一种MMC的故障检测方法、系统、装置及可读存储介质制造方法及图纸

本申请公开了一种MMC的故障检测方法，包括：获取MMC中三相交流电压信号；提取所述三相交流电压信号中的特征向量；将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。本申请利用训练好的神经网络模型，获取实时的三相交流电压信号并将其特征向量输入神经网络模型，神经网络模型即可输出正确的故障检测结果，由于神经网络模型以人工智能进行设计，故障检测结果准确，解决了传统子模块故障诊断中需要测量变量多、定位不精确的问题，为MMC的稳定运行提供了故障监测，设备经济成本明显降低。相应的，本申请还公开了一种MMC的故障监测系统、装置及可读存储介质。

A fault detection method, system, device and readable storage medium of MMC

The application discloses a fault detection method of MMC, including: acquiring three-phase AC voltage signal in MMC; extracting feature vector in the three-phase AC voltage signal; inputting the feature vector into the neural network model, so that the neural network model outputs the fault detection result of current MMC. In this application, the trained neural network model is used to obtain real-time three-phase AC voltage signal and input its eigenvector into the neural network model. The neural network model can output correct fault detection results. Because the neural network model is designed with artificial intelligence, the fault detection results are accurate, which solves the problem that the traditional sub module fault diagnosis needs many measurement variables and positioning is not correct Accurate problems provide fault monitoring for the stable operation of MMC, and the economic cost of equipment is significantly reduced. Accordingly, the application also discloses a fault monitoring system, device and readable storage medium of MMC.

【技术实现步骤摘要】
一种MMC的故障检测方法、系统、装置及可读存储介质
本专利技术涉及换流器领域，特别涉及一种MMC的故障检测方法、系统、装置及可读存储介质。
技术介绍
换流器作为直流输电系统中实现电能转换的设备，是维持系统稳定的重要环节，相较于传统的三相六开关换流器，MMC(ModularMultilevelConverter，模块化多电平换流器)的开关频率高、输出电压谐波含量小、通道损耗低，采用模块化的设计使得子模块的封装性和拓展性得到极大提升，只需要增减子模块的数量就能适应不同电压等级的直流系统。MMC由多个子模块组成，当子模块发生故障时，MMC会向系统注入直流分量，严重时会导致系统失稳，因此需要探索子模块的故障诊断方法，以有效保证MMC的安全运行，保证系统的安全稳定。现有的故障应对方案包括子模块运行监测、热备子模块冗余设计等，其中子模块运行监测需要设置额外的传感器，在子模块数量较多时设备经济性降低，且大量传感器的使用提高了传感器故障导致误诊断的风险；热备子模块冗余设计不能定位故障子模块，仅对整体进行更换，MMC需要配置大量的冗余模块，设备经济性降低。因此，如何解决上述问题，是目前本领域技术人员需要解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种MMC的故障检测方法、系统、装置及可读存储介质，不需外设传感器或热备子模块，计算量小，定位准确。其具体方案如下：一种MMC的故障检测方法，包括：获取MMC中三相交流电压信号；提取所述三相交流电压信号中的特征向量；将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。优选的，所述提取所述三相交流电压信号中的特征向量之前，还包括：对所述三相交流电压信号进行归一化处理。优选的，所述提取所述三相交流电压信号中的特征向量的过程，具体包括：通过数据处理，提取所述三相交流电压信号中的特征向量。优选的，所述通过数据处理，提取所述三相交流电压信号中的特征向量的过程，具体包括：利用小波包分析法提取所述三相交流电压信号中的特征向量。优选的，利用小波包分析法提取任一相交流电压信号中的特征向量的过程，具体包括：将该相交流电压信号进行小波包分解，得到多个正交小波包空间；对多个所述正交小波包空间进行重构，得到对应的多个小波包重构信号；根据多个所述小波包重构信号确定元素构造特征向量；根据所述元素构造特征向量确定关键特征向量作为该相交流电压信号的特征向量。优选的，所述神经网络模型具体为利用训练样本进行训练得到的所述神经网络模型，所述训练样本包括多组三相交流电压信号样本对应的特征向量和故障检测结果。优选的，所述神经网络模型输出的故障检测结果具体包括：A相上桥臂故障，和/或A相下桥臂故障，和/或B相上桥臂故障，和/或B相下桥臂故障，和/或C相上桥臂故障，和/或C相下桥臂故障。相应的，本专利技术还公开了一种MMC的故障检测系统，包括：采样模块，用于获取MMC中三相交流电压信号；特征提取模块，用于提取所述三相交流电压信号中的特征向量；故障检测模块，用于将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。相应的，本专利技术还公开了一种MMC的故障检测装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上文任一项所述MMC的故障检测方法的步骤。相应的，本专利技术还公开了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任一项所述MMC的故障检测方法的步骤。本专利技术公开了一种MMC的故障检测方法，包括：获取MMC中三相交流电压信号；提取所述三相交流电压信号中的特征向量；将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。本专利技术利用训练好的神经网络模型，获取实时的三相交流电压信号并将其特征向量输入神经网络模型，神经网络模型即可输出正确的故障检测结果，由于神经网络模型以人工智能进行设计，故障检测结果准确，解决了传统子模块故障诊断中需要测量变量多、定位不精确的问题，为MMC的稳定运行提供了故障监测，设备经济成本明显降低。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例中一种MMC的故障检测方法的步骤流程图；图2为本专利技术实施例中一种具体的MMC的故障检测方法的步骤流程图；图3为本专利技术实施例中一种MMC的故障检测系统的结构分布图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。现有的故障应对方案包括子模块运行监测、热备子模块冗余设计等，其中子模块运行监测需要设置额外的传感器，在子模块数量较多时设备经济性降低，且大量传感器的使用提高了传感器故障导致误诊断的风险；热备子模块冗余设计不能定位故障子模块，仅对整体进行更换，MMC需要配置大量的冗余模块，设备经济性降低。本申请利用训练好的神经网络模型，获取实时的三相交流电压信号并将其特征向量输入神经网络模型，神经网络模型即可输出正确的故障检测结果，由于神经网络模型以人工智能进行设计，故障检测结果准确，解决了传统子模块故障诊断中需要测量变量多、定位不精确的问题，为MMC的稳定运行提供了故障监测，设备经济成本明显降低。本专利技术实施例公开了一种MMC的故障检测方法，参见图1所示，包括：S11：获取MMC中三相交流电压信号；S12：提取所述三相交流电压信号中的特征向量；S13：将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。可以理解的是，所述神经网络模型具体为利用训练样本进行训练得到的所述神经网络模型，所述训练样本包括多组三相交流电压信号样本对应的特征向量和故障检测结果。通常每一组三相交流电压信号样本包括某一种故障情况下MMC的一次三相交流电压信号样本、特征向量和确定已知的故障检测结果，通常训练样本应当涵盖所有可能发生的故障检测结果，每一种故障检测结果应当对应多组三相交流电压信号样本，训练样本的数据量越大、特征分类越明显，最后神经网络模型的训练效果越好，这其中的特征向量是以步骤S12相同的算法对三相交流电压信号样本进行提取得到的。由于神经网络具有自适应性，根据训练样本的具体表现，训练过程中神经网络模型的权重值、阈值参数会不断进行调本文档来自技高网...

