CN113159119A - 一种中压模块化多电平变流器故障诊断方法 - Google Patents

一种中压模块化多电平变流器故障诊断方法 Download PDF

Info

Publication number
CN113159119A
CN113159119A CN202110267772.1A CN202110267772A CN113159119A CN 113159119 A CN113159119 A CN 113159119A CN 202110267772 A CN202110267772 A CN 202110267772A CN 113159119 A CN113159119 A CN 113159119A
Authority
CN
China
Prior art keywords
modular multilevel
multilevel converter
fault
sub
mmc
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
Application number
CN202110267772.1A
Other languages
English (en)
Inventor
张莉
马瑞
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110267772.1A priority Critical patent/CN113159119A/zh
Publication of CN113159119A publication Critical patent/CN113159119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明一种中压模块化多电平变流器故障诊断方法，属于电力电子领域，该方法将采集到的模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集，所述数据集中包括模块化多电平变流器MMC的子模块的正常运行状态数据和故障运行状态数据；将样本集根据模块化多电平变流器运行状态进行独热编码，得到编码向量，作为类标签；采用神经网络并基于BP反向传播算法对训练集进行参数训练，得到模块化多电平变流器故障诊断模型；将测试集输入MMC故障诊断模型中，进行模块化多电平变流器的各子模块开路故障诊断，通过与类标签的匹配，得出故障类型；不需要引入新的传感器等器件，不增加系统成本及复杂性。

