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
基于改进cnn的三电平逆变器开路故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114035120A CN114035120A CN202111302985.XA CN202111302985A CN114035120A CN 114035120 A CN114035120 A CN 114035120A CN 202111302985 A CN202111302985 A CN 202111302985A CN 114035120 A CN114035120 A CN 114035120A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional layer
- level inverter
- cnn
- represented
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003362 replicative effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 5
- 239000000463 material Substances 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 10
- 238000003909 pattern recognition Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007983 Tris buffer Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
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
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Kw (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Xw (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bw l(w=1,2,3),可以得到三通道卷积层的第j个特征图为:
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:
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:
池化层残差可用下式表示:
卷积层与平均池化层对于偏置项bw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kw偏导数可由下式表示:
平均池化层对于权重项kw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,Psoftmax为每一类的出现概率,μ为输出向量,μβ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Kw (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Xw (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bw l(w=1,2,3),可以得到三通道卷积层的第j个特征图为:
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:
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:
池化层残差可用下式表示:
卷积层与平均池化层对于偏置项bw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kw偏导数可由下式表示:
平均池化层对于权重项kw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,Psoftmax为每一类的出现概率,μ为输出向量,μβ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Kw (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Xw (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bw l(w=1,2,3),可以得到三通道卷积层的第j个特征图为:
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:
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:
池化层残差可用下式表示:
卷积层与平均池化层对于偏置项bw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kw偏导数可由下式表示:
平均池化层对于权重项kw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,Psoftmax为每一类的出现概率,μ为输出向量,μβ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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111302985.XA CN114035120A (zh) | 2021-11-04 | 2021-11-04 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111302985.XA CN114035120A (zh) | 2021-11-04 | 2021-11-04 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114035120A true CN114035120A (zh) | 2022-02-11 |
Family
ID=80143002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111302985.XA Pending CN114035120A (zh) | 2021-11-04 | 2021-11-04 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035120A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400264A (zh) * | 2023-06-09 | 2023-07-07 | 广东工业大学 | 一种逆变器开路故障诊断方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080206749A1 (en) * | 2007-02-26 | 2008-08-28 | The Chinese University Of Hong Kong | Methods and kits for diagnosis, prognosis or monitoring of Epstein-Barr virus (EBV)-associated cancer |
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
EP3174190A1 (en) * | 2015-11-24 | 2017-05-31 | ABB Schweiz AG | Three level converter |
WO2017190480A1 (zh) * | 2016-05-06 | 2017-11-09 | 上海海事大学 | 多电平逆变器的参考电压信号重构的容错控制方法 |
JP6476531B1 (ja) * | 2018-03-06 | 2019-03-06 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
US20190236456A1 (en) * | 2018-01-30 | 2019-08-01 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
US20200358396A1 (en) * | 2019-05-06 | 2020-11-12 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
CN111965540A (zh) * | 2020-08-13 | 2020-11-20 | 无锡赛思亿电气科技有限公司 | 轴带推进机构中轴带电机的故障检测方法 |
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
CN112949198A (zh) * | 2021-03-10 | 2021-06-11 | 阳光电源股份有限公司 | 光伏组串的故障检测方法、装置及计算机存储介质 |
CN113125992A (zh) * | 2021-04-23 | 2021-07-16 | 合肥工业大学 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
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
- 2021-11-04 CN CN202111302985.XA patent/CN114035120A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080206749A1 (en) * | 2007-02-26 | 2008-08-28 | The Chinese University Of Hong Kong | Methods and kits for diagnosis, prognosis or monitoring of Epstein-Barr virus (EBV)-associated cancer |
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
EP3174190A1 (en) * | 2015-11-24 | 2017-05-31 | ABB Schweiz AG | Three level converter |
WO2017190480A1 (zh) * | 2016-05-06 | 2017-11-09 | 上海海事大学 | 多电平逆变器的参考电压信号重构的容错控制方法 |
US20190236456A1 (en) * | 2018-01-30 | 2019-08-01 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
JP6476531B1 (ja) * | 2018-03-06 | 2019-03-06 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
US20200358396A1 (en) * | 2019-05-06 | 2020-11-12 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
CN111965540A (zh) * | 2020-08-13 | 2020-11-20 | 无锡赛思亿电气科技有限公司 | 轴带推进机构中轴带电机的故障检测方法 |
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
CN112949198A (zh) * | 2021-03-10 | 2021-06-11 | 阳光电源股份有限公司 | 光伏组串的故障检测方法、装置及计算机存储介质 |
CN113125992A (zh) * | 2021-04-23 | 2021-07-16 | 合肥工业大学 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
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 (2)
Title |
---|
陈旺斌 等: "基于卷积神经网络的光伏逆变器故障诊断" * |
陈旺斌: "基于卷积神经网络的光伏逆变器故障诊断技术研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400264A (zh) * | 2023-06-09 | 2023-07-07 | 广东工业大学 | 一种逆变器开路故障诊断方法和系统 |
CN116400264B (zh) * | 2023-06-09 | 2023-08-18 | 广东工业大学 | 一种逆变器开路故障诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
CN103761372B (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 | |
US20220198244A1 (en) | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter | |
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN109828552B (zh) | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 | |
CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
CN112748368A (zh) | 一种三电平逆变器igbt开路故障诊断方法 | |
CN112611982A (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
CN114169231A (zh) | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN107025341A (zh) | 一种光伏逆变器故障诊断方法 | |
CN113673630A (zh) | 配电网故障分类方法、系统及装置 | |
CN110490248A (zh) | 一种电力电子变换器故障诊断方法、终端设备及存储介质 | |
CN110795894A (zh) | 基于bp神经网络计算igbt模块温度的方法 | |
CN114035120A (zh) | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
KR102404498B1 (ko) | 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 | |
CN109165472A (zh) | 一种基于变拓扑自组织网络的电源健康评估方法 | |
CN116432359A (zh) | 基于元迁移学习的变拓扑网络潮流计算方法 | |
CN116702580A (zh) | 一种基于注意力卷积自编码器的发酵过程故障监测方法 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN115980515A (zh) | 一种单相接地故障定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220211 |