一种电力电子变换器故障诊断方法、终端设备及存储介质技术

本发明专利技术涉及一种电力电子变换器故障诊断方法、终端设备及存储介质，该方法中包括：S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；S4：根据训练后的稀疏自编码器模型和宽度学习模型对变换器的故障类型进行诊断。本发明专利技术，能够有效的解决由固定步长带来的收敛速度慢的弊端，且与其他传统的方法具有较高的精度。

A fault diagnosis method, terminal equipment and storage medium of power electronic converter

The invention relates to a fault diagnosis method, a terminal device and a storage medium of a power electronic converter. The method includes: S1: setting the fault type of the converter, collecting the output voltage data of the converter corresponding to all the fault types as a training set; S2: constructing a sparse self encoder model, after training the sparse self encoder model through the training set, inputting the training set After training, the sparse self encoder model can get the middle data set of the model output from the middle layer; S3: build the width learning model, input the training set and the middle data set into the width learning model to get the trained model; S4: diagnose the fault type of the converter according to the sparse self encoder model and the width learning model after training. The invention can effectively solve the disadvantage of slow convergence speed brought by fixed step length, and has high precision compared with other traditional methods.

【技术实现步骤摘要】
一种电力电子变换器故障诊断方法、终端设备及存储介质
本专利技术涉及变换器
，尤其涉及一种电力电子变换器故障诊断的方法、终端设备及存储介质。
技术介绍
近年来电力电子变换器已经广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统等领域。然而，变换器发生故障占整个电力系统的38％，并且大多数的故障主要是开关管发生开路或者短路。由于变换器存在继电保护装置，短路故障会转化成开路故障，虽然开路故障不会立即对系统造成破坏，但是它会逐渐降低整流器性能，若不及时处理将会对其他组件，甚至对整个电力系统造成严重的破坏。因此电力电子变换器开关管的故障诊断研究对提高系统稳定性，保证系统安全高效运行起到了至关重要的作用。电力电子故障诊断方法有很多种，主要是数据处理方法、解析模型诊断法和智能算法。在解析模型法中通过对电路建立故障模型，分析出详细的故障方程式。但是这种方法鲁棒性较差，而且对参数非常敏感，极易受到外部干扰的影响。如今，随着系统不断复杂，除了数据量随之增长之外，数据维度也会大幅度增加。若将高维度原始数据直接代入神经网络中，不仅提高系统运算时间，而且效率也会有所下降。解决高维度数据这一问题的方法主要是特征提取。常用的特征提取方法为小波变换法，且大多数的故障诊断方法过分依赖于需要有先验认知的特征。
技术实现思路
为了解决上述问题，本专利技术提出了一种电力电子变换器故障诊断方法、终端设备及存储介质。具体方案如下：一种电力电子变换器故障诊断方法，包括以下步骤：S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；S4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。进一步的，步骤S3具体包括以下步骤：S31：将训练集作为宽度学习模型的增强节点Hj，将对应的中间数据集作为宽度学习模型的映射特征Zi输入宽度学习模型，则宽度学习模型的输出为：Y＝[Z1,...Zn|H1,...,Hn]Wn＝[Zn|Hn]Wn其中，Wn表示输出层权重，竖线表示合并成一行；S32：设定稀疏自编码器模型的中间层为：Z＝φ(W1X+b1)则将宽度学习模型转换为：σ＝φ([X1,...Xn|φ(XW1+b1)])＝φ([X|Z]Wn+m)其中，φ表示神经网络激活函数，σ表示宽度学习模型的实际输出，Wn+m表示系统的权重系数；S33：设定权重系数Wn+m的更新方程为：其中，E(.)