CN115097184A - 基于无阈值递归图和卷积神经网络的电流信号分析方法 - Google Patents
基于无阈值递归图和卷积神经网络的电流信号分析方法 Download PDFInfo
- Publication number
- CN115097184A CN115097184A CN202210676223.4A CN202210676223A CN115097184A CN 115097184 A CN115097184 A CN 115097184A CN 202210676223 A CN202210676223 A CN 202210676223A CN 115097184 A CN115097184 A CN 115097184A
- Authority
- CN
- China
- Prior art keywords
- current signal
- threshold
- neural network
- free
- igbt
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
-
- 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
- G01R31/56—Testing of electric apparatus
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了基于无阈值递归图和卷积神经网络的电流信号分析方法,对采集到的电流信号进行预处理,获得去除噪音干扰的电流信号;再将除噪音干扰的电流信号转换为无阈值递归图;通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习,并建立电流信号的分类模型;利用电流信号的分类模型对后续的电流信号来对逆变器故障进行识别。本发明通过将电流信号波形转化为无阈值递归图,可以将电流信号的非线性特征映射至二维图像中,在转换过程中不设置阈值,可以更好的保留原始信号波形中的非线性信息,可以对无阈值递归图进行更多细节特征的自学习,进而获得了较好的故障诊断效果。
Description
技术领域
本发明涉及变流器故障分析技术领域,具体为基于无阈值递归图和卷积神经网络的电流信号分析方法。
背景技术
变流器的IGBT短路故障会导致电流骤升,风力发电机组可以根据此特征实现自我保护;而当变流器发生IGBT开路故障时,在较短的时间内,风力发电机组还可以继续维持运行状态。如果能够及时的诊断出开路故障并在此时迅速采取保护措施,则可以有效地保护逆变器并避免产生更大范围的损坏。目前,我国的风力发电机组装机容量在不断攀升,国内外对于风力发电机组控制系统在并网运行中的故障进行了大量的深入研究。然而,关于并网运行下变流器故障的研究较少,不能准确地定位出哪个功率部件发生故障,这将增加实际维护的难度,并影响风力发电系统运行的可靠性;风力发电机组所发出的电在并网过程中,一旦变流器中的逆变器发生故障,将对整个电力系统造成严重影响,轻则损坏元器件,重则危及工作人员的生命安全。因为逆变器的IGBT开路故障发生后,风力发电系统还可以在一段时间内继续保持运行状态,因此需要及时准确地判断出开路故障并精确地找到IGBT的开路位置。如果不能及时的判断开路故障并采取保护措施,风力发电机组将长时间处于带“病”运转状态,会导致其产生疲劳损坏。因此对逆变器的故障诊断尤为重要,风力发电相关的设备对电力电子元器件的可靠性要求较高,其中IGBT开关管是整个风电变流器系统中最容易发生故障的器件。因此,要提高整个风力发电系统的稳定性,必须对发生故障的IGBT开关管进行检测和定位。对逆变器的开路故障进行实时诊断,主要有以下两个目的:(1)当开关管发生故障时,可以迅速停止风力发电机系统的运行,防止对电气系统中的其它部件造成二次危害;(2)当桥臂上的IGBT开关管发生开路故障时,能够及时准确地确定故障原因,方便检修。因此我们对此做出改进,提出基于无阈值递归图和卷积神经网络的电流信号分析方法。
发明内容
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明基于无阈值递归图和卷积神经网络的电流信号分析方法,包括以下几个步骤,
步骤1、采集到的电流信号进行预处理,获得去除噪音干扰的电流信号;
步骤2、再将除噪音干扰的电流信号转换为无阈值递归图;
步骤3、通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习,并建立电流信号的分类模型;
步骤4、利用电流信号的分类模型对后续的电流信号来对逆变器故障进行识别。
