【技术实现步骤摘要】
基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法、装置及系统
[0001]本专利技术属于电气/电子设备监测领域，具体涉及一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法、装置及系统。
技术介绍
[0002]随着能源与环境制约问题日益凸显，以及为实现“双碳”目标，新能源电源的比例不断升高，大量分布式电源接入配电网，由此产生了一系列安全稳定运行问题，给电力系统的智能运维与管控带来了挑战。
[0003]逆变器作为新能源发电并网系统的核心设备，其健康状态决定着整个配电台区的稳定运行。逆变器工作状态受直流侧和交流测电源共同影响，故障具有明显的耦合性，一旦外部扰动过大造成控制电路不稳定，则逆变器内部功率器件可能承受巨大的电应力与热应力，不仅造成器件快速老化，严重时器件烧毁，将造成并网电压电流质量下降，系统停机。同时，随着国家整县光伏政策的推进，大量分布式光伏接入农村及乡镇配电网，分布式光伏具有出力的不连续性以及不可控性等特点，且地理位置偏僻，设备群众多，极容易受极端恶劣天气条件影响，加速设备的老化，使得逆变器发生故障...
【技术保护点】
【技术特征摘要】
1.一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法，其特征在于，包括：将缺陷状态下逆变器开关管输出端的实时电流信号转换为由电流瞬时值构成的一维时序序列；利用格拉姆角场对所述一维时序序列进行变换，提取出与逆变器开关管缺陷相关的GASF图像与GADF图像；将所述GASF图像与GADF图像分别送入并行的CNN网络进行特征提取，获得两列特征数据；将两个CNN网络输出的两列特征数据进行相加融合后送入自适应判别分类器，由所述自适应判别分类器输出逆变器开关管对应不同缺陷状态的概率分布。2.根据权利要求1所述的一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法，其特征在于：所述CNN网络为预先训练好的CNN网络，所述CNN网络的训练方法包括：将缺陷状态下逆变器开关管输出端的录波电流信号转换为由电流瞬时值构成的一维时序序列；利用格拉姆角场对所述一维时序序列进行变换，提取出与逆变器开关管缺陷相关的GASF图像与GADF图像；将所述GASF图像与GADF图像分别送入对应CNN网络，进行CNN网络的并行学习训练。3.根据权利要求2所述的一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法，其特征在于：所述CNN网络包括顺次设置的卷积层、池化层和全连接层；所述卷积层的表达式为：式中：为第l层的第b个神经元输出特征；f为非线性激活函数；M为当前层神经元输入特征数量；为卷积核；为第l
‑
1层第a个神经元输入特征；B
l
为第l层偏置；所述池化层选择最大池化，其表达式为：式中：为第l+1层第b个神经元输出特征；为第l层第b个神经元输入特征；所述全连接层的表达式为：式中：y
k+2
为全连接层第k+2个神经元输出；k为全连接层神经元个数；ω
k+2
为全连接层第k+2个神经元权重占比；为第l+1层卷积层的第b个神经元输出特征。4.根据权利要求2所述的一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法，其特征在于：所述自适应判别分类器为预先训练好的自适应判别分类器，所述自适应判别分类器的训练方法包括：接收两个训练好的CNN网络输出的两列特征数据，并进行相加融合后送入自适应判别分类器；通过反向传播调整参数来训练自适应判别分类器。
5.根据权利要求4所述的一种基于格拉姆角场和并行CNN的逆变器开关管健康诊断方法，其特征在于：所述自适应判别分类器包括softmax分类器和log_softmax分类器；所述将两个CNN网络输出的两列特征数据进行相加融合后送入自适应判别分类器，由所述自适应判别分类器输出逆变器开关管对应不同缺陷状态的概率分布，包括：将两个CNN网络输出的两列特征数据进行相加融合，形成融合数据，并将所述融合数据送入自适应判别分类器；利用所述softmax分类器对融合数据进行处理；对softmax分类器的输出进行判别，若softmax...
【专利技术属性】
技术研发人员：李宗源，陈谦，钱倍奇，牛应灏，许潇文，刘莹，朱嘉傲，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。