CN113537080A - 一种级联h桥多电平逆变器的故障诊断方法 - Google Patents
一种级联h桥多电平逆变器的故障诊断方法 Download PDFInfo
- Publication number
- CN113537080A CN113537080A CN202110814817.2A CN202110814817A CN113537080A CN 113537080 A CN113537080 A CN 113537080A CN 202110814817 A CN202110814817 A CN 202110814817A CN 113537080 A CN113537080 A CN 113537080A
- Authority
- CN
- China
- Prior art keywords
- fault
- category
- cascaded
- level inverter
- bridge multi
- 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 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种级联H桥多电平逆变器的故障诊断方法,首先要对级联H桥多电平逆变器系统建立混合逻辑动态模型,并通过电流滑模观测器来预测正常工作状态下的输出侧电流值。通过比较实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别,之后对故障状态下的输出电流进行小波包分解,得到小波包能量谱,再经主成分分析降维后,得到故障特征向量,然后,针对每个故障类别中的若干种故障对该故障类别所对应的SVM进行训练。最后利用故障所属类别中的已训练好的SVM进行故障辨识,从而完成故障诊断。
Description
技术领域
本发明属于电力电子变换器故障诊断领域,具体涉及一种级联H桥多电平逆变器的故障诊断方法。
背景技术
传统的两电平逆变器容量小,不适用于大功率场合,且有着直流母线电压低、开关应力大等缺点。为了克服这些缺点,使逆变器可以应用到更多的场合,有学者提出了级联H桥逆变器结构。
级联型多电平逆变器具有模块化、易扩展的优点。但多电平电路使用了数量较多的开关器件,这些开关器件的工作环境大多为高功率场合,开关器件的损坏率较高,最常见的就是一个或两个开关器件发生开路故障。故障一旦发生有可能导致整个电路停止工作,造成巨大的经济损失,甚至有可能造成灾难性的事故。因此,对级联H桥多电平逆变器的故障诊断研究十分重要。而现有的故障诊断方法效率和准确率往往都不够高,且对故障特征相似的故障的辨识度不高。
本发明针对级联H桥多电平逆变器开关管开路故障,提出了一种基于残差信号和小波包分解SVM的故障诊断方法,可以对单个或两个开关管的开路故障进行快速的、高准确率的故障定位,对于某些故障特征相似的故障类型也可以非常准确地进行定位。
发明内容
本发明的目的在于提供一种级联H桥多电平逆变器的故障诊断方法,解决了现有的故障诊断方法的效率和准确率往往都不够高,且对故障特征相似的故障的辨识度不高的问题。
本发明的目的可以通过以下技术方案实现:
一种级联H桥多电平逆变器的故障诊断方法,包括如下步骤:
步骤一,建立级联H桥多电平逆变器的混合逻辑动态模型,将输出侧电流作为故障诊断的特征量;
步骤二,根据步骤一中建立的混合逻辑动态模型,将每种故障状态与正常状态比较,得到理论残差信号;
步骤三,通过电流滑模观测器来预测正常工作状态下的输出侧电流值,比较实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别;
步骤四,对故障状态下的输出电流进行小波包分解,得到小波包能量谱,再经PCA降维,得到故障特征向量,最后利用故障特征向量对每种故障类别中的SVM进行训练;
步骤五,利用已训练完成的SVM进行故障定位。
作为本发明的进一步方案,步骤一中混合逻辑动态模型的建立方法为:
以Sij代表开关管的状态,Sij=1表示开关管导通,Sij=0表示开关管关断;
其中i为一个逆变电路中的第i个开关管,i=1,2,3,4;j为一个级联逆变系统中第j个模块,j=1,2,3...N;
结合基尔霍夫电压定律,求得级联H桥多电平逆变器系统的混合逻辑动态模型。
作为本发明的进一步方案,步骤二中理论残差信号的求取方法为:
每种故障状态均为一个或两个开关管发生开路故障,即:使相应的Sij=0,据此求得各种故障状态下的混合逻辑动态模型;
将求得的每种故障状态的混合逻辑动态模型与正常工作状态的混合逻辑动态模型相比较,得到每个故障所对应的理论残差信号。
作为本发明的进一步方案,步骤三中对故障所属的类别进行判断的方法为:
对步骤二中每个故障所对应的理论残差信号进行分析并列成表;
把拥有相同残差信号特征的故障类型归为一种故障类别,共分为若干个故障类别,得到故障类别表;
对残差信号进行分析,之后通过故障类别表,得出此故障所属的类别。作为本发明的进一步方案,步骤三中设实际系统的输出为iL,观测器的输出为iL′,则残差信号为ie=iL-i′L。
作为本发明的进一步方案,步骤四中小波包分解包括如下步骤:
对输出电流进行N层小波包分解后,得到每个频带的小波系数,共2N-1个频带,N为大于0的整数;
对小波系数进行单支重构,得到分解后的重构信号;
求取故障信号在各频带的能量分布:
EN,p为N层小波包分解后第p个小波系数的能量;
根据各频带能量的分布,构造故障特征向量如下:
T=(EN,0,EN,1,EN,2...EN,p);
将正常工作状态以及每种故障状态下的T'作为输入,对每种故障类别下的SVM进行训练。