作为本发明的一种优选技术方案,在所述步骤1之前搭建NPC型三电平逆变器的仿真模型,所述仿真模型主要包括A、B、C三相桥臂和IGBT开关管控制器,每一相桥臂由4个IGBT功率开关管和2个钳位二极管组成,通过正弦波脉宽调制的方法控制桥臂中IGBT的打开与关断,实现直流至交流的逆变过程;通过控制IGBT的通断,输出为正弦规律的脉冲宽度,并在相同的时间内使其输出的数字信号脉冲电压的面积与标准电网正弦波的面积相等;通过控制IGBT的触发信号来模拟不同的开路故障状态;从而测量得到不同的电流信号。
作为本发明的一种优选技术方案,所述的通过控制IGBT的触发信号来模拟不同的开路故障状态的方法是,以三电平逆变器A相开路故障为例,创建SS1为开关S1的导通模块,创建恒定值0作为开关S1的开路故障模块,
当SS1导通模块接在开关S1上时,输出为SPWM脉冲;当恒定
值0作为开路故障模块接在开关S1上时,输出恒定值0,相当于不提供脉冲,用于模拟IGBT高功率开关管的开路故障。
作为本发明的一种优选技术方案,对所述的NPC型三电平逆变器的仿真模型进行故障分类,包括以下几种情况,
a、IGBT功率开关全部正常运行,无故障发生;
b、只有1个IGBT功率开关发生故障;
c、同一桥臂上不同半桥的2个IGBT功率开关同时发生故障;
d、同一桥臂上相同半桥的2个IGBT功率开关同时发生故障;
e、不同桥臂上相同半桥的2个IGBT功率开关同时发生故障;
f、交叉连接即不同桥臂且不同半桥上的2个IGBT功率开关同时发生故障;
其中为b~d中的IGBT功率开关故障均发生在同一根桥臂上,只对三相电流中的单相电流有影响,所以将b~d定义为简单故障;其中e~f中的IGBT功率开关故障发生在不同的桥臂上,对三相电流中的两相电流有影响,故将e~f定义为复杂故障;通过控制IGBT的触发信号来模拟不同的开路故障状态,并且得到各开路故障状态下的电流信号的波形图。
作为本发明的一种优选技术方案,所述的通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习的方法,首先再传统的具有卷积层、池化层以及平均池化层的卷积神经网络的神经网络中引入残差网络结构形成改良型卷积神经网络,在残差网络结构中,通过捷径连接的方式,增加一个恒等映射,把目标值H(X)和x的差值作为学习目标。
作为本发明的一种优选技术方案,所述步骤3中,采集到的电流信号分为训练集和测试集,并将训练集和测试集输入到建立电流信号的分类模型,得到分类结果,将把宏平均作为分类效果的评价指标,其相关的平均召回率和平均精确度计算公式为,
其中式中,Macro_R为平均召回率,Macro_P为平均精确度。
本发明的有益效果是:
该种基于无阈值递归图和卷积神经网络的电流信号分析方法是通过将电流信号波形转化为无阈值递归图,可以将电流信号的非线性特征映射至二维图像中,在转换过程中不设置阈值,可以更好的保留原始信号波形中的非线性信息。之后构建卷积神经网络对无阈值递归图进行训练,建立逆变器开路故障诊断的分类模型,本方明中该模型通过卷积,结合网络层的堆叠,可以对无阈值递归图进行更多细节特征的自学习,进而获得了较好的故障诊断效果。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的流程示意图;
图2是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的仿真模型的结构示意图;
图3是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的残差网络结构的结构示意图;
图4是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的卷积神经网络的结构示意图;
图5是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的不同算法的分类结果图;
图6是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的混淆矩阵加小波特征的结果图;
图7是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的随机森林无阈值递归图和卷积神经网络的结果图;
图8是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的NPC型三电平逆变器的单相桥臂的结构示意图;
图9是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的IGBT开关管状态图;
图10是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的NPC型三电平逆变器无故障时的电压波形的波形图;
