CN118070216A - 基于多分支注意力机制网络的t型逆变器故障诊断方法 - Google Patents
基于多分支注意力机制网络的t型逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN118070216A CN118070216A CN202410109028.2A CN202410109028A CN118070216A CN 118070216 A CN118070216 A CN 118070216A CN 202410109028 A CN202410109028 A CN 202410109028A CN 118070216 A CN118070216 A CN 118070216A
- Authority
- CN
- China
- Prior art keywords
- phase
- attention mechanism
- branch
- module
- position coding
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 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
- G01R31/50—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
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了基于多分支注意力机制的T型逆变器故障诊断方法，该方法包括以下步骤；S1、获取T型三电平逆变器的三相输出电流数据；S2、将三相输出电流数据分别归一化处理；S3、将各相的归一化处理结果输入预设的卷积位置编码模块，获取含有各相数据位置信息的卷积位置编码结果；S4、将各相的卷积位置编码结果输入预设的软滤波模块，进行信号滤噪，得到滤噪结果；S5、将各相的滤噪结果输入预设的注意力机制模块，利用交叉注意力机制捕获各相的重要相关特征；S6、将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。该方法无需引入额外传感器，具有较好鲁棒性。
Description
技术领域
本发明涉及逆变器故障诊断技术领域，具体涉及基于多分支注意力机制的T型逆变器开路故障诊断方法。
背景技术
当前，多电平变流器因其具有输出谐波小、开关频率低、响应速度快、电磁兼容及器件应力低等优点而被广泛关注，是轨道牵引、可再生能源发电等应用中的关键部件。其中T型三电平逆变器因其灵活、导通损耗低的优点而成为常用拓扑结构。然而，该系统引入大量的功率器件，每一个功率器件都构成一个潜在故障点。功率器件故障通常可分为开路和短路故障，其中短路故障相关技术较为成熟，而开路故障隐蔽性高、不易察觉，严重时可对系统造成重大危害。因此，研究T型三电平逆变器的功率器件开路故障诊断具有重要意义。
目前，T型三电平逆变器拓扑的开路故障诊断主要基于交流侧电压/电流、直流侧电压信息来判断，总体可分为：基于模型的方法，该类方法依赖精确的解析模型，阈值设计相对困难，随着系统复杂度的提升有效性会大打折扣；基于信号的方法，该类方法主要根据信号分析策略，通过时域计算和频域计算技术提取电压或电流信号的时频域特征，进而比较故障前后特征信息的变化规律实现故障诊断，然而该类方法通常需要额外的传感器，且运算量大；基于知识的方法，该类方法一般是基于专家系统和基于人工智能方法的统称，随着智能算法的不断推陈出新，BP神经网络、模糊集理论、支持向量机等算法开始被应用于逆变器的故障诊断中，然而因学习能力、处理效率、特征提取等方面的不足，上述方法在推广应用时仍存在一定的局限性。近年来，深度学习理论逐渐受到重视，成为研究热点并不断发展，一些深度学习模型被应用于时间序列数据的分析。注意力机制目前已在许多领域使用，如图像处理、语言识别、物体检测、自然语言处理等相关任务。注意力机制可以关注序列的重点信息，特别是对于周期性信号，当故障信号存在时使用注意力机制可以在大量数据中关注特异性从而提高模型的识别准确率。目前鲜有针对注意力机制在逆变器故障诊断领域的研究。
同时，由于多电平逆变器系统的复杂性和运行环境的不稳定性，使用单个信号所反映的信息往往是不充分的，特征判别能力有局限性，这种局限性将不可避免地导致故障诊断的准确性降低甚至漏诊和错误诊断。将多个电信号进行融合的故障诊断方法对提高故障诊断准确率和鲁棒性具有重要意义。
发明内容
本发明的目的在于提供基于多分支注意力机制的T型逆变器故障诊断方法，以实现T型三电平逆变器开路故障的准确诊断。
为解决上述技术问题，本发明提供了一种技术方案：基于多分支注意力机制的T型逆变器故障诊断方法，该方法包括以下步骤；
S1、获取T型三电平逆变器的三相输出电流数据；
S2、将三相输出电流数据分别归一化处理；
S3、将各相的归一化处理结果输入预设的卷积位置编码模块，获取含有各相数据位置信息的卷积位置编码结果；
