一种基于优化深度信念网络的电力电子电路故障诊断方法技术

一种基于优化深度信念网络的电力电子电路故障诊断方法，包括步骤：(1)利用RT‑LAB半实物仿真平台设置故障实验，采集不同故障模式下的直流侧母线输出电压信号，作为原始故障特征量；(2)利用经验模态分解提取输出电压信号的本征模态函数分量及其包络谱，并计算多种统计特征，构造原始故障特征集；(3)基于极限学习机的特征选择方法，去除原始故障特征集中的冗余和干扰特征，并进行归一化处理，作为故障敏感特征集；(4)将故障敏感特征集划分为训练样本和测试样本，初步确定深度信念网络的结构；(5)采用乌鸦搜索算法优化深度信念网络，设定网络的隐藏神经元的数量；(5)得到故障诊断结果。本发明专利技术提高了故障特征数据量和故障识别准确率。

【技术实现步骤摘要】
一种基于优化深度信念网络的电力电子电路故障诊断方法
本专利技术属于电力电子电路故障诊断领域，具体涉及一种基于优化深度信念网络的电力电子电路故障诊断方法。
技术介绍
电力电子变流变换系统的可靠性在能源、交通、通讯、工业制造、航空航天、环境保护和国防军事应用中具有极其重要的意义。电力电子变流变换系统的故障诊断主要是针对其主电路中的电力电子器件进行监测与诊断。目前，电力电子故障诊断方法主要分为三大类：解析模型故障诊断法、信号识别法和基于知识融合的故障诊断法。解析模型故障诊断法需要精确地建立待诊断电路的故障模型；信号识别法常用的处理方法包括傅里叶变换法、Park变换法和小波变换法，但是这些方法进行信号处理过程中可能会导致有效故障信息的丢失，在故障类型比较多时变换后选取的故障特征量无法有效区别不同的故障类型；基于知识融合的故障诊断法比如人工神经网络法，但是采用通常的BP神经网络识别法在训练时容易陷入局部最优解，且在初始连接权值和阈值的选择上具有很大的盲目性，在参数调整及故障特征向量的选择方面难度较大。因此，针对上述现有的三大类电力电子电路故障诊断方法的缺点，提出能新的改进方法至关重要。
技术实现思路
本专利技术要解决的技术问题是，针对现有电力电子故障诊断方法存在的上述不足，提供一种基于优化深度信念网络的电力电子电路故障诊断方法，避免神经网络过学习和陷入局部最小值的缺点，提高了神经网络的分类精度，提高了电力电子电路故障特征数据量和故障模式识别准确率。本专利技术为解决上述技术问题所采用的技术方案是，一种基于优化深度信念网络的电力电子电路故障诊断方法，包括以下步骤：(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型，再通过RT-LAB将仿真模型实时化运行，完成系统设计，利用RT-LAB半实物仿真平台设置故障实验，采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集，根据发生故障的电力电子开关器件个数及其位置，对故障类型进行标签分类得到原始故障特征量；(2)对每一个原始故障特征量进行经验模态分解(EMD)，获取信号有效的本征模态函数分量(IMF)及其包络谱，并计算统计特征，构造原始故障特征集；(3)基于极限学习机(ELM)的特征选择方法，去除原始故障特征集中的冗余和干扰特征，并进行归一化处理(消除变量间的量纲关系，从而使数据具有可比性)，选取出故障敏感特征集；(4)将故障敏感特征集划分为训练样本和测试样本，初步确定深度信念网络(DBN)的结构；(5)使用乌鸦搜索算(CSA)优化深度信念网络DBN的网络结构，确定训练样本上第一和第二隐层的神经元数目，设定网络的输入层、隐藏层和输出层的节点个数；(6)采用CSA-DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别，计算分类精度，给出故障诊断结果。按上述方案，所述步骤(1)中利用RT-LAB半实物仿真平台设置故障实验的具体方法如下：首先，利用RT-LAB半实物仿真平台连接真实的DSP控制平台，完成控制策略的开发；其次，利用RT-LAB平台，设置不同的故障实验；构建包含开关管老化或者开路短路故障的多种故障模式的故障特征库，记录故障元件、故障种类、故障原因、故障影响、系统输出；最后，采集电力电子电路的输出信号数据，设定不同的故障注入模式，基于输出信号数据，开展故障特征提取、故障特征优选和故障诊断算法的研究。