图11是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的NPC型三电平逆变器有故障时的电压波形的波形图;
图12是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的IGBT正常状态图;
图13是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的IGBT开路状态图;
图14是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的单个IGBT开路故障电流波形;
图15是本发明基于无阈值递归图和卷积神经网络的电流信号分析方法的2个IGBT同时开路故障电流波形。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1-15所示,本发明基于无阈值递归图和卷积神经网络的电流信号分析方法,包括以下几个步骤,如图1所示,
步骤1、采集到的电流信号进行预处理,获得去除噪音干扰的电流信号;
步骤2、再将除噪音干扰的电流信号转换为无阈值递归图;
步骤3、通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习,并建立电流信号的分类模型;
步骤4、利用电流信号的分类模型对后续的电流信号来对逆变器故障进行识别。
把NPC(二极管中点箝位)型三电平逆变器的单相桥臂作为研究对象,对其中的电流路径进行分析,其示意图如图8所示。三电平逆变器是指输出电压值具有三种电平状态,分别为+Udc/2、0、-Udc/2,通过这三种电平状态,最终实现逆变的过程NPC型三电平逆变器的三个电平状态是通过单桥臂中4个IGBT的通断组合实现,每一相桥臂的工作状态包括P(高电平)、O(中电平)、N(低电平)三种,其对应的IGBT开关管通断情况如图9所示。
在所述步骤1之前搭建NPC型三电平逆变器的仿真模型,如图2所示,所述仿真模型主要包括A、B、C三相桥臂和IGBT开关管控制器,每一相桥臂由4个IGBT功率开关管和2个钳位二极管组成,通过正弦波脉宽调制的方法控制桥臂中IGBT的打开与关断,实现直流至交流的逆变过程;通过控制IGBT的通断,输出为正弦规律的脉冲宽度,并在相同的时间内使其输出的数字信号脉冲电压的面积与标准电网正弦波的面积相等;通过控制IGBT的触发信号来模拟不同的开路故障状态;从而测量得到不同的电流信号。
所述的通过控制IGBT的触发信号来模拟不同的开路故障状态的方法是,以三电平逆变器A相开路故障为例,如图12和图13,创建SS1为开关S1的导通模块,创建恒定值0作为开关S1的开路故障模块,
当SS1导通模块接在开关S1上时,输出为SPWM脉冲;当恒定值0作为开路故障模块接在开关S1上时,输出恒定值0,相当于不提供脉冲,用于模拟IGBT高功率开关管的开路故障。
对所述的NPC型三电平逆变器的仿真模型进行故障分类,包括以下几种情况,
a、IGBT功率开关全部正常运行,无故障发生;
b、只有1个IGBT功率开关发生故障;
c、同一桥臂上不同半桥的2个IGBT功率开关同时发生故障;
d、同一桥臂上相同半桥的2个IGBT功率开关同时发生故障;
e、不同桥臂上相同半桥的2个IGBT功率开关同时发生故障;
f、交叉连接即不同桥臂且不同半桥上的2个IGBT功率开关同时发生故障;
如图10为NPC型三电平逆变器无故障时的电压波形的波形图,图11为NPC型三电平逆变器有故障时的电压波形的波形图。
如图14为单个IGBT开路故障电流波形图,当单个IGBT发生开路故障时,逆变器输出的电流波形幅值或相位会发生不同的变化。当单个功率开关S1、S4发生开路故障时,输出的正弦波形会向负半轴或正半轴偏移,这是因为单桥臂(上/下)断路且另一个桥臂(上/下)正常工作;当单个功率开关S2、S3发生开路故障时,输出的正弦波形仅有下半周期或者上半周期,这是因为钳位二极管直接截断了负半轴或正半轴波形。由图15可知,当两个开关管S1和S2、S2和S4出现开路故障时,波形均在x轴的下方;当S1和S3、S3和S4同时出现故障时,波形均在x轴的上方;当S2和S3同时发生开路故障时,输出的电流接近于0,无波形输出;而S1和S4同时发生开路故障时,其故障波形与正常工作时变化较小,最明显的变化是其幅值降低,仔细观察其波形变化,可发现其在正半轴和负半轴交汇处发生微小地畸变。
通过对比图14和15可以发现,S2开路时逆变器输出的电流波形与S1和S2同时开路时的波形相一致,S3开路时逆变器输出的电流波形与S3和S4同时开路时的波形相一致,故分别将两者归为一类故障。需要借助其它故障诊断手段实现精确故障识别,通常采用测量上下桥臂电压的方式实现,根据其电压值动态变化的不同判断是单个IGBT开路还是两个同时开路。由于电流波形的幅值会随着风力发电机输出功率的不同而发生变化,逆变器开路故障所对应的电流波形除了形状存在区别外,最大的不同在于幅值的变化,例如图15中S1、S4同时开路与S3、S4同时开路时所输出的电流波形主要差别在于幅值。除此之外,S1和S4同时发生开路故障时与无故障时的波形变化较小。
其中为b~d中的IGBT功率开关故障均发生在同一根桥臂上,只对三相电流中的单相电流有影响,所以将b~d定义为简单故障;其中e~f中的IGBT功率开关故障发生在不同的桥臂上,对三相电流中的两相电流有影响,故将e~f定义为复杂故障;通过控制IGBT的触发信号来模拟不同的开路故障状态,并且得到各开路故障状态下的电流信号的波形图,。
如图3和图4所示,所述的通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习的方法,首先再传统的具有卷积层、池化层以及平均池化层的卷积神经网络的神经网络中引入残差网络结构形成改良型卷积神经网络,在残差网络结构中,通过捷径连接的方式,增加一个恒等映射,把目标值H(X)和x的差值作为学习目标。
所述步骤3中,采集到的电流信号分为训练集和测试集,在进行分类模型的训练时,样本输入的通常是幅值变化较大、特征明显的数据。逆变器发生开路故障后,采集到的电流信号幅值会发生波动,甚至会发生严重的畸变。建立的仿真模型为基础,并考虑到不同功率双馈风力发电机组的差异性,设定不同的负载功率,具体的样本数据为690V/100KW、690V/200KW、690V/300KW、690V/400KW、690V/700KW、690V/1MW、690V/1.2MW、690V/1.5MW、690V/2MW下的电流信号波形。并将训练集和测试集输入到建立电流信号的分类模型,得到分类结果,将把宏平均作为分类效果的评价指标,其相关的平均召回率和平均精确度计算公式为,
其中式中,Macro_R为平均召回率,Macro_P为平均精确度。
为了验证本章采用的无阈值递归图和深度学习算法对于逆变器开路故障诊断的有效性,将本文提出的故障诊断算法和当前常用的分类算法进行对比实验。实验所对比的对象为小波特征+随机森林分类模型,该模型的建立首先需要对波形数据进行四层的小波包分解,然后根据其得到的特征值进行模型的训练和预测,对比结果如图5所示,相比于小波特征+随机森林的分类方式,无阈值递归图结合ResNet50所取得的分类效果更好,准确度达到了96.67%,其平均精确率和平均召回率也高于小波特征+随机森林的分类模型,分别高了8.09%和11.86%。为了更加直观地表达二者分类效果的差别。
由图6和图7可知,与随机森林算法相比,无阈值递归图+ResNet50的分类模型在8类电流信号的识别准确率均处于领先状态,分别提高了20%、10%、8%、12%、13%、18%、18%、12%,表明该分类模型具有较好的分类效果。其中,Normal、S1_S3、S1_S4开路故障的提高效果最明显,极大地降低了故障诊断的错误率。因此,无阈值递归图+卷积神经网络的分类模型可以有效地提高故障诊断的准确度,并具有更好的故障位置诊断效果。由图图7可知,在无阈值递归图+ResNet50的分类模型中,与其它故障类型的分类结果相比,其对于Normal、S1_S4两种状态的预测准确率稍低,分别为93%和92%,仍高于小波特征+随机森林算法。识别错误的主要原因是两种状态的波形较为相似,均具有标准正弦波的特征,分类器难以准确判断其故障类型,而导致判断错误。
本发明是通过将电流信号波形转化为无阈值递归图,可以将电流信号的非线性特征映射至二维图像中,在转换过程中不设置阈值,可以更好的保留原始信号波形中的非线性信息。之后构建卷积神经网络对无阈值递归图进行训练,建立逆变器开路故障诊断的分类模型,本方明中该模型通过卷积,结合网络层的堆叠,可以对无阈值递归图进行更多细节特征的自学习,进而获得了较好的故障诊断效果。
最后应说明的是:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于无阈值递归图和卷积神经网络的电流信号分析方法,其特征在于:包括以下几个步骤,
步骤1、采集到的电流信号进行预处理,获得去除噪音干扰的电流信号;
步骤2、再将除噪音干扰的电流信号转换为无阈值递归图;
步骤3、通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习,并建立电流信号的分类模型;
步骤4、利用电流信号的分类模型对后续的电流信号来对逆变器故障进行识别。
2.根据权利要求1所述的基于无阈值递归图和卷积神经网络的电流信号分析方法,其特征在于,在所述步骤1之前搭建 NPC 型三电平逆变器的仿真模型,所述仿真模型主要包括 A、B、C 三相桥臂和 IGBT 开关管控制器,每一相桥臂由 4 个 IGBT 功率开关管和 2个钳位二极管组成,通过正弦波脉宽调制的方法控制桥臂中 IGBT 的打开与关断,实现直流至交流的逆变过程;通过控制IGBT 的通断,输出为正弦规律的脉冲宽度,并在相同的时间内使其输出的数字信号脉冲电压的面积与标准电网正弦波的面积相等;通过控制 IGBT的触发信号来模拟不同的开路故障状态;从而测量得到不同的电流信号。
