基于改进麻雀搜索算法的DC/DC变换器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改进麻雀搜索算法的DC/DC变换器故障诊断方法及系统，步骤为：建立DC/DC变换器的仿真模型，选择变压器漏感电流为诊断信号，采集DC/DC变换器不同功率开关器件开路故障下的诊断信号样本作为样本集；使用莱维飞行策略改进麻雀搜索算法的全局搜索能力；将样本集划分训练集和测试集，初步建立深度信念网络架构，初始化网络参数；使用改进麻雀搜索算法优化深度信念网络的隐藏层单元数，得到深度信念网络的最佳隐藏层单元数；训练改进麻雀搜索算法优化后的深度信念网络，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优化算法和深度学习算法，大大提高了麻雀搜索算法的全局搜索能力和DC/DC变换器故障诊断的准确度。准确度。准确度。

【技术实现步骤摘要】
基于改进麻雀搜索算法的DC/DC变换器故障诊断方法及系统


[0001]本专利技术涉及电力电子电路故障诊断
，尤其涉及一种基于改进麻雀搜索算法的DC/DC变换器故障诊断方法及系统。

技术介绍

[0002]DC/DC变换器具有电气隔离和能量双向流动的特性，其可靠运行至关重要。目前DC/DC变换器的故障诊断主要是对功率开关管的开路故障进行诊断。功率开关器件开路故障的诊断方法主要分为基于模型的方法和基于数据驱动的方法。
[0003]对于双有源桥变换器，基于解析模型的故障诊断方法难以建立精确的数学模型。基于数据驱动的方法不用建立数学模型，而是通过各种机器学习算法来学习各种故障状态与数据样本之间的对应关系。支持向量机和极限学习机等浅层网络以广泛应用于故障诊断中，但是这种浅层学习无法挖掘故障样本的深层特征，因此故障诊断准确度比较低。深度学习模型具有强大的特征提取能力，可逐层发掘故障特征与所属故障类别之间的对应关系。目前，深度信念网络应用较广泛。深度信念网络相较于卷积神经网络超参数较少，且在较佳的网络参数设置下能够达到较高的诊断准确度。深度信念网络性能与网络超参数设置有关，其中对深度信念网络性能影响最大的参数为隐藏层单元数，因此需要对该参数进行优化。多数参数优化问题采用多次实验来实现，但是这种方法在参数较多的情况下较难实现。优化算法可以实现参数的优化问题，多数优化算法在求解参数优化问题时，容易陷入局部最优解。且优化算法虽然能对参数进行优化，但仍存在计算时间慢、精度低及陷入局部最优等问题。因此需要对相应的优化算法进行改进。

