CN114528883A - 一种风电变流器igbt故障识别方法 - Google Patents

一种风电变流器igbt故障识别方法 Download PDF

Info

Publication number
CN114528883A
CN114528883A CN202210172656.6A CN202210172656A CN114528883A CN 114528883 A CN114528883 A CN 114528883A CN 202210172656 A CN202210172656 A CN 202210172656A CN 114528883 A CN114528883 A CN 114528883A
Authority
CN
China
Prior art keywords
fault
individual
wind power
vector
power converter
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
CN202210172656.6A
Other languages
English (en)
Inventor
李文华
王佳聪
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202210172656.6A priority Critical patent/CN114528883A/zh
Publication of CN114528883A publication Critical patent/CN114528883A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种优化特征向量参数提取的风电变流器IGBT故障识别方法，包括针对变流器各个正常状态、各类故障状态的电三相流信号进行采样，组成数据集；利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合；参数优化后对各个电流信号进行分解，每种状态得到若干模态分量IMF；将构成特征向量输入到分类器中进行故障识别；本发明通过优化特征参数提取的方法，可有效地对故障类型做出准确的识别，对变流器故障分类鉴别具有实用性。

Description

一种风电变流器IGBT故障识别方法
技术领域
本发明涉及风电变流器领域，尤其涉及一种风电变流器IGBT故障识别方法。
背景技术
风能在人类生产生活中的利用随处可见，包括发电、提水灌溉、致热供暖等方面，但将其用于发电是其开发利用的最重要的方式。现在，为了满足日益增长的能源需求需要不断对风力发电***进行优化改革以提高其整体发电效益，这也促使大型风机容量发电机的发展，在全球的电力发展环境中，风力发电在电力市场上占着举足轻重的位置。变流器是风力发电***的核心部件，但在实际运行中，由于风的不稳定性、电力电子器件的脆弱性及运行环境恶劣等原因，使变流器成为***中故障率最高的器件。变流器故障可能导致整个电力***运行中断，变流器最常见的故障为功率管的开路故障和短路故障。当发生短路故障时电路上瞬间产生大电流，大电流会烧断变流器中的熔断装置从而保护装置，因此当发生短路故障时，短路故障会立刻转换成开路故障。
国内外有相关对功率变流器IGBT模块开路故障诊断的研究，大致可以分为定性故障诊断和定量故障诊断两类。定性故障诊断包含故障树分析法和专家***法，其基本思想都是通过运用专家在功率变流器开路故障情况下积累的有效经验和专门知识建立知识库，并对故障状态按照一定逻辑推理以确定诊断结果和故障原因。定量故障诊断又包括电流检测法和电压检测法，是对功率变流器的电流、电压等运行电学参数进行分析和比较，必要时设定阈值，从而进行决策和分类。定性故障诊断的方法直观易懂、思路清晰、逻辑性强，非常适用于简单***。但随着功率变流器***复杂性程度增加、知识库不够全面、逻辑推理过程异常复杂，造成诊断搜索过程困难，且故障诊断准确度较低。为了提高故障诊断的效率和准确度，定性故障诊断一般与定量故障诊断结合使用。还有根据标准化的平均电流，采用Park矢量法，对三电平变流器的多开路故障进行检测和定位，但此方法在负载发生突变时易发生故障误报或不报等问题。还有为了得到与时间有关的频率信息，通常采用联合时频分析方法，例如短时傅里叶变换、小波变换等。但是这些线性时频变换受到窗函数的影响，时间分辨率和频率辨率相互约束，无法同时达到最优。
本文针对风电变流器特征提取的问题，将原始电流信号用变分模态分解算法处理得到若干本征模函数，并对其进行特征提取构成高维输入向量，通过分类器实现风机部件故障状态的识别。该方法可有效地对故障类型做出准确的识别，对变流器故障预警具有实用性。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种风电变流器IGBT故障识别方法，优化变流器故障信号特征参数提取问题。
本发明是通过以下技术方案予以实现：
一种优化特征向量参数提取的风电变流器IGBT故障识别方法，包括以下步骤：
S1：针对变流器各个正常状态、各类故障状态的电三相流信号进行采样，组成数据集；
S2：利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合；
S3：参数优化后对各个电流信号进行分解，每种状态得到若干模态分量IMF；
