CN110456217B - 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 - Google Patents
一种基于wpd-foa-lssvm双模型的mmc故障定位方法 Download PDFInfo
- Publication number
- CN110456217B CN110456217B CN201910729935.6A CN201910729935A CN110456217B CN 110456217 B CN110456217 B CN 110456217B CN 201910729935 A CN201910729935 A CN 201910729935A CN 110456217 B CN110456217 B CN 110456217B
- Authority
- CN
- China
- Prior art keywords
- fault
- sub
- lssvm
- model
- function
- 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.)
- Active
Links
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开一种基于WPD‑FOA‑LSSVM双模型的MMC故障定位方法,属于多电平换流器故障定位技术领域。该方法首先将从模块化多电平换流器采集而来的电容电压信号集合S划分为训练集和测试集,并进行小波包分解,分别提取故障特征向量T1和T2,之后利用果蝇算法优化LSSVM,由故障特征向量T1和T2的集合分别训练LSSVM诊断模型,得到模型M1用于定位故障IGBT所在的桥臂及在子模块内部的位置,得到模型M2用于定位故障子模块,最后将测试集数据输入训练好的模型M1及M2中验证该模型。本发明时间空间成本低,运算速度快并且故障定位准确率高,具有较强的MMC故障定位功能。
Description
技术领域
本发明涉及多电平换流器故障定位技术领域,尤其涉及一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法。
背景技术
模块化多电平换流器(Modular Multilevel Converter,MMC)由于其模块化程度高、谐波畸变小、开关损耗低、扩展性强等诸多优点,在实际生产生活中被广泛应用中。其灵活性远超于两电平和三电平换流器,且电磁兼容性好,可在高压大功率的场合使用。然而MMC子模块数量的增加,使***出现故障的概率相应增大,严重影响着***的安全可靠运行。作为MMC基本的功率单元,子模块故障会致使桥臂结构不对称,导致相间环流增加,直流电压不稳以及交流输出电压畸变等诸多问题的出现,若长期不给予控制,很可能会导致其他设备的故障甚至***的崩溃。
MMC子模块SM中IGBT的故障可分为短路故障和开路故障两种,因开路故障较短路故障不易被发现,且一般不会集成硬件保护与监控装置,所以对开路故障进行定位十分必要。常用的MMC子模块故障IGBT定位方法多为基于模型的比值法。这些定位方法多数以电容电压增量作为故障定位的依据对SM故障定位,虽然诊断速度较快,但需要额外构建滑膜观测器,且对传感器精确度要求很高,诊断结果易受外界影响。近年来,随着智能算法的逐渐成熟,针对上述问题,已有部分研究开始采用机器学***换流器故障的算法对***的稳定性是非常必要的。
发明内容
针对上述现有技术的不足,本发明提供一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法。
本发明所采取的技术方案是一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其流程如图1所示,包括如下步骤:
步骤1:对于具有6个桥臂、6×n个子模块的三相n+1电平换流器,该换流器的结构如图2所示,采集N组故障对应的各子模块电容电压,将采样得到的全体子模块电容电压组成集合S:
S=[Uc(l,m)|l=1…N,m=1…6×n] (1)
其中,Uc(l,m)代表第l组故障对应的第m个子模块电容电压。
步骤2:将集合S随机分解为训练样本集Strain和测试样本集Stest,其中训练样本个数为Z1,测试样本个数为Z2;
步骤3:采用小波包分解方法对训练样本集Strain和测试样本集Stest中的样本数据进行分解,将6×n个子模块电容电压节点能量组成故障特征向量T1,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1;提取故障IGBT所在桥臂的n个子模块的归一化节点能量,组成故障特征向量T2,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2;
步骤3.1:采用‘db5’小波基函数对训练样本集Strain和测试样本集Stest中的样本数据进行三层小波包分解,三层小波包分解的结构如图3所示;