作为本发明的进一步方案,在对每种故障类别下的SVM进行训练之前,将故障特征向量经PCA降维,按特征值方差累计率来确定主元个数,将故障特征向量变为:
T'=(EN,0,EN,1,EN,2...EN,y),(1≤y≤p)。
作为本发明的进一步方案,步骤五中,在进行故障诊断时,先通过步骤三得到故障所属的类别,再将该故障的故障特征向量输入到该类别下已经训练好的SVM中,完成具体的故障定位。
本发明的有益效果:
本发明通过对实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别,之后对故障状态下的输出电流进行小波包分解,处理得到故障特征向量,然后,针对每个故障类别中的若干种故障对该故障类别所对应的SVM进行训练,最后利用故障所属类别中的已训练好的SVM进行故障辨识,从而完成故障诊断,本发明可以克服现有故障诊断方法的不足,能改进现有故障诊断方法效率低、准确率低、针对故障特征相似的故障类型无法准确定位等缺点,实用性强,易于实现。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明所述级联H桥多电平逆变器的故障诊断方法的流程图;
图2为级联H桥多电平逆变器故障分类图;
图3为小波包分解图;
图4为级联H桥多电平逆变器结构图。
具体实施方式
下面将结合本发明实施例中的附图,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前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1至图4,一种级联H桥多电平逆变器的故障诊断方法,包括如下步骤:
步骤一,建立级联H桥多电平逆变器的混合逻辑动态模型,将输出侧电流作为故障诊断的特征量;
级联H桥多电平逆变器如图3所示;
假设Sij(i为一个逆变电路中的第i个开关管,i=1,2,3,4;j为一个级联逆变系统中第j个模块,j=1,2,3...N)为开关管的状态,Sij=1表示开关管导通,Sij=0表示开关管关断;
根据上述方法及基尔霍夫电压定律,可求得级联H桥多电平逆变器系统的混合逻辑动态模型;
步骤二,根据步骤一中建立的混合逻辑动态模型,将每种故障状态与正常状态比较,得到理论上的残差信号;
每种故障状态都是一个或两个开关管发生开路故障,也就相当于开关管关断,即:使相应的Sij=0,通过此方法,求得各种故障状态下的混合逻辑动态模型;
之后将求得的每种故障状态的混合逻辑动态模型与正常工作状态相比较,得到每个故障所对应的理论上的残差信号;
对每个故障所对应的理论上的残差信号进行分析并列成表,可以发现某些不同类型的故障的残差信号的特征是相同的;
把拥有相同残差信号特征的故障类型归为一种故障类别,共分为若干个故障类别,得到故障类别表;
步骤三,设计一种电流滑模观测器来估计正常工作状态下的输出侧电流值,比较实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别;
假设实际系统的输出为iL,观测器的输出为iL′,则残差信号为:
ie=iL-i′L
对残差信号进行分析,之后通过查找第二步中的故障类别表,得出此故障所属的故障类别;
步骤四,对故障状态下的输出电流进行小波包分解,得到小波包能量谱,再经PCA(主成分分析)降维,得到故障特征向量,最后利用故障特征向量对每种故障类别中的SVM进行训练;
小波包分解如图2所示:
H为对上一个频段进行分解后的高频带,L为对上一个频带进行分解后的低频带;
在对输出电流进行N层小波包分解后,得到每个频带的小波系数,共2N-1个频带,N的取值为大于0的整数;
对小波系数进行单支重构,得到分解后的重构信号。
求取故障信号在各频带的能量分布:
EN,p为N层小波包分解后第p个小波系数的能量;
根据各频带能量的分布,构造故障特征向量如下:
T=(EN,0,EN,1,EN,2...EN,p)
为了提高SVM训练和诊断的效率,将故障特征向量经主成分分析(PCA)降维,按特征值方差累计率来确定主元个数,则可以将故障特征向量变为:
T'=(EN,0,EN,1,EN,2...EN,y),(1≤y≤p)
之后将正常工作状态以及每种故障状态下的T'作为输入,对每种故障类别下的SVM进行训练;
步骤五,利用已训练完成的SVM进行故障定位。
在进行故障诊断时,先通过步骤三求得故障所属的类别,再将该故障的故障特征向量输入到该类别下已经训练好的SVM中,完成具体的故障定位。
级联H桥多电平逆变器系统易发生单个或两个开关管开路故障,本发明所述的故障诊断方法首先要对系统建立混合逻辑动态模型,并设计一种电流滑模观测器来估计正常工作状态下的输出侧电流值。通过比较实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别(一个故障类别包含若干种故障)。之后对故障状态下的输出电流进行小波包分解,得到小波包能量谱,再经主成分分析降维后,得到故障特征向量。然后,针对每个故障类别中的若干种故障对该故障类别所对应的SVM(支持向量机)进行训练。最后利用故障所属类别中的已训练好的SVM进行故障辨识,从而完成故障诊断;因此本发明能够快速地、准确地对级联H桥多电平逆变器的开关管开路故障做出诊断。克服了传统方法对故障特征相似的故障的辨识度不高的问题。本发明是一种有效可靠的级联H桥逆变器故障诊断方法。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种级联H桥多电平逆变器的故障诊断方法,其特征在于,包括如下步骤:
步骤一,建立级联H桥多电平逆变器的混合逻辑动态模型,将输出侧电流作为故障诊断的特征量;
步骤二,根据步骤一中建立的混合逻辑动态模型,将每种故障状态与正常状态比较,得到理论残差信号;