Description

一种中压模块化多电平变流器故障诊断方法
技术领域
本发明属于电力电子领域，涉及一种中压模块化多电平变流器故障诊断方法。
背景技术
模块化多电平变流器(MMC)作为一种应用于中高压领域变流器，因其良好的可拓展性，灵活的开关状态组合方式，优越的耐压耐流性以及良好的输出波形品质越来越受到关注。尤其是在高压柔性直流输电领域及高铁的中压变流设备中越来越受到青睐。但是由于其涉及到的开关数目比较多，开关开路故障也引起了人们的注意。
目前，随着模块化多电平变流器技术发展，有多种故障检测定位方式被提出，有学者提出使用卡尔曼滤波器的子模块故障检测方法，该方法通过由卡尔曼滤波器估计的状态变量和测量的状态变量进行比较从而检测故障的存在。也有学者提出一种基于滑膜观测器的故障检测方法，该方法也能检测出故障。但是这些方法很难建立精确的数学模型。后来有一些学者提出增加硬件电路检测设备，但是这种方法增加了成本及系统复杂度。近几年有些学者提出使用机器学习进行故障定位，但是只进行到了定位到故障桥臂层面或者故障类型层面，无法确定故障点的具体位置。因此需要找到一种不增加系统负担且实现方式简单的子模块开路故障诊断方法。
发明内容
为了解决上述问题，本发明提供一种中压模块化多电平变流器故障诊断方法，包括如下步骤：
S1：每间隔N个采样周期采集一次模块化多电平变流器的各子模块电容电压值和各桥臂电流值，同时记录每个采样周期模块化多电平变流器MMC的各子模块的开关运行状态数据；
S2：将采集到的模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集，所述数据集中包括模块化多电平变流器MMC的子模块的正常运行状态数据和故障运行状态数据；
S3：对模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集进行特征重构及样本筛选，得到新的特征值，由新的特征值构成样本集，将样本集分为训练集及测试集，将样本集根据模块化多电平变流器运行状态进行独热编码，得到编码向量，作为类标签；
S4:采用神经网络并基于BP反向传播算法对训练集进行参数训练，得到模块化多电平变流器故障诊断模型；
S5：将测试集输入MMC故障诊断模型中，进行模块化多电平变流器的各子模块开路故障诊断，通过与类标签的匹配，得出故障类型。
进一步地，所述对模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集进行特征重构及样本筛选，得到新的特征值包括如下步骤：
S3-1:将采集到的子模块电容电压、各桥臂电流和记录的开关状态数据根据初步样本集公式构造初步样本集；
S3-2:根据故障类型筛选样本，若与电容串联开关器件发生开路故障，仅保留当故障子模块的输入电流小于零时的样本；若与电容并联的开关器件发生开路故障，仅保留故障子模块的输入电流大于零时的样本；进而得到新的特征值。
进一步地，所述初步样本集公式如下：
Figure BDA0002972647200000021
其中：Upji(k)表示p相第j个桥臂的第i个子模块k时刻的电容电压值；Ipj(k)表示p相第j个桥臂k时刻的电流值；Spji g表示p相第j个桥臂的第i个子模块在k+1-g时刻的开关运行状态，其中，‘1’为子模块投入，‘0’为子模块切除；CSM为子模块的电容值，Ts为采样周期，Gpji表征第p相第j个桥臂的i个子模块的重构特征值，即初步特征值。
进一步地，所述独热编码的编码规则如下：
当模块化多电平变流器为正常状态时，独热编码的编码规则为0 0...0 1；
当模块化多电平变流器为故障状态时，独热编码的编码规则如下；
若模块化多电平变流器故障发生在第p(1，2，3)相第j(1，2)个桥臂的第i(1，2.....,M-1,M)个子模块，则从最高位起其第(M*(p-1)+M*(j-1)+i)位为‘1’其余位为‘0’；其中，p(1,2,3)分别表征A,B,C三相，j(1,2)分别表征上下桥臂，i(1，2.....，M-1，M)分别表征单一桥臂子模块编号。
进一步地，所述神经网络激活函数是sigmoid函数，其输入为的6M维向量，分别代表6M个子模块的重构特征，隐藏层有10个单元，输出层有6M+1个单元，分别代表1个正常工作状态外加6M个故障位置。
进一步地，所述MMC故障诊断模型包括Softmax分类器；所述Softmax分类器输出属于变流器各个状态的概率值，选择概率最大所匹配的类标签，得出故障类型。
进一步地，所述Softmax分类器公式为：
Figure BDA0002972647200000031
式中，yi为第i个状态对应的概率值；m为输出神经元的个数，即对应变流器的各个状态。
本发明提供的一种中压模块化多电平变流器故障诊断方法，是一种基于特征重构及神经网络的模块化多电平变流器故障诊断方法，具有如下有益效果：
(1)本发明方法中，在输入数据中经过特征重构、样本筛选，提高故障诊断模型的泛化能力，进而提高模型的诊断精度；
(2)本发明方法中，在MMC子模块开路故障诊断中，所采用的神经网络仅有输入层输出层隐藏层三层结构，结构简单，可以快速定位，避免了由于故障诊断速度慢，造成二次故障，系统崩溃。
(3)本发明方法中，与传统故障检测相比，故障定位的流程不同的是，一次性完成故障检测，故障定位，算法简单；
(4)本发明方法中，与传统的机器学习故障诊断结果不同的是，不仅可以根据神经网络输出向量进行解码定位故障桥臂的位置，而且可以定位故障点的具体子模块，为事故排查，容错控制降低了难度。
(5)本发明方法，不需要引入新的传感器等器件，不增加系统成本及复杂性；
(6)该方法对样本特征进行深度提取，通过新提出的特征重构方法较明显的构造了故障向量，并采用Softmax分类器，对运行状态及故障具体位置一次性分类，本发明对子模块开路故障具有良好的诊断性能。
附图说明
图1是本发明的实施例中三相MMC拓扑结构图；
