CN114035120A - 基于改进cnn的三电平逆变器开路故障诊断方法及系统 - Google Patents

Abstract

一种基于改进CNN的三电平逆变器开路故障诊断方法，该方法包含以下步骤：（1）搭建NPC三电平逆变器试验平台；（2）提取一个周期内的三相电流信号；（3）获取全部故障特征下的输入向量，（4）通过控制驱动波形模拟79种开路故障；（5）构建CNN网络模型；（6）将训练好的CNN网络用于测试集。本发明还包括基于改进CNN的三电平逆变器开路故障诊断系统。本发明根据逆变器应用发展现状，对逆变器最常用的NPC三电平逆变器的故障特性进行详细研究，建立了一种针对NPC三电平的开路故障诊断方法，通过实时的电流监测，即可对各个模块的进行有效的状态评估；通过实时监测避免由器件开路时间过长而对整个系统带来的损失。

Description

基于改进CNN的三电平逆变器开路故障诊断方法及系统

技术领域

本发明涉及电力系统故障诊断技术领域，具体涉及一种基于改进CNN的三电平逆变器开路故障诊断方法及系统。

背景技术

二极管钳位型三电平逆变器(NPC)是最早提出的一种多电平逆变器拓扑结构。与传统两电平逆变器相比，其自身带有两个二极管可将直流电压钳位至高-中-低三个电平，从而达到每个开关管在承受一半电压和较低的开关频率的工况下，得到比传统两电平逆变器更好的输出波形。三电平逆变器在实际应用过程中能够有效降低器件的功率损耗和电路中的谐波含量，在电力市场获得了广泛的应用。

电力系统装置故障可分为硬故障和软故障。前者在故障时会造成电路结构改变，即结构性故障。而后者又称为参数性故障，即故障时会造成元件参数的漂移从而影响输出特性。对于电力系统中电力电子器件而言，其故障大多表现为断路与短路，即造成系统的结构性故障，因此需要进行在线的故障诊断。同时由于电力系统的重要性，其内部电力电子器件的故障会严重影响国家民生、军事用电安全。甚至导致电路系统中的用电设备无法正常运行，造成巨大的经济损失。因此，如何快速、准确地对故障进行定位的问题目前亟需解决

近年来，随着人工智能及计算机的发展，机器学习被广泛应用于模拟电路、电力变压器、电力系统、齿轮箱等故障诊断领域。其可以实现的主要功能包括模式识别、聚类、回归、特征提取、参数优化等。并随着机器学习的逐步发展，内部网络结构逐步复杂，深度学习技术逐步被开发出来。深度学习在应用于故障诊断时通常由三个步骤组成：特征提取，模式识别和参数优化。特征提取用于从测量信号中提取高维特征，模式识别用于从提取到的特征中建立映射关系，而参数优化则是针对特征提取和模式识别过程中的参数作为未知数进行求解，以获得最好的特征提取和模式识别结果。

无论对于特征提取，模式识别还是参数优化。其结果均具有不确定性，容易受到人工选择，信号特性，噪声等干扰，同时其复杂性限制了很多特征提取方法的推广。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种故障诊断精准、高效的基于改进CNN的三电平逆变器开路故障诊断方法及系统。

本发明解决其技术问题采用的技术方案是，一种基于改进CNN的三电平逆变器开路故障诊断方法，该方法包含以下步骤：

(1)搭建NPC三电平逆变器试验平台；

(2)提取一个周期内的三相电流信号：将三相电流重组转为三通道二维数据；

(3)获取全部故障特征下的输入向量，并分别作为网络输入；

(4)通过控制驱动波形模拟79种开路故障：测量逆变器三相输出电流并将其上传至上位机；

(5)构建CNN网络模型：其中包含卷积层，平均池化层，全连接层和分类层；

卷积层参数定义如下：

用K_w ^(l)(w＝1,2,3)表示第l层的卷积层，w表示通道数量，大小为(1×n)；对于特征图为X_w ^(l-1)(w＝1,2,3)的输入层进行卷积操作；同时给每一通道都加上一个偏置b_w ^l(w＝1,2,3)，可以得到三通道卷积层的第j个特征图为：

其中，

大小为(1×(m-n+1))，k_ROT由卷积层旋转180°得到，

表示特征图所有元素，x和k分别表示X_w ^(l-1)和K_w ^(l)中的元素；所得结果为对j个特征图及w个通道特征图的求和；

具体地，进行激活函数的计算，如下式所示：

其中，f为reLU激活函数，其表达式为：

f＝max(0,x)

