[發明專利]一種電力電子變換器故障診斷方法、終端設備及存儲介質

有效

• 申請號: 201910756502.X
• 申請日: 2019-08-16
• 公開（公告）號: CN110490248B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 王榮杰;韓冉;林安輝;崔博文;曾廣淼
• 申請（專利權）人: 集美大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F30/27;G06F111/04;G06F111/10
• 代理公司: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 何家富

本發明涉及一種電力電子變換器故障診斷方法、終端設備及存儲介質，該方法中包括：S1：設定變換器的故障類型，采集所有故障類型對應的變換器的輸出電壓數據作為訓練集；S2：構建稀疏自編碼器模型，通過訓練集對稀疏自編碼器模型進行訓練后，將訓練集輸入訓練后的稀疏自編碼器模型得到模型的中間層輸出的中間數據集；S3：構建寬度學習模型，將訓練集和中間數據集共同輸入寬度學習模型中進行訓練得到訓練后的模型；S4：根據訓練后的稀疏自編碼器模型和寬度學習模型對變換器的故障類型進行診斷。本發明，能夠有效的解決由固定步長帶來的收斂速度慢的弊端，且與其他傳統的方法具有較高的精度。

技術領域

本發明涉及變換器技術領域，尤其涉及一種電力電子變換器故障診斷的方法、終端設備及存儲介質。

背景技術

近年來電力電子變換器已經廣泛應用于新能源汽車、工業機器人、高壓直流輸電、大功率電解和電機驅動系統等領域。然而，變換器發生故障占整個電力系統的38％，并且大多數的故障主要是開關管發生開路或者短路。由于變換器存在繼電保護裝置，短路故障會轉化成開路故障，雖然開路故障不會立即對系統造成破壞，但是它會逐漸降低整流器性能，若不及時處理將會對其他組件，甚至對整個電力系統造成嚴重的破壞。因此電力電子變換器開關管的故障診斷研究對提高系統穩定性，保證系統安全高效運行起到了至關重要的作用。

電力電子故障診斷方法有很多種，主要是數據處理方法、解析模型診斷法和智能算法。在解析模型法中通過對電路建立故障模型，分析出詳細的故障方程式。但是這種方法魯棒性較差，而且對參數非常敏感，極易受到外部干擾的影響。如今，隨著系統不斷復雜，除了數據量隨之增長之外，數據維度也會大幅度增加。若將高維度原始數據直接代入神經網絡中，不僅提高系統運算時間，而且效率也會有所下降。解決高維度數據這一問題的方法主要是特征提取。常用的特征提取方法為小波變換法，且大多數的故障診斷方法過分依賴于需要有先驗認知的特征。

發明內容

為了解決上述問題，本發明提出了一種電力電子變換器故障診斷方法、終端設備及存儲介質。

具體方案如下：

一種電力電子變換器故障診斷方法，包括以下步驟：

S1：設定變換器的故障類型，采集所有故障類型對應的變換器的輸出電壓數據作為訓練集；

S2：構建稀疏自編碼器模型，通過訓練集對稀疏自編碼器模型進行訓練后，將訓練集輸入訓練后的稀疏自編碼器模型得到模型的中間層輸出的中間數據集；

S3：構建寬度學習模型，將訓練集和中間數據集共同輸入寬度學習模型中進行訓練得到訓練后的模型；

S4：將待診斷變換器的輸出電壓數據輸入訓練后的稀疏自編碼器模型得到中間層輸出后，將輸出電壓數據和中間層數據共同輸入寬度學習模型中，根據寬度學習模型的輸出結果對其故障類型進行診斷。

進一步的，步驟S3具體包括以下步驟：

S31：將訓練集作為寬度學習模型的增強節點H_j，將對應的中間數據集作為寬度學習模型的映射特征Z_i輸入寬度學習模型，則寬度學習模型的輸出為：

Y＝[Z₁,...Z_n|H₁,...,H_n]Wⁿ

＝[Zⁿ|Hⁿ]Wⁿ

其中，Wⁿ表示輸出層權重，豎線表示合并成一行；

S32：設定稀疏自編碼器模型的中間層為：

Z＝φ(W₁X+b₁)

則將寬度學習模型轉換為：