图2是本发明的实施例中MMC子模块拓扑结构图；
图3是本发明的基于特征重构及神经网络的模块化多电平换流器故障诊断方法的流程图；
图4是本发明的实施例MMC中A相上桥臂一号子模块开路后，经过特征重构的样本波形图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
图1是本发明的实施例中的MMC三相拓扑图，如图所示，MMC三相六桥臂，每一个桥臂有3个结构完全一致的子模块(SM)构成和一个用于限制环流波动的桥臂电感组成。其中Upji表征p相第j个桥臂的i号子模块子模块电压值；Ipj表征桥臂电流值，Lo为桥臂电感值，La为负载侧电感值，Ra为负载侧电阻值。
图2是本发明的实施例中MMC子模块拓扑结构图。在本实施例中采用的是半桥型子模块，如图2所示，每个子模块，每一个子模块有两个IGBT以及两个与之反接的二极管，以及一个并联的子模块电容构成其中，其中VT1和VT2表示IGBT器件；而VD1和VD2表示反并联二极管；CSM为子模块的电容值；Upji是子模块两端电压。
本实施例中一种中压模块化多电平变流器故障诊断方法，流程如图3所示，包括以下步骤：
S1：每间隔20个采样周期提取采集一次模块化多电平变流器的子模块电容电压值，同时记录每个采样周期模块化多电平变流器MMC的格子模块的开关状态及桥臂电压，所采集的运行状态包括正常状态以及包括不同子模块的故障；
S2：将采集到的模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集，所述数据集中包括模块化多电平变流器MMC的子模块的正常运行状态数据和故障运行状态数据；
S3：对模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集进行特征重构及样本筛选，得到新的特征值，由新的特征值构成样本集，将样本集分为训练集及测试集，可以将各运行状态数据集中80％分为训练集和20％分为测试集，两个样本集将样本集根据模块化多电平变流器运行状态进行独热编码，得到编码向量，作为类标签；图4是本发明的实施例MMC中A相上桥臂一号子模块开路后，经过特征重构的样本波形图。
S4:采用神经网络并基于BP反向传播算法对训练集进行参数训练，得到模块化多电平变流器故障诊断模型；将已知的正常数据和单点开路故障数据集作为训练集，基于反向传播算法进行参数训练，本步骤中激活函数选择的是sigmoid函数；待训练的神经网络的结构为三层结构，输入为6*M维向量，M表示桥臂子模块数目，这里M是3，隐藏层有10个单元，输出层有6M+1个单元，最终的输出为6*3+1维向量(6M个故障子模块位置外加一个正常运行状态)。
所采用的神经网络的参数如下：
学习率0.001；训练次数5000；隐藏层单元数10；激活函数Sigmoid。
S5：将测试集输入MMC故障诊断模型中，进行模块化多电平变流器的各子模块开路故障诊断，通过与类标签的匹配，得出故障类型，最终故障诊断准确度达到99％。
进一步地，将采集到的模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集，所述数据集中包括模块化多电平变流器MMC的子模块的正常运行状态数据和故障运行状态数据；
S3-1:将采集到的子模块电容电压、各桥臂电流和记录的开关状态数据根据初步样本集公式构造初步样本集；
S3-2:根据故障类型筛选样本，若与电容串联开关器件发生开路故障，仅保留当故障子模块的输入电流小于零时的样本；若与电容并联的开关器件发生开路故障，仅保留故障子模块的输入电流大于零时的样本；进而得到新的特征值。
进一步地，所述初步样本集公式如下：
Figure BDA0002972647200000051
其中：Upji(k)表示p相第j个桥臂的第i个子模块k时刻的电容电压值；Ipj(k)表示p相第j个桥臂k时刻的电流值；Spji g表示p相第j个桥臂的第i个子模块在k+1-g时刻的开关运行状态，其中，‘1’为子模块投入，‘0’为子模块切除；CSM为子模块的电容值，Ts为采样周期，Gpji表征第p相第j个桥臂的i个子模块的重构特征值，即初步特征值。
进一步地，所述独热编码的编码规则如下：
当模块化多电平变流器为正常状态时，独热编码的编码规则为0 0...0 1；
当模块化多电平变流器为故障状态时，独热编码的编码规则如下；
若模块化多电平变流器故障发生在第p(1，2，3)相第j(1，2)个桥臂的第i(1，2.....,M-1,M)个子模块，则从最高位起其第(M*(p-1)+M*(j-1)+i)位为‘1’其余位为‘0’；其中，p(1,2,3)分别表征A,B,C三相，j(1,2)分别表征上下桥臂，i(1，2.....，M-1，M)分别表征单一桥臂子模块编号。
若输入向量维度为6*3向量，M表征桥臂子模块数目，输出为6*3+1向量：
其编码规则如下：
正常状态编码为0 0...0 1，即前6*3项为0，最后一项为1。
故障状态编码为：若故障发生在第p(1，2，3)相第j(1，2)个桥臂的i(1，2，3)个子模块子模块，则从最高位起其第(3*(p-1)+3*(j-1)+i)位为‘1’其余位为‘0’；
进一步地，将测试样本集输入到已训练好的诊断模型中，经过Softmax分类器输出属于变压器各个状态的概率值，选择概率最大所匹配的类标签，得出故障类型，Softmax分类器函数为：
Figure BDA0002972647200000061
式中，yi为第i个状态对应的概率值；输出单元数目为7，即对应变流器的各个状态。
本发明能有效地提取数据的深层特征，有效解决了数据特征区分度小的问题。与传统的故障诊断方法，如卡尔曼滤波法、滑模观测器、张量机、常神经网络相比，本发明可以一步定位到故障点的具体子模块，无需进行故障检测阶段，且无添加新硬件结构，检测精确度有明显提高，同时检测速度也能够有明显提升。