具体地，使用聚合统计的方法，显著降低卷积层结果的统计特征维度，改善网络训练效果；

平均池化层参数定义如下：

用

(w＝1,2,3)表示第(l+1)层的平均池化层，大小为(1×a)。对于特征图

进行平均池化操作，步长为a；可以得到平均池化层的特征图为：

其中，

的大小为(1×(m-n+1))/a，p表示

中的元素；对于平均池化层，

具体地，将上述各层所得特征图依次展开，连接成向量F，输入全连接网络：

其中，L为层数；

具体地，根据总误差进行反向传播计算；其中，实际输出为y，期望输出为d；则误差E为：

通过梯度下降和反向传播算法进行训练；其中，首先根据反向传播算法计算残差，再根据残差计算梯度；

具体地，对于残差和梯度的计算，包括：

卷积层残差可用下式表示：

其中，

表示第l卷积层残差，up_a×a(η)表示将η在水平和垂直方向复制a次。

池化层残差可用下式表示：

其中，

表示第l+1卷积层残差。

卷积层与平均池化层对于偏置项b_w偏导数可由下式表示：

其中，u,v为对应卷积层行与列；

卷积层对于权重项k_w偏导数可由下式表示：

平均池化层对于权重项k_w偏导数可由下式表示：

具体地，将误差矩阵当做卷积层，进行反卷积与反池化操作，乘以自适应学习率后得到了权值的偏差矩阵，然后与原先的卷积层的权值相加，并得到了更新后的卷积层；

(6)将训练好的CNN网络用于测试集：根据所提取特征输入分类层，分类层由柔性最大值传输函数-Softmax构成，其表达形式由下式表示：

其中，τ表示神经网络的类别数，P_softmax为每一类的出现概率，μ为输出向量，μ_β表示μ中第β个类别的值，α表示当前需要计算的类别。

一种基于改进CNN的三电平逆变器开路故障诊断系统，包括计算机可读存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现所述的基于改进CNN的三电平逆变器开路故障诊断方法。

本发明根据逆变器应用发展现状，对逆变器最常用的NPC三电平逆变器的故障特性进行详细研究，通过将一维的时域信号二维化构成矩阵，使其适用于作为CNN的输入向量，充分发挥CNN的特征提取能力，详细分析CNN在提取二维信号时的过程及特征，提出一种基于CNN-MKRVM的故障诊断方法；建立了一种针对NPC三电平的开路故障诊断方法，通过实时的电流监测，即可对各个模块的进行有效的状态评估；通过实时监测避免由器件开路时间过长而对整个系统带来的损失。

附图说明

图1是本发明实施例的流程示意图；

图2是本发明实施例的三电平逆变器拓扑图；

图3是本发明实施例中部分故障情形时的三相电流波形图；

图4是本发明实施例中CNN特征提取流程图；

图5是本发明实施例中预测结果混淆矩阵图；

图6是本发明实施例的交叉熵损失及精度图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

参照附图1，本实施例的方法流程示意图包括以下步骤：

(1)搭建NPC三电平逆变器试验平台；

(2)提取一个周期内的三相电流信号(三相电流中其中任意相电流过零时)，

同时记录一个周期的三相电流并作为网络输入，采样频率2000Hz。

在本实施例中，将三相电流重组转为三通道二维数据。

具体地，一个周期内所测量的400个数据点重新组为20×20矩阵，三相电流分别对应三个通道，构成20×20×3的输入向量。

(3)获取全部故障特征下的输入向量，并分别作为网络输入。

具体地，以A相单管故障，A相双管故障以及AB相双管故障为例，其故障模式与标签如表1所示。

表1 A相单管以及AB相双管故障模式

(4)通过控制驱动波形模拟79种开路故障(包括78种故障状态，1种正常状态)，测量逆变器三相输出电流并将其上传至上位机。

(5)：构建CNN网络模型，其中包含卷积层，平均池化层，全连接层和分类层。

具体地，在卷积层进行卷积操作训练卷积层。卷积层参数定义如下：

用K_w ^(l)(w＝1,2,3)表示第l层的卷积层，w表示通道数量，大小为(1×n)。对于特征图为X_w ^(l-1)(w＝1,2,3)的输入层进行卷积操作。同时给每一通道都加上一个偏置b_w ^l(w＝1,2,3)，可以得到三通道卷积层的第j个特征图为：

其中，

大小为(1×(m-n+1))，k_ROT由卷积层旋转180°得到，

表示特征图所有元素，x和k分别表示X_w ^(l-1)和K_w ^(l)中的元素。所得结果为对j个特征图及w个通道特征图的求和。

具体地，进行激活函数的计算，如下式所示：

其中，f为reLU激活函数，其表达式为：

f＝max(0,x) (3)

