适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法技术

本发明专利技术涉及一种适用于风电变流器故障诊断的改进型Adaboost‑SVM模型生成方法，给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器。设计的改进Adaboost‑SVM模型，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。

An Improved Adaboost-SVM Model Generation Method for Fault Diagnosis of Wind Power Converters

The invention relates to an improved Adaboost SVM model generation method for wind power converter fault diagnosis, which gives the weight of each training sample and updates the weight of each sample according to the classification error rate of the previous round. In the process of algorithm training, the weight of misclassified samples is increased and the weight of correctly classified samples is reduced. The strong classifier is finally obtained by iterating several times and combining several weighted weak classifiers. The improved Adaboost SVM model designed in this paper can solve the problem of performance degradation caused by different samples to a certain extent, and improve the generalization ability of classifier. It has a good effect in the application of converter fault diagnosis.

【技术实现步骤摘要】
适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法
本专利技术涉及一种电力故障判断技术，特别涉及一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法。
技术介绍
风力发电在电能领域发挥着极其重要的作用。变流器作为发电系统与电网之间的枢纽(文献1)，既能确保电能在随机风速下稳定也能满足电网要求。变流器通常长期处于恶劣的工作环境中，极易发生故障(文献2、3)。变流器的功率开关器件(InsulatedGateBipolarTransistor，IGBT)的短路和开路是变流器最常见的两类故障。当IGBT发生短路时，会在极短时限内流过很大的电流，烧坏与其串联的保护装置，最终表现为开路(文献4)。因此主要研究变流器功率开关元件IGBT的开路故障诊断。风电变流器在实际运行中，变流器的单只功率管元件开路和两只功率管同时开路故障最为常见，所以只考虑这两种功率管的开路故障，功率开关器件IGBT开路故障分为22类。基于权值限制的Adaboost-SVM故障诊断模型通过在提升过程中对易错样本的权值进行调整，并在每一次迭代过程中利用鸟群算法寻找基分类器SVM的惩罚参数C和核参数σ。该故障诊断模型泛化能力强，诊断精度高。AdaBoost(AdaptiveBoosting)算法是Freund和Schapire在1997年对Boosting算法改进而来的(文献5)，因其能够综合优化多个精度相对较低的弱学习算法，广泛的应用于故障诊断(文献6、7)、人脸识别(文献8)和预测评估(文献9、10、11)等领域中。然而其在研究的过程中仍存在着许多的问题，传统的Adaboost集成SVM故障诊断模型受故障样本的影响较大，会出现性能退化的问题，导致诊断精度差，具有一定的局限性(文献10)。文献1：L.Alhmoud,ReliabilityImprovementforaHigh-powerIGBTinWindEnergyApplications[J].IEEETransactionsonIndustrialElectronics,2018,65(9):7129-7137.文献2：K.Ma,D.Zhou,andF.Blaabjerg,EvaluationandDesignToolsfortheReliabilityofWindPowerConverterSystem[J],JournalofPowerElectronics,2015,15(5):1149-1157.文献3：W.X.Yang,P.J.Tavner,C.J.Crabtree,andM.Wilkinson,Cost-effectiveConditionMonitoringforWindTurbines[J],IEEEIndustrialElectronics,2010,57(1):263-271.文献4：沈艳霞,周文晶,纪志成.基于小波包分析的风力发电系统中变流器的故障识别[J].电网技术,2013,37(7):2011-2017.文献5：FreundY,SchapireRE.ADecision-theoreticGeneralizationofOn-lineLearningandanApplicationtoBoosting[J].JournalofComputerandSystemScience,1997,55(1):119-139.文献6：陈法法,杨晶晶,肖文荣等.Adaboost_SVM集成模型的滚动轴承早期故障诊断[J].机械科学与技术学报,2018,02:237-243.文献7：冯帅.基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断[J].城市公共交通，2017,05:30-36文献8：惠晓威,周金彪.基于改进的Adaboost_SVM的人脸表情识别[J].激光杂志,2014,09:54-57.文献9：胡莲.AdaBoost集成SVM的供应链金融信用风险评估[J].征信,2014,11:19-22.文献10：王军,费凯,程勇.基于改进的Adaboost-BP模型在降水中的预测[J].计算机应用,2017,37(9):2689-2693.文献11：刘光达,王永祥,蔡靖等.基于小波变换和Adaboost算法的心脏骤停预测模型研究[J].生物医学控制研究,2017,36(2):95-100.
技术实现思路
本专利技术是针对传统的AdaBoost-SVM分类器运用到故障诊断存在的问题，提出了一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器，提高故障诊断正确率。本专利技术的技术方案为：一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，具体包括如下步骤：1)输入风电变流器故障训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；xi表示第i个样本，yi表示第i个样本类别，i＝1,2,…,N；基分类器RBF-SVM；迭代总次数T；2)对Adaboost-SVM模型进行改进训练：步骤1)初始化每个样本的权值，每个样本权值相同：D1(i)＝1/N,i＝1,2…N(8)步骤2)进行迭代，迭代次数t＝1,2,…，T：2.1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集dt；2.2)利用鸟群算法在每轮的训练样本集中寻找基分类器RBF-SVM的最佳的参数对(C,σ)，从而得到一个基分类器ht；2.3)根据公式(9)计算基分类器在训练样本集上的分类误差；式子中：Dt为第t轮的样本权值；2.4)如果0<εt<0.5，根据公式(10)计算基分类器的权重，根据公式(11)来更新样本的权值；公式(2)：公式(7)：其中k是样本分类错误的次数；A为类别的集合；2.5)如果0.5≤εt<1，跳转到步骤1)重新初始化每个样本的权值；3)迭代结束后输出最终的强分类器为：本专利技术的有益效果在于：本专利技术适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，设计的改进Adaboost-SVM模型，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。附图说明图1为传统Adaboost—SVM测试集的实际分类和预测分类图；图2为本专利技术改进的Adaboost—SVM测试集的实际分类和预测分类图；图3为本专利技术不同样本比例下的故障诊断结果的比较图。具体实施方式Adaboost是一种迭代算法，其实质是利用同一个训练样本集训练基分类器，然后把训练好的多个基分类器组合起来共同决策，构成一个强分类器。Adaboost算法的迭代过程是对弱分类算法进行加强的过程。给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器。通过分析和研究Adaboost算法的推导，发现在算法的迭代过程中，一些样本容易被多次误分类，导致样本文档来自技高网...