S4、将各相的卷积位置编码结果输入预设的软滤波模块，进行信号滤噪，得到滤噪结果；
S5、将各相的滤噪结果输入预设的注意力机制模块，利用交叉注意力机制捕获各相的重要相关特征；
S6、将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。
按上述方案，三相输出电流数据的采样频率fs为10kHz，样本间的时间窗长T为一个基波周期，基波周期为20ms。
按上述方案，归一化处理方法为，将每一时刻的电流值除以电流峰-峰值，得到归一化处理结果。
按上述方案，卷积位置编码模块采用1DCNN，其参数设置为filters＝8，kernelsizes＝32，strides＝1，padding＝“same”。
按上述方案，各相的卷积位置编码结果输入软滤波模块后，依次经过Conv1D层、BN层、RELU层、GAP层，最后利用Sigmoid激活函数得到重要权重集，而后重要权重集与卷积位置编码结果被输入软阈值公式，并将卷积位置编码结果进行Residual连接，得到滤噪结果。
按上述方案，A、B、C三相的滤噪结果输入注意力机制模块后，首先得到相应的查询键/>和值/>Z＝A,B,C，其中/>为三相的滤噪结果，/>为权重；dZ＝dK＝dV。
对于A相对应的重要相关特征其计算方式如下：
分别计算A相与B相、A相与C相的交叉注意力机制，再将计算结果分别经过LN和FFN后按通道维度拼接，得到A相对应的重要特征YA；同理得到B相、C相对应的重要特征YB、YC。
按上述方案，首先各相的重要特征进行add融合，然后经过BN层、RELU激活函数、FC层和Softmax分类器，最终输出故障状态。
一种用于实现上文所述基于多分支注意力机制的T型三电平逆变器故障诊断方法的多分支注意力机制诊断网络，包括，
卷积位置编码模块，用于根据外部输入的各相电流数据的归一化处理结果获取各分支的数据位置特征；
软滤波模块，用于对各相的卷积位置编码结果进行信号滤噪，得到滤噪结果；
注意力机制模块，用于根据各相的滤噪结果，利用交叉注意力机制捕获各分支的重要相关特征；
故障状态输出模块，用于将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。
一种用于训练上文所述的基于多分支注意力机制诊断网络的训练方法，包括以下步骤，
1)通过仿真采样获取实验数据；
2)将实验数据经过数据预处理后划分为训练集和测试集；
3)利用训练集训练多分支注意力机制诊断网络，并用测试集对网络进行测试。
按上述方案，通过MATLAB/Simulink仿真平台进行仿真获取实验数据，实验框架由Tensorflow2使用python3语言搭建。
本发明的有益效果是：本发明充分利用T型三电平逆变器系统的三相输出电流数据，减少额外传感器的使用。通过构建基于多分支注意力机制的开路故障诊断模型，可实现单管和两管开路故障诊断，并且该方法具备较高的准确率、较强的鲁棒性和泛化能力，系统运行可靠性高。
附图说明
图1是本发明实施例一的T型三电平逆变器拓扑图；
图2是本发明实施例一的软滤波模块结构图；
图3是本发明实施例一的EfficientAttention计算方法图；
图4是本发明实施例二的多分支注意力机制诊断网络结构图；
图5是本发明方法与现有方法的诊断准确率比较图；
图6是本发明实施例三的多分支注意力机制诊断网络训练流程图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
实施例一：
图1为本实施例所采用的T型三电平逆变器，图中，Udc为直流母线电压，C1和C2为逆变器直流侧电容，N为直流侧电容的中点。每相包含VTZ1～VTZ4(Z＝A,B,C，分别表示A、B、C三相)共4个IGBT，VDZ1～VDZ4为对应的反并联二极管。LZ和CZ分别为滤波电感和滤波电容，RZ为交流侧所带负载。SZ1～SZ4为VTZ1～VTZ4的开关信号，当SZ为1时，IGBT处于导通状态，反之IGBT为关断状态。
三相T型三电平逆变器输出电流会随着不同功率管故障而呈现不同的波形，某相功率管发生故障会引起该相及其余两相输出波形的改变，因此将三相输出电流作为三个独立的分支，为每相的电流提供一种更有针对性的信息处理机制。基于此，本实施例提出基于多分支注意力机制的T型逆变器开路故障诊断方法如下：
参见图1～图6，该方法包括以下步骤；
S1、获取T型三电平逆变器的三相输出电流数据iZ(Z＝A,B,C)，采样频率fs为10kHz，每个样本的时间窗长T为一个基波周期，即20ms；
S2、将三相输出电流数据分别归一化处理；具体为将每一时刻的电流值除以电流峰-峰值，得到归一化处理结果；
S3、将各相的归一化处理结果输入预设的卷积位置编码模块，获取含有各相数据位置信息的卷积位置编码结果；
利用卷积(Convolutional Neural Network，CNN)具有有效提取局部特征及权值参数共享的特点，使用由Conv1D构建的卷积位置编码模块提取时序特征。Conv层使用卷积乘法(convolutional multiplication)进行特征提取，卷积核(convolutional kernal)具有更少的参数，Conv层方程表示为