3.根据权利要求2所述的基于无阈值递归图和卷积神经网络的电流信号分析方法,其特征在于,所述的通过控制 IGBT 的触发信号来模拟不同的开路故障状态的方法是,以三电平逆变器 A 相开路故障为例,创建 SS1 为开关 S1 的导通模块,创建恒定值 0 作为开关 S1 的开路故障模块,
当 SS1 导通模块接在开关 S1 上时,输出为 SPWM 脉冲;当恒定
值 0 作为开路故障模块接在开关 S1 上时,输出恒定值 0,相当于不提供脉冲,用于模拟 IGBT 高功率开关管的开路故障。
4.根据权利要求2所述的基于无阈值递归图和卷积神经网络的电流信号分析方法,其特征在于,对所述的 NPC 型三电平逆变器的仿真模型进行故障分类,包括以下几种情况,
a、IGBT 功率开关全部正常运行,无故障发生;
b、只有 1 个 IGBT 功率开关发生故障;
c、同一桥臂上不同半桥的 2 个 IGBT 功率开关同时发生故障;
d、同一桥臂上相同半桥的 2 个 IGBT 功率开关同时发生故障;
e、不同桥臂上相同半桥的 2 个 IGBT 功率开关同时发生故障;
f、交叉连接即不同桥臂且不同半桥上的 2 个 IGBT 功率开关同时发生故障;
其中为b~d中的 IGBT 功率开关故障均发生在同一根桥臂上,只对三相电流中的单相电流有影响,所以将b~d定义为简单故障;其中e~f中的 IGBT功率开关故障发生在不同的桥臂上,对三相电流中的两相电流有影响,故将e~f定义为复杂故障;通过控制 IGBT 的触发信号来模拟不同的开路故障状态,并且得到各开路故障状态下的电流信号的波形图。
5.根据权利要求1所述的基于无阈值递归图和卷积神经网络的电流信号分析方法,其特征在于,所述的通过卷积神经网络实现电流信号无阈值递归图中非线性特征的自学习的方法,首先再传统的具有卷积层、池化层以及平均池化层的卷积神经网络的神经网络中引入残差网络结构形成改良型卷积神经网络,在残差网络结构中,通过捷径连接的方式,增加一个恒等映射,把目标值 H(X)和 x 的差值作为学习目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676223.4A CN115097184A (zh) | 2022-06-15 | 2022-06-15 | 基于无阈值递归图和卷积神经网络的电流信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676223.4A CN115097184A (zh) | 2022-06-15 | 2022-06-15 | 基于无阈值递归图和卷积神经网络的电流信号分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097184A true CN115097184A (zh) | 2022-09-23 |
Family
ID=83290477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676223.4A Pending CN115097184A (zh) | 2022-06-15 | 2022-06-15 | 基于无阈值递归图和卷积神经网络的电流信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097184A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595395A (zh) * | 2023-07-14 | 2023-08-15 | 中国人民解放军空军预警学院 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
-
2022
- 2022-06-15 CN CN202210676223.4A patent/CN115097184A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595395A (zh) * | 2023-07-14 | 2023-08-15 | 中国人民解放军空军预警学院 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
CN116595395B (zh) * | 2023-07-14 | 2023-09-22 | 中国人民解放军空军预警学院 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Fault detection and location method for mesh-type DC microgrid using pearson correlation coefficient | |
