CN108416103A - 一种串联混合动力电动汽车交直流变换器的故障诊断方法 - Google Patents

一种串联混合动力电动汽车交直流变换器的故障诊断方法 Download PDF

Info

Publication number
CN108416103A
CN108416103A CN201810111240.7A CN201810111240A CN108416103A CN 108416103 A CN108416103 A CN 108416103A CN 201810111240 A CN201810111240 A CN 201810111240A CN 108416103 A CN108416103 A CN 108416103A
Authority
CN
China
Prior art keywords
neural network
fault
layer
convertor
threshold value
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
Application number
CN201810111240.7A
Other languages
English (en)
Inventor
何怡刚
张亚茹
张慧
刘开培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810111240.7A priority Critical patent/CN108416103A/zh
Priority to US16/003,115 priority patent/US10725084B2/en
Publication of CN108416103A publication Critical patent/CN108416103A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/003—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to inverters
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • B60L50/61—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries by batteries charged by engine-driven generators, e.g. series hybrid electric vehicles
    • 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
    • G01R31/40—Testing power supplies
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K6/00—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00
    • B60K6/20—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00 the prime-movers consisting of electric motors and internal combustion engines, e.g. HEVs
    • B60K6/22—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00 the prime-movers consisting of electric motors and internal combustion engines, e.g. HEVs characterised by apparatus, components or means specially adapted for HEVs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K6/00—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00
    • B60K6/20—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00 the prime-movers consisting of electric motors and internal combustion engines, e.g. HEVs
    • B60K6/42—Arrangement or mounting of plural diverse prime-movers for mutual or common propulsion, e.g. hybrid propulsion systems comprising electric motors and internal combustion engines ; Control systems therefor, i.e. systems controlling two or more prime movers, or controlling one of these prime movers and any of the transmission, drive or drive units Informative references: mechanical gearings with secondary electric drive F16H3/72; arrangements for handling mechanical energy structurally associated with the dynamo-electric machine H02K7/00; machines comprising structurally interrelated motor and generator parts H02K51/00; dynamo-electric machines not otherwise provided for in H02K see H02K99/00 the prime-movers consisting of electric motors and internal combustion engines, e.g. HEVs characterised by the architecture of the hybrid electric vehicle
    • B60K6/46—Series type
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2210/00—Converter types
    • B60L2210/30—AC to DC converters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/92—Hybrid vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/62—Hybrid vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S903/00—Hybrid electric vehicles, HEVS
    • Y10S903/902—Prime movers comprising electrical and internal combustion motors
    • Y10S903/903—Prime movers comprising electrical and internal combustion motors having energy storing means, e.g. battery, capacitor
    • Y10S903/904—Component specially adapted for hev

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Sustainable Development (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

一种串联混合动力电动汽车交直流变换器的故障诊断方法，实现对交直流变换器电力电子器件开路故障的识别与诊断，包括如下步骤：首先建立串联混合动力电动汽车交直流变换器的仿真模型，并选取直流侧母线输出电流为故障特征量；接着根据发生故障的电力电子器件个数及其位置，对故障类型进行详细分类；然后利用快速傅里叶变换将故障特征量即直流侧母线输出电流分解到不同的频率段，选取不同频率段的谐波含有率为故障诊断特征向量；最后结合基于遗传算法的BP神经网络实现故障类型识别。本发明主要针对电力电子电路功率器件开路故障诊断与识别，计算简便，准确性高，可有效诊断发生故障的电力电子器件的个数与相对位置。