表示宽度学习模型的损失函数，E'(.)表示损失函数的导数，δ表示宽度学习模型的期望输出，J表示步长，k∈[1,q]表示模型输出向量维数，t表示迭代次数；S34：设定步J的更新方式为：当满足E(Wn+m)≤η时，设定步长等于常数l；当满足E(Wn+m)>η时，设定步长J为；其中，η表示参考值，γ<<1表示梯度补偿值；S35：对宽度学习模型进行迭代训练得到训练后的模型。进一步的，宽度学习模型采用L2范数作为损失函数，即：其中，表示L2正则化项，为常数参数，||.||2表示弗罗贝尼乌斯范数。一种电力电子变换器故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。本专利技术采用如上技术方案，采用了一种基于误差精度自适应步长更新方法优化宽度学习分类器，能够有效的解决由固定步长带来的收敛速度慢的弊端，并将其与稀疏自编码器特征提取方法相结合用于诊断电力电子变换器的故障，且与其他传统的方法具有较高的精度。附图说明图1所示为本专利技术实施例一中方法的流程图。图2所示为该实施例中三相桥式全控整流电路的电路图。图3所示为该实施例中三相桥式整流电路的输出电压波形图。图4所示为该实施例中晶闸管T1开路时的输出电压波形图。图5所示为该实施例中晶闸管T2开路时的输出电压波形图。图6所示为该实施例中晶闸管T3开路时的输出电压波形图。图7所示为该实施例中稀疏自编码器的网络结构图。图8所示为该实施例中宽度学习系统的网络结构图。图9所示为该实施例中稀疏自编码器与宽度学习系统结合的网络结构图。图10所示为该实施例中步长与分离精度无关时的曲线图和步长与损失函数的梯度成比例时的曲线图。图11所示为该实施例中不同步长更新策略下迭代次数与训练误差之间的关系曲线图。图12所示为该实施例中J＝Js与J＝l＝0.1时步长参数迭代次数与训练误差之间的关系曲线图。图13所示为该实施例中J＝Js与J＝l＝0.1/0.2时步长参数迭代次数与训练误差之间的关系曲线图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。现结合附图和具体实施方式对本专利技术进一步说明。实施例一：本专利技术实施例提供了一种电力电子变换器故障诊断方法，以三相整流器为例进行说明，如图1所示，该方法包括以下步骤：S1：设定三相整流电路的故障类型，采集所有故障类型对应的三相整流电路的输出电压数据作为训练集。首先对三相整流电路的故障模型进行说明。三相桥式全控整流电路如图2所示。正常工作状态下，晶闸管的导通顺序为T1-T2–T3–T4–T5–T6，整流输出电压一个周期将会脉动六次，且每次脉动的波形都一样，如图3所示。晶闸管T1、T2、T3发生开路故障时，其输出电压的波形分别如图4-图6所示。由图4、图5和图6的波形可知：不同故障类型输出电压的波形很相似；T2开路故障波形相当于T1滞后1/6个周期，T3开路故障波形相当于T2滞后1/6个周期，其余晶闸管开路故障的特点也是如此。不同晶闸管发生短路故障时输出电压的特点与开路故障相似。现有的故障诊断方法很难将其有效的区分开。该实施例中提取出了单一开关管、同一桥臂开关管和不同桥臂开关管共22种开路故障类型，具体的故障类型和对应的故障代码如表1所示。表1针本文档来自技高网...

【技术保护点】
1.一种电力电子变换器故障诊断方法，其特征在于，包括以下步骤：/nS1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；/nS2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；/nS3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；/nS4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。/n

【技术特征摘要】
1.一种电力电子变换器故障诊断方法，其特征在于，包括以下步骤：
S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；
S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；
S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；
S4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。


2.根据权利要求1所述的电力电子变换器故障诊断方法，其特征在于：步骤S3具体包括以下步骤：
S31：将训练集作为宽度学习模型的增强节点Hj，将对应的中间数据集作为宽度学习模型的映射特征Zi输入宽度学习模型，则宽度学习模型的输出为：
Y＝[Z1,...Zn|H1,...,Hn]Wn
＝[Zn|Hn]Wn
其中，Wn表示输出层权重，竖线表示合并成一行；
S32：设定稀疏自编码器模型的中间层为：
Z＝φ(W1X+b1)
则将宽度学习模型转换为：
σ＝φ([X1,...Xn|φ(XW1+b1)])
＝φ([X|Z]Wn+m)
其中，φ表示神经网络激活函数，σ表...

【专利技术属性】
技术研发人员：王荣杰，韩冉，林安辉，崔博文，曾广淼，
申请(专利权)人：集美大学，
类型：发明
国别省市：福建;35