CN116610916B - 多信号源自适应融合级联h桥逆变器故障诊断方法 - Google Patents
多信号源自适应融合级联h桥逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN116610916B CN116610916B CN202310564708.9A CN202310564708A CN116610916B CN 116610916 B CN116610916 B CN 116610916B CN 202310564708 A CN202310564708 A CN 202310564708A CN 116610916 B CN116610916 B CN 116610916B
- Authority
- CN
- China
- Prior art keywords
- fault
- phase
- cascade
- layer
- bridge inverter
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 239000002253 acid Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
- G06N3/0464—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Inverter Devices (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
多信号源自适应融合Conv‑transformer级联H桥逆变器故障诊断方法,针对多电平逆变器故障波形相似程度高、传统故障诊断方法难以获得较高诊断准确率问题,首先,利用小波变换将提取的三相电压与电流波形转换为二维图像,进行数据预处理;其次,通过波形畸变率差值设置双阈值判别进行故障相定位;然后,以残差网络为基础进行第一阶段的各信号源故障特征提取,并将其得到的不同传感器特征图进行自适应融合;最后,将融合后的故障特征图按通道数进行编码,并将其送入transformer进行二次特征提取,经分类层输出分类结果,得到精确的故障位置。本发明实现了级联H桥逆变器故障特征的自适应提取及端到端诊断,从而更精准的实现故障分类。摘要附图如说明书附图图1所示。
Description
技术领域
本发明涉及电力电子技术领域,特别涉及到多信号源自适应融合级联H桥逆变器开路故障诊断方法。
背景技术
级联H桥多电平逆变器具有电池换流小、循环效率高、易扩展等诸多优点,成为程实践的对象。但级联H桥逆变器晶体管数量较多,且长期运行过程中会受到外界环境的影响,逆变器容易出现故障。晶体管一旦失效,若在较长时间未被及时处置,则会导致交流侧输出电流发生畸变降低电能质量,且影响非故障功率管的正常工作,进一步造成级联H桥逆变器失稳,威胁电力***安全。针对高压型逆变器,由于级联H桥单元数量多,故障相似程度进一步加大,传统特征提取、浅层学习的方法准确率低,且故障诊断方法中多用单一信号进行故障特征提取。因此,提出多信号源自适应融合级联H桥逆变器故障诊断方法。
发明内容
本发明的目的是提供更强的故障辨别及泛化能力,为处理大量的多传感器数据提供了一种可行方法,也为解决传统故障诊断问题提供了新的思路。
本发明是多信号源自适应融合级联H桥逆变器故障诊断方法,所涉及的级联H桥逆变器中H桥单元直流侧电压Udc由铅酸电池、或锂电池、或超级电容储能单元端电压提供,或由光伏电池、或整流桥电路、或直流斩波电路提供,所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载、或电网并联连接,所发明的多信号源自适应融合级联H桥逆变器开路故障诊断方法,其步骤为:
第1步:采集n(n为正整数,且1≤n<10)个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压Vx(x=a,b,c)和滤波后的三相负载电流Ix(x=a,b,c)、或三相并网电流Isx(x=a,b,c)共6个传感器波形数据,原始一维数据不能全面表示逆变器故障状态信息,为了有效表征原始信号的时频特征,将传感器波形数据利用连续小波变换转换为小波时频图,不仅可以凸显电压电流信号原始的特征信息,而且对时间序列特征信息能够进一步增强,连续小波变换可表示为:
其中U(α,β)表示小波函数系数,表征小波函数与原信号的相似度;α和β分别为伸缩因子和平移因子,用于改变小波形状和位移;x(t)表示原始信号;ψ∈L2(R)表示小波基函数;表示ψ(t)的共轭复数;L2(R)为平方可积的实数空间。
第2步:对三相相电流与相电压进行快速傅里叶分析,得出其波形畸变率,由于故障相电流与正常相电流波形畸变率差值均为正,如果波形畸变率差值较小,均小于1,可辅以故障相电压与正常相电压波形畸变率差值(其波形畸变率差值也均为正)作为故障相判别标准,通过设置双阈值判别进行故障相定位。
第3步:以ResNet50网络为基础,进行第一阶段的多信号源故障特征提取,即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet50网络中,经过一系列卷积和池化操作后,从其STAGE3层输出特征,初步识别各传感器故障特征图像,其中,ResNet50网络由多个残差模块组成,残差模块相关理论如下:
设x表示输入的故障信息,F(x)表示网络训练中要学习的残差,H(x)代表网络输出,满足:
H(x)=F(x)+x (2)
其中F(x)=W2σ(W1x),σ代表激活函数ReLu,W1和W2表示相应的权重系数;
在快捷连接时,线性变换Ws在输入维数和输出维数不同的情况下(如改变通道数目)对x进行操作:
H(x)=W2σ(W1x)+Wsx (3)
第4步:将第3步得到的不同传感器的故障特征图赋以不同的初始权重,并进行自适应加权融合,将其融合成一张故障特征图,并将融合的故障特征图按通道数进行空间编码。