Description

一种串联混合动力电动汽车交直流变换器的故障诊断方法
技术领域
本发明涉及电力电子电路故障诊断领域，特别涉及一种串联混合动力电动汽车交直流变换器的故障诊断方法。
背景技术
当前世界汽车产业正处于技术革命和产业大调整的发展时期，安全、环保、节能和智能化成为世界汽车界共同关心的重大课题。混合动力汽车由于其低能耗、低污染和高度自动化等优势，成为汽车界重点研究和开发对象。混合动力电动汽车的电气驱动***主要由发动机、永磁交流同步电动机、发电机、燃料电池以及各相关交直流变换器组成。其中，电动机和发电机所用三相电压型逆变器被集成一个模块上，逆变器普遍采用带有反并联续流二极管的IGBT组成的PWM控制电压型逆变器，这种逆变器具有线路简单、效率较高的特点，使得电动汽车成为电力电子技术一个新的应用领域。
在混合动力电力汽车电气驱动***的正常运行中，对于其任一部分比如发电机、逆变器、整流器或者电动机等若发生故障，都会影响驱动***的可靠运行，如果存在于***中的任何故障不能够及时检出并得到纠正，故障就有可能进一步扩大，致使上层***的状态发生变化，造成功能失效，影响车辆正常运行甚至危及安全。因此，准确、可靠、快速地对驱动***发生的故障进行诊断是提高汽车运行效能的有效措施。
发明内容
本发明要解决的技术问题是，针对现有驱动***故障诊断存在的上述不足，提供一种串联混合动力电动汽车交直流变换器的故障诊断方法，实现对串联混合动力电动汽车交直流变换器的故障诊断与识别，主要针对电力电子电路功率器件开路故障，计算简便，准确性高，可有效诊断发生故障的电力电子器件的个数与相对位置。
本发明为解决上述技术问题所采用的技术方案是：
一种串联混合动力电动汽车交直流变换器的故障诊断方法，包括以下步骤：
(1)建立串联混合动力电动汽车交直流变换器的仿真模型，并选取直流侧母线输出电流为故障特征量；
(2)根据发生故障的电力电子器件个数及其位置，对故障类型进行详细分类；
(3)利用快速傅里叶变换将故障特征量即直流侧母线输出电流分解到不同的频率段，选取不同频率段的谐波含有率为故障诊断特征向量；
(4)结合基于遗传算法的BP神经网络实现故障类型识别。
按上述方案，所述步骤(3)的具体方法如下：通过对正常运行状态与故障状态直流侧母线输出电流波形的快速傅里叶变换分析结果对比，选取f＝30kHz(k＝0,1,2，3...)谐波含有率构成故障诊断特征向量，其中k＝0,1,2,3,…,n，6≤n≤12。
按上述方案，所述步骤(4)的具体方法如下：
1)确定BP神经网络结构
对于BP神经网络的创建，采取三层网络，在三层网络中，隐层神经网络个数n2和输入层神经元个数n1之间有近似关系：
n2＝2×n1+1
其中输入层神经元个数n1即故障诊断特征向量的输入参数，n1＝n+1，三层神经网络结构为n1-n2-2，共有n1*n2+2*n2个权值，n2+2个阈值；
2)运用遗传算法优化BP神经网络的初始权值和阈值：
遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子，对于种群初始化，个体编码使用二进制编码，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分组成；对于适应度函数，使BP神经网络在预测时，预测值与期望值的残差尽可能小，选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，以此获得使目标函数值最小时的最优权值和阈值；
3)应用优化后的权值和阈值进行BP神经网络的训练及预测。
与现有技术相比，本发明具有以下有益效果：本发明使用经遗传算法优化后的权值和阈值的BP神经网络预测结果所产生的误差明显要小于使用随机权值和阈值预测结果所产生的误差；该故障诊断方法可有效实现对串联混合动力电动汽车交直流变换器的故障诊断与识别，主要针对电力电子电路功率器件开路故障，保证准确高效的故障识别，并且操作简便。
附图说明
图1为本发明故障诊断方法流程图；
图2为交直流变换器仿真拓扑图；
图3为仿真运行结果误差进化曲线图。
具体实施方式
下面结合附图和较优选实施例对本发明的技术方案进行详细地阐述。以下较优选实施例仅用于说明和解释本发明，而不构成对本发明技术方案的限制。
参照图1所示，本发明一种串联混合动力电动汽车交直流变换器的故障诊断方法，包含以下步骤：
(1)建立串联混合动力电动汽车交直流变换器的仿真模型，由于整流器和逆变器之间存在电容，补偿某些故障引起的电压降和谐波的变化，从而影响故障的正常检测，所以选取直流侧母线输出电流即直流侧电流信号Idc为故障特征量；交直流变换器是串联混合动力电动汽车电气驱动***中实现功率变换以及调速调频的核心装置，仿真拓扑结构见图2，其中交流***电源电压为220V，频率为50Hz；
(2)根据发生故障的电力电子器件个数及其位置，对故障类型进行详细分类，具体如下：
对于交直流变换器而言，最常见的电力故障为电力电子器件开路或者单相接地故障，本发明则重点针对电力电子器件开路产生的故障特征进行分析；对于拓扑结构右侧的三相电压型桥式逆变电路而言，采用IGBT作为开关器件，6个开关器件S1～S6的开关运行状态共计26种，按照开路故障发生的位置及数目以及通过仿真分析得到的直流侧母线输出电流波形将其分为以下几类，如表1所示：