具体地，使用聚合统计的方法，显著降低卷积层结果的统计特征维度，改善网络训练效果。平均池化层参数定义如下：

用

(w＝1,2,3)表示第(l+1)层的平均池化层，大小为(1×a)。对于特征图

进行平均池化操作，步长为a。可以得到平均池化层的特征图为：

其中，

的大小为(1×(m-n+1))/a，p表示

中的元素。对于平均池化层，

具体地，将上述各层所得特征图依次展开，连接成向量F，输入全连接网络：

其中，L为层数。

具体地，根据总误差进行反向传播计算。其中，实际输出为y，期望输出为d。则误差E为：

通过梯度下降和反向传播算法进行训练。其中，首先根据反向传播算法计算残差，再根据残差计算梯度。

具体地，对于残差和梯度的计算，包括：

卷积层残差可用下式表示：

其中，

表示第l卷积层残差，up_a×a(η)表示将η在水平和垂直方向复制a次。

池化层残差可用下式表示：

其中，

表示第l+1卷积层残差。

卷积层与平均池化层对于偏置项b_w偏导数可由下式表示：

其中，u,v为对应卷积层行与列。

卷积层对于权重项k_w偏导数可由下式表示：

平均池化层对于权重项k_w偏导数可由下式表示：

具体地，将误差矩阵当做卷积层，进行反卷积与反池化操作，乘以自适应学习率后得到了权值的偏差矩阵，然后与原先的卷积层的权值相加，并得到了更新后的卷积层。

(6)：将训练好的CNN网络用于测试集，根据所提取特征输入分类层，分类层由柔性最大值传输函数(Softmax)构成，其表达形式由下式表示：

其中，τ表示神经网络的类别数，P_softmax为每一类的出现概率，μ为输出向量，μ_β表示μ中第β个类别的值，α表示当前需要计算的类别。计算结果在0-1之间。

其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。

在实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现如上述的一种三电平逆变器开路故障诊断方法。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也仍在本发明专利的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (2)

1.一种基于改进CNN的三电平逆变器开路故障诊断方法，其特征在于：该方法包含以下步骤：

(1)搭建NPC三电平逆变器试验平台；

(2)提取一个周期内的三相电流信号：将三相电流重组转为三通道二维数据；

(3)获取全部故障特征下的输入向量，并分别作为网络输入；

(4)通过控制驱动波形模拟79种开路故障：测量逆变器三相输出电流并将其上传至上位机；

(5)构建CNN网络模型：其中包含卷积层，平均池化层，全连接层和分类层；

卷积层参数定义如下：

用K_w ^(l)(w＝1,2,3)表示第l层的卷积层，w表示通道数量，大小为(1×n)；对于特征图为X_w ^(l-1)(w＝1,2,3)的输入层进行卷积操作；同时给每一通道都加上一个偏置b_w ^l(w＝1,2,3)，可以得到三通道卷积层的第j个特征图为：

其中，

大小为(1×(m-n+1))，k_ROT由卷积层旋转180°得到，

表示特征图所有元素，x和k分别表示X_w ^(l-1)和K_w ^(l)中的元素；所得结果为对j个特征图及w个通道特征图的求和；

具体地，进行激活函数的计算，如下式所示：

其中，f为reLU激活函数，其表达式为：

f＝max(0,x)

具体地，使用聚合统计的方法，显著降低卷积层结果的统计特征维度，改善网络训练效果；

平均池化层参数定义如下：

用

表示第(l+1)层的平均池化层，大小为(1×a)。对于特征图

进行平均池化操作，步长为a；可以得到平均池化层的特征图为：

其中，

的大小为(1×(m-n+1))/a，p表示

中的元素；对于平均池化层，

具体地，将上述各层所得特征图依次展开，连接成向量F，输入全连接网络：

其中，L为层数；

具体地，根据总误差进行反向传播计算；其中，实际输出为y，期望输出为d；则误差E为：

通过梯度下降和反向传播算法进行训练；其中，首先根据反向传播算法计算残差，再根据残差计算梯度；

具体地，对于残差和梯度的计算，包括：

卷积层残差可用下式表示：

其中，

表示第l卷积层残差，up_a×a(η)表示将η在水平和垂直方向复制a次。

池化层残差可用下式表示：

其中，

表示第l+1卷积层残差。

卷积层与平均池化层对于偏置项b_w偏导数可由下式表示：

其中，u,v为对应卷积层行与列；

卷积层对于权重项k_w偏导数可由下式表示：

平均池化层对于权重项k_w偏导数可由下式表示：

具体地，将误差矩阵当做卷积层，进行反卷积与反池化操作，乘以自适应学习率后得到了权值的偏差矩阵，然后与原先的卷积层的权值相加，并得到了更新后的卷积层；

(6)将训练好的CNN网络用于测试集：根据所提取特征输入分类层，分类层由柔性最大值传输函数-Softmax构成，其表达形式由下式表示：

其中，τ表示神经网络的类别数，P_softmax为每一类的出现概率，μ为输出向量，μ_β表示μ中第β个类别的值，α表示当前需要计算的类别。

2.一种基于改进CNN的三电平逆变器开路故障诊断系统，包括计算机可读存储介质，其特征在于：所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现如权利要求1所述的基于改进CNN的三电平逆变器开路故障诊断方法。

Images