Claims (7)

1.一种中压模块化多电平变流器故障诊断方法，其特征在于：包括如下步骤：
S1：每间隔N个采样周期采集一次模块化多电平变流器的各子模块电容电压值和各桥臂电流值，同时记录每个采样周期模块化多电平变流器MMC的各子模块的开关运行状态数据；
S2：将采集到的模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集，所述数据集中包括模块化多电平变流器MMC的子模块的正常运行状态数据和故障运行状态数据；
S3：对模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集进行特征重构及样本筛选，得到新的特征值，由新的特征值构成样本集，将样本集分为训练集及测试集，将样本集根据模块化多电平变流器运行状态进行独热编码，得到编码向量，作为类标签；
S4:采用神经网络并基于BP反向传播算法对训练集进行参数训练，得到模块化多电平变流器故障诊断模型；
S5：将测试集输入MMC故障诊断模型中，进行模块化多电平变流器的各子模块开路故障诊断，通过与类标签的匹配，得出故障类型。
2.根据权利要求1所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述对模块化多电平变流器MMC的各子模块电容电压值和各桥臂电流值构造成数据集进行特征重构及样本筛选，得到新的特征值包括如下步骤：
S3-1:将采集到的子模块电容电压、各桥臂电流和记录的开关状态数据根据初步样本集公式构造初步样本集；
S3-2:根据故障类型筛选样本，若与电容串联开关器件发生开路故障，仅保留当故障子模块的输入电流小于零时的样本；若与电容并联的开关器件发生开路故障，仅保留故障子模块的输入电流大于零时的样本；进而得到新的特征值。
3.根据权利要求1所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述初步样本集公式如下：
Figure FDA0002972647190000021
其中：Upji(k)表示p相第j个桥臂的第i个子模块k时刻的电容电压值；Ipj(k)表示p相第j个桥臂k时刻的电流值；Spji g表示p相第j个桥臂的第i个子模块在k+1-g时刻的开关运行状态，其中，‘1’为子模块投入，‘0’为子模块切除；CSM为子模块的电容值，Ts为采样周期，Gpji表征第p相第j个桥臂的i个子模块的重构特征值，即初步特征值。
4.根据权利要求1所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述独热编码的编码规则如下：
当模块化多电平变流器为正常状态时，独热编码的编码规则为0 0...0 1；
当模块化多电平变流器为故障状态时，独热编码的编码规则如下；
若模块化多电平变流器故障发生在第p(1，2，3)相第j(1，2)个桥臂的第i(1，2.....,M-1,M)个子模块，则从最高位起其第(M*(p-1)+M*(j-1)+i)位为‘1’其余位为‘0’；其中，p(1,2,3)分别表征A,B,C三相，j(1,2)分别表征上下桥臂，i(1，2.....，M-1，M)分别表征单一桥臂子模块编号。
5.根据权利要求1所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述神经网络激活函数是sigmoid函数，其输入为的6M维向量，分别代表6M个子模块的重构特征，隐藏层有10个单元，输出层有6M+1个单元，分别代表1个正常工作状态外加6M个故障位置。
6.根据权利要求1所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述MMC故障诊断模型包括Softmax分类器；所述Softmax分类器输出属于变流器各个状态的概率值，选择概率最大所匹配的类标签，得出故障类型。
7.根据权利要求6所述的一种中压模块化多电平变流器故障诊断方法，其特征在于：所述Softmax分类器公式为：
Figure FDA0002972647190000031
式中，yi为第i个状态对应的概率值；m为输出神经元的个数，即对应变流器的各个状态。
CN202110267772.1A 2021-03-11 2021-03-11 一种中压模块化多电平变流器故障诊断方法 Pending CN113159119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110267772.1A CN113159119A (zh) 2021-03-11 2021-03-11 一种中压模块化多电平变流器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110267772.1A CN113159119A (zh) 2021-03-11 2021-03-11 一种中压模块化多电平变流器故障诊断方法