表1交直流变换器的故障种类以及相应故障波形
其中，T表示正常运行，F表示开路故障，F0、F1、F2、F3、F4、F5、F6分别表示开路故障的个数为0、1、2、3、4、5、6。由于3只以及3只以上器件同时发生故障的概率相比其它断路故障发生概率而言较小，在本发明中不予以考虑，所以对于该***所有IGBT器件发生开路故障的情况，可分为以下几类：
G0：正常工作状态，1种情况；
G1：1只器件发生故障，6种情况；
G2：同一相上下两臂2只器件发生故障(比如S1、S4)，3种情况；
G3：不同相的2只器件发生故障(比如S1、S6)，共12种情况；
G4：3只以及3只以上器件发生故障，在此处不予以分析；
(3)利用快速傅里叶变换将故障特征量即直流侧母线输出电流分解到不同的频率段，选取30kHz(k＝1，2，3…)频率段信号为故障诊断特征向量，具体如下：
根据步骤(2)的分析，可知共计可获得22组数据以构造BP神经网络的训练样本，提取故障诊断特征向量时，以30Hz为基波频率，每种故障类型选取部分情况的直流母线电流波形进行FFT分析，提取f＝30kHz(k＝0,1,2,…12)次谐波含量值作为故障诊断特征向量，表2列出通过对直流侧母线输出电流进行FFT分析得到的样本数据如下：
表2不同故障状态的样本数据
由于本发明实施例共分析四种故障模式，因此可以采取如下的形式来表示各种故障类型：
无故障状态：G0(0，0)
一只器件发生故障：G1(0，1)
同相两只器件发生故障：G2(1，0)
不同相的两只器件发生故障：G3(1，1)
为了对训练好的网络进行测试，另外给出以下几组数据作为网络的测试数据，如表3所列：
表3测试样本数据
(4)结合基于遗传算法的BP神经网络实现故障类型识别，具体如下：
遗传算法优化BP神经网络主要包括三大部分：BP神经网络结构确定、遗传算法优化权值和阈值、BP神经网络训练及预测：
1)确定BP神经网络结构
对于BP神经网络的创建，一般的模式识别问题，三层网络就可以很好地解决问题，根据步骤(3)可知，样本有13个输入参数即输入层神经元个数n1为13，2个输出参数，根据近似关系n2＝2×n1+1，可算得隐层神经元个数n2为27，所以设置的三层神经网络结构为13-27-2，则共有13*27+2*27＝405个权值，27+2＝29个阈值，所以遗传算法优化的参数个数为405+29＝434个；另外BP神经网络的隐层神经元的传递函数采用S型正切函数，输出层神经元的传递函数采用S型对数函数；
2)应用遗传算法优化BP神经网络初始权值和阈值
一般情况下，神经网络的权值和阈值是通过随机初始化为[-0.5,0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但又无法准确获得，对于相同的初始权值和阈值，网络的训练结果是一样的，引入遗传算法就是为了优化得出最佳的初始权值和阈值遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值。
遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子，对于种群初始化，个体编码使用二进制编码，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分组成；对于适应度函数，本发明是为了使BP神经网络在预测时，预测值与期望值的残差尽可能小，所以选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出。
在本发明中，假定权值和阈值的编码均为10位二进制数，那么个体的二进制编码长度为4340，具体运行参数见表4：
表4遗传算法运行参数设定
种群大小 最大遗传代数 变量的二进制位数 交叉概率 变异概率 代沟
40 50 10 0.7 0.01 0.95
3)应用优化后的权值和阈值进行BP神经网络的训练及预测
对于BP神经网络的训练和测试，神经网络训练数据的过程就是不断调整未知参数使得代价函达到最小值，训练函数是利用莱文贝格-马夸特(Levenberg-Marquardt)算法对网络进行训练，不断修正权值和阈值，使得网络的输出误差最小，保证预测结果的准确性。
根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络故障诊断方法。其中，遗传算法部分使用Sheffield遗传算法工具箱，BP神经网络部分使用MATLAB自带的神经网络工具箱。运行结果见图3，该算法的输出结果为优化后的权值和阈值矩阵以及预测结果的最小误差。由图3可知，应用遗传算法优化后的BP神经网络预测结果的最小误差为0.033。
现将使用随机权值和阈值的BP神经网络预测结果和使用优化后权值和阈值的测试样本预测结果进行对比如下：
表5仿真结果对比表
由表5可知，使用经遗传算法优化后的权值和阈值的BP神经网络预测结果所产生的误差明显要小于使用随机权值和阈值预测结果所产生的误差。所以使用经遗传算法优化后的神经网络算法，可有效无误诊断该电子电路所有器件的开路故障类型。
以上内容结合附图对本发明进行了示例性说明，在结构和布局方面还有多种变化和变型，因此等同的技术方案也属于本发明的范畴，采用本发明的构思和方案的非实质性改进，均在本发明的保护范围之内。