按上述方案，所述步骤(2)中经验模态分解得到原始故障特征量的具体方法如下：对每一类故障的输出电压信号进行经验模态分解，获取信号有效的前7阶本征模态函数分量，每一阶计算10种统计特征的信号序列，包括：IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度；每一种故障模式下，对应的前7阶本征模态函数分量共70种统计特征参数，作为原始故障特征集。按上述方案，所述步骤(3)的具体方法如下：基于极限学习机的特征选择方法对原始故障特征集的数据进行筛选，降低特征数据的维度，取所有故障特征信号序列中权重和敏感度靠前的30个，作为故障敏感特征集。按上述方案，所述步骤(4)的具体方法如下：将故障敏感特征集划分为训练样本和测试样本，初步提出一种包含输入层和输出层的4层DBN体系结构，DBN体系结构由3个深度玻尔兹曼机(RBM)组成，DBN的第一层(输入层)和第二层(隐藏层1)分别是第一层RBM1的可见层和隐藏层；DBN的第一层是数据输入层，第二层(隐藏层1)和第三层(隐藏层2)分别形成第二层RBM2的可见层和隐藏层，第三层(隐藏层2)和第四层(隐藏层3)分别构成第三层RBM3的可见层和隐藏层。按上述方案，所述步骤(5)的具体方法如下：5.1、对于步骤(4)中初步提出的4层DBN体系结构，再通过乌鸦搜索算法来确定和优化DBN分类器中隐藏层的最优数目；5.2、假定在CSA的N群乌鸦中，乌鸦i在迭代搜寻k次的位置由给出，乌鸦i继续搜寻试图找到乌鸦j的食物储藏处乌鸦搜索算法有两种可能的情况：i)一种情况是，乌鸦j不知道它后面跟着小偷乌鸦i；因此，小偷乌鸦i到达乌鸦j的食物储藏处，有关小偷乌鸦i的位置的更新过程如下：其中ri是0到1之间的随机数，是控制飞行长度的参数；ii)另一种情况是，乌鸦j知道它后面跟着小偷乌鸦i；因此，乌鸦j欺骗小偷乌鸦i，将小偷乌鸦i转移到搜索空间中的另一个位置，小偷乌鸦i的位置由随机位置更新；上述两种情况归纳如下：其中，AP表示范围在[0，1]之间的感知概率；与其他优化算法不同，CSA中有两个特定的参数：控制飞行长度的参数fl和感知概率AP，控制飞行长度的参数fl确定乌鸦向食物储藏处移动的步长，当fl介于0和1之间时，乌鸦的新位置将介于其当前位置和潜在的食物储藏位置之间，如果fl的值大于1，则乌鸦可以访问潜在的食物储藏处以外的位置；感知概率AP则提供多样化和集约化之间的平衡，AP值越小，则增加了集约化；值越大增加了多样化；5.3、乌鸦搜索算法的步骤流程：步骤1：乌鸦搜索算法的初始化，定义优化问题、决策变量和约束；然后，估计乌鸦搜索算法的可调参数，包括群体大小N、最大迭代次数itermax、飞行长度感知概率AP和搜寻终止标准；步骤2：初始化乌鸦的位置和食物储藏位置；步骤3：评估适应度功能，通过计算适应度函数来评估乌鸦的位置，所有乌鸦均匀地分布在搜索空间中；步骤4：根据公式(2)生成乌鸦的新位置；步骤5：检查每个乌鸦的新位置的可行性，如果乌鸦的新位置是可行的，乌鸦更新它的位置；否则，乌鸦停留在当前位置并且不移动到生成的新位置；步骤6：评估乌鸦的新位置的适应度函数，计算每个乌鸦的新位置的适应度函数值；步骤7：在适应度函数中对所有乌鸦的新的位置进行评估；步骤8：检查终止标准，重复步骤4到步骤7直到达到最大迭代次数itermax；当满足终止标准时，通过适应度函数值确定乌鸦的最佳位置当作优化问题的解决方案。按上述方案，所述步骤8中，故障诊断率被视为优化目标，将错误故障诊断的误差定义为CSA-DBN分类器中的适应度函数，从而将CSA优化DBN的结构问题转化为适应度函数最小值的优化问题。按上述方案，所述步骤(6)中，CSA-DBN故障诊断分类器的学习过程主要包括无监督训练和有监督训练两个步骤：步骤1：初本文档来自技高网...