Publications (1)

Publication Number Publication Date
CN113159119A true CN113159119A (zh) 2021-07-23

Family

ID=76886882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110267772.1A Pending CN113159119A (zh) 2021-03-11 2021-03-11 一种中压模块化多电平变流器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113159119A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035119A (zh) * 2021-10-14 2022-02-11 上海电力大学 三电平Buck-Boost变流器直流电容与功率器件开路故障检测方法
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
CN114609546A (zh) * 2022-03-10 2022-06-10 东南大学 基于孤立森林的模块化多电平换流器开路故障诊断方法
CN116995909A (zh) * 2023-09-27 2023-11-03 安徽大学 储能mmc系统开路故障诊断与容错运行的方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035119A (zh) * 2021-10-14 2022-02-11 上海电力大学 三电平Buck-Boost变流器直流电容与功率器件开路故障检测方法
CN114035119B (zh) * 2021-10-14 2024-01-26 上海电力大学 三电平Buck-Boost变流器直流电容与功率器件开路故障检测方法
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
CN114609546A (zh) * 2022-03-10 2022-06-10 东南大学 基于孤立森林的模块化多电平换流器开路故障诊断方法
CN116995909A (zh) * 2023-09-27 2023-11-03 安徽大学 储能mmc系统开路故障诊断与容错运行的方法和系统
CN116995909B (zh) * 2023-09-27 2023-12-29 安徽大学 储能mmc系统开路故障诊断与容错运行的方法和系统

Similar Documents

Publication Publication Date Title
CN113159119A (zh) 一种中压模块化多电平变流器故障诊断方法
Han et al. Short-time wavelet entropy integrating improved LSTM for fault diagnosis of modular multilevel converter
Kiranyaz et al. Real-time fault detection and identification for MMC using 1-D convolutional neural networks
CN107271925B (zh) 基于深度卷积网络的模块化五电平换流器故障定位方法
CN110133538B (zh) 一种anpc三电平逆变器开路故障诊断方法及实验平台
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
CN106443297A (zh) 光伏二极管箝位型三电平逆变器的决策树svm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
CN107632258A (zh) 一种基于小波变换和dbn的风机变流器故障诊断方法
CN104698397A (zh) 一种多电平逆变器故障诊断方法
CN103837791A (zh) 三电平逆变器多模式故障诊断电路及其诊断方法
CN111914320B (zh) 基于深度学习的无样本道岔故障诊断方法
CN112348071B (zh) 一种模块化多电平换流器子模块开关管开路故障诊断方法
Xu et al. Application of artificial neural network to the detection of the transformer winding deformation
Zheng et al. Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM
Si et al. Fault diagnosis based on attention collaborative LSTM networks for NPC three-level inverters
CN113358993B (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
CN113075585B (zh) 一种npc三电平逆变器复合开路故障诊断方法
CN113341345A (zh) 一种基于特征提取和随机森林的mmc开关管开路故障诊断方法
Torabi et al. Real-time fault isolation in multiphase multilevel NPC converters using active semi-supervised fuzzy clustering algorithm with pairwise constraints
CN108872772A (zh) 基于混合核支持张量机的mmc子模块开路故障检测方法
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Cui et al. T-type inverter fault diagnosis based on GASF and improved AlexNet
CN109709411A (zh) 一种光伏逆变器故障诊断方法和系统
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法

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