Claims (3)

1.一种串联混合动力电动汽车交直流变换器的故障诊断方法，其特征在于，包括以下步骤：
(1)建立串联混合动力电动汽车交直流变换器的仿真模型，并选取直流侧母线输出电流为故障特征量；
(2)根据发生故障的电力电子器件个数及其位置，对故障类型进行详细分类；
(3)利用快速傅里叶变换将故障特征量即直流侧母线输出电流分解到不同的频率段，选取不同频率段的谐波含有率为故障诊断特征向量；
(4)结合基于遗传算法的BP神经网络实现故障类型识别。
2.根据权利要求1所述的一种串联混和动力汽车交直流变换的故障诊断方法，其特征在于，所述步骤(3)的具体方法为：通过对正常运行状态与故障状态直流侧母线输出电流波形的快速傅里叶变换分析结果对比，选取f＝30kHz谐波含有率构成故障诊断特征向量，其中k＝0,1,2,3,…,n，6≤n≤12。
3.根据权利要求1所述的一种串联混和动力汽车交直流变换的故障诊断方法，其特征在于，所述步骤(4)的具体方法为：
1)确定BP神经网络结构
对于BP神经网络的创建，采取三层网络，在三层网络中，隐层神经网络个数n2和输入层神经元个数n1之间有近似关系：
n2＝2×n1+1
其中输入层神经元个数n1即故障诊断特征向量的输入参数，n1＝n+1，三层神经网络结构为n1-n2-2，共有n1*n2+2*n2个权值，n2+2个阈值；
2)运用遗传算法优化BP神经网络的初始权值和阈值：
遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子，对于种群初始化，个体编码使用二进制编码，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分组成；对于适应度函数，为了使BP神经网络在预测时，预测值与期望值的残差尽可能小，选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，以此获得使目标函数值最小时的最优权值和阈值；
3)应用优化后的权值和阈值进行BP神经网络的训练及预测。
CN201810111240.7A 2018-02-05 2018-02-05 一种串联混合动力电动汽车交直流变换器的故障诊断方法 Pending CN108416103A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810111240.7A CN108416103A (zh) 2018-02-05 2018-02-05 一种串联混合动力电动汽车交直流变换器的故障诊断方法
US16/003,115 US10725084B2 (en) 2018-02-05 2018-06-08 Fault diagnosis method for series hybrid electric vehicle AC/DC converter