步骤3.1.1:设初始信号为s,给定一组低通与高通共轭正交滤波器系数{hk}、{gk},k=1,2,…,K,其中,k代表第k个小波基函数,K代表小波基函数库中小波基函数的个数;
初始化小波包系数,第1层的两个节点对应的系数分别为:
不同频段下的小波包系数的递推公式如下:
步骤3.1.2:对于某一给定的正交小波包空间,不同频段下的节点能量公式如下:
其中,Em,j,n为第m个子模块电容电压在第j层第n个节点的节点能量;
步骤3.1.3:得到对应节点的小波包能量值;
步骤3.2:将6×n个子模块电容电压节点能量组成故障特征向量T1,其维度为6×n×8,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1,记为:
Ttrain1={T1a|a=1…Z1} (5)
Ttest1={T1b|b=1…Z2} (6)
步骤3.3:提取故障IGBT所在桥臂的n个子模块的归一化节点能量,组成故障特征向量T2,其维度为n×8,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2,记为:
Ttrain2={T2a|a=1…Z1}。 (7)
Ttest2={T1b|b=1…Z2} (8)
步骤4:根据故障IGBT所在的桥臂以及所在子模块内部的位置,给故障特征向量设置标签L1;根据故障IGBT所在子模块的位置,给故障特征向量设置标签L2;
步骤4.1:每个子模块含有两个IGBT,定义为IGBT1和IGBT2,将6个桥臂的IGBT1故障标记为1~6,将6个桥臂的IGBT2故障标记为7~12,该1~12即为标签L1;
步骤4.2:采用标签L1对权利要求1所述的故障特征向量集合Ttrain1和Ttest1进行标签标记;
步骤4.3:将每个桥臂中的子模块故障标记为1~n,即为标签L2;
步骤4.4:采用标签L2对权利要求1所述的故障特征向量集合Ttrain2和Ttest2进行标签标记。
步骤5:采用果蝇算法优化参数,采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型,搭建该模型的流程如图4所示;
步骤5.1:将输入向量映射到高维特征空间,并构造最优决策函数,将非线性函数转换为高维特征空间的线性函数,具体公式为:
其约束函数为:
其中,N为样本数,ei为松弛因子,即误差变量,γ为正则参数,用于平衡寻找最优超平面和偏差量最小。
步骤5.2:引入拉格朗日乘子求解上述优化问题,其公式为:
其中,αi为拉格朗日乘子;
对函数的各变量求偏导,并令偏导数为0,可得如下方程:
因此可知:
步骤5.3:可构建决策函数如下:
其中,K()为核函数;
针对MMC故障定位这一非线性问题,本发明采用高斯核函数RBF,其形式如下:
其中,σ2为核函数参数;
步骤5.4:采用果蝇算法对RBF核函数参数σ2以及步骤5.2中的正则参数γ进行优化,果蝇个***置即代表RBF核函数参数σ2以及正则参数γ;
步骤5.4.1:初始化FOA算法群体规模Msize,最大迭代数Mmax;随机初始化果蝇个***置(Xi,Yi)=(X0,Y0),确定果蝇个体搜索食物源的随机方位XF与YF以及随机距离Mdistance;
步骤5.4.2:更新果蝇个***置:
(Xi,Yi)=(XF+Mdistance,YF+Mdistance) (16)
步骤5.4.3:计算果蝇个体与原点之间的距离Di,并求出味道浓度判定值Si,即:
步骤5.4.4:将味道浓度判定值Si带入味道浓度判定函数F中,得到该果蝇个体所处位置的味道浓度值Ti:
Ti=F(Si) (19)
步骤5.4.5:搜索果蝇群中浓度最佳的果蝇Gbest,即:
Gbest=max(Ti) (20)
步骤5.4.6:果蝇群利用视觉飞向最佳目标Gbest,求解最佳味道浓度的果蝇位置(Xbest,Ybest),即本次迭代最优解;
步骤5.4.7:迭代寻优,重复步骤5.4.2至步骤5.4.5,判断当前最佳味道浓度值Gbest(N)是否优于上一代最佳味道浓度值Gbest(N-1)值,若是,则跳至步骤5.4.6,更新最优参数,若否,则继续迭代,直至达到最大迭代次数Mmax,输出最优果蝇位置;
步骤5.5:根据所需步骤4中标签的类别数量,建立多个LS-SVM子分类器,并对子分类器采用步骤5.1到步骤5.4的方法进行训练;由所述多个分类器建立一对多LS-SVM多分类故障定位模型。
步骤6:采用不同的特征向量集合Ttrain1和Ttrain2,对步骤5搭建的模型进行训练,得到训练好的模型M1和M2。