其中*表示卷积运算，表示第k层特征图的第j个通道，/>表示第k层特征映射中第i和第j个通道间卷积核，/>表示偏置量，Mj表示输入特征集合；利用卷积神经网络权值共享和能有效提取局部特征的优点，采用卷积编码模块替代传统的位置编码模块；卷积位置编码模块采用1DCNN，其参数设置为filters＝8，kernelsizes＝32，strides＝1，padding＝“same”。
S4、将各相的卷积位置编码结果输入预设的软滤波模块，进行信号滤噪(考虑到实际工况中信号总存在噪声干扰，从而无法检测到故障相关的特征)，得到滤噪结果；各分支的卷积位置编码结果输入软滤波模块后，依次经过Conv1D层、BN层、RELU层、GAP层，最后利用Sigmoid激活函数得到重要权重集，而后重要权重集与卷积位置编码结果被输入软阈值公式并将卷积位置编码结果进行Residual连接，得到滤噪后的结果；
BN层的公式如下：
上式中，xn和yn分别表示每一个小批量中的输入和输出信号，Nbatch为每个批量的输入信号数量，ν为单批量的输入信号平均值；σ2为单批量的输入信号均方差，γ和是两个可训练参数，用于缩放和平移，ε是一个接近0的常数；
全局平均池化(GAP)提取平均特征，将GAP获得的信号通过sigmoid函数将参数缩放在(0,1)范围内：
上式中，z是GAP层的输出；
随后将N1和τ输入软阈值公式：
上式中，N2为软阈值公式的输出，N1为卷积位置编码结果；
S5、将各相的滤噪结果输入预设的注意力机制模块，利用交叉注意力机制捕获各相的重要相关特征；
对于注意力机制的计算，采用Efficient Attention的计算方法，其计算规则如图3，计算公式为
其中，ρ(·)表示归一化函数。
A、B、C三相的滤噪结果输入交叉注意力机制模块前，首先得到相应的查询键/>和值/>Z＝{A,B,C}，其中/>为三相经软滤波模块后的输出值，/>为权重，这里设置dZ＝dK＝dV。
对于A相对应的重要特征其计算方式如下：
分别计算A相与B相、A相与C相的交叉注意力机制；
其中，ρ(·)表示归一化函数；
而后将上述两式的输出分别经过LN和FFN后按通道维度拼接，得到A相对应的重要特征YA；
对于B相对应的重要特征其计算方式如下：
分别计算B相与A相、B相与C相的高效交叉注意力机制；
其中，ρ(·)表示归一化函数；
而后将上述两式的输出分别经过LN和FFN后按通道维度拼接，得到B相对应的重要特征YB；
对于C相对应的重要特征其计算方式如下：
分别计算C相与A相、C相与B相的高效交叉注意力机制；
其中，ρ(·)表示归一化函数；
而后将上述两式的输出分别经过LN和FFN后按通道维度拼接，得到C相对应的重要特征YC；
S6、将各相的重要相关特征融合，得到T型三电平逆变器的故障状态；各分支的重要特征进行add融合，然后经过BN层、RELU激活函数、FC层和Softmax分类器，最终输出故障状态。
本实施例中两管故障情况仅讨论与A相有关的同相两管故障及A、B两相两管故障共22种类型，最终数据包含正常情况、单管故障情况和考虑的两管故障情况共35个类别，对应标签如下表所示：
实施例二：
本实施例公开了一种用于实现实施例一所述于多分支注意力机制的T型逆变器故障诊断方法的多分支注意力机制网络，参见图2～图4，包括，
卷积位置编码模块，用于根据外部输入的各相电流数据的归一化处理结果获取各分支的数据位置特征；
软滤波模块，用于对各相的卷积位置编码结果进行信号滤噪，得到滤噪结果；
注意力机制模块，用于根据各相的滤噪结果，利用交叉注意力机制捕获各分支的重要相关特征；
故障状态输出模块，用于将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。
实施例三：
本实施例提供一种用于训练实施例二所述的多分支注意力机制诊断网络的训练方法，参见图6，包括以下步骤，
1)通过仿真采样获取训练数据；具体通过MATLAB/Simulink仿真平台进行仿真，采样频率fs为10kHz，每个样本的时间窗长T为一个基波周期，即20ms；
仿真参数如下表所示：
2)将实验数据经过数据预处理后划分为训练集和测试集；数据预处理方法为归一化处理，将每一时刻的电流值除以电流峰-峰值；训练集和测试集的划分方法为70％作为训练集，对该网络进行训练，30％作为测试集，检测网络的分类效果，实验框架由Tensorflow2使用python3语言搭建；
3)利用训练集与测试集训练多分支注意力机制诊断网络；训练过程具体为：301)利用前向传播计算得出每个神经元的输出，得出代价函数loss；302)利用反向传播计算得出每个神经元输出的偏差项；303)由偏差项计算每个参数的梯度并更新参数值；304)不断迭代并修正参数值，使loss函数越来越小，直至模型收敛。