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810111240.7A CN108416103A (zh) 2018-02-05 2018-02-05 一种串联混合动力电动汽车交直流变换器的故障诊断方法

Publications (1)

Publication Number Publication Date
CN108416103A true CN108416103A (zh) 2018-08-17

Family

ID=63126833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810111240.7A Pending CN108416103A (zh) 2018-02-05 2018-02-05 一种串联混合动力电动汽车交直流变换器的故障诊断方法

Country Status (2)

Country Link
US (1) US10725084B2 (zh)
CN (1) CN108416103A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109539884A (zh) * 2018-11-21 2019-03-29 南京长峰航天电子科技有限公司 一种基于ga的矢量脱靶量参数估计方法
CN109768585A (zh) * 2018-12-29 2019-05-17 全球能源互联网研究院有限公司 一种交直流***及其解耦方法、保护设备
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
CN110488121A (zh) * 2019-08-22 2019-11-22 广东工业大学 一种mmc的故障检测方法、***、装置及可读存储介质
CN110834623A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种基于顺序选择遗传算法的全混动汽车能效优化方法
CN111470067A (zh) * 2020-06-23 2020-07-31 中航金城无人***有限公司 基于模型预测的串联式混合动力***故障诊断***和方法
CN113325334A (zh) * 2021-06-04 2021-08-31 江南大学 一种三相永磁同步电机驱动***的开路故障诊断方法
CN115563477A (zh) * 2022-12-02 2023-01-03 南方电网数字电网研究院有限公司 谐波数据识别方法、装置、计算机设备和存储介质
CN117261599A (zh) * 2023-10-18 2023-12-22 北京航空航天大学 电动汽车的故障检测方法、装置、电子设备及电动汽车