S4：对分解后的IMF进行有效特征值提取；
S5：将构成特征向量输入到分类器中进行故障识别；
根据上述技术方案，优选地，在所述步骤S1中，所述变流器为三相变流器，常见的故障电路为一个IGBT开路或者两个IGBT开路，对变流器进行仿真模拟，共有21种故障电路，模拟得到该变流器不同故障状态下的三相电流信号。
根据上述技术方案，优选地，在所述步骤S2中，用鲸群算法寻找K、α最优解。
根据上述技术方案，优选地，所述优化参数算法的数学建模为：
(1)发现猎物的数学建模。
自然界中种群感知猎物位置，假定目标猎物就是当前最优解或者接近最优解，搜索个体将不断以收缩环绕方式更新位置，来靠近最优解，这一行为可以表达为:
Figure BDA0003518986620000031
式中:
Figure BDA0003518986620000032
是搜索个体和最优解之间距离向量；
Figure BDA0003518986620000033
是搜索个体的位置向量；
Figure BDA0003518986620000034
是最优解的位置向量；t是迭代次数。
Figure BDA0003518986620000035
和
Figure BDA0003518986620000036
为系数向量，其定义如下:
Figure BDA0003518986620000037
式中:
Figure BDA0003518986620000038
是随迭代次数增加由2到0递减；
Figure BDA0003518986620000039
为[0，1]随机数。
(2)螺旋环绕包围猎物，并用气泡网方式捕获猎物数学建模(开发阶段)。
搜索个体的螺旋更新方式如下:
Figure BDA00035189866200000310
式中:
Figure BDA00035189866200000311
为搜索个体和最优解之间距离向量
Figure BDA00035189866200000312
b为定义螺旋形式的常数；l为[－1 1]之间随机数。
搜索个体以收缩环绕方式和螺旋更新方式更新位置，假设两种方式执行概率p各为50％，搜索个体总位置向量表达式如下:
Figure BDA0003518986620000041
(3)再捕获猎物数学建模(再搜索阶段)。
同样，基于
Figure BDA0003518986620000042
向量变化也可以用于搜索阶段。相比于开发阶段，个***置按随机位置搜索，而不是最佳搜索个体；建模时使用向量
Figure BDA0003518986620000043
强制搜索个体远离参考位置。
位置更新表达式如下:
Figure BDA0003518986620000044
式中:
Figure BDA0003518986620000045
为随机个体；
Figure BDA0003518986620000046
随机分量绝对值大于1。
整个算法搜索个体，通过随机个体和最优个体更新自身位置；并随着迭代次数t的增加，不断逼近最优解。
根据上述技术方案，优选地，在所述步骤S3中，将信号分解到K个IMF分量。
根据上述技术方案，优选地，在所述步骤S4中，选取排列熵和均方根然构造特征向量。
根据上述技术方案，优选地，所述排列熵和均方根然表达式为：
均方根能反映信号在时域上的幅值变化，而排列熵可通过相邻时间段的数据来判断时间序列的复杂性。选取均方根值和排列熵来构造样本的特征向量，从而有效地表征电流信号的故障状态。
均方根值作为一种反映信号波动大小的指标被广泛应用:
Figure BDA0003518986620000047
排列熵是一种衡平均熵参数，优点是计算简单、抗噪声能力强、计算值稳定等。当一维序列xi在
相空间重构时，每一种排列顺序出现的概率构成一组序列[P1，P2，…，Pl，…，Pm！]，其中Pl为第l种排列出现的概率，则排列熵和其归一化为
Figure BDA0003518986620000051
PE＝PE(m)/ln(m！)。
根据上述技术方案，优选地，在所述步骤S5中，排列熵和均方根植构成高维特征向量，分类器由两层无监督的神经网络(第一层被称为可见层，第二层被称为隐藏层)和一层有监督的反向传播神经网络构成。
本发明的有益效果是：通过通过优化变分模态参数，选择最优模态分解个数K和惩罚因子α最优参数组合，然后对电流信号进行分解，每种状态得到若干模态分量IMF，选择其排列熵和均方根作为高维特征向量，构造更加准确的特征参数，输入分类器中对其分类，该方法可有效地对故障类型做出准确的识别，对变流器故障预警具有实用性。
附图说明
图1示出了本发明的实施例的实现流程图。
图2示出了本发明的实施例的优化参数流程图。
图3示出了本发明的实施例的分类器整体结构图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明一种优化特征向量参数提取的风电变流器IGBT故障识别方法，包括以下步骤：
S1：针对变流器各个正常状态、各类故障状态的电三相流信号进行采样，组成数据集；
S2：利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合；
S3：参数优化后对各个电流信号进行分解，每种状态得到若干模态分量IMF；
S4：对分解后的IMF进行有效特征值提取；
S5：将构成特征向量输入到分类器中进行故障识别；