第5步:将第4步编码后的特征图送入transformer(transformer为网络模型,由Embedding层、Encoder层、MLP层三部分组成,其中Embedding层用来对图像数据格式进行变换使其能够作为transformer模型的输入,Encoder层中包含重复堆叠L次的编码模块层构成,主要有Layer Norm、Multi-Head Attention、Dropout层和MLP Block几部分构成,由于Encoder不改变输入和输出维数,然而作为分类任务,仅需要最后分类结果,故需要MLP层改变维数大小)进而让其在全域内进行特征的二次提取,最后经过MLP head(该模块是用来实现分类的,在预训练阶段是带有一个隐藏层的多层感知机)输出最后的分类结果。
本发明同现有技术相比,具有如下优点:
(1)单一电流量和电压量故障特征十分近似,如果仅从一个信号源获取故障信息,不能够获取有效的故障特征,因此本发明采用多传感器进行故障特征的有效获取;
(2)ResNet网络系列在不同的分类任务上表现更加突出,所以在不同模态特征提取上选用ResNet50网络作为特征提取器,避免了传统卷积神经网络可能由于过深而导致梯度消失和退化的问题,且利用深度学习transformer架构二次提取不同信号源卷积而得到的故障特征;
(3)构建的多信号源自适应融合故障诊断模型,实现了级联H桥逆变器故障特征的自适应提取及端到端诊断,从而能更精准的实现故障分类。
附图说明
下面结合附图和实施例对本发明做进一步说明。图1是故障诊断流程图,图2是三相级联H桥逆变器等效电路,图3是ResNet50网络结构图,图4是Encode层结构示意图,图5是多信号源自适应融合故障诊断模型。
实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明的实施例:本发明所涉及多信号源自适应融合级联H桥逆变器故障诊断方法,
请参阅图1至图5。涉及的H桥单元个数为12,即为级联H桥25电平逆变器,其中udci(i=1,2,...,12)为H桥单元直流侧输入电压,由铅酸电池、或锂电池、或超级电容储能单元端电压提供,或由光伏电池、或整流桥电路、或直流斩波电路提供,所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载、或电网并联连接,所发明的多信号源自适应融合级联H桥逆变器故障诊断方法,其特征在于以下包含步骤:
第1步:采集2个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压Vx(x=a,b,c)和滤波后的三相负载电流Ix(x=a,b,c)共6个传感器波形数据,原始一维数据不能全面表示逆变器故障状态信息,为了有效表征原始信号的时频特征,将传感器波形数据利用连续小波变换转换为小波时频图,不仅可以凸显电压电流信号原始的特征信息,而且对时间序列特征信息能够进一步增强,连续小波变换可表示为:
其中U(α,β)表示小波函数系数,表征小波函数与原信号的相似度;α和β分别为伸缩因子和平移因子,用于改变小波形状和位移;x(t)表示原始信号;ψ∈L2(R)表示小波基函数;表示ψ(t)的共轭复数;L2(R)为平方可积的实数空间。
第2步:对三相相电流与相电压进行快速傅里叶分析,得出其波形畸变率,由于故障相电流与正常相电流波形畸变率差值均为正,如果波形畸变率差值较小,均小于1,可辅以故障相电压与正常相电压波形畸变率差值(其波形畸变率差值也均为正)作为故障相判别标准,通过设置双阈值判别进行故障相定位,然后对IGBT故障进行精准定位。
第3步:以ResNet50网络为基础,进行第一阶段的多信号源故障特征提取,即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet50网络中,经过一系列卷积和池化操作后,从其STAGE3层输出特征,初步识别各传感器故障特征图像,其中,ResNet50网络由多个残差模块组成,残差模块相关理论如下:
设x表示输入的故障信息,F(x)表示网络训练中要学习的残差,H(x)代表网络输出,满足:
H(x)=F(x)+x (5)
其中F(x)=W2σ(W1x),σ代表激活函数ReLu,W1和W2表示相应的权重系数;
在快捷连接时,线性变换Ws在输入维数和输出维数不同的情况下(如改变通道数目)对x进行操作:
H(x)=W2σ(W1x)+Wsx (6)
第4步:将第3步得到的不同传感器的故障特征图赋以不同的初始权重,并进行自适应加权融合,将其融合成一张故障特征图,并将融合的故障特征图按通道数进行空间编码。
第5步:将第4步编码后的特征图送入transformer(transformer为网络模型,由Embedding层、Encoder层、MLP层三部分组成,其中Embedding层用来对图像数据格式进行变换使其能够作为transformer模型的输入,Encoder层中包含重复堆叠L次的编码模块层构成,主要有Layer Norm、Multi-Head Attention、Dropout层和MLP Block几部分构成,由于Encoder不改变输入和输出维数,然而作为分类任务,仅需要最后分类结果,故需要MLP层改变维数大小)进而让其在全域内进行特征的二次提取,最后经过MLP head(该模块是用来实现分类的,在预训练阶段是带有一个隐藏层的多层感知机)输出最后的分类结果。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (1)
1.多信号源自适应融合级联H桥逆变器故障诊断方法,所涉及的级联H桥逆变器中H桥单元直流侧电压Udc由铅酸电池、或锂电池、或超级电容储能单元端电压提供,或由光伏电池、或整流桥电路、或直流斩波电路提供,所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载、或电网并联连接,其特征在于:其步骤为:
第1步:采集n个基波周期的级联H桥逆变器滤波前输出三相多电平相电压Vx和滤波后的三相负载电流Ix、或三相并网电流Isx共6个传感器波形数据,其中n为正整数,且1≤n<10,x=a、b、c,原始一维数据不能全面表示逆变器故障状态信息,为了有效表征原始信号的时频特征,将传感器波形数据利用连续小波变换转换为小波时频图,不仅可以凸显电压电流信号原始的特征信息,而且对时间序列特征信息能够进一步增强,连续小波变换可表示为:
其中U(α,β)表示小波函数系数,表征小波函数与原信号的相似度;α和β分别为伸缩因子和平移因子,用于改变小波形状和位移;x(t)表示原始信号;ψ∈L2(R)表示小波基函数;表示ψ(t)的共轭复数;L2(R)为平方可积的实数空间;
第2步:对三相相电流与相电压进行快速傅里叶分析,得出其波形畸变率,由于故障相电流与正常相电流波形畸变率差值均为正,如果波形畸变率差值较小,均小于1,可辅以故障相电压与正常相电压波形畸变率差值,其波形畸变率差值也均为正,作为故障相判别标准,通过设置双阈值判别进行故障相定位;
第3步:以ResNet50网络为基础,进行第一阶段的多信号源故障特征提取,即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet50网络中,经过一系列卷积和池化操作后,从其STAGE3层输出特征,初步识别各传感器故障特征图像,其中,ResNet50网络由多个残差模块组成,残差模块相关理论如下:
设x表示输入的故障信息,F(x)表示网络训练中要学习的残差,H(x)代表网络输出,满足:
H(x)=F(x)+x (2)
其中F(x)=W2σ(W1x),σ代表激活函数ReLu,W1和W2表示相应的权重系数;
在快捷连接时,线性变换Ws在输入维数和输出维数不同的情况下对x进行操作:
H(x)=W2σ(W1x)+Wsx (3)
第4步:将第3步得到的不同传感器的故障特征图赋以不同的初始权重,并进行自适应加权融合,将其融合成一张故障特征图,并将融合的故障特征图按通道数进行空间编码;
第5步:将第4步编码后的特征图送入transformer,其中transformer为网络模型,由Embedding层、Encoder层、MLP层三部分组成,其中Embedding层用来对图像数据格式进行变换使其能够作为transformer模型的输入,Encoder层中包含重复堆叠L次的编码模块层构成,当特征图送入transformer后,让其在全域内进行特征的二次提取,最后经过MLP head输出最后的分类结果,该模块是用来实现分类的,在预训练阶段是带有一个隐藏层的多层感知机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564708.9A CN116610916B (zh) | 2023-05-18 | 2023-05-18 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564708.9A CN116610916B (zh) | 2023-05-18 | 2023-05-18 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610916A CN116610916A (zh) | 2023-08-18 |
CN116610916B true CN116610916B (zh) | 2023-11-21 |
Family
ID=87684768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564708.9A Active CN116610916B (zh) | 2023-05-18 | 2023-05-18 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610916B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
CN112611982A (zh) * | 2020-11-30 | 2021-04-06 | 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 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113238170A (zh) * | 2021-04-22 | 2021-08-10 | 合肥工业大学 | 一种用于电机控制的逆变器开路故障在线诊断方法 |
CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
CN115062538A (zh) * | 2022-06-07 | 2022-09-16 | 武汉大学 | 基于注意力机制和卷积nn的变换器故障诊断方法及*** |
CN115184839A (zh) * | 2022-07-26 | 2022-10-14 | 合肥工业大学 | 一种级联h桥并网逆变器***的开路故障功率管定位方法 |
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101189993B1 (ko) * | 2010-11-30 | 2012-10-12 | 엘에스산전 주식회사 | 이중화된 구동부를 가진 멀티 레벨 인버터 |
CN105811794B (zh) * | 2016-05-06 | 2018-03-30 | 上海海事大学 | 多电平逆变器的参考电压信号重构的容错控制方法 |
-
2023
- 2023-05-18 CN CN202310564708.9A patent/CN116610916B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
