轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统技术方案

本发明专利技术公开了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统，属于电力电子电路故障诊断技术领域，方法包括：采集DC/DC电路在不同功率开关器件开路故障和正常模式下的变压器漏感电流信号；利用互补集成经验模态分解提取变压器漏感电流信号的本征模态函数，计算各IMF的统计参数；利用基于轻量级梯度提升机基于重要性选择故障特征，并进行归一化处理；采用麻雀搜索算法优化深度信念网络的隐藏层单元数；训练基于麻雀搜索算法优化的深度信念网络，根据训练后的网络得到故障诊断结果。本发明专利技术结合特征提取与选择算法、优化算法、深度学习算法，大大提高了DC/DC电路故障诊断的特征质量和诊断准确率。断准确率。断准确率。

【技术实现步骤摘要】
轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统


[0001]本专利技术属于电力电子电路故障诊断
，更具体地，涉及一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统。

技术介绍

[0002]DC/DC电路的可靠性在电动汽车、储能系统和微电网中具有极其重要的意义。DC/DC电路的故障诊断主要是针对主电路中的功率开关器件进行监测与诊断，DC/DC电路中的功率开关器件故障分为短路故障和开路故障，目前对DC/DC电路的故障诊断主要集中在功率开关器件的开路故障上。DC/DC电路功率开关器件开路故障诊断方法主要分为基于解析模型的方法和基于数据驱动的方法。
[0003]基于解析模型的故障诊断方法需要结合电路特性精确地建立待诊断电路的数学模型，但随着DC/DC电路的发展，DC/DC电路结构越来越复杂，较多的DC/DC电路拓扑难以建立精确的数学模型，且电路中各种IGBT之间存在信号的串扰，增大了建立准确数学模型的难度。基于数据驱动的方法不用建立数学模型，而是通过数据挖掘技术并结合各种机器学习算法来学习各种故障类型与数据之间的对应关系。
[0004]目前浅层学习已广泛应用于故障诊断中，然而浅层学习无法深入挖掘故障类别与信号特征之间的复杂联系，故障诊断准确率较低，需要结合特征提取和选择方法使用。提取的特征质量直接影响了故障诊断效果，然而目前的特征提取算法或分解时间过长，或无法适用于非线性时变信号。特征选择可以降低故障特征的维数和复杂度，有利于分类器学习的准确性和高效性，如何选择出最具有代表性的故障特征是故障诊断面临的一大问题。此外浅层模型学习能力仍有限，使用深度学习模型进行故障诊断更具优势，但深度学习模型中的参数设置较复杂。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提出了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统，避免神经网络的过拟合和陷入局部最优值的缺点，提高了网络的分类精度，利用深度学习算法，提高了DC/DC电路故障诊断的特征质量和准确率。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法，包括：
[0007]建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；
[0008]对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；
[0009]利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择
出的故障特征进行归一化处理，作为故障诊断特征集；
[0010]采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；
[0011]利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，以完成故障状态重要特征集分类识别，实现对DC/DC电路的故障诊断和分类识别。
[0012]在一些可选的实施方案中，对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集，包括：
[0013]对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。
[0014]在一些可选的实施方案中，利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，包括：
[0015]利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征。
[0016]在一些可选的实施方案中，采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数，包括：
[0017]进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；
[0018]将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；
[0019]根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；
[0020]判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。
[0021]在一些可选的实施方案中，利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，包括：
[0022]将故障诊断特征集划分为训练样本和测试样本，以无监督贪婪的方式对受限玻尔兹曼机进行逐层预训练，在逐层预训练后，预训练模型的所有参数通过监督的反向传播算法进行精细调整，对深度信念网络的参数进行更新。
[0023]按照本专利技术的另一方面，提供了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断系统，包括：
[0024]数据采集模块，用于建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；
[0025]故障特征提取模块，用于对每一个原始数据集进行互补集成经验模态分解CEEMD，
获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；
[0026]故障特征筛选模块，用于利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；
[0027]网络优化模块，用于采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；
[0028]故障诊断模块，用于利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，以完成故障状态重要特征集分类识别，实现对DC/DC电路的故障诊断和分类识别。
[0029]在一些可选的实施方案中，所述故障特征提取模块，用于对每一类故障的变压器漏感电流信号样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法，其特征在于，包括：建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，实现对DC/DC电路的故障诊断和分类识别。2.根据权利要求1所述的方法，其特征在于，对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集，包括：对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。3.根据权利要求2所述的方法，其特征在于，利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，包括：利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征。4.根据权利要求3所述的方法，其特征在于，采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数，包括：进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。5.根据权利要求4所述的方法，其特征在于，利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，包括：将故障诊断特征集划分为训练样本和测试样本，以无监...

【专利技术属性】
技术研发人员：何怡刚，赵莹莹，王枭，杜博伦，张慧，王传坤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：