根据上述技术方案，优选地，在所述步骤S1中，所述变流器为三相变流器，常见的故障电路为一个IGBT开路或者两个IGBT开路，对变流器进行仿真模拟，共有21种故障电路，模拟得到该变流器不同故障状态下的三相电流信号。
根据上述技术方案，优选地，在所述步骤S2中，用鲸群算法寻找K、α最优解。
根据上述技术方案，优选地，所述优化参数算法的数学建模为：
(1)发现猎物的数学建模。
自然界中种群感知猎物位置，假定目标猎物就是当前最优解或者接近最优解，搜索个体将不断以收缩环绕方式更新位置，来靠近最优解，这一行为可以表达为:
Figure BDA0003518986620000061
式中:
Figure BDA0003518986620000062
是搜索个体和最优解之间距离向量；
Figure BDA0003518986620000063
是搜索个体的位置向量；
Figure BDA0003518986620000064
是最优解的位置向量；t是迭代次数。
Figure BDA0003518986620000065
和
Figure BDA0003518986620000066
为系数向量，其定义如下:
Figure BDA0003518986620000067
式中:
Figure BDA0003518986620000068
是随迭代次数增加由2到0递减；
Figure BDA0003518986620000069
为[0，1]随机数。
(2)螺旋环绕包围猎物，并用气泡网方式捕获猎物数学建模(开发阶段)。
搜索个体的螺旋更新方式如下:
Figure BDA0003518986620000071
式中:
Figure BDA0003518986620000072
为搜索个体和最优解之间距离向量
Figure BDA0003518986620000073
b为定义螺旋形式的常数；l为[－1 1]之间随机数。
搜索个体以收缩环绕方式和螺旋更新方式更新位置，假设两种方式执行概率p各为50％，搜索个体总位置向量表达式如下:
Figure BDA0003518986620000074
(3)再捕获猎物数学建模(再搜索阶段)。
同样，基于
Figure BDA0003518986620000075
向量变化也可以用于搜索阶段。相比于开发阶段，个***置按随机位置搜索，而不是最佳搜索个体；建模时使用向量
Figure BDA0003518986620000076
强制搜索个体远离参考位置。
位置更新表达式如下:
Figure BDA0003518986620000077
式中:
Figure BDA0003518986620000078
为随机个体；
Figure BDA0003518986620000079
随机分量绝对值大于1。
整个算法搜索个体，通过随机个体和最优个体更新自身位置；并随着迭代次数t的增加，不断逼近最优解。
根据上述技术方案，优选地，在所述步骤S3中，将信号分解到K个IMF分量。
根据上述技术方案，优选地，在所述步骤S4中，选取排列熵和均方根然构造特征向量。
根据上述技术方案，优选地，所述排列熵和均方根然表达式为：
均方根能反映信号在时域上的幅值变化，而排列熵可通过相邻时间段的数据来判断时间序列的复杂性。选取均方根值和排列熵来构造样本的特征向量，从而有效地表征电流信号的故障状态。
均方根值作为一种反映信号波动大小的指标被广泛应用：
Figure BDA0003518986620000081
排列熵是一种衡平均熵参数，优点是计算简单、抗噪声能力强、计算值稳定等。当一维序列xi在相空间重构时，每一种排列顺序出现的概率构成一组序列[P1，P2，…，Pl，…，Pm！]，其中Pl为第l种排列出现的概率，则排列熵和其归一化为：
Figure BDA0003518986620000082
PE＝PE(m)/ln(m！)。
根据上述技术方案，优选地，在所述步骤S5中，排列熵和均方根植构成高维特征向量，分类器由两层无监督的神经网络(第一层被称为可见层，第二层被称为隐藏层)和一层有监督的反向传播神经网络构成。
针对变流器各个正常状态、各类故障状态的电三相流信号进行采样，组成数据集；
利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合；
分解过程中的模态分量K和惩罚因子α的选取直接关系着其的分解效果。如果分量个数K取值过小，可能造成模态混叠的现象；K值过大，分解的结果中就可能产生虚假分量，不利于分析。而二次惩罚因子α的取值越小，则分解后的各IMF分量的带宽越大；反之，α越大,则各个IMF分量的带宽越小。所以，选择适当的K、α值对分解效果非常重要。对于优化问题，首先需要设定一个适应度函数，以此函数来确定最佳参数。故使用寻优算法对其进行参数优化时，需设定一个适应度函数来进行迭代寻优，确定最佳参数组合。包络熵反映了信号的稀疏特性，若信号经过分解后IMF分量中含有较多的周期性故障冲击信息时，则其稀疏特性强，包络熵值小；反之，如果分解后分量中只有较少的周期性故障冲击信息时，则其稀疏特性弱，包络熵值大。本文中将分解后的局部极小包络熵作为寻优算法中的适应度函数，搜寻最优的参数组合[k，α],即模态分量个数和二次惩罚因子。包络熵Ep的计算公式为：
Figure BDA0003518986620000091
式中：pi为a(i)的归一化形式；a(i)是信号x(i)经Hilbert解调后得到的包络信号，N为因子长度；