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704478A (zh) * 2019-10-14 2020-01-17 南京我爱我家信息科技有限公司 一种检查数据中存在敏感数据的方法
CN111124852A (zh) * 2019-11-21 2020-05-08 北京计算机技术及应用研究所 一种基于bmc健康管理模块的故障预测方法及***
CN110969194B (zh) * 2019-11-21 2023-12-19 国网辽宁省电力有限公司电力科学研究院 基于改进型卷积神经网络的电缆早期故障定位方法
CN111142060B (zh) * 2019-12-02 2023-11-07 国网浙江省电力有限公司 一种基于改进的bp神经网络的自适应阈值调整诊断方法
CN111291465B (zh) * 2020-01-10 2023-10-03 上海海事大学 基于遗传算法与神经网络的船舶空调热舒适温度预测方法
CN111260063B (zh) * 2020-01-10 2023-05-30 电子科技大学 基于遗传算法的模拟电路故障定位与参数辨识方法
CN111310830B (zh) * 2020-02-17 2023-10-10 湖北工业大学 一种联合收割机堵塞故障诊断***及方法
CN111324989B (zh) * 2020-03-19 2024-01-30 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111464022B (zh) * 2020-03-25 2023-06-06 哈尔滨工业大学 一种基于多特征的dc-dc变换器关键器件参数辨识方法
US11353861B2 (en) 2020-05-04 2022-06-07 Toyota Motor Engineering & Manufacturing North America, Inc. Autoencoder utilizing vehicle contextual information
CN111753751A (zh) * 2020-06-28 2020-10-09 辽宁大学 一种改进烟花算法的风机故障智能诊断方法
CN111950221B (zh) * 2020-07-16 2022-07-26 电子科技大学 基于遗传算法的模拟电路故障参数范围确定方法
CN112036240A (zh) * 2020-07-27 2020-12-04 国家能源集团新疆吉林台水电开发有限公司 一种基于分频算法诊断下机架松动故障的方法及***
CN111880117B (zh) * 2020-07-28 2022-04-08 北京交通大学 能馈供电装置的故障诊断方法、装置及存储介质
CN111914732A (zh) * 2020-07-28 2020-11-10 北京交通大学 绝缘故障诊断方法、装置、设备及计算机可读存储介质
CN112100946B (zh) * 2020-08-21 2021-05-25 北京科技大学 一种基于故障在线模拟的逆变器开路故障诊断方法及装置
CN112016473B (zh) * 2020-08-31 2022-09-13 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112084709B (zh) * 2020-09-04 2024-04-05 西安交通大学 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法
CN112182956A (zh) * 2020-09-09 2021-01-05 国网河北省电力有限公司检修分公司 一种基于bp神经网络的sf6在线监测装置压力的预测方法
CN112116731A (zh) * 2020-09-18 2020-12-22 中车大连电力牵引研发中心有限公司 一种基于云端的轨道交通多总线数据分析***
CN112152523B (zh) * 2020-09-21 2022-04-01 武汉大学 一种基于nn/ga的直流电机节能调速方法
CN112115663B (zh) * 2020-09-23 2022-09-27 哈尔滨工业大学 Dc-dc转换器早期多源故障诊断的特征提取方法
CN112102366B (zh) * 2020-09-24 2024-04-02 湘潭大学 基于动态目标的无人机跟踪改进算法
CN112327098A (zh) * 2020-10-28 2021-02-05 江苏方天电力技术有限公司 基于低压配网综合监测单元的配电网故障区段定位方法
CN112510654B (zh) * 2020-11-20 2021-07-09 山东山大电力技术股份有限公司 一种母线故障诊断方法、***、可读介质及设备
CN112649758B (zh) * 2021-01-19 2022-08-16 易事特集团股份有限公司 开路故障检测方法、装置、计算机设备
CN112785016B (zh) * 2021-02-20 2022-06-07 南京领行科技股份有限公司 基于机器学习的新能源汽车保养维护与故障监测诊断方法
CN113344024B (zh) * 2021-04-22 2022-04-12 华中科技大学 锂离子电池热失控分级预警方法及预警***
CN113221068B (zh) * 2021-05-10 2023-12-01 黄山东安新高能源科技有限公司 一种基于sstdr的光伏阵列故障检测方法
CN113821401A (zh) * 2021-08-20 2021-12-21 西安理工大学 基于wt-ga-gru模型的云服务器故障诊断方法
CN113721162B (zh) * 2021-08-27 2023-10-24 中国科学院合肥物质科学研究院 一种基于深度学习的聚变磁体电源故障智能诊断方法
CN113933706A (zh) * 2021-09-26 2022-01-14 闽南理工学院 一种基于bp神经网络的直流电机故障检测方法
CN114325164B (zh) * 2021-11-24 2023-03-10 合肥工业大学 单相三电平整流器多故障诊断方法
CN114325380B (zh) * 2021-11-25 2022-12-27 合肥工业大学 一种永磁同步电机驱动***故障诊断方法
CN114236386B (zh) * 2021-12-16 2023-10-31 河北工业大学 一种开关磁阻电机功率变换器故障诊断方法
CN114417712B (zh) * 2022-01-01 2023-07-04 西北工业大学 基于混沌初始化ssa-bp神经网络的飞艇螺旋桨可靠性估计方法
CN114821856B (zh) * 2022-04-18 2023-04-07 大连理工大学 一种并联于行车电脑的汽车快速维修智能辅助装置
CN115327373B (zh) * 2022-04-20 2023-04-18 岱特智能科技（上海）有限公司 基于bp神经网络的血透设备故障诊断方法及存储介质
CN114757300B (zh) * 2022-05-06 2023-04-28 西南交通大学 一种基于ga改进的wnn的igbt模块故障预测方法
CN115081316A (zh) * 2022-06-07 2022-09-20 武汉大学 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及***
CN115749990A (zh) * 2022-12-09 2023-03-07 哈尔滨工业大学 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法
CN116541772B (zh) * 2023-05-05 2023-10-10 兰州理工大学 基于多源融合残差网络的级联h桥逆变器故障诊断方法
CN116663645A (zh) * 2023-06-01 2023-08-29 淮阴工学院 基于Sine-SSA-BP的电机转子***故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782625A (zh) * 2009-01-16 2010-07-21 复旦大学 一种基于Gradation-Boosting算法的电力电子***故障诊断方法
CN102053211A (zh) * 2010-12-08 2011-05-11 沈阳工业大学 风力发电***变流器装置故障诊断方法
CN103837791A (zh) * 2014-03-20 2014-06-04 上海应用技术学院 三电平逆变器多模式故障诊断电路及其诊断方法
CN104849620A (zh) * 2015-05-28 2015-08-19 长沙理工大学 一种基于bp神经网络的接地网故障诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5903454A (en) * 1991-12-23 1999-05-11 Hoffberg; Linda Irene Human-factored interface corporating adaptive pattern recognition based controller apparatus
US6031386A (en) * 1997-10-31 2000-02-29 Sandia Corporation Apparatus and method for defect testing of integrated circuits
US6608396B2 (en) * 2001-12-06 2003-08-19 General Motors Corporation Electrical motor power management system
US20100070212A1 (en) * 2008-09-15 2010-03-18 Caterpillar Inc. Method and apparatus for determining state of inverter capacitor in an electric drive
US8994208B2 (en) * 2010-03-15 2015-03-31 Magna Electronics Inc. Backup power for overvoltage protection for electric vehicle
JP5333619B2 (ja) * 2011-03-30 2013-11-06 株式会社デンソー 電圧検出装置および結合回路
CN202394434U (zh) * 2011-08-01 2012-08-22 北华航天工业学院 混联式混合动力汽车实验台
DE102014102352A1 (de) * 2014-02-24 2015-08-27 Ge Energy Power Conversion Technology Limited Batteriespeichersystem mit Störlichtbogenschutz, Energieumwandlungssystem und Schutzverfahren
CN107211287A (zh) * 2014-08-29 2017-09-26 峰鸟航空科技公司 使用混合电动飞机实现区域性空中运输网络的***和方法
US10620307B2 (en) * 2015-11-04 2020-04-14 University Of Hawaii Systems and methods for detection of occupancy using radio waves