步骤7:将测试集提取的特征Ttest1输入到训练好的模型M1中,得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置;将测试集提取的特征Ttest2输入到训练好的模型M2中,对故障子模块进行定位。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,以子模块电容电压作为判断依据,无需对其他参数进行测量,减少了运行成本;对从模块化多电平换流器采集而来的电容电压信号进行小波包分解,细分了信号中的低频和高频,提高训练的精准度,并剔除了部分冗余信息;采用FOA优化LS-SVM的RBF核函数参数以及正则参数,提高模型精度;采用双模型分类的方式,将故障标签分为两大类分别训练WPD-FOA-LSSVM,形成两个模型M1和M2,M1定位故障IGBT所在桥臂及所在子模块内部的序号,M2定位故障IGBT所在子模块的编号,这种方式提高了单个故障标签对应的数据量,减少了模型训练时所需数据量,大大减少现场数据采集所需的时间成本与空间成本;此外,本发明采用one-against-all的方式,结合双模型的特点,大大减少了所需构建SVM的个数,提高了计算效率。
附图说明
图1为本发明一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法流程图;
图2为本发明三相n+1电平换流器的结构图;
图3为本发明三层小波包分解结构图;
图4为本发明WPD-FOA-LSSVM模型搭建流程图;
图5为本发明不同算法预测分类对比图;
其中,(a)M1模型故障定位结果对比图;
(b)M2模型故障定位结果对比图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以三相5电平模块化换流器为例,其中子模块电容数为4,6个桥臂的子模块电容总数为24。
如图1所示,本实施例的方法如下所述。
步骤1:对于具有6个桥臂、24个子模块的三相5电平换流器,采集100组故障对应的各子模块电容电压,将采样得到的全体子模块电容电压组成集合S:
S=[Uc(l,m)|l=1…N,m=1…6×n] (1)
其中,Uc(l,m)代表第l组故障对应的第m个子模块电容电压;
步骤2:将集合S随机分解为训练样本集Strain和测试样本集Stest,其中训练样本个数为Z1=60,测试样本个数为Z2=40;
步骤3:采用小波包分解方法对训练样本集Strain和测试样本集Stest中的样本数据进行分解,将24个子模块电容电压节点能量组成故障特征向量T1,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1;提取故障IGBT所在桥臂的4个子模块的归一化节点能量,组成故障特征向量T2,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2;
步骤3.1:采用‘db5’小波基函数对训练样本集Strain和测试样本集Stest中的样本数据进行三层小波包分解,三层小波包分解的结构如图3所示;
步骤3.1.1:设初始信号为s,给定一组低通与高通共轭正交滤波器系数{hk}、{gk},k=1,2,…,K,其中,k代表第k个小波基函数,K代表小波基函数库中小波基函数的个数;
初始化小波包系数,第1层的两个节点对应的系数分别为:
不同频段下的小波包系数的递推公式如下:
步骤3.1.2:对于某一给定的正交小波包空间,不同频段下的节点能量公式如下:
其中,Em,j,n为第m个子模块电容电压在第j层第n个节点的节点能量;
步骤3.1.3:得到对应节点的小波包能量值;
步骤3.2:将24个子模块电容电压节点能量组成故障特征向量T1,其维度为192,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1,记为:
Ttrain1={T1a|a=1…Z1} (5)
Ttest1={T1b|b=1…Z2} (6)
步骤3.3:提取故障IGBT所在桥臂的n个子模块的归一化节点能量,组成故障特征向量T2,其维度为32,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2,记为:
Ttrain2={T2a|a=1…Z1}。 (7)
Ttest2={T1b|b=1…Z2} (8)
步骤4:根据故障IGBT所在的桥臂以及所在子模块内部的位置,给故障特征向量设置标签L1;根据故障IGBT所在子模块的位置,给故障特征向量设置标签L2;
步骤4.1:每个子模块含有两个IGBT,定义为IGBT1和IGBT2,将6个桥臂的IGBT1故障标记为1~6,将6个桥臂的IGBT2故障标记为7~12,该1~12即为标签L1;
步骤4.2:采用标签L1对权利要求1所述的故障特征向量集合Ttrain1和Ttest1进行标签标记;
步骤4.3:将每个桥臂中的子模块故障标记为1~n,即为标签L2;
步骤4.4:采用标签L2对权利要求1所述的故障特征向量集合Ttrain2和Ttest2进行标签标记,L1和L2的标签标记的方法如表1所示;
表1标签L1和L2对故障位置的标记方法
步骤5:采用果蝇算法优化参数,采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型,搭建该模型的流程如图4所示;
步骤5.1:将输入向量映射到高维特征空间,并构造最优决策函数,将非线性函数转换为高维特征空间的线性函数,具体公式为:
其约束函数为:
其中,N为样本数,ei为松弛因子,即误差变量,γ为正则参数,用于平衡寻找最优超平面和偏差量最小。
