中第i个神经元被激活的概率表达式为:
在可见层状态为v的状况下,隐藏层第j个神经元被激活的概率表达式为:
上述两式中σ为激活函数;
(4f)wij,ai,bj根据对比散度CD算法进行调整:
Δwi,j=ρ[(vihj)data-(vihj)recon]
Δai=ρ[(vi)data-(vi)recon]
Δbj=ρ[(hj)data-(hj)recon]
式中,ρ是RBM的学习率,(·)data表示偏导数在P(h|v)分布下的期望,(·)recon表示偏导数在重构后模型分布下的期望;
(4g)有监督部分选取均方误差MSE作为目标函数来衡量性能指标,其公式为:
(4h)改进传统DBN网络权值反向微调方法,将Momentum算法引入到传统DBN的反向微调,其公式如下:
式中:β为动量因子,通常设置为0.9;vt是第t次指数加权计算出来的梯度;dωt第t次迭代原始梯度;ωt是第t次迭代的权值或阈值;ρ是学习率,为定值;
(4i)将Momentum算法中“历史”的概念引入到学习率的自适应变化上,用历史相邻两次训练准确率的差值做指数加权来引导学习率的变化,改变步骤(4h)中固定学习率导致训练不佳的状况,其公式为:
式中:ρt为第t次迭代的学习率;μt为第t次指数加权计算出来的准确率差值;αt+1为第t次迭代和第t+1次迭代准确率的差值;acct为第t次迭代的诊断准确率;λ为定值;
(4j)改进的深度置信网络I-DBN经过训练达到迭代次数4500后,获得最优的网络权值。
4.实施权利要求1至3中任一项所述的基于DBN的NPC三电平逆变器故障诊断方法的系统,其特征在于:包括:
直流电压源,用于产生直流电压,作为NPC三电平逆变器主控开关的输入电压;
NPC三电平逆变器主控开关,通过经驱动电路放大后的PWM信号来控制NPC三电平逆变器主控开关的开关管的通断,实现交流电的输出;
负载,由电阻和电感组成;
电压传感器,用于实时监测逆变器桥臂的电压信号,并将采集到的电压信号传送到控制芯片模块中的DSP芯片中;
控制芯片模块,由DSP芯片和FPGA芯片组成,其中DSP芯片为主控芯片,用来采集信号并与上位机交互,监控电压传感器和驱动电路的频率和相位,保持中点平衡;FPGA芯片为辅控芯片,通过外部异步总线与DSP芯片连接,交换数据,接受DSP芯片发出的控制信号后转化成PWM信号传送到NPC三电平逆变器主控开关的驱动电路中;
驱动电路,用于放大FPGA芯片产生的PWM信号以致足以驱动NPC三电平逆变器主控开关;
上位机,将采集到的数据进行S变换和奇异值分解SVD得到信号的特征向量,输送到改进的DBN中进行对比,得出诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441416.7A CN113125992B (zh) | 2021-04-23 | 2021-04-23 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441416.7A CN113125992B (zh) | 2021-04-23 | 2021-04-23 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113125992A true CN113125992A (zh) | 2021-07-16 |
CN113125992B CN113125992B (zh) | 2022-07-19 |
Family
ID=76779513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110441416.7A Active CN113125992B (zh) | 2021-04-23 | 2021-04-23 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113125992B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721162A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN114172403A (zh) * | 2021-12-07 | 2022-03-11 | 合肥工业大学 | 基于深度强化学习的逆变器效率优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180175918A1 (en) * | 2016-12-20 | 2018-06-21 | Intel IP Corporation | Phase-rotation of svd-based precoding matrices |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
CN109212347A (zh) * | 2018-08-31 | 2019-01-15 | 西华大学 | 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 |
CN109655711A (zh) * | 2019-01-10 | 2019-04-19 | 国网福建省电力有限公司漳州供电公司 | 配电网内部过电压类型识别方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 |
-
2021
- 2021-04-23 CN CN202110441416.7A patent/CN113125992B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180175918A1 (en) * | 2016-12-20 | 2018-06-21 | Intel IP Corporation | Phase-rotation of svd-based precoding matrices |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
CN109212347A (zh) * | 2018-08-31 | 2019-01-15 | 西华大学 | 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 |
CN109655711A (zh) * | 2019-01-10 | 2019-04-19 | 国网福建省电力有限公司漳州供电公司 | 配电网内部过电压类型识别方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721162A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN113721162B (zh) * | 2021-08-27 | 2023-10-24 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN114172403A (zh) * | 2021-12-07 | 2022-03-11 | 合肥工业大学 | 基于深度强化学习的逆变器效率优化方法 |
CN114172403B (zh) * | 2021-12-07 | 2023-08-29 | 合肥工业大学 | 基于深度强化学习的逆变器效率优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113125992B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
WO2018120077A1 (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
US20180238951A1 (en) | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter | |
CN110133538B (zh) | 一种anpc三电平逆变器开路故障诊断方法及实验平台 | |
CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
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 | |
CN110766137A (zh) | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 | |
CN108229544A (zh) | 一种npc三电平光伏逆变器开路故障诊断方法 | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
CN110068776B (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 | |
CN112101457A (zh) | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
CN113159226B (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
Swarnkar et al. | Multivariable signal processing algorithm for identification of power quality disturbances | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
CN115688880A (zh) | 模块化多电平换流器开关器件开路故障诊断方法及装置 | |
CN114966224A (zh) | 基于改进神经网络的模块化多电平变换器电容监测方法 | |
CN113933706A (zh) | 一种基于bp神经网络的直流电机故障检测方法 | |
Jiang et al. | Fault diagnosis of three-phase inverter based on CEEMDAN and GWO-SVM | |
Wang et al. | Turn-to-turn short circuit of motor stator fault diagnosis using dropout rate improved deep sparse autoencoder |
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 |