CN114019310B - 一种储能变流器的开路故障预判方法、设备及介质 - Google Patents
一种储能变流器的开路故障预判方法、设备及介质 Download PDFInfo
- Publication number
- CN114019310B CN114019310B CN202111311260.7A CN202111311260A CN114019310B CN 114019310 B CN114019310 B CN 114019310B CN 202111311260 A CN202111311260 A CN 202111311260A CN 114019310 B CN114019310 B CN 114019310B
- Authority
- CN
- China
- Prior art keywords
- open
- circuit fault
- energy storage
- fault
- storage converter
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000009432 framing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000007599 discharging Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- 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
- G01R31/26—Testing of individual semiconductor devices
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种储能变流器的开路故障预判方法、设备及介质，方法为：采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流；对三相输出电流分帧等预处理并提取MFCC特征向量；采用KPCA对MFCC特征向量进行非线性降维；结合所有样本的故障特征向量和类型标签训练一维卷积神经网络CNN‑1D，得到开路故障预判模型；实时采集储能变流器的三相输出电流信号，提取低维非线性的故障特征向量，使用开路故障预判模型预判得到储能变流器当前状态的故障类型。本发明在测量信号包含复杂噪声干扰的情况下，对多种开路故障具有更高的预判准确率，解决了储能变流器在不同工况状态下的低维非线性故障信号特征挖掘问题。
Description
技术领域
本发明涉及电气设备故障预判技术领域，具体涉及一种基于贝叶斯优化一维卷积神经网络(BOA-CNN-1D)的储能变流器的开路故障预判方法、设备及介质。
背景技术
在双碳目标和能源转型背景下，发展储能是支撑新型电力系统建设的重要举措。随着大规模电化学储能电站的并网运行，储能电站的运维任务压力日益骤增，科学智能的运维策略可提高运维效率、降低运营成本、提升发电收益。储能变流器是电化学电池储能系统中功率转换系统的重要组成部分，为电网与储能点电池之间提供充放电接口。其中三电平中点钳位型(NPC)拓扑是当前储能系统中较为常用且稳定的变流器结构，然而由于三电平变流器结构复杂，故障问题频发。特别是发生开路故障时，会导致变流器性能迅速降低，如果未能及时识别故障位置和原因，甚至会导致直流侧电池等设备发生二次故障，引发储能重大事故，对社会安全造成极大威胁。
由此，非常有必要针对三电平NPC储能变流器关键部件开展故障预判工作，即根据变流器IGBT开路故障位置进行精准有效识别，及时排除故障以最大限度减少故障带来经济损失。传统故障识别方法主要是针对逆变器或整流器进行故障特征提取和识别过程，在面对模块化变流器的非侵入式监测、故障信号冗余等问题时，多电平变流器的复杂拓扑导致其开路故障识别面临体现诸多不足，主要包括：充放电工况下，由于复杂结构导致的故障模式过多；变流器并入电网后故障处电压变化微弱，仅可利用三相电流信号，导致故障原始特征信号单一；FFT、EMD等信号处理算法，需要更新不同参数提取故障特征，泛化能力较弱；针对变流器信号特征提取和深度学习的结合不足，传统信号特征提取结果维度较高，导致深度学习网络计算量过大、精度降低。
因此，基于以上问题，亟需开发适用于多电平变流器的多故障耦合及多状态综合识别技术，实现储能变流器IGBT开路故障的有效诊断和精准定位，以配合储能电站安全、高效运维，助力电网削峰填谷，提升电网保送能力。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种储能变流器的开路故障预判方法、设备及介质，在测量信号包含复杂噪声干扰的情况下，储能变流器的多种开路故障可获得更高的预判准确率。
为实现上述技术目的，本发明采用如下技术方案：
一种储能变流器的开路故障预判方法，包括以下步骤：
S1，采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流，构成原始数据集；开路故障类型包括：正常以及储能变流器中任意1个IGBT开路和任意2个IGBT开路形成的开路故障；
S2，对原始数据集中的三相输出电流进行分帧等预处理，处理后每帧电流信号作为1个开路故障信号样本，并提取每个样本的MFCC特征向量；
S3，采用核主成分分析法KPCA对提取的MFCC特征向量进行降维，得到低维非线性的故障特征向量；
S4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络CNN-1D进行训练，得到开路故障预判模型；