步骤5.2:引入拉格朗日乘子求解上述优化问题,其公式为:
其中,αi为拉格朗日乘子;
对函数的各变量求偏导,并令偏导数为0,可得如下方程:
因此可知:
步骤5.3:可构建决策函数如下:
其中,K()为核函数;
针对MMC故障定位这一非线性问题,本发明采用高斯核函数RBF,其形式如下:
其中,σ2为核函数参数;
步骤5.4:采用果蝇算法对RBF核函数参数σ2以及步骤5.2中的正则参数γ进行优化,果蝇个***置即代表RBF核函数参数σ2以及正则参数γ;
步骤5.4.1:初始化FOA算法群体规模Msize=50,最大迭代数Mmax=200,寻优维数Mdim=2;随机初始化果蝇个***置(Xi,Yi)=(X0,Y0),确定果蝇个体搜索食物源的随机方位XF与YF以及随机距离Mdistance;
步骤5.4.2:更新果蝇个***置:
(Xi,Yi)=(XF+Mdistance,YF+Mdistance) (16)
步骤5.4.3:计算果蝇个体与原点之间的距离Di,并求出味道浓度判定值Si,即:
步骤5.4.4:将味道浓度判定值Si带入味道浓度判定函数F中,得到该果蝇个体所处位置的味道浓度值Ti:
Ti=F(Si) (19)
步骤5.4.5:搜索果蝇群中浓度最佳的果蝇Gbest,即:
Gbest=max(Ti) (20)
步骤5.4.6:果蝇群利用视觉飞向最佳目标Gbest,求解最佳味道浓度的果蝇位置(Xbest,Ybest),即本次迭代最优解;
步骤5.4.7:迭代寻优,重复步骤5.4.2至步骤5.4.5,判断当前最佳味道浓度值Gbest(N)是否优于上一代最佳味道浓度值Gbest(N-1)值,若是,则跳至步骤5.4.6,更新最优参数,若否,则继续迭代,直至达到最大迭代次数Mmax,输出最优果蝇位置;
步骤5.5:根据所需步骤4中标签的类别数量,建立多个LSSVM子分类器,并对子分类器采用步骤5.1到步骤5.4的方法进行训练;由所述多个分类器建立一对多LSSVM多分类故障定位模型。
步骤6:采用不同的特征向量集合Ttrain1和Ttrain2,对步骤5搭建的模型进行训练,得到训练好的模型M1和M2。
步骤7:将测试集提取的特征Ttest1输入到训练好的模型M1中,得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置;将测试集提取的特征Ttest2输入到训练好的模型M2中,对故障子模块进行定位。
M1模型对训练集与测试集的分类结果如图5(a)所示,M2模型对训练集与测试集的分类结果如图5(b)所示。
单模型与双模型SVM、LSSVM以及FOA-LSSVM六种训练模型对训练集以及测试集预测结果的对比如表2所示;
表2
通过表2可知,SVM模型所需构建的SVM总数较多,且测试集准确率低,而采用One-against-all模式的LSSVM与FOA-LSSVM所需构建的SVM总数较少,大大减少了构建模型所需时间与空间成本,且在准确率上显著增高;此外,根据单模型与双模型的结果对比可知,双模型在定位精确度上具有很大优势,可实现对故障IGBT的精准定位。
单模型与双模型经过小波包分解前后故障定位准确率对比如表3所示;
表3小波包分解对准确率的影响
通过表3可知,双模型在准确率上比单模型高出50%以上,这是由于训练样本数据过少,单模型难以进行精准建模;此外,通过表3中对未经过小波包分解的数据与经过小波包分解的数据对比可知,经小波包分解后的数据维数显著降低,输入节点数量大大减少,总仿真时间也显著降低,且测试数据准确率显著升高。
Claims (5)
1.一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其特征在于包括如下步骤:
步骤1:对于具有6个桥臂、6×n个子模块的三相n+1电平换流器,采集N组故障对应的各子模块电容电压,将采样得到的全体子模块电容电压组成集合S;
步骤2:将集合S随机分解为训练样本集Strain和测试样本集Stest,其中训练样本个数为Z1,测试样本个数为Z2;
步骤3:采用小波包分解方法对训练样本集Strain和测试样本集Stest中的样本数据进行分解,将6×n个子模块电容电压节点能量组成故障特征向量T1,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1;提取故障IGBT所在桥臂的n个子模块的归一化节点能量,组成故障特征向量T2,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2;
步骤4:根据故障IGBT所在的桥臂以及所在子模块内部的位置,给故障特征向量设置标签L1;根据故障IGBT所在子模块的位置,给故障特征向量设置标签L2;
步骤5:采用果蝇算法优化参数,采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型;
步骤6:采用不同的特征向量集合Ttrain1和Ttrain2,对步骤5搭建的模型进行训练,得到训练好的模型M1和M2;