Xu et al. | A simultaneous diagnosis method for power switch and current sensor faults in grid-connected three-level NPC inverters | |
CN106443297B (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 | |
CN111562517B (zh) | 一种npc三电平逆变器开关管开路故障诊断方法 | |
Liang et al. | A novel fault diagnostic method in power converters for wind power generation system | |
CN107656184B (zh) | 一种npc三电平变流器的开关管故障诊断方法 | |
CN105891659A (zh) | 一种风电变流器开路故障诊断方法 | |
Liang et al. | A state-of-the-art review on wind power converter fault diagnosis | |
CN102969888A (zh) | 基于rtds的mmc自定义子模块的设计方法 | |
Shi et al. | Online diagnostic method of open‐switch faults in PWM voltage source rectifier based on instantaneous AC current distortion | |
CN114114081B (zh) | 基于改进观测器的mmc子模块开路故障诊断与定位方法 | |
Yuan et al. | Open-circuit fault diagnosis of NPC inverter based on improved 1-D CNN network | |
CN110618394A (zh) | 基于电流平均值的光伏微网直流交流变换器电源的故障诊断方法 | |
CN115097184A (zh) | 基于无阈值递归图和卷积神经网络的电流信号分析方法 | |
Zhang et al. | A multiple open-circuit fault diagnosis method for two-level three-phase voltage source converters based on average-phase voltage model | |
Deng et al. | Open-switch fault diagnosis of three-phase PWM converter systems for magnet power supply on EAST | |
CN108963980B (zh) | 一种基于故障隔离库的多模态故障隔离方法 | |
Paily et al. | Fault analysis of VSC HVDC systems using fuzzy logic | |
An et al. | IGBT open circuit fault diagnosis method for a modular multilevel converter based on PNN-MD | |
CN115097752A (zh) | 一种基于fpga的多通道采集与控制系统 | |
CN115951268A (zh) | 一种基于Inception的卷积神经网络变流器故障诊断方法 | |
CN108649825B (zh) | 一种级联型多电平逆变器的多故障隔离方法 | |
Zhang et al. | Improved PSO-SVM-Based Fault Diagnosis Algorithm for Wind Power Converter | |
Wang et al. | PWM control strategies for wind turbine inverters | |
Zhang et al. | Neural network based open-circuit fault diagnosis for three-level neutral-point-clamped back-to-back converters |
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 |