CN113255213A - 一种功率变换器复合故障辨识方法 - Google Patents

一种功率变换器复合故障辨识方法 Download PDF

Info

Publication number
CN113255213A
CN113255213A CN202110543302.3A CN202110543302A CN113255213A CN 113255213 A CN113255213 A CN 113255213A CN 202110543302 A CN202110543302 A CN 202110543302A CN 113255213 A CN113255213 A CN 113255213A
Authority
CN
China
Prior art keywords
sample
fault
samples
weight
actual
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
Application number
CN202110543302.3A
Other languages
English (en)
Other versions
CN113255213B (zh
Inventor
孙权
高芳征
孟琳
殷磊磊
黄家才
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute 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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202110543302.3A priority Critical patent/CN113255213B/zh
Publication of CN113255213A publication Critical patent/CN113255213A/zh
Application granted granted Critical
Publication of CN113255213B publication Critical patent/CN113255213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本发明公开了一种功率变换器复合故障辨识方法，包括：通过软件仿真平台与实际电路分别获取复合故障下的大量辅助仿真样本集和少量实际故障样本集；采用TrAdaBoost迁移算法迭代训练模型，确定辅助仿真数据集样本权重；对辅助仿真样本集进行权重降序排列，选取权重大的样本添加到实际故障样本集中，直到实际故障数据集中故障样本和正常样本平衡为止；构造二维特征矩阵作为输入，利用DCGAN模型生成实际工况中难以获取的样本，构造扩充样本集；最后采用CNN进行故障辨识。本发明利用迁移学习扩充复合故障模式下的样本数量，利用DCGAN生成实际工况下难以获取的故障样本，解决了传统机器学习在少量数据集下故障辨识精度低、稳定性差等难题。