S5，实时采集储能变流器当前状态的三相输出电流，按步骤S2提取MFCC特征向量，并提取出与步骤S3相同的低维非线性的故障特征向量，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个IGBT开路或者某2个IGBT开路。
进一步的，MFCC特征向量中的特征包括MFCC系数，MFCC系数的能量，以及三相输出电流的均值、方差、脉冲因子和峭度因子。
进一步的，步骤S2具体为：
S2.1，设原始数据集中的三相输出电流按周期分帧得到N个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；加窗可表示为：
w(t)＝0.54-0.46cos(2π·x(t)·T-1)#(1)
式中，t泛指采样点，T为窗口长度；
S2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波Mel和倒谱分析处理，得到MFCC系数C：
式中，DFT表示离散傅立叶变换，X(k)为w(t)离散傅立叶变换得到的第k个频域信号；Hm(k)为第m个Mel的传递函数，其中为Mel中心频率；s(m)为第m个Mel的对数能量，M为Mel的个数；
S2.3，根据Mel的对数能量s(m)计算MFCC系数能量S，以及根据开路故障信号x(t)计算x(t)的均值方差Xvar、脉冲因子Cif、裕度因子Cmf和峭度因子Ckf：
式中，Num为每个开路故障信号x(t)中的采样点数量，xt为其中第t个采样点的电流值；
S2.4，综合S2.2～S2.3计算结果，将C、S、Xvar、Cif、Cmf和Ckf构建开路故障信号的MFCC特征向量。
进一步的，步骤S3具体为：
S3.1，通过核函数计算矩阵其中元素Kij＝k(zi,zj)，k(·)是核函数，zi和zj为样本i和样本j的MFCC特征向量，Ns为样本总数量；
S3.2，计算矩阵K的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为αl；
S3.3，计算原始MFCC特征向量的第l个非线性主成分Zl(x)，以构建低维非线性的故障向量：
其中，xi为第i个样本的MFCC特征向量，αl的维数为Ns。
进一步的，采用贝叶斯优化方法对CNN-1D网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、批尺寸batchsize、第一层卷积层的核大小ker1_size和数量ker1_num、第二层卷积层的核大小ker2_size和数量ker2_num以及两个全连接层的神经元数量fc1_num、fc2_num。
进一步的，所述储能变流器为三电平NPC变流器。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的方法。
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实现上述任一项技术方案所述的方法。
本发明的有益创新在于：
1、首先，本发明可以为电池储能电站变流器多种故障耦合下的故障预判提供技术支撑。
2、其次，本发明通过对不同频率区间能量分布和包络特征的分析，实现了储能变流器多种开路故障特征的有效提取。
3、再次，本发明利用高维故障特征的非线性降维技术，解决了储能变流器在不同工况状态下多种故障信号特征挖掘不充分的问题。
4、另外，本发明通过构建贝叶斯优化深度神经网络模型，实现了网络参数的自动寻优，提升了变工况场景下变流器故障预判的准确率。
附图说明
图文结合可以更形象介绍本发明的架构、路线及实施效果，下面对实施方式中的附图进行简单说明，可以方便了解本发明的目的、创新和效益。但下列附图仅属于本发明部分实施方式，基于本发明，本领域学者或技术人员可在没有创新性工作量的情况下获取其他的附图。
图1为本发明的算法流程图。
图2为本发明的三电平NPC变流器结构拓扑图。
图3为本发明的储能变流器的仿真电路结构。
图4为本发明的故障特征挖掘流程。
图5为本发明的CNN-1D神经网络示意图。
图6为本发明实施例1中开路故障倒谱系数的特征分布。
图7为本发明实施例1中各特征维度的贡献率。
图8为本发明实施例1中KMFCC-BOA-CNN-1D模型的损失值和准确率变化曲线。
具体实施方式
结合以上本发明实施例中的附图，基于实施例对本发明的技术路线进行详细阐述，且所介绍实施例仅为本发明范畴内的部分实施例。基于本发明，本领域学者或技术人员可在没有创新性工作量的情况下获取其他的实施例，皆为本发明保护范畴。
进一步地，下面以三电平NPC变流器拓扑结构为例，对本发明基于KMFCC特征提取及BOA-CNN-1D神经网络的储能变流器IGBT开路故障预判方法进行验证和说明。
实施例1
本实施例提供一种储能变流器开路故障预判方法，其中的储能变流器为三电平NPC变流器，如图2所示，主要由A、B、C三相桥臂构成，每相桥臂分别包括4个IGBT晶体管，共计12个IGBT晶体管；每相桥臂还各自包括2个钳位二极管和4个续流二极管，共计6个钳位二极管和12个续流二极管。其中，A相桥臂包括4个IGBT晶体管(QA1、QA2、QA3、QA4)、2个钳位二极管(VDA5、VDA6)个和4个续流二极管(VDA1、VDA2、VDA3、VDA4)；B相桥臂包括4个IGBT晶体管(QB1、QB2、QB3、QB4)、2个钳位二极管(VDB5、VDB6)个和4个续流二极管(Db1、Db2、Db3、Db4)；C相桥臂包括4个IGBT晶体管(QC1、QC2、QC3、QC4)、2个钳位二极管(VDC5、VDC6)个和4个续流二极管(VDC1、VDC2、VDC3、VDC4)。
考虑到变流器发生两个以上开路故障的概率极低，为了满足工程实用性，本发明针对变流器单个IGBT故障或2个IGBT同时故障的情况(同相同桥臂2个IGBT故障、异相同桥臂2个IGBT故障、同相异桥臂2个IGBT故障、异相异桥臂2个IGBT故障、正常状态)，共计6大类故障类型。变流器开路故障模式如表1所示。