【技术保护点】
1.一种适用于风电变流器故障诊断的改进型Adaboost‑SVM模型生成方法，其特征在于，具体包括如下步骤：1)输入风电变流器故障训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；xi表示第i个样本，yi表示第i个样本类别，i＝1,2,…,N；基分类器RBF‑SVM；迭代总次数T；2)对Adaboost‑SVM模型进行改进训练：步骤1)初始化每个样本的权值，每个样本权值相同：D1(i)＝1/N,i＝1,2…N   (8)步骤2)进行迭代，迭代次数t＝1,2,…，T：2.1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集dt；2.2)利用鸟群算法在每轮的训练样本集中寻找基分类器RBF‑SVM的最佳的参数对(C,σ)，从而得到一个基分类器ht；2.3)根据公式(9)计算基分类器在训练样本集上的分类误差；

【技术特征摘要】
1.一种适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法，其特征在于，具体包括如下步骤：1)输入风电变流器故障训练样本集D＝{(x1,y1),(x2,y2)…(xN,yN)}；xi表示第i个样本，yi表示第i个样本类别，i＝1,2,…,N；基分类器RBF-SVM；迭代总次数T；2)对Adaboost-SVM模型进行改进训练：步骤1)初始化每个样本的权值，每个样本权值相同：D1(i)＝1/N,i＝1,2…N(8)步骤2)进行迭代，迭代次数t＝1,2,…，T：2.1)根据训练样本集D中的样本的权值分布，从而得到训...

【专利技术属性】
技术研发人员：郑小霞，彭鹏，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31