为验证本发明方法的有效性，进行对比实验，为Proposedmodel(本发明所采用的诊断网络)与经典神经网络对比，经典神经网络包括RNN、WCDNN。由于实际工作环境中存在噪声，对比实验在不同噪声环境下进行。噪声是用信噪比(signal-to-noiseratio，SNR)来衡量的，令Ps和Pn分别表示信号和噪声的功率，SNR定义为
对比算法在不同噪声环境下故障诊断准确率如下表及图5所示，当SNR＝8dB时，所提算法准确率为最高，达到98.68％。当SNR在-2dB～8dB范围内时，所提方法的诊断准确率均优于对照算法。进一步比较可以发现，随着噪声增强，RNN、WCDNN的故障诊断准确率分别下降20.14％，12.88％，而所提算法的故障诊断准确率下降6.56％，表明所提算法具有稳定性和鲁棒性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：该方法包括以下步骤；
S1、获取T型三电平逆变器的三相输出电流数据；
S2、将三相输出电流数据分别归一化处理；
S3、将各相的归一化处理结果输入预设的卷积位置编码模块，获取含有各相数据位置信息的卷积位置编码结果；
S4、将各相的卷积位置编码结果输入预设的软滤波模块，进行信号滤噪，得到滤噪结果；
S5、将各相的滤噪结果输入预设的注意力机制模块，利用交叉注意力机制捕获各相的重要相关特征；
S6、将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。
2.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：三相输出电流数据的采样频率fs为10kHz，样本间的时间窗长T为一个基波周期，基波周期为20ms。
3.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：归一化处理方法为，将每一时刻的电流值除以电流峰-峰值，得到归一化处理结果。
4.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：卷积位置编码模块采用1DCNN，其参数设置为filters＝8，kernel sizes＝32，strides＝1，padding＝“same”。
5.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：各相的卷积位置编码结果输入软滤波模块后，依次经过Conv1D层、BN层、RELU层、GAP层，最后利用Sigmoid激活函数得到重要权重集，而后重要权重集与卷积位置编码结果被输入软阈值公式，并将卷积位置编码结果进行Residual连接，得到滤噪结果。
6.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：A、B、C三相的滤噪结果输入注意力机制模块后，首先得到相应的查询键和值/>Z＝{A,B,C}，其中/>为三相的滤噪结果，为权重；dZ＝dK＝dV。
对于A相对应的重要相关特征其计算方式如下：
分别计算A相与B相、A相与C相的交叉注意力机制，再将计算结果分别经过LN和FFN后按通道维度拼接，得到A相对应的重要特征YA；同理得到B相、C相对应的重要特征YB、YC。
7.根据权利要求1所述的基于多分支注意力机制的T型逆变器故障诊断方法，其特征在于：首先各相的重要特征进行add融合，然后经过BN层、RELU激活函数、FC层和Softmax分类器，最终输出故障状态。
8.一种用于实现权利要求1-7任一所述基于多分支注意力机制的T型三电平逆变器故障诊断方法的多分支注意力机制诊断网络，其特征在于：包括，
卷积位置编码模块，用于根据外部输入的各相电流数据的归一化处理结果获取各分支的数据位置特征；
软滤波模块，用于对各相的卷积位置编码结果进行信号滤噪，得到滤噪结果；
注意力机制模块，用于根据各相的滤噪结果，利用交叉注意力机制捕获各分支的重要相关特征；
故障状态输出模块，用于将各相的重要相关特征融合，得到T型三电平逆变器的故障状态。
9.一种用于训练权利要求8所述的基于多分支注意力机制诊断网络的训练方法，其特征在于：包括以下步骤，
1)通过仿真采样获取实验数据；
2)将实验数据经过数据预处理后划分为训练集和测试集；
3)利用训练集训练多分支注意力机制诊断网络，并用测试集对网络进行测试。
10.根据权利要求9所述的训练方法，其特征在于：通过MATLAB/Simulink仿真平台进行仿真获取实验数据，实验框架由Tensorflow2使用python3语言搭建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410109028.2A CN118070216A (zh) | 2024-01-25 | 2024-01-25 | 基于多分支注意力机制网络的t型逆变器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410109028.2A CN118070216A (zh) | 2024-01-25 | 2024-01-25 | 基于多分支注意力机制网络的t型逆变器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118070216A true CN118070216A (zh) | 2024-05-24 |