表1变流器开路故障模式
本实施例提供的一种储能变流器的开路故障预判方法，参考图1所示，包括以下步骤：
S1，采集储能变流器在充电状态和放电状态下正常情况、任意1个IGBT开路、任意2个IGBT开路时的三相输出电流。
本发明搭建的仿真模型如图3所示，考虑到电流信号具有正弦函数周期变化特征，本发明利用每个周期的三相交流侧电流信号构建一个样本，同时储能变流器具有充电和放电两种工作状态，每个工作状态将采集共79种故障状态。每个故障状态采集样本数为N＝200个，因此共有2×79×200个样本。按7:2:1的比例将上述样本分别划分入训练集、验证集、测试集，即练集、验证集、测试集分别包括22120个、6320个、3160个样本。
S2，对原始数据集中的三相输出电流进行分帧等预处理，处理后每帧电流信号作为1个开路故障信号样本，表示为x(t)，提取每个样本的MFCC特征向量。
S2.1，设原始数据集中的三相输出电流按周期分帧得到N个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；其中加窗可表示为：
w(t)＝0.54-0.46cos(2π·x(t)·T-1)#(1)
式中，t泛指采样点，T为窗口长度；
S2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波Mel和倒谱分析处理，得到MFCC系数C：
式中，DFT表示离散傅立叶变换，X(k)为w(t)离散傅立叶变换得到的第k个频域信号；Hm(k)为第m个Mel的传递函数，其中f(m)为Mel中心频率；s(m)为第m个Mel的对数能量，M为Mel的个数；
S2.3，根据Mel的对数能量s(m)计算MFCC系数能量S，以及根据开路故障信号x(t)计算x(t)的均值方差Xvar、脉冲因子Cif、裕度因子Cmf和峭度因子Ckf：
式中，Num为每个开路故障信号x(t)中的采样点数量，xt为其中第t个采样点的电流值；
S2.4，综合S2.2～S2.3计算结果，将C、S、Xvar、Cif、Cmf和Ckf共6类包络特征构建开路故障信号的MFCC特征向量。
S3，采用核主成分分析法KPCA对提取的MFCC特征向量进行降维，得到低维非线性的故障特征向量；
S3.1，通过核函数计算矩阵其中元素Kij＝k(zi,zj)，k(·)是核函数，zi和zj为样本i和样本j的MFCC特征向量，Ns为样本总数量；
S3.2，计算矩阵K的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为αl；
S3.3，计算原始MFCC特征向量的第l个非线性主成分Zl(x)，以构建低维非线性的故障特征向量：
其中，xi为第i个样本的MFCC特征向量，αl的维数为Ns。
上述步骤1-3如图4所示。
S4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络CNN-1D进行训练，得到开路故障预判模型。
一维卷积神经网络CNN-1D模型示意图如图5所示。所有样本的故障特征向量和对应标记的开路故障类型标签，分别作为一维卷积神经网络CNN-1D的训练输入和输出，故障特征向量经过卷积的权值共享和池化，来降低网络参数的数量级，最后通过BOA进行网络参数的自适应寻优。
本实施例中，采用贝叶斯优化方法对CNN-1D网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、batchsize、第一层卷积层的核大小和数量(ker1_size、ker1_num)、第二层卷积层的核大小和数量(ker2_size、ker2_num)以及以及两个全连接层的神经元数量(fc1_num、fc2_num)。采用贝叶斯优化方法对CNN-1D网络超参数的步骤主要包括造黑盒函数、确定域空间、实例化对象、确定迭代次数和搜索最优结果。在确定域空间时，网络超参数的设置范围在本实施例中如表2所示：
表2模型参数范围设置
S5，实时采集储能变流器当前状态的三相输出电流，按步骤S2提取MFCC特征，并提取出与步骤S3相同的低维非线性的故障特征，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个IGBT开路或者某2个IGBT开路。
为了验证本发明所提方法的可行性，本发明搭建的储能系统仿真模型包括电池、三电平NPC变流器、电感、电容以及三相电网等模块。
1)控制开关的闭合来模拟储能变流器的IGBT开路故障，并采集交流侧三相电流信号。
2)考虑到数据特征的充裕度，将每个工频周期的时序采样信号作为故障特征集的1帧样本，设置分帧窗口T＝5，以实现滑动窗口重叠采样不同故障时刻周期信号。同时Mel的个数M＝12，得到一个361×2×79组54维的MFCC特征向量集合。其中，当变流器发生QA1单体开路故障时倒谱系数1至12维的特征分布如图6所示。
3)为了更好模拟实际环境，加入不同信噪比的白噪声，其中信噪比的计算公式如下：
其中，E(s)和E(n)分别为信号和噪声的能量；Rs为信噪比值，信噪比值越高代表噪声所占比例越小。
4)在采用KPCA进行降维时，如图7的各特征维度贡献率所示，随着维度增加，贡献率也不断提升，当特征维度为12维时，贡献率可达80％以上。因此，考虑到实用性及诊断的及时性，本实例以特征维度为12维的数据作为故障特征。
5)在特征维度为12维的条件下的KMFCC特征数据输入BOA-CNN-1D模型中，由图8的损失值和准确率变化曲线可知：经KMFCC处理的低维特征数据作为模型的输入，可以减少计算量，提高了识别精度和识别效率。其中CNN-1D模型参数优化结果如表3所示。
表3神经网络参数优化结果