CN112611982A (zh) * | 2020-11-30 | 2021-04-06 | 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 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113238170A (zh) * | 2021-04-22 | 2021-08-10 | 合肥工业大学 | 一种用于电机控制的逆变器开路故障在线诊断方法 |
CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
CN115062538A (zh) * | 2022-06-07 | 2022-09-16 | 武汉大学 | 基于注意力机制和卷积nn的变换器故障诊断方法及*** |
CN115184839A (zh) * | 2022-07-26 | 2022-10-14 | 合肥工业大学 | 一种级联h桥并网逆变器***的开路故障功率管定位方法 |
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Open switch fault diagnosis of cascade H-bridge multi-level inverter in distributed power generators by machine learning algorithms;Murad Ali等;《Energy Reports》;第7卷;8929-8942 * |
深度学习在故障诊断与预测中的应用;余萍;曹洁;;计算机工程与应用(03);1-18 * |
级联H桥逆变器的多特征融合CNN故障诊断;杨俊杰;谢维成;曹倩;;中国测试(07);8-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN116610916A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | DA-DCGAN: An effective methodology for DC series arc fault diagnosis in photovoltaic systems | |
Zhang et al. | Fault diagnosis of wind turbine power converter considering wavelet transform, feature analysis, judgment and BP neural network | |
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 | |
CN116541772B (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN103365213A (zh) | 用于兆瓦级逆变***的极值优化自整定数字pid控制方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN115510913B (zh) | 基于数据驱动的h桥级联逆变器的故障诊断方法 | |
JP2023143703A (ja) | 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
Tong et al. | Fault diagnosis for modular multilevel converter (MMC) based on deep learning: an edge implementation using binary neural network | |
CN116610916B (zh) | 多信号源自适应融合级联h桥逆变器故障诊断方法 | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
Malik et al. | Deep learning based fault diagnostic technique for grid connected inverter | |
CN110968073B (zh) | 一种hvdc***换相失败故障原因双层溯源辨识方法 | |
Ma et al. | Life prediction for IGBT based on improved long short-term memory network | |
CN114172401A (zh) | 基于降阶观测器的npc三电平逆变器多类故障诊断方法 | |
CN107040201A (zh) | 一种基于太阳能的警用电动巡逻车控制*** | |
Pal et al. | Fault Diagnosis of CHB ML Inverter Using Wavelet Transform | |
Patel et al. | Wavelet and Machine learning based approach for Fault classification in AC Micro-grid system | |
Dadhich et al. | Fault identification algorithm for grid connected photovoltaic systems using machine learning techniques | |
CN114914888B (zh) | 一种单相三电平整流器多故障估计方法 | |
Fan et al. | Microgrid Fault Classification Method based on EPSANet56 |
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 |