Family
ID=91098080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410109028.2A Pending CN118070216A (zh) | 2024-01-25 | 2024-01-25 | 基于多分支注意力机制网络的t型逆变器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118070216A (zh) |
-
2024
- 2024-01-25 CN CN202410109028.2A patent/CN118070216A/zh active Pending
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 | |
| CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
| Zhang et al. | Fault diagnosis of wind turbine power converter considering wavelet transform, feature analysis, judgment and BP neural network | |
| Huang et al. | Multiple open-circuit fault diagnosis based on multistate data processing and subsection fluctuation analysis for photovoltaic inverter | |
| CN110133538B (zh) | 一种anpc三电平逆变器开路故障诊断方法及实验平台 | |
| US20180238951A1 (en) | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter | |
| CN112488011B (zh) | 一种模块化多电平换流器故障分类方法 | |
| CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
| CN109682526A (zh) | 一种多维力传感器的动态解耦方法 | |
| Cai et al. | Fault diagnosis of DAB converters based on ResNet with adaptive threshold denoising | |
| CN117113180A (zh) | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 | |
| CN105527539A (zh) | 一种微电网故障诊断过程中的故障信号特征值提取方法 | |
| CN115035336B (zh) | 基于gasf和cnn的三电平t型逆变器故障诊断方法 | |
| CN111551819A (zh) | 一种微电网故障检测方法、装置及存储介质 | |
| CN115201563B (zh) | 一种基于联合熵的多谐波源定位方法及系统 | |
| Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
| Ke et al. | Compound fault diagnosis method of modular multilevel converter based on improved capsule network | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Ma et al. | Life prediction for IGBT based on improved long short-term memory 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 | |
| CN118070216A (zh) | 基于多分支注意力机制网络的t型逆变器故障诊断方法 | |
| Nagam et al. | Gaussian process regression based fault location in DC microgrid | |
| Ke et al. | Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion | |
| CN114172401B (zh) | 基于降阶观测器的npc三电平逆变器多类故障诊断方法 |
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 |