【技术保护点】
1.一种MMC的故障检测方法，其特征在于，包括：/n获取MMC中三相交流电压信号；/n提取所述三相交流电压信号中的特征向量；/n将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。/n

【技术特征摘要】
1.一种MMC的故障检测方法，其特征在于，包括：
获取MMC中三相交流电压信号；
提取所述三相交流电压信号中的特征向量；
将所述特征向量输入神经网络模型，以使所述神经网络模型输出当前MMC的故障检测结果。


2.根据权利要求1所述MMC的故障检测方法，其特征在于，所述提取所述三相交流电压信号中的特征向量之前，还包括：
对所述三相交流电压信号进行归一化处理。


3.根据权利要求2所述MMC的故障检测方法，其特征在于，所述提取所述三相交流电压信号中的特征向量的过程，具体包括：
通过数据处理，提取所述三相交流电压信号中的特征向量。


4.根据权利要求3所述MMC的故障检测方法，其特征在于，所述通过数据处理，提取所述三相交流电压信号中的特征向量的过程，具体包括：
利用小波包分析法提取所述三相交流电压信号中的特征向量。


5.根据权利要求4所述MMC的故障检测方法，其特征在于，利用小波包分析法提取任一相交流电压信号中的特征向量的过程，具体包括：
将该相交流电压信号进行小波包分解，得到多个正交小波包空间；
对多个所述正交小波包空间进行重构，得到对应的多个小波包重构信号；
根据多个所述小波包重构信号确定元素构造特征向量；
根据所述元素构造特征向量确定关键特征向...

【专利技术属性】
技术研发人员：林璞，王星华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44