步骤7:将测试集提取的特征Ttest1输入到训练好的模型M1中,得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置;将测试集提取的特征Ttest2输入到训练好的模型M2中,对故障子模块进行定位。
2.根据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其特征在于:所述步骤1中将采样得到的全体子模块电容电压组成集合S记为:
S=[Uc(l,m)|l=1…N,m=1…6×n] (1)
其中,Uc(l,m)代表第l组故障对应的第m个子模块电容电压。
3.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其特征在于所述步骤3的过程如下:
步骤3.1:采用‘db5’小波基函数对训练样本集Strain和测试样本集Stest中的样本数据进行三层小波包分解;
步骤3.1.1:设初始信号为s,给定一组低通与高通共轭正交滤波器系数{hk}、{gk},k=1,2,…,K,其中,k代表第k个小波基函数,K代表小波基函数库中小波基函数的个数;
初始化小波包系数,第1层的两个节点对应的系数分别为:
不同频段下的小波包系数的递推公式如下:
步骤3.1.2:对于某一给定的正交小波包空间,不同频段下的节点能量公式如下:
其中,Em,j,n为第m个子模块电容电压在第j层第n个节点的节点能量;
步骤3.1.3:得到对应节点的小波包能量值;
步骤3.2:将6×n个子模块电容电压节点能量组成故障特征向量T1,其维度为6×n×8,全体训练样本故障特征向量的集合为Ttrain1,全体测试样本故障特征向量的集合为Ttest1,记为:
Ttrain1={T1a|a=1…Z1} (5)
Ttest1={T1b|b=1…Z2} (6)
步骤3.3:提取故障IGBT所在桥臂的n个子模块的归一化节点能量,组成故障特征向量T2,其维度为n×8,全体训练样本故障特征向量的集合为Ttrain2,全体测试样本故障特征向量的集合为Ttest2,记为:
Ttrain2={T2a|a=1…Z1} (7)
Ttest2={T2b|b=1…Z2} 。 (8)
4.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其特征在于:所述步骤4中根据故障IGBT所在的桥臂以及所在子模块内部的位置,给故障特征向量设置标签L1;根据故障IGBT所在子模块的位置,给故障特征向量设置标签L2的过程如下:
步骤4.1:每个子模块含有两个IGBT,定义为IGBT1和IGBT2,将6个桥臂的IGBT1故障标记为1~6,将6个桥臂的IGBT2故障标记为7~12,该1~12即为标签L1;
步骤4.2:采用标签L1对权利要求1所述的故障特征向量集合Ttrain1和Ttest1进行标签标记;
步骤4.3:将每个桥臂中的子模块故障标记为1~n,即为标签L2;
步骤4.4:采用标签L2对权利要求1所述的故障特征向量集合Ttrain2和Ttest2进行标签标记。
5.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法,其特征在于所述步骤5中采用果蝇算法优化参数,采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型的过程如下:
步骤5.1:将输入向量映射到高维特征空间,并构造最优决策函数,将非线性函数转换为高维特征空间的线性函数,具体公式为:
其约束函数为:
其中,N为样本数,ei为松弛因子,即误差变量,γ为正则参数,用于平衡寻找最优超平面和偏差量最小;
步骤5.2:引入拉格朗日乘子求解上述优化问题,其公式为:
其中,αi为拉格朗日乘子;
对函数的各变量求偏导,并令偏导数为0,可得如下方程:
因此可知:
步骤5.3:可构建决策函数如下:
其中,K()为核函数;
针对MMC故障定位这一非线性问题,本发明采用高斯核函数RBF,其形式如下:
其中,σ2为核函数参数;
步骤5.4:采用果蝇算法对RBF核函数参数σ2以及步骤5.2中的正则参数γ进行优化,果蝇个***置即代表RBF核函数参数σ2以及正则参数γ;
步骤5.4.1:初始化FOA算法群体规模Msize,最大迭代数Mmax,寻优维数Mdim;初始化果蝇个***置(Xi,Yi)=(X0,Y0),确定果蝇个体搜索食物源的随机方位XF与YF以及距离Mdistance;
步骤5.4.2:更新果蝇个***置:
(Xi,Yi)=(XF+Mdistance,YF+Mdistance) (16)
步骤5.4.3:计算果蝇个体与原点之间的距离Di,并求出味道浓度判定值Si,即:
步骤5.4.4:将味道浓度判定值Si带入味道浓度判定函数F中,得到该果蝇个体所处位置的味道浓度值Ti:
Ti=F(Si) (19)
步骤5.4.5:搜索果蝇群中浓度最佳的果蝇Gbest,即:
Gbest=max(Ti) (20)
步骤5.4.6:果蝇群利用视觉飞向最佳目标Gbest,求解最佳味道浓度的果蝇位置(Xbest,Ybest),即本次迭代最优解;