采用寻优算法优化变分模态分解参数步骤：
(1)确定适应度函数，设集合个体的解为(α，K)，初始化算法参数；
(2)将信号进行分解过程得到各个IMF，根据式子计算每个IMF的包络熵；
(3)将最小包络熵值作为适应度函数进行全局搜索；
(4)根据式
Figure BDA0003518986620000092
式
Figure BDA0003518986620000093
更新鲸鱼个体的位置；
(5)重复步骤(3)至步骤(5)，只要达到包络熵值最小或者达到设定的最大迭代次数，则输出最佳参数组合个体(α，K)；
参数优化过后对各个电流信号进行分解，每种状态得到若干模态分量；
此分解方法能够自适应匹配每种模态的最佳中心频率和有限带宽，实现固有模态分量(IMF)有效分离，其核心思想是构建和求解变分问题。将原始信号分解为K个IMF的如下变分模型：
Figure BDA0003518986620000101
其中：uk代表分解后的模分量wk代表每个模分量中心频率集合，δ(t)是狄拉克函数，k为模态个数，f为原始信号，
Figure BDA0003518986620000102
为经过Hilbert变换后uk(t)的频谱，*为卷积运算，
Figure BDA0003518986620000103
为梯度运算。
为求解上式，引入Lagrange乘法算子λ，使约束变分问题转化为非约束变分问题，得到增广Lagrange表达式为
Figure BDA0003518986620000104
式中：α是惩罚因子，λ为Lagrange算子，采用交替方向乘子法将原始最小化问题转化为增广拉格朗日函数的鞍点问题。
变分模态算法实现步骤为：
(a)初始化
Figure BDA0003518986620000105
{λ1}和n，设为0，并选择合适模态个数K和惩罚参数α。
(b)对
Figure BDA0003518986620000106
λ1进行迭代更新。
Figure BDA0003518986620000107
(c)判断是否满足终止条件，
Figure BDA0003518986620000108
其中
Figure BDA0003518986620000109
分别是
Figure BDA00035189866200001010
f(ω)的傅里叶变换
对分解后的IMF进行有效特征值提取；
选取特征值为排列熵和均方根,排列熵和均方根然表达式为：
均方根能反映信号在时域上的幅值变化，而排列熵可通过相邻时间段的数据来判断时间序列的复杂性。选取均方根值和排列熵来构造样本的特征向量，从而有效地表征电流信号的故障状态。均方根值作为一种反映信号波动大小的指标被广泛应用:
Figure BDA0003518986620000111
排列熵是一种衡平均熵参数，优点是计算简单、抗噪声能力强、计算值稳定等。当一维序列xi在相空间重构时，每一种排列顺序出现的概率构成一组序列[P1，P2，…，Pl，…，Pm！]，其中Pl为第l种排列出现的概率，则排列熵和其归一化为：
Figure BDA0003518986620000112
PE＝PE(m)/ln(m！)
将构成特征向量输入到分类器中进行故障识别；
分类器由两层无监督的神经网络(第一层被称为可见层，第二层被称为隐藏层)和一层有监督BP神经网络构成，其训练算法分为两个步骤，即预训练和微调。这样的训练方式使其避免陷入局部最小值，也使训练效率大大提高。
分类器具体训练步骤：
a)预训练:分别单独无监督的训练每一层反向传播神经网络，确保特征向量映射到不同特征空间，都尽可能的保留特征信息；它通过一个非监督贪婪逐层方法预训练获得权重(即不要类标，不断拟合输入，依次逐层)。在这个过程中，数据输入到可见层，生成一个向量V，在通过权值w传给隐藏层，得到h，由于隐藏层之间是无连接的，所以可以并行得到隐藏层所有节点值。通过隐层激活单元和可视层输入之间的相关性差别(通过能量函数来度量网络的稳定性，优化函数是根据求能量函数球指数后，归一化，然后最大似然得到)就作为权值更新的主要依据。
b)微调：在最后一层设置反向传播神经网络,接收浅层神经网络的输出特征向量作为它的输入特征向量,即排列熵和均方根，有监督地训练实体关系分类器.而且每一层浅层神经网络只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个分类器的特征向量映射达到最优,所以反向传播网络还将错误信息自顶向下传播至每一层浅层神经网络,微调整个网络.浅层神经网络训练模型的过程可以看作对一个深层反向传播神经网络网络权值参数的初始化,使其克服了反向传播神经网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
本发明的有益效果是：通过通过优化变分模态参数，选择最优模态分解个数K和惩罚因子α最优参数组合，然后对电流信号进行分解，每种状态得到若干模态分量IMF，选择其排列熵和均方根作为高维特征向量，构造更加准确的特征参数，输入分类器中对其分类，该方法可有效地对故障类型做出准确的识别，对变流器故障预警具有实用性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种风电变流器IGBT故障识别方法，其特征在于，包括以下步骤：
S1：针对变流器各个正常状态、各类故障状态的电三相流信号进行采样，组成数据集；