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782625A (zh) * 2009-01-16 2010-07-21 复旦大学 一种基于Gradation-Boosting算法的电力电子***故障诊断方法
CN102053211A (zh) * 2010-12-08 2011-05-11 沈阳工业大学 风力发电***变流器装置故障诊断方法
CN103837791A (zh) * 2014-03-20 2014-06-04 上海应用技术学院 三电平逆变器多模式故障诊断电路及其诊断方法
CN104849620A (zh) * 2015-05-28 2015-08-19 长沙理工大学 一种基于bp神经网络的接地网故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SEYED SAEID MOOSAVI 等: "Artificial neural network-based fault diagnosis in the AC-DC converter of the power supply of series hybrid electric vehicle", 《IET ELETRICAL SYSTEMS IN TRANSPORTATION》 *
SEYED SAEID MOOSAVI 等: "Fault detection investigation in a full bridge thyristor based AC–DC converter", 《INDUSTRIAL ELECTRONICS SOCIETY》 *
李红贤: "三相光伏并网逆变器故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
蔡金锭 等: "电力电子电路故障的遗传进化神经网络诊断", 《高电压技术》 *
郁磊 等: "《MATLAB智能算法30个案例分析（第2版）》", 30 September 2015, 北京航空航天大学出版社 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109539884A (zh) * 2018-11-21 2019-03-29 南京长峰航天电子科技有限公司 一种基于ga的矢量脱靶量参数估计方法
CN109768585A (zh) * 2018-12-29 2019-05-17 全球能源互联网研究院有限公司 一种交直流***及其解耦方法、保护设备
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
CN110208721B (zh) * 2019-07-09 2024-06-11 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
CN110488121A (zh) * 2019-08-22 2019-11-22 广东工业大学 一种mmc的故障检测方法、***、装置及可读存储介质
CN110834623B (zh) * 2019-11-11 2021-04-06 常熟理工学院 一种基于顺序选择遗传算法的全混动汽车能效优化方法
CN110834623A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种基于顺序选择遗传算法的全混动汽车能效优化方法
CN111470067B (zh) * 2020-06-23 2020-10-09 中航金城无人***有限公司 基于模型预测的串联式混合动力***故障诊断***和方法
CN111470067A (zh) * 2020-06-23 2020-07-31 中航金城无人***有限公司 基于模型预测的串联式混合动力***故障诊断***和方法
CN113325334A (zh) * 2021-06-04 2021-08-31 江南大学 一种三相永磁同步电机驱动***的开路故障诊断方法
CN115563477A (zh) * 2022-12-02 2023-01-03 南方电网数字电网研究院有限公司 谐波数据识别方法、装置、计算机设备和存储介质
CN117261599A (zh) * 2023-10-18 2023-12-22 北京航空航天大学 电动汽车的故障检测方法、装置、电子设备及电动汽车
CN117261599B (zh) * 2023-10-18 2024-05-03 北京航空航天大学 电动汽车的故障检测方法、装置、电子设备及电动汽车