6)为了验证本发明模型的有效性，基于相同数据集与现有方法进行了对比验证，所对比的方法包括：
①支持向量机(SVM)法。其使用单核线性SVM进行故障预判，核函数为径向基函数。
②BOA-SVM法。其使用BOA对SVM模型中的惩罚系数c和核参数gamma进行自动寻优。
③CNN-1D法。其包含2个卷积层和2个全连接层，通过Softmax层输出故障预判结果。
④本发明提出的BOA-CNN-1D法。其网络结构为CNN-1D，并利用BOA对神经网络的超参数进行自动寻优。
7)各方法的故障预判结果如表4所示。
表4不同噪声下不同方法的故障预判准确率
综合上述实验分析结果如表4，可以得出：
①在第一组实验中，对比了EMD-SVM、EMD-BOA-SVM、EMD-CNN-1D、EMD-BOA-CNN-1D四种故障预判方法，在信噪比值为-1、0、5、10及无噪声环境下，故障预判的准确率最高的方法分别是：EMD-BOA-CNN-1D、EMD-CNN-1D、EMD-BOA-SVM、EMD-BOA-CNN-1D、EMD-BOA-CNN-1D；由此可见，在第一组实验中EMD-BOA-CNN-1D结果优于其他方法，在低噪声情况下EMD-BOA-SVM结果接近于EMD-BOA-CNN-1D。
②在第二组实验中，对比KMFCC-SVM、KMFCC-BOA-SVM、KMFCC-CNN-1D、KMFCC-BOA-CNN-1D四种故障预判方法，在信噪比值为-1、0、5、10及无噪声环境下，故障预判的准确率最高的方法分别是：KMFCC-BOA-CNN-1D、KMFCC-BOA-CNN-1D、KMFCC-BOA-CNN-1D、KMFCC-BOA-CNN-1D、KMFCC-BOA-CNN-1D；由此可见，在第二组实验中KMFCC-BOA-CNN-1D结果明显优于其他方法。
③与上述结果对比可知：KMFCC-BOA-CNN-1D预判结果明显优于EMD-BOA-CNN-1D，而EMD-BOA-SVM和EMD-BOA-CNN-1D的准确率相近。在不同噪声作用下BOA-CNN-1D都具有较高精度，说明本文构建的BOA-CNN-1D具有较好的准确率和鲁棒性，能够更好提高三电平逆变器故障预判准确率。因此结合MFCC和KPCA在故障特征挖掘的优势，对故障数据进行不同频率区间能量分布和包络特征的分析，提升了BOA-CNN-1D模型开路故障识别和预判的准确率。综上，KMFCC-BOA-CNN-1D在实现储能变流器的IGBT开路故障预判中具有较好的效果。
采用实验台进行多个对比试验，验证了本发明所提出的KMFCC-BOA-CNN-1D的三电平NPC储能变流器IGBT开路故障预判方法可以提升变工况场景下变流器故障预判准确率。
实施例2
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现实施例1所述的方法。
实施例3
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实现实施例1所述的方法。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种储能变流器的开路故障预判方法，其特征在于，包括以下步骤：
S1，采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流，构成原始数据集；开路故障类型包括：正常以及储能变流器中任意1个IGBT开路和任意2个IGBT开路形成的开路故障；
S2，对原始数据集中的三相输出电流进行分帧、加窗和预加重处理预处理，处理后每帧电流信号作为1个开路故障信号样本，并提取每个样本的MFCC特征向量；
预处理包括：设原始数据集中的三相输出电流按周期分帧得到N个开路故障信号样本，其中，将每个工频周期的时序采样信号作为故障特征集的1帧样本；将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；
将预处理后的开路故障信号w(t)的MFCC系数C、MFCC系数能量S，和预处理前的开路故障信号x(t)的均值方差Xvar、脉冲因子Cif、裕度因子Cmf、峭度因子，构建开路故障信号的MFCC特征向量；
S3，采用核主成分分析法KPCA对提取的MFCC特征向量进行降维，得到低维非线性的故障特征向量；
步骤S3具体为：
S3.1，通过核函数计算矩阵其中元素Kij＝k(zi,zj)，k(·)是核函数，zi和zj为样本i和样本j的MFCC特征向量，Ns为样本总数量；
S3.2，计算矩阵K的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为αl；
S3.3，计算原始MFCC特征向量的第l个非线性主成分zl(x)，以构建低维非线性的故障特征向量：
其中，xi为第i个样本的MFCC特征向量，αl的维数为Ns；
S4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络CNN-1D进行训练，得到开路故障预判模型；
S5，实时采集储能变流器当前状态的三相输出电流，按步骤S2提取MFCC特征向量，并提取出与步骤S3相同的低维非线性的故障特征向量，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个IGBT开路或者某2个IGBT开路。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S2.1，设原始数据集中的三相输出电流按周期分帧得到N个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；加窗可表示为：
w(t)＝0.54-0.46cos(2π·x(t)·T-1)#(1)