S2：利用算法寻优变分模态分解的模态分解个数K和惩罚因子α最优参数组合；
S3：参数优化后对各个电流信号进行分解，每种状态得到若干模态分量IMF；
S4：对分解后的IMF进行有效特征值提取；
S5：将构成特征向量输入到分类器中进行故障识别。
2.根据权利要求1所述一种风电变流器IGBT故障识别方法，其特征在于，变流器为三相变流器，常见的故障电路为一个IGBT开路或者两个IGBT开路，对变流器进行仿真模拟，共有21种故障电路，模拟得到该变流器不同故障状态下的三相电流信号。
3.根据权利要求1所述一种风电变流器IGBT故障识别方法，其特征在于，在分解信号方法中，用寻优算法寻找K、α最优解。
4.根据权利要求3所述的一种风电变流器IGBT故障识别方法，其特征在于，所述寻优算法的数学建模为；
(1)发现猎物的数学建模：
自然界中种群感知猎物位置，假定目标猎物就是当前最优解或者接近最优解，搜索个体将不断以收缩环绕方式更新位置，来靠近最优解，这一行为可以表达为：
Figure FDA0003518986610000011
式中：
Figure FDA0003518986610000012
是搜索个体和最优解之间距离向量，
Figure FDA0003518986610000013
是搜索个体的位置向量，
Figure FDA0003518986610000014
是最优解的位置向量，t是迭代次数；
Figure FDA0003518986610000015
和
Figure FDA0003518986610000016
为系数向量，其定义如下：
Figure FDA0003518986610000021
式中：
Figure FDA0003518986610000022
是随迭代次数增加由2到0递减；
Figure FDA0003518986610000023
为[0，1]随机数；
(2)螺旋环绕包围猎物，并用气泡网方式捕获开发阶段猎物数学建模：
搜索个体的螺旋更新方式如下:
Figure FDA0003518986610000024
式中：
Figure FDA0003518986610000025
为搜索个体和最优解之间距离向量
Figure FDA0003518986610000026
b为定义螺旋形式的常数，l为[－1 1]之间随机数；
搜索个体以收缩环绕方式和螺旋更新方式更新位置，假设两种方式执行概率p各为50％，搜索个体总位置向量表达式如下：
Figure FDA0003518986610000027
(3)再捕获猎物数学建模(再搜索阶段)：
同样，基于
Figure FDA0003518986610000028
向量变化也可以用于搜索阶段，相比于开发阶段，个***置按随机位置搜索，而不是最佳搜索个体，建模时使用向量
Figure FDA0003518986610000029
强制搜索个体远离参考位置；
位置更新表达式如下：
Figure FDA00035189866100000210
式中：
Figure FDA00035189866100000211
为随机个体，
Figure FDA00035189866100000212
随机分量绝对值大于1；
整个算法搜索个体，通过随机个体和最优个体更新自身位置，并随着迭代次数t的增加，不断逼近最优解。
5.根据权利要求3所述的一种风电变流器IGBT故障识别方法，其特征在于，根据权利要求1所述将信号分解到K个IMF分量。
6.根据权利要求3所述的一种风电变流器IGBT故障识别方法，其特征在于，选取排列熵和均方根然构造特征向量。
7.根据权利要求7所述一种风电变流器IGBT故障识别方法，其特征在于，所述排列熵和均方根然表达式为：
均方根能反映信号在时域上的幅值变化，而排列熵可通过相邻时间段的数据来判断时间序列的复杂性，选取均方根值和排列熵来构造样本的特征向量，从而有效地表征电流信号的故障状态；
均方根值作为一种反映信号波动大小的指标被广泛应用：
Figure FDA0003518986610000031
排列熵是一种衡平均熵参数，优点是计算简单、抗噪声能力强、计算值稳定等，当一维序列xi在相空间重构时，每一种排列顺序出现的概率构成一组序列[P1，P2，…，Pl，…，Pm！]，其中Pl为第l种排列出现的概率，则排列熵和其归一化为：
Figure FDA0003518986610000032
PE＝PE(m)/ln(m！)。
8.根据权利要求1所述一种风电变流器IGBT故障识别方法，其特征在于，将排列熵和均方根植构成高维特征向量，分类器由两层无监督的神经网络和一层有监督反向传播神经网络构成，两层无监督的神经网络分别为第一层被称为可见层，第二层被称为隐藏层。
CN202210172656.6A 2022-02-24 2022-02-24 一种风电变流器igbt故障识别方法 Pending CN114528883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210172656.6A CN114528883A (zh) 2022-02-24 2022-02-24 一种风电变流器igbt故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210172656.6A CN114528883A (zh) 2022-02-24 2022-02-24 一种风电变流器igbt故障识别方法