Also Published As

Publication number Publication date
US10725084B2 (en) 2020-07-28
US20190242936A1 (en) 2019-08-08

Similar Documents

Publication Publication Date Title
CN108416103A (zh) 一种串联混合动力电动汽车交直流变换器的故障诊断方法
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
Gomez et al. Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements
Khomfoi et al. Fault diagnostic system for a multilevel inverter using a neural network
Manohar et al. Reliable protection scheme for PV integrated microgrid using an ensemble classifier approach with real‐time validation
CN102841251B (zh) 一种微网中电动汽车充电站谐波检测法
CN106682303A (zh) 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN111308392B (zh) 一种单相级联npc整流器igbt开路故障的诊断方法
CN104201674B (zh) 一种考虑负荷低电压释放特性的综合负荷模型的建模方法
CN103762579B (zh) 一种提高电网暂态功角稳定性的直流功率紧急控制性能指标计算方法
CN103760464A (zh) 基于解析图求解与svm的小电流接地***故障选线方法
CN103033704B (zh) 电动汽车高压电气***故障动态模拟试验***及方法
Paladhi et al. Adaptive fault type classification for transmission network connecting converter-interfaced renewable plants
CN105807165B (zh) Mmc换流站运行状态模糊综合评判方法
CN108829949A (zh) 飞机二次配电***phm***架构
Silva et al. An accurate method for fault location in HVDC systems based on pattern recognition of DC voltage signals
CN105449674A (zh) 航空12脉波逆变器的广义状态空间平均建模方法
Xiong et al. Real-time FPGA-digital twin monitoring and diagnostics for PET applications
CN104502754A (zh) 一种纯电动车辆动力***的故障诊断方法
He et al. Open circuit fault diagnosis of advanced cophase traction power supply system based on neural network
Gupta et al. Wavelet Based Enhanced Fault Detection Scheme for A Distribution System Embedded with Electric Vehicle Charging Station
CN104810847B (zh) 一种基于直流电流模糊预测控制的换相失败预防方法
Liu et al. Parallel implementation of the auxiliary power system model of the electric locomotive for hardware‐in‐the‐loop simulation
Xia et al. Data‐enhanced machine recognition model of DC serial arc in electric vehicle power system
Kheirollahi et al. Developing a new fault location topology for DC microgrid systems

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: 20180817