步骤三,通过电流滑模观测器来预测正常工作状态下的输出侧电流值,比较实际系统的输出和观测器的输出得到残差信号,对残差信号进行分析得出故障所属的类别;
步骤四,对故障状态下的输出电流进行小波包分解,得到小波包能量谱,再经PCA降维,得到故障特征向量,最后利用故障特征向量对每种故障类别中的SVM进行训练;
步骤五,利用已训练完成的SVM进行故障定位。
2.根据权利要求1所述的一种级联H桥多电平逆变器的故障诊断方法,其特征在于,步骤一中混合逻辑动态模型的建立方法为:
以Sij代表开关管的状态,Sij=1表示开关管导通,Sij=0表示开关管关断;
其中i为一个逆变电路中的第i个开关管,i=1,2,3,4;j为一个级联逆变系统中第j个模块,j=1,2,3...N;
结合基尔霍夫电压定律,求得级联H桥多电平逆变器系统的混合逻辑动态模型。
3.根据权利要求2所述的一种级联H桥多电平逆变器的故障诊断方法,其特征在于,步骤二中理论残差信号的求取方法为:
每种故障状态均为一个或两个开关管发生开路故障,即:使相应的Sij=0,据此求得各种故障状态下的混合逻辑动态模型;
将求得的每种故障状态的混合逻辑动态模型与正常工作状态的混合逻辑动态模型相比较,得到每个故障所对应的理论残差信号。
4.根据权利要求1所述的一种级联H桥多电平逆变器的故障诊断方法,其特征在于,步骤三中对故障所属的类别进行判断的方法为:
对步骤二中每个故障所对应的理论残差信号进行分析并列成表;
把拥有相同残差信号特征的故障类型归为一种故障类别,共分为若干个故障类别,得到故障类别表;
对残差信号进行分析,之后通过故障类别表,得出此故障所属的类别。
5.根据权利要求4所述的一种级联H桥多电平逆变器的故障诊断方法,'其特征在于,步骤三中设实际系统的输出为iL,观测器的输出为iL,则残差信号为ie=iL-i′L。
7.根据权利要求6所述的一种级联H桥多电平逆变器的故障诊断方法,其特征在于,在对每种故障类别下的SVM进行训练之前,将故障特征向量经PCA降维,按特征值方差累计率来确定主元个数,将故障特征向量变为:
T'=(EN,0,EN,1,EN,2...EN,y),(1≤y≤p)。
8.根据权利要求7所述的一种级联H桥多电平逆变器的故障诊断方法,其特征在于,步骤五中,在进行故障诊断时,先通过步骤三得到故障所属的类别,再将该故障的故障特征向量输入到该类别下已经训练好的SVM中,完成具体的故障定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814817.2A CN113537080A (zh) | 2021-07-19 | 2021-07-19 | 一种级联h桥多电平逆变器的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814817.2A CN113537080A (zh) | 2021-07-19 | 2021-07-19 | 一种级联h桥多电平逆变器的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537080A true CN113537080A (zh) | 2021-10-22 |
Family
ID=78128870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814817.2A Pending CN113537080A (zh) | 2021-07-19 | 2021-07-19 | 一种级联h桥多电平逆变器的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537080A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
US20180217902A1 (en) * | 2016-05-06 | 2018-08-02 | Shanghai Maritime University | Voltage Reference Reconfiguration Fault-tolerant Control Method for Multi-level Inverter |
CN110133423A (zh) * | 2019-05-23 | 2019-08-16 | 西南交通大学 | 一种单相级联h桥整流器开关管开路故障诊断方法 |
CN112611982A (zh) * | 2020-11-30 | 2021-04-06 | 西华大学 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
CN113093058A (zh) * | 2021-03-02 | 2021-07-09 | 南京理工大学 | 一种npc三电平逆变器开路故障诊断方法 |
-
2021
- 2021-07-19 CN CN202110814817.2A patent/CN113537080A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
US20180217902A1 (en) * | 2016-05-06 | 2018-08-02 | Shanghai Maritime University | Voltage Reference Reconfiguration Fault-tolerant Control Method for Multi-level Inverter |
CN110133423A (zh) * | 2019-05-23 | 2019-08-16 | 西南交通大学 | 一种单相级联h桥整流器开关管开路故障诊断方法 |