Publications (1)

Publication Number Publication Date
CN114528883A true CN114528883A (zh) 2022-05-24

Family

ID=81624503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210172656.6A Pending CN114528883A (zh) 2022-02-24 2022-02-24 一种风电变流器igbt故障识别方法

Country Status (1)

Country Link
CN (1) CN114528883A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115078952A (zh) * 2022-08-19 2022-09-20 江苏东海半导体股份有限公司 一种igbt驱动故障检测方法及***
CN115358265A (zh) * 2022-08-16 2022-11-18 绍兴淼汇能源科技有限公司 一种超低水头提水***故障的检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358265A (zh) * 2022-08-16 2022-11-18 绍兴淼汇能源科技有限公司 一种超低水头提水***故障的检测方法
CN115358265B (zh) * 2022-08-16 2024-04-30 绍兴淼汇能源科技有限公司 一种超低水头提水***故障的检测方法
CN115078952A (zh) * 2022-08-19 2022-09-20 江苏东海半导体股份有限公司 一种igbt驱动故障检测方法及***
CN115078952B (zh) * 2022-08-19 2022-12-23 江苏东海半导体股份有限公司 一种igbt驱动故障检测方法及***

Similar Documents

Publication Publication Date Title
CN109932627A (zh) 一种gis耐压试验局部放电的定位方法及***
CN114528883A (zh) 一种风电变流器igbt故障识别方法
CN114219147A (zh) 一种基于联邦学习的配电站故障预测方法
CN112787591B (zh) 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN110782071A (zh) 基于时空特性融合的卷积神经网络进行风电功率预测方法
Xi et al. Online fault diagnosis for photovoltaic arrays based on fisher discrimination dictionary learning for sparse representation
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
Shukla et al. Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks
CN115564155A (zh) 一种分散式风电机组功率预测方法及相关设备
Paul et al. Series AC arc fault detection using decision tree-based machine learning algorithm and raw current
CN114978586B (zh) 一种基于攻击基因的电网攻击检测方法、***和电子设备
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
CN116298725A (zh) 故障电弧检测方法、***及存储介质
CN115564092A (zh) 用于风电场的短时风电功率预测***及其方法
CN115130520A (zh) 基于多线路关联的电路故障诊断方法及其***
CN113902136A (zh) 一种基于电力指纹特征和集成学习机制的负荷识别方法
CN115169405A (zh) 基于支持向量机的酒店客房设备故障诊断方法及***
CN114861990A (zh) 风电功率预测模型建模方法、装置和设备
Binu et al. Support vector neural network and principal component analysis for fault diagnosis of analog circuits
Ahmad et al. Data-based ground fault diagnosis of power cable systems
El Marghichi A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps
Murali et al. Forecasting and classification of power quality disturbance in smart grid using hybrid networks
Afrasiabi et al. Photovoltaic array fault detection and classification based on t-distributed stochastic neighbor embedding and robust soft learning vector quantization

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