【技术保护点】
1.一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，包括以下步骤：(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型，再通过RT‑LAB将仿真模型实时化运行，完成系统设计，利用RT‑LAB半实物仿真平台设置故障实验，采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集，根据发生故障的电力电子开关器件个数及其位置，对故障类型进行标签分类得到原始故障特征量；(2)对每一个原始故障特征量进行经验模态分解，获取信号有效的本征模态函数分量及其包络谱，并计算统计特征，构造原始故障特征集；(3)基于极限学习机的特征选择方法，去除原始故障特征集中的冗余和干扰特征，并进行归一化处理，选取出故障敏感特征集；(4)将故障敏感特征集划分为训练样本和测试样本，初步确定深度信念网络的结构；(5)使用乌鸦搜索算法优化深度信念网络DBN的网络结构，确定训练样本上第一和第二隐层的神经元数目，设定网络的输入层、隐藏层和输出层的节点个数；(6)采用CSA‑DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别，计算分类精度，给出故障诊断结果。

【技术特征摘要】
1.一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，包括以下步骤：(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型，再通过RT-LAB将仿真模型实时化运行，完成系统设计，利用RT-LAB半实物仿真平台设置故障实验，采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集，根据发生故障的电力电子开关器件个数及其位置，对故障类型进行标签分类得到原始故障特征量；(2)对每一个原始故障特征量进行经验模态分解，获取信号有效的本征模态函数分量及其包络谱，并计算统计特征，构造原始故障特征集；(3)基于极限学习机的特征选择方法，去除原始故障特征集中的冗余和干扰特征，并进行归一化处理，选取出故障敏感特征集；(4)将故障敏感特征集划分为训练样本和测试样本，初步确定深度信念网络的结构；(5)使用乌鸦搜索算法优化深度信念网络DBN的网络结构，确定训练样本上第一和第二隐层的神经元数目，设定网络的输入层、隐藏层和输出层的节点个数；(6)采用CSA-DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别，计算分类精度，给出故障诊断结果。2.根据权利要求1所述的基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，所述步骤(1)中利用RT-LAB半实物仿真平台设置故障实验的具体方法如下：首先，利用RT-LAB半实物仿真平台连接真实的DSP控制平台，完成控制策略的开发；其次，利用RT-LAB平台，设置不同的故障实验；构建包含开关管老化或者开路短路故障的多种故障模式的故障特征库，记录故障元件、故障种类、故障原因、故障影响、系统输出；最后，采集电力电子电路的输出信号数据，设定不同的故障注入模式，基于输出信号数据，开展故障特征提取、故障特征优选和故障诊断算法的研究。3.根据权利要求1所述的一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，所述步骤(2)中经验模态分解得到原始故障特征量的具体方法如下：对每一类故障的输出电压信号进行经验模态分解，获取信号有效的前7阶本征模态函数分量，每一阶计算10种统计特征的信号序列，包括：IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度；每一种故障模式下，对应的前7阶本征模态函数分量共70种统计特征参数，作为原始故障特征集。4.根据权利要求1或3所述的一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，所述步骤(3)的具体方法如下：基于极限学习机的特征选择方法对原始故障特征集的数据进行筛选，降低特征数据的维度，取所有故障特征信号序列中权重和敏感度靠前的30个，作为故障敏感特征集。5.根据权利要求1所述的一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，所述步骤(4)的具体方法如下：将故障敏感特征集划分为训练样本和测试样本，初步提出一种包含输入层和输出层的4层DBN体系结构，DBN体系结构由3个深度玻尔兹曼机组成，DBN的第一层和第二层分别是第一层RBM1的可见层和隐藏层；DBN的第一层是数据输入层，第二层和第三层分别形成第二层RBM2的可见层和隐藏层，第三层和第四层分别构成第三层RBM3的可见层和隐藏层。6.根据权利要求5所述的一种基于优化深度信念网络的电力电子电路故障诊断方法，其特征在于，所述步骤(5)的具体方...

【专利技术属性】
技术研发人员：何怡刚，杜博伦，张亚茹，段嘉珺，何鎏璐，刘开培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42