步骤5.4.7:迭代寻优,重复步骤5.4.2至步骤5.4.5,判断当前最佳味道浓度值Gbest(N)是否优于上一代最佳味道浓度值Gbest(N-1)值,若是,则跳至步骤5.4.6,更新最优参数,若否,则继续迭代,直至达到最大迭代次数Mmax,输出最优果蝇位置;
步骤5.5:根据所需步骤4中标签的类别数量,建立多个LSSVM子分类器,并对子分类器采用步骤5.1到步骤5.4的方法进行训练;由所述多个LSSVM子分类器建立一对多LSSVM多分类故障定位模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729935.6A CN110456217B (zh) | 2019-08-08 | 2019-08-08 | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729935.6A CN110456217B (zh) | 2019-08-08 | 2019-08-08 | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456217A CN110456217A (zh) | 2019-11-15 |
CN110456217B true CN110456217B (zh) | 2021-06-01 |
Family
ID=68485548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729935.6A Active CN110456217B (zh) | 2019-08-08 | 2019-08-08 | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456217B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365935B (zh) * | 2020-10-20 | 2022-08-30 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
CN112611982B (zh) * | 2020-11-30 | 2022-07-12 | 西华大学 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
CN112557960B (zh) * | 2020-12-31 | 2022-03-01 | 广东电网有限责任公司电力科学研究院 | 一种mmc换流器子模块开路故障定位方法及装置 |
CN114089181B (zh) * | 2021-11-19 | 2022-11-08 | 浙江大学 | 基于XG-Boost的MMC开关管开路故障检测方法 |
CN114740326B (zh) * | 2022-03-28 | 2024-02-20 | 上海电力大学 | 一种基于电流误差的mmc子模块igbt开路故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007151288A (ja) * | 2005-11-28 | 2007-06-14 | Fuji Electric Holdings Co Ltd | 交流電動機駆動システム |
KR101312353B1 (ko) * | 2013-04-30 | 2013-10-14 | 한국전력공사 | 송전선로의 고장위치 산정 방법 |
CN106093678A (zh) * | 2016-06-15 | 2016-11-09 | 国网福建省电力有限公司 | 一种快速准确诊断柔性直流输电***换流器故障的方法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN107942219A (zh) * | 2017-10-23 | 2018-04-20 | 浙江大学 | 一种三相四线制逆变器晶体管的开路故障诊断方法 |
CN108828387A (zh) * | 2018-06-11 | 2018-11-16 | 浙江大学 | 一种mmc子模块开路故障一体化诊断方法 |
CN109272721A (zh) * | 2018-11-01 | 2019-01-25 | 西安工程大学 | 基于kpca-foa-lssvm的滑坡灾害预报方法 |
CN109787288A (zh) * | 2019-02-27 | 2019-05-21 | 西安交通大学 | 一种m3c换流器与海上风电场的故障联合穿越方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
-
2019