Description

一种功率变换器复合故障辨识方法
技术领域
本发明涉及一种功率变换器复合故障辨识方法，属于电力电子系统故障检测与健康管理领域。
背景技术
功率变换器广泛应用于新能源电动汽车、光伏/风力发电、航空航天、轨道交通等诸多领域，其关键部件如功率开关管、电解电容等一旦出现故障将会对整个系统安全运行造成较大影响。当前功率变换器故障诊断研究较多的为单一故障模式下的判别，且主要采用传统机器学习算法。此类方法通常以故障样本充足为前提，然而，实际工况下往往存在无法直接测量、背景噪声大、出现新故障类型等问题，导致功率变换器故障诊断中故障样本数据量少甚至无法获得。同时，故障诊断模型大多建立在训练数据集和测试数据集具有相同的数据分布假设之上，当运行环境发生变化，数据分布发生部分改变时，所建模型准确率会大幅下降。以上问题最终导致基于传统机器学习的功率变换器复合故障诊断方法难以适用实际工况，所构建模型难以适应环境变化，最终故障诊断精度较低、稳定性差。
基于迁移学习的功率变换器故障诊断方法采用引入辅助数据以帮助实际数据学习的迁移学习策略，能够有效应对环境变化，利用其他领域知识降低故障诊断成本，并提升诊断精度。采用大量仿真数据作为辅助数据，结合少量实际数据进行迁移学习，虽一定程度上可提高诊断精度，但由于仿真环境模拟实际工况情形有限，故迁移学习生成的模型依然存在较大提升空间；同时迁移学习算法中所使用的依然是传统分类器算法，故存在模型精度不足等缺陷。
发明内容
本发明的目的在于提出一种基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，通过采集软件仿真和实际复合故障情形下电压与电流信号数据，并对其进行频域变换建立辅助仿真样本集和实际故障样本集，基于迁移学习算法TrAdaBoost和深度卷积对抗生成网络算法DCGAN，将辅助数据样本集迁移入实际数据中，并生成实际难以采集和仿真的新样本，最后利用新样本构建深度卷积神经网络模型CNN进行故障诊断，可进一步提升诊断精度。
为实现上述目的，本发明所采用的技术方案为：
一种功率变换器复合故障辨识方法，包括以下步骤：
步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；
步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；
步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；
步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；
步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型。
进一步地，步骤1包括：
步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集；
步骤1.2：采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。
进一步地，步骤2中基于权重调整的TrAdaBoost算法实施步骤包括：
步骤2.1：设置两个训练样本集Tp和Tq，Tp为辅助仿真样本集，Tq为实际故障样本集，合并的训练集为T＝Tp∪Tq，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N；且N为大于等于1的正整数；
步骤2.2：初始化权重向量
Figure BDA0003072522700000021
即t＝1时，
Figure BDA0003072522700000022
其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数
Figure BDA0003072522700000031
步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器ht，计算ht在Tq上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加Tq的权重，减少Tp的权重；不断循环迭代，直到满足迭代终止条件为止。
进一步地，步骤2.3，循环迭代运算，不断更新权重，对于每次循环迭代，包括：
步骤2.3.1：归一化权重pt，满足
Figure BDA0003072522700000032
其中，wt为迭代次数t时训练集T中各样本对应的权重向量。
步骤2.3.2：调用BP神经网络学习器，根据合并后的训练集T以及T上的权重分布pt和未标注测试数据集S，得到一个在测试数据集S上的分类器ht，计算ht在Tq上的错误率
Figure BDA0003072522700000033
其中，c(xi)为训练集T中各样本与正确标签间的映射函数。
步骤2.3.3：设置βt＝εt/(1-εt)，并更新下一次迭代的权重向量
Figure BDA0003072522700000034
不断循环步骤2.3直到满足收敛条件，最终得到各辅助样本集权重。
进一步地，步骤4中基于深度卷积生成对抗网络DCGAN生成新样本算法实施步骤包括：
步骤4.1：设置扩充样本集为Tk，有色噪声随机向量Z；生成器G的输入为Z，输出为与Tk同长度的样本，对抗器D输入为Tk和G输出样本；输出为二分类模型，代表真假样本；
步骤4.2：利用生成模型G生成一批和Tk同长度的样本；
步骤4.3：将真实的样本集Tk和G生成的样本随机打乱混合，放入D中进行一次训练，其中，真实样本的标签为1，生成样本的标签为0，目的是调节对抗器D；
步骤4.4：利用生成模型G再生成一批和Tk同长度的样本；
步骤4.5：将生成模型G和对抗模型D相连接，并设定步骤4.4中的生成样本标签为1，对抗模型D的参数固定不变，进行一次训练，目的是调节生成器G；
步骤4.6：前述步骤全部迭代训练完成后，再次利用生成模型G生成一批和Tk同长度的样本，利用对抗模型D从该生成样本中，将得分高的一批样本筛选出来。
进一步地，步骤4.1中，生成器G输入维度为100，即Z向量长度为100，激活函数为tanh；DCGAN中CNN包含4个卷积层，4个下采样层和1个全连接层，激活函数选择ReLu，学习率为0.01-0.001。
进一步地，步骤5中基于深度卷积神经网络CNN故障诊断算法中，将新生成的一维向量样本Tk转化为二维特征矩阵作为CNN的样本输入，CNN包含8个卷积层，4个下采样层和2个全连接层，输入层激活函数设定为ReLu，学习率设置为0.01-0.001；输出层激活函数为softmax。
本发明的有益效果在于：
本发明解决了功率变换器复合故障诊断中存在的故障样本难以获取、故障样本不平衡和迁移学习算法精度有待提高的问题，考虑了利用迁移学习对辅助数据进行权重自适应确定选择出对实际故障分类有很大帮助的数据，扩充故障数据集、克服样本不平衡导致的模型偏差问题，通过使用DCGAN生成全新的样本，新样本不仅达到扩充样本作用，而且可以生成实际工况难以采集和仿真环境难以模拟的样本，增加了样本的多样性，提高模型适应性和稳定性。
附图说明
图1是功率变换器复合故障辨识方法流程图。
具体实施方式
为了克服现有功率变换器故障诊断方法的不足，本发明结合迁移学习和深度卷积对抗生成网络DCGAN各自优点，提出一种基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法。本发明通过使用迁移学习，对辅助数据进行权重自适应确定，选择出对实际故障分类具有帮助的数据，扩充故障数据集、克服样本不平衡导致的模型偏差问题。通过使用DCGAN生成新样本，新样本不仅达到扩充样本作用，而且可以生成实际工况难以采集和仿真环境难以模拟的样本，增加了样本的多样性，提高模型适应性。最后，基于上述构造的大量实际故障样本集采用CNN进行故障诊断，可以克服传统的机器学习算法难以处理大样本情形，进一步提高故障诊断精度。
下面结合说明书附图和具体的实施例对本发明的技术方案进行详细说明。
如图1所示，采用电力电子软件仿真平台和实际功率变换器物理电路，分别获取复合故障下的输入电流、输入电压、输出电流和输出电压信号，利用FFT频谱变换构造大量辅助仿真样本集和少量实际故障样本集。将辅助仿真样本集和实际故障样本集输入到迁移算法TrAdaBoost中，计算辅助仿真样本集的样本权重，将权重值大的样本添加到实际故障样本集中构成实际扩充样本集。利用深度卷积对抗生成网络DCGAN将实际扩充样本集生成新样本集，最后利用深度卷积神经网络CNN进行功率变换器复合故障诊断。
一种功率变换器复合故障辨识方法，包括如下步骤：
步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集，其中，定义功率变换器故障模式同时存在两种以上时称为复合故障。具体包括：
步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集。
步骤1.2：由于实际情况下功率变换器故障发生时间短暂，故障下的信号数据较少，为此，采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。
步骤2：利用迁移学习基于权重调整的TrAdaBoost迁移学习算法，进行自动样本权重调整，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重。具体过程为：
步骤2.1：设置两个训练样本集Tp和Tq，Tp为辅助仿真样本集，Tq为实际故障样本集，合并的训练集为T＝Tp∪Tq，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N。且N为大于等于1的正整数。
步骤2.2：初始化权重向量
Figure BDA0003072522700000051
即t＝1时，
Figure BDA0003072522700000052
其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数
Figure BDA0003072522700000053
步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器ht，计算ht在Tq上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加Tq的权重，减少Tp的权重。不断循环迭代，直到满足迭代终止条件为止。具体包括：
步骤2.3.1：归一化权重pt，满足
Figure BDA0003072522700000061
其中，wt为迭代次数t时训练集T中各样本对应的权重向量。
步骤2.3.2：调用BP神经网络学习器，根据合并后的训练集T以及T上的权重分布pt和未标注测试数据集S，得到一个在测试数据集S上的分类器ht，计算ht在Td上的错误率
Figure BDA0003072522700000062
其中，c(xi)为训练集T中各样本与正确标签间的映射函数。
步骤2.3.3：设置βt＝εt/(1-εt)，并更新下一次迭代的权重向量。
Figure BDA0003072522700000063
不断循环步骤2.3直到满足收敛条件，最终得到各辅助样本集权重。
步骤3：对辅助样本集按照权重大小降序排列，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到迁移扩充实际样本目的。
步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集。具体包括：
步骤4.1：设置扩充样本集为Tk，有色噪声随机向量Z。生成器G的输入为Z，输出为与Tk同长度的样本，对抗器D输入为Tk和G输出样本，输出为二分类模型，代表真假样本。生成器G输入维度为100，即Z向量长度为100，激活函数为tanh。DCGAN中CNN包含4个卷积层，4个下采样层和1个全连接层，激活函数选择ReLu，学习率为0.01-0.001。
步骤4.2：利用生成模型G生成一批和Tk同长度的样本。
步骤4.3：将真实的样本集Tk和G生成的样本随机打乱混合，放入D中进行一次训练，其中，真实样本的标签为1，生成样本的标签为0，目的是调节对抗器D。
步骤4.4：利用生成模型G再生成一批和Tk同长度的样本。
步骤4.5：将生成模型G和对抗模型D相连接，并设定步骤4.4中的生成样本标签为1，对抗模型D的参数固定不变，进行一次训练，目的是调节生成器G。
步骤4.6：前述步骤全部迭代训练完成后，再次利用生成模型G生成一批和Tk同长度的样本，利用对抗模型D从该生成样本中，将得分高的一批样本筛选出来。
步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型精度，最终可得到准确度高于90％以上的复合故障诊断模型。过程描述为：将新生成的一维向量样本Tk转化为二维特征矩阵作为CNN的样本输入，CNN包含8个卷积层，4个下采样层和2个全连接层，激活函数选择ReLu，学习率为0.01-0.001，输出层激活函数选择softmax。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内，可轻易想到的替换或变换方法，都应该涵盖在本发明的保护范围之内。

Claims (7)

1.一种功率变换器复合故障辨识方法，其特征在于，包括以下步骤：
步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；
步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；
步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；
步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；
步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型。
2.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤1包括：
步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集；
步骤1.2：采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。
3.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤2中基于权重调整的TrAdaBoost算法实施步骤包括：
步骤2.1：设置两个训练样本集Tp和Tq，Tp为辅助仿真样本集，Tq为实际故障样本集，合并的训练集为T＝Tp∪Tq，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N；且N为大于等于1的正整数；
步骤2.2：初始化权重向量
Figure FDA0003072522690000011
即t＝1时，
Figure FDA0003072522690000021
其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数
Figure FDA0003072522690000022
步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器ht，计算ht在Tq上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加Tq的权重，减少Tp的权重；不断循环迭代，直到满足迭代终止条件为止。
4.根据权利要求3所述的功率变换器复合故障辨识方法，其特征在于，步骤2.3，循环迭代运算，不断更新权重，对于每次循环迭代，包括：
步骤2.3.1：归一化权重pt，满足
Figure FDA0003072522690000023
其中，wt为迭代次数t时训练集T中各样本对应的权重向量；
步骤2.3.2：调用BP神经网络学习器，根据合并后的训练集T以及T上的权重分布pt和未标注测试数据集S，得到一个在测试数据集S上的分类器ht，计算ht在Tq上的错误率
Figure FDA0003072522690000024
其中，c(xi)为训练集T中各样本与正确标签间的映射函数；
步骤2.3.3：设置βt＝εt/(1-εt)，并更新下一次迭代的权重向量
Figure FDA0003072522690000025
不断循环步骤2.3直到满足收敛条件，最终得到各辅助样本集权重。
5.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤4中基于深度卷积生成对抗网络DCGAN生成新样本算法实施步骤包括：
步骤4.1：设置扩充样本集为Tk，有色噪声随机向量Z；生成器G的输入为Z，输出为与Tk同长度的样本，对抗器D输入为Tk和G输出样本；输出为二分类模型，代表真假样本；
步骤4.2：利用生成模型G生成一批和Tk同长度的样本；
步骤4.3：将真实的样本集Tk和G生成的样本随机打乱混合，放入D中进行一次训练，其中，真实样本的标签为1，生成样本的标签为0，目的是调节对抗器D；
步骤4.4：利用生成模型G再生成一批和Tk同长度的样本；
步骤4.5：将生成模型G和对抗模型D相连接，并设定步骤4.4中的生成样本标签为1，对抗模型D的参数固定不变，进行一次训练，目的是调节生成器G；
步骤4.6：前述步骤全部迭代训练完成后，再次利用生成模型G生成一批和Tk同长度的样本，利用对抗模型D从该生成样本中，将得分高的一批样本筛选出来。
6.根据权利要求5所述的功率变换器复合故障辨识方法，其特征在于，步骤4.1中，生成器G输入维度为100，即Z向量长度为100，激活函数为tanh；DCGAN中CNN包含4个卷积层，4个下采样层和1个全连接层，激活函数选择ReLu，学习率为0.01-0.001。
7.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤5中基于深度卷积神经网络CNN故障诊断算法中，将新生成的一维向量样本Tk转化为二维特征矩阵作为CNN的样本输入，CNN包含8个卷积层，4个下采样层和2个全连接层，输入层激活函数设定为ReLu，学习率设置为0.01-0.001；输出层激活函数为softmax。
CN202110543302.3A 2021-05-19 2021-05-19 一种功率变换器复合故障辨识方法 Active CN113255213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110543302.3A CN113255213B (zh) 2021-05-19 2021-05-19 一种功率变换器复合故障辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110543302.3A CN113255213B (zh) 2021-05-19 2021-05-19 一种功率变换器复合故障辨识方法