CN112611982A (zh) * | 2020-11-30 | 2021-04-06 | 西华大学 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
CN113093058A (zh) * | 2021-03-02 | 2021-07-09 | 南京理工大学 | 一种npc三电平逆变器开路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
HANG, JUN等: "Interturn Fault Diagnosis for Model-Predictive-Controlled-PMSM Based on Cost Function and Wavelet Transform", IEEE TRANSACTIONS ON POWER ELECTRONICS, 13 August 2020 (2020-08-13) * |
李兵;崔介兵;何怡刚;史露强;刘晓晖;: "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, no. 10, 25 May 2020 (2020-05-25) * |
陈石;张兴敢;: "基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断", 南京大学学报(自然科学), no. 02, 30 March 2020 (2020-03-30) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN115510913B (zh) * | 2022-10-04 | 2023-06-02 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
CN116610916B (zh) * | 2023-05-18 | 2023-11-21 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198244A1 (en) | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter | |
US11549985B2 (en) | Power electronic circuit fault diagnosis method based on extremely randomized trees and stacked sparse auto-encoder algorithm | |
US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
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 | |
CN103761372A (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 | |
CN113537080A (zh) | 一种级联h桥多电平逆变器的故障诊断方法 | |
CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112748368A (zh) | 一种三电平逆变器igbt开路故障诊断方法 | |
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 | |
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 | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
CN106093678B (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 | |
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 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
CN106407536B (zh) | 一种逆变器钳位二极管与支撑电容的复合故障诊断方法 | |
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 | |
CN116541772A (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
Mandal et al. | PV system fault classification using SVM accelerated by dimension reduction using PCA | |
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 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN111091094B (zh) | 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 | |
Alapati et al. | A novel approach for fault diagnosis of multilevel inverter using dwt and fuzzy logic algorithm |
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 |