- 2019-08-08 CN CN201910729935.6A patent/CN110456217B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007151288A (ja) * | 2005-11-28 | 2007-06-14 | Fuji Electric Holdings Co Ltd | 交流電動機駆動システム |
KR101312353B1 (ko) * | 2013-04-30 | 2013-10-14 | 한국전력공사 | 송전선로의 고장위치 산정 방법 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN106093678A (zh) * | 2016-06-15 | 2016-11-09 | 国网福建省电力有限公司 | 一种快速准确诊断柔性直流输电***换流器故障的方法 |
CN107942219A (zh) * | 2017-10-23 | 2018-04-20 | 浙江大学 | 一种三相四线制逆变器晶体管的开路故障诊断方法 |
CN108828387A (zh) * | 2018-06-11 | 2018-11-16 | 浙江大学 | 一种mmc子模块开路故障一体化诊断方法 |
CN109272721A (zh) * | 2018-11-01 | 2019-01-25 | 西安工程大学 | 基于kpca-foa-lssvm的滑坡灾害预报方法 |
CN109787288A (zh) * | 2019-02-27 | 2019-05-21 | 西安交通大学 | 一种m3c换流器与海上风电场的故障联合穿越方法 |
Non-Patent Citations (1)
Title |
---|
基于WPD-PCA与GA-BP的MMC子模块故障定位方法研究;杨桢 等;《电子测量与仪器学报》;20190731;第33卷(第7期);第181-187页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110456217A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
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 | |
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 | |
US20180238951A1 (en) | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter | |
CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
CN109782091B (zh) | 基于深度小波极限学***逆变器故障诊断方法 | |
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 | |
CN110954761A (zh) | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 | |
CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及*** | |
CN110068776B (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力***故障辨识方法及装置 | |
CN113189513B (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN109782158A (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN114118149A (zh) | 基于有限元仿真和对称特征迁移的感应电机故障诊断*** | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN116566061A (zh) | 一种并网逆变器***稳定性在线监测方法及*** | |
CN114035120A (zh) | 基于改进cnn的三电平逆变器开路故障诊断方法及*** | |
CN110968073A (zh) | 一种hvdc***换相失败故障原因双层溯源辨识方法 | |
CN115308538A (zh) | 基于yolov5的配电网故障定位方法、***、终端及存储介质 | |
CN109784279B (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
CN114778969A (zh) | 一种基于RBF-Elman神经网络的整流器故障诊断方法 | |
CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 | |
CN117347913A (zh) | 一种三电平逆变器开路故障诊断方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |