一种结合重采样和集成学习的电力电子系统故障诊断方法技术方案

本发明专利技术公开了一种结合重采样和集成学习的电力电子系统故障诊断方法，属于电力电子设备故障诊断技术领域，该方法包括实时采样电力电子系统二分之一基波周期内的电流数据，对电流数据进行标幺化处理，得到标幺化数据；根据标幺化数据，基于快速傅里叶变换算法，得到标幺化数据的频域特征；根据频域特征，通过特征提取选择器，得到标幺化数据的特征向量；根据标幺化数据的特征向量，利用集成分类模型，得到故障类别标签，完成电力电子系统故障诊断。本发明专利技术解决了现有故障诊断方法中存在的原始数据样本不平衡、导致现有机器学习模型诊断不准确甚至判断错误的技术问题，有效地实现了电力电子系统的传感器和功率器件多种不同故障类型的诊断。类型的诊断。类型的诊断。

【技术实现步骤摘要】
一种结合重采样和集成学习的电力电子系统故障诊断方法


[0001]本专利技术属于电力电子设备故障诊断
，尤其涉及一种结合重采样和集成学习的电力电子系统故障诊断方法。

技术介绍

[0002]电力电子变流器在能量转换系统中发挥着不可或缺的作用，广泛应用于光伏发电、铁路电力牵引运输、电池充电、航空航天系统等领域。由于电力电子设备容易发生故障，故障率高，电力电子变流器是常见的故障源之一，因此，准确的故障诊断对于故障后容错运行控制和系统的进一步维护具有重要意义。
[0003]随着人工智能和数据科学技术的快速发展，许多基于数据驱动的故障诊断方法被提出以应对电力电子变流器系统故障诊断方法中的难点问题和技术挑战，如多种故障类型、数学模型不准确等。然而，大多数情况下，智能诊断模型是由一个满意的数据集训练的，这不仅意味着有足够的样本和很少的噪声，而且意味着不同类别的样本分布是均衡的。实际上，电力电子变流器系统的故障状态很少，原始历史监测数据集总是不平衡的，正常运行数据样本大于故障数据样本。由于智能学习方法对每个样本都同等重视，少数故障样本容易被智能学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合重采样和集成学习的电力电子系统故障诊断方法，其特征在于，包括以下步骤：S1、实时采样电力电子系统二分之一基波周期内的电流数据，对所述电流数据进行标幺化处理，得到标幺化数据；S2、根据所述标幺化数据，基于快速傅里叶变换算法，得到所述标幺化数据的频域特征；S3、根据所述标幺化数据的频域特征，通过特征提取选择器，得到标幺化数据的特征向量；S4、根据所述标幺化数据的特征向量，利用集成分类模型，得到故障类别标签，完成电力电子系统故障诊断。2.根据权利要求1所述的一种结合重采样和集成学习的电力电子系统故障诊断方法，其特征在于，所述步骤S1中标幺化处理的表达式为：x
in
＝x
i
/max(x1,x2,
…
x
N
)其中，x
in
为数据的标幺值，x
i
为数据真实值，max(
·
)为最大值函数，x
N
为数据样本的第N个数据。3.根据权利要求1所述的一种结合重采样和集成学习的电力电子系统故障诊断方法，其特征在于，所述步骤S3中特征提取选择器的构建包括以下步骤：A1、获取电力电子系统正常数据样本和故障数据样本，对所述正常数据样本和故障数据样本进行预处理和标幺化，得到初始数据集；A2、根据所述初始数据集，基于快速傅里叶变换算法，得到所述初始数据集的频域特征；A3、根据所述初始数据集的频域特征，采用特征加权算法ReliefF评估频域特征中各特征属性和故障类别之间的相关性，得到各特征属性的特征权重，所述特征加权算法ReliefF的表达式为：的表达式为：其中，W(A)为第A个特征的权重，A为特征编号，R为样本数据，H
j
为R的第j个最近邻，j为最近邻编号，k为选择的最近邻总数，diff(A,R,H
j
)为样本R和样本H
j
在特征A上的差，p(
·
)为类的先验概率，m为样本抽样次数，Class(R)为R所属于的类标签，M
j
(C)为表示类中的第j个最近邻样本，C为所有标签的个数，diff(A,R1,R2)为样本R1和样本R2在特征A上的差，R1和R2均为样本数据指代符号，min(
·
)为最小值函数；A4、根据所述各特征属性的特征权重，剔除权重小于零的特征属性，得到第一特征属性集；A5、根据所述第一特征属性集，选取平均互信息最大的m个特征属性，得到故障类别的
特征子集：特征子集：其中，D(S,c)为特征子集S与故障类别c的平均互信息，S为特征子集，c为故障类别，I(
·
)为互信息技术度量结果，z
i
为第i个特征属性，i为特征属性编号，p(z
i
)为第i个特征属性的边缘概率密度函数，p(c)为故障类别c的边缘概率密度函数，p(zi,c)为z
i
和c的联合概率密度函数；A6、根据所述特征子集，添加最小冗余条件选择m个互斥的特征属性，得到最大相关度
‑
最小冗余度的特征集合：mRMR＝max(D
‑
R)其中，mRMR为最大相关度
‑
最小冗余度的特征集合，R为最小冗余条件结果，z
j
为第j个特征属性，j为特征属性编号；A7、根据所述最大相关度
‑
最小冗余度的特征集合，得到评估结果；A8、根据所述评估结果，对所述第一特征属性集的特征属性进行排序，选择排序前20的特征属性，得到特征向量；A9、判断m是否为保证特征向量测试精度大于95％的前提下的最小值，若是，得到特征提取选择器，否则，调整m的值，返回步骤A5。4.根据权利要3所述的一种结合重采样和集成学习的电力电子系统故障诊断方法，其特征在于，所述步骤S4中集成分类模型的构建方法包括以下步骤：B1、根据所述特征提取选择器，得到所述初始数据集的新特征向量；B2、根据所述新特征向量，...

【专利技术属性】
技术研发人员：苟斌，邓清丽，冯晓云，葛兴来，林春旭，杨顺风，谢东，王惠民，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：