技术实现思路

[0004]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于改进麻雀搜索算法的DC/DC变换器故障诊断方法及系统，对麻雀搜索算法进行了改进，提高了麻雀搜索算法的全局优化能力，避免深度信念网络过拟合和陷入局部最优值，提高了网络的故障诊断准确度。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]本专利技术提供一种基于改进麻雀搜索算法的DC/DC变换器故障诊断方法，该方法包括以下步骤：
[0007]步骤1、建立DC/DC变换器的仿真模型，选取变压器漏感电流作为诊断信号，根据DC/DC变换器不同功率开关器件的开路故障状态，对故障类型进行编码分类，采集DC/DC变换器的在不同故障状态下的诊断信号作为样本集；
[0008]步骤2、使用莱维飞行策略改进麻雀搜素算法的全局搜索能力；
[0009]步骤3、将样本集划分为训练集和测试集，初步建立深度信念网络架构，初始化网络参数；
[0010]步骤4、使用改进的麻雀搜索算法优化深度信念网络的隐藏层单元数，确定网络的
最佳隐藏层单元数；
[0011]步骤5、在最佳隐藏层单元数的设置下，使用训练集训练深度信念网络，使用测试集对训练后的深度信念网络进行测试；
[0012]步骤6、对于新获取的测试样本，直接输入训练好的深度信念网络进行故障诊断，得到诊断结果。
[0013]进一步地，本专利技术的所述步骤1中的方法为：
[0014]建立DC/DC变换器仿真模型时，通过撤去对应功率开关管的脉冲控制信号来模拟其开路故障，最后采集DC/DC变换器在不同功率开关器件开路故障下的诊断信号数据，作为样本集。
[0015]进一步地，本专利技术的所述步骤2中的方法为：
[0016]莱维飞行算法通过飞行轨迹来记录所有粒子位置的更新信息，计算公式为：其中，α为步长因子，表示点乘，表示当前位置，表示下一状态的位置；Levy表示飞行的方向和步长，为随机分布，计算公式为：Levy～|s|
‑
λ
,1<λ≤3，其中s为随机步长，计算公式为：s＝μ/(|v|
1/β
)，其中β＝1.5，)，其中β＝1.5，的计算公式为：
[0017]进一步地，本专利技术的所述步骤2中的麻雀搜素算法为：
[0018]麻雀搜索算法的种群可以表示为X，待优化变量数为δ，种群发现者位置更新公式为：
[0019][0020]C为最大迭代次数，和表示第v次和第v+1次迭代中第l只麻雀在第维的位置，l＝[1,2,
…
,s]，s为麻雀个数；ξ和Q是随机数，L是一个1
×
δ的单位向量，R是当前警报值，ST是安全阈值，当R<ST时没有捕食者，R≥ST时出现捕食者；种群跟随者的位置更新公式为：
[0021][0022]为发现者的当前最佳位置，X
worst
表示全局最差位置，A与L每个元素随机分配为1或
‑
1，且A
+
＝A
T
(AA
T
)
‑1；当捕食者出现时，种群中个体的行为表示如下：
[0023][0024]其中，表示当前全局最佳位置；β是正态分布步进控制随机数，ξ∈[
‑
1,1]为群
体中个体移动方向的随机数，是当前麻雀个体的适应度值，f
v_best
和f
v_worst
分别是当前全局最优和最差适应度值；随后根据计算的最佳适应度值和最佳全局位置进行下一次迭代。
[0025]进一步地，本专利技术的所述步骤2中使用莱维飞行策略对麻雀搜索算法进行改进的方法为：
[0026]使用莱维飞行策略对麻雀搜索算法进行改进时，使用莱维飞行策略改进捕食者出现时种群个体的的行为，改进后的计算公式为：
[0027][0028]其中Levy表示飞行的方向和步长，为随机分布。
[0029]进一步地，本专利技术的所述步骤3中的方法为：
[0030]将样本集划分为训练集和测试集，提出一种包含一个输入层、两个隐藏层和一个输出层的深度信念网络结构，深度信念网络结构由2个深度玻尔兹曼机组成，深度信念网络的输入层和第一个隐藏层分别是第1个深度玻尔兹曼机的可见层和隐藏层；深度信念网络的第一个隐藏层和第二个隐藏层分别是第2个深度玻尔兹曼机的可见层和隐藏层。
[0031]进一步地，本专利技术的所述步骤4中的方法为：
[0032]采用改进的麻雀搜索算法优化深度信念网络的隐藏层单元数时，首先初始化改进麻雀搜索算法的参数，将隐藏层的个数设置为改进麻雀搜索算法待优化变量数，将输出的深度信念网络的损失值设置为麻雀种群的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值，最佳全局位置即为改进麻雀搜索算法搜索的最佳隐藏层单元数组合；将麻雀种群分为发现者、跟随者和侦察者，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、跟随者和侦察者的位置，并根据其位置计算当前最佳位置和最佳适应度值进行更新；重复此过程至达到迭代次数要求，输出全局最佳位置和最佳适应度值，并将全局最佳位置所确定的隐藏层单元数作为最优的隐藏层单元数。
[0033]进一步地，本专利技术的所述步骤5中训练深度信念网络的方法为：
[0034]利用样本集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进麻雀搜索算法的DC/DC变换器故障诊断方法，其特征在于，该方法包括以下步骤：步骤1、建立DC/DC变换器的仿真模型，选取变压器漏感电流作为诊断信号，根据DC/DC变换器不同功率开关器件的开路故障状态，对故障类型进行编码分类，采集DC/DC变换器的在不同故障状态下的诊断信号作为样本集；步骤2、使用莱维飞行策略改进麻雀搜素算法的全局搜索能力；步骤3、将样本集划分为训练集和测试集，初步建立深度信念网络架构，初始化网络参数；步骤4、使用改进的麻雀搜索算法优化深度信念网络的隐藏层单元数，确定网络的最佳隐藏层单元数；步骤5、在最佳隐藏层单元数的设置下，使用训练集训练深度信念网络，使用测试集对训练后的深度信念网络进行测试；步骤6、对于新获取的测试样本，直接输入训练好的深度信念网络进行故障诊断，得到诊断结果。2.根据权利要求1所述的基于改进麻雀搜索算法的DC/DC变换器故障诊断方法，其特征在于，所述步骤1中的方法为：建立DC/DC变换器仿真模型时，通过撤去对应功率开关管的脉冲控制信号来模拟其开路故障，最后采集DC/DC变换器在不同功率开关器件开路故障下的诊断信号数据，作为样本集。3.根据权利要求1所述的基于改进麻雀搜索算法的DC/DC变换器故障诊断方法，其特征在于，所述步骤2中的方法为：莱维飞行算法通过飞行轨迹来记录所有粒子位置的更新信息，计算公式为：其中，α为步长因子，表示点乘，表示当前位置，表示下一状态的位置；Levy表示飞行的方向和步长，为随机分布，计算公式为：Levy～|s|
‑
λ
,1<λ≤3，其中s为随机步长，计算公式为：s＝μ/(|v|
1/β
)，其中β＝1.5，)，其中β＝1.5，的计算公式为：σ
v
＝1。4.根据权利要求3所述的基于改进麻雀搜索算法的DC/DC变换器故障诊断方法，其特征在于，所述步骤2中的麻雀搜素算法为：麻雀搜索算法的种群可以表示为X，待优化变量数为δ，种群发现者位置更新公式为：C为最大迭代次数，和表示第v次和第v+1次迭代中第l只麻雀在第维的位置，l＝[1,2,
…
,s]，s为麻雀个数；ξ和Q是随机数，L是一个1
×
δ的单位向量，R是当前警报值，ST是安全阈值，当R<ST时没有捕食者，R≥ST时出现捕食者；种群跟随者的位置更新公式为：
为发现者的当前最佳位置，X
worst
表示全局最差位置，A与L每个元素随机分配为1或
‑
1，且A
+
＝A
T
(AA
T
)
‑1；当捕食者出现时，种群中个体的行为表示如下：其中，表示当前全局最佳位置；β是正态分布步进控制随机数，ξ∈[
‑
1,1]为群体中个体移动方向的随机数，是当前麻雀个体的适应度值，f
v_best
和f
v_worst
分别是当前全局最优和最差适应度值；随后根据计算的最佳适应度值和最佳全...

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