Publications (2)

Publication Number Publication Date
CN113255213A true CN113255213A (zh) 2021-08-13
CN113255213B CN113255213B (zh) 2023-08-22

Family

ID=77183427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110543302.3A Active CN113255213B (zh) 2021-05-19 2021-05-19 一种功率变换器复合故障辨识方法

Country Status (1)

Country Link
CN (1) CN113255213B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105300693A (zh) * 2015-09-25 2016-02-03 东南大学 一种基于迁移学习的轴承故障诊断方法
CN109682596A (zh) * 2018-12-20 2019-04-26 南京航空航天大学 非均衡样本下高速重载输入级故障诊断方法
CN110084148A (zh) * 2019-04-09 2019-08-02 东南大学 一种高压断路器机械故障诊断方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105300693A (zh) * 2015-09-25 2016-02-03 东南大学 一种基于迁移学习的轴承故障诊断方法
CN109682596A (zh) * 2018-12-20 2019-04-26 南京航空航天大学 非均衡样本下高速重载输入级故障诊断方法
CN110084148A (zh) * 2019-04-09 2019-08-02 东南大学 一种高压断路器机械故障诊断方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘冬冬;李友荣;徐增丙;: "选择性集成迁移算法在轴承故障诊断领域的应用", 机械设计与制造, no. 05, pages 35 - 38 *
洪晟;李文欣;刘昊;: "基于迁移学习方法的安全运行状态评估综述", 航空工程进展, no. 04, pages 15 - 21 *
邢砾文;姚文凯;黄莹;: "基于深度学习的集成化装备故障诊断方法综述", 计算机测量与控制, no. 08, pages 7 - 14 *
马波;蔡伟东;赵大力;: "基于GAN样本生成技术的智能诊断方法", 振动与冲击, no. 18, pages 158 - 165 *

Also Published As

Publication number Publication date
CN113255213B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN110943453B (zh) 面向迁移学习的电力系统故障样本生成和模型构建方法
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN108520301A (zh) 一种基于深度置信网络的电路间歇故障诊断方法
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
CN113659565B (zh) 一种新能源电力系统频率态势的在线预测方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN115345222A (zh) 一种基于TimeGAN模型的故障分类方法
CN112414715A (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN115146538A (zh) 基于消息传递图神经网络的电力系统状态估计方法
CN115267428A (zh) 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法
CN117350170B (zh) 基于koopman深度神经网络的非线性振荡分析方法
CN113804997B (zh) 基于双向WaveNet深度学习的电压暂降源定位方法
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN116800202A (zh) 基于参数辨识的光伏组件故障诊断方法和系统
CN113255213B (zh) 一种功率变换器复合故障辨识方法
CN113837432B (zh) 一种物理-数据联合驱动的电力系统频率预测方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN114781577A (zh) 基于VMD-DCNN-SVM的Buck电路故障诊断方法
CN111639463B (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法
CN109145503A (zh) 一种光伏电站集群的高精度动态建模方法
CN108760813A (zh) 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
CN111506868B (zh) 一种基于hht权值优化的超短期风速预测方法

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
GR01 Patent grant
GR01 Patent grant