式中，t泛指采样点，T为窗口长度；
S2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波Mel和倒谱分析处理，得到MFCC系数C：
式中，DFT表示离散傅立叶变换，X(k)为w(t)离散傅立叶变换得到的第k个频域信号；Hm(k)为第m个Mel的传递函数，其中f(m)为Mel中心频率；s(m)为第m个Mel的对数能量，M为Mel的个数；
S2.3，根据Mel的对数能量s(m)计算MFCC系数能量S，以及根据开路故障信号x(t)计算x(t)的均值方差Xvar、脉冲因子Cif、裕度因子Cmf和峭度因子Ckf：
式中，Num为每个开路故障信号x(t)中的采样点数量，xt为其中第t个采样点的电流值；
S2.4，综合S2.2～S2.3计算结果，将C、S、Xvar、Cif、Cmf和Ckf构建开路故障信号的MFCC特征向量。
3.根据权利要求1所述的方法，其特征在于，采用贝叶斯优化方法对CNN-1D网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、批尺寸batchsize、第一层卷积层的核大小ker1_size和数量ker1_num、第二层卷积层的核大小ker2_size和数量ker2_num以及两个全连接层的神经元数量fc1_num、fc2_num。
4.根据权利要求1所述的方法，其特征在于，所述储能变流器为三电平NPC变流器。
5.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～4中任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311260.7A CN114019310B (zh) | 2021-11-08 | 2021-11-08 | 一种储能变流器的开路故障预判方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311260.7A CN114019310B (zh) | 2021-11-08 | 2021-11-08 | 一种储能变流器的开路故障预判方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114019310A CN114019310A (zh) | 2022-02-08 |
| CN114019310B true CN114019310B (zh) | 2024-02-20 |
Family
ID=80061891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111311260.7A Active CN114019310B (zh) | 2021-11-08 | 2021-11-08 | 一种储能变流器的开路故障预判方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114019310B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170119353A (ko) * | 2016-04-18 | 2017-10-27 | 주식회사 세화 | 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
| CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
| CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
| CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
| KR20190139126A (ko) * | 2018-06-07 | 2019-12-17 | 고려대학교 세종산학협력단 | 소리 정보를 이용한 전력용 변압기의 이상 상황 탐지 |
| CN111044285A (zh) * | 2019-11-22 | 2020-04-21 | 军事科学院系统工程研究院军用标准研究中心 | 一种复杂情况下机械设备故障诊断方法 |
| CN111625763A (zh) * | 2020-05-27 | 2020-09-04 | 郑州航空工业管理学院 | 一种基于数学模型的运行风险预测方法和预测系统 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
| 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 |
| CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
| CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
-
2021
- 2021-11-08 CN CN202111311260.7A patent/CN114019310B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170119353A (ko) * | 2016-04-18 | 2017-10-27 | 주식회사 세화 | 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| KR20190139126A (ko) * | 2018-06-07 | 2019-12-17 | 고려대학교 세종산학협력단 | 소리 정보를 이용한 전력용 변압기의 이상 상황 탐지 |
| CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
| CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
| CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
| CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
| CN111044285A (zh) * | 2019-11-22 | 2020-04-21 | 军事科学院系统工程研究院军用标准研究中心 | 一种复杂情况下机械设备故障诊断方法 |
| CN111625763A (zh) * | 2020-05-27 | 2020-09-04 | 郑州航空工业管理学院 | 一种基于数学模型的运行风险预测方法和预测系统 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
| 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 |
| CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
| CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于振动响应多维联合特征的瓷支柱绝缘子故障识别方法;万书亭;冉斌;王志欢;;广东电力(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114019310A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| WO2018045689A1 (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 | |
| CN109193635B (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
| Si et al. | Fault diagnosis based on attention collaborative LSTM networks for NPC three-level inverters | |
| CN109858564B (zh) | 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法 | |
| CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
| CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN110941909A (zh) | 光伏电站和风电场参数主导性辨识计算方法及系统 | |
| Guolian et al. | Research on fault diagnosis of wind turbine control system based on artificial neural network | |
| CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
| Cai et al. | Fault diagnosis of DAB converters based on ResNet with adaptive threshold denoising | |
| Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
| CN104680249A (zh) | 一种基于改进离散粒子群算法的pmu配置方法 | |
| CN114252739A (zh) | 配电网单相接地故障判别方法、系统、设备和存储介质 | |
| Ke et al. | Compound fault diagnosis method of modular multilevel converter based on improved capsule network | |
| CN114019310B (zh) | 一种储能变流器的开路故障预判方法、设备及介质 | |
| 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 | |
| CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
| CN115684786A (zh) | 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统 | |
| CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
| CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
| CN113419172A (zh) | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 | |
| Ke et al. | Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion | |
| Wan et al. | A review of power electronic parametric fault diagnosis methods |
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 |