一种基于SSA-LSTM与GRU的高压电源性能退化预测方法技术

本发明专利技术提出一种基于SSA

【技术实现步骤摘要】
一种基于SSA
‑
LSTM与GRU的高压电源性能退化预测方法


[0001]本专利技术属于高压电源性能退化预测领域，尤其涉及一种基于SSA
‑
LSTM与GRU的高压电源性能退化预测方法。

技术介绍

[0002]高压电源是许多电子设备的重要组成部分，性能直接影响到整个电子设备系统的工作情况，其可靠运行对电子设备的安全、经济、稳定运行具有重要意义。故障类型按照故障发生、发展的过程可以分为突发性故障与渐变性故障。对于渐变性故障来说，其通常的表现形式为在高压电源中，纹波电压主要是由于电路设计中滤波不完全导致的，本质是输出电压中含有的少部分脉动交流部分。

技术实现思路

[0003]1、目的：本专利技术以典型高压电源为研究对象提供一种高压电源性能退化预测方法，它是一种基于SSA
‑
LSTM与GRU的预测方法。首先对高压电源的纹波电压进行测试并采集纹波电压数据。其次，对数据进行SSA分析分解与重构，将原始数据分离成趋势分量和残差分量两部分。然后，将每个趋势分量和残差分量分为训练集和测试集，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSA
‑
LSTM&GRU的高压电源性能退化预测方法，其特征在于，步骤如下：步骤一：对高压电源的纹波电压进行测试并采集纹波电压数据：采集原始数据并记录，在计算机上绘制根据时间的变化图，观察趋势；步骤二：奇异谱分析的分解与重构：利用非参数化时间序列谱的估计方法奇异谱分析SSA，通过对轨迹矩阵分解与重构，从原始数据中获取不同成分信息，包括趋势信息、噪声信息；利用SSA方法提取信息时包括分解和重构两个互补阶段，分解阶段形成轨迹矩阵并分解为多个子矩阵之和，重构阶段则利用分组与对角平均化实现矩阵到序列的还原；基于SSA，将数据分解为趋势分量、周期分量、残差分量与噪声，再选取序列进行重构，得到平滑的变化曲线；步骤三：LSTM与GRU模型研究：长短时记忆网络LSTM针对循环神经网络RNN模型中节点内部加以改进变形，利用门结构克服了梯度消失与爆炸的问题；LSTM模型由多个循环单元组成，通过遗忘门、输入门以及输出门三种门结构分别实现信息遗忘、增加以及输出，完成历史信息的权重控制与存储；门控制循环神经网络GRU是LSTM模型的一种变体，GRU模型将LSTM模型中的遗忘门与输入门合并为更新门；步骤四：SSA
‑
LSTM&GRU组合预测模型研究：为提高预测精度与预测效果，结合步骤一至步骤三，以自适应权重模块，结合LSTM与GRU，将各自的输出结果进行组合，获得更优的预测效果。2.根据权利要求1所述的一种基于SSA
‑
LSTM&GRU的高压电源性能退化预测方法，其特征在于：在步骤一中，采集某型高压电源全寿命周期内等间隔采集的纹波电压数据共60个。3.根据权利要求1所述的一种基于SSA
‑
LSTM&GRU的高压电源性能退化预测方法，其特征在于：在步骤二中，随着高压电源使用时间的增加，纹波电压总体呈现非线性增加的变化趋势，健康状态逐渐变差；利用SSA分析进行分解与重构；设原始纹波电压数据表示为X＝(x1，x2，...，x
T
)的有限长一维向量，长度为T，T>2，具体步骤如下：嵌入：选择窗口长度为整数，即嵌入维数，将原始纹波电压数据转换为一系列滞后的多维数据向量，并排列组成L*K的轨迹矩阵，公式如下所示：其中，x
i
(i为1—T中的任意整数)为第i个原始纹波电压数据，X
i
为矩阵的第i列，i为整数且1≤i≤K，K＝T
‑
L+1表示轨迹矩阵的列数，L为<N/2；奇异值分解SVD：对纹波电压的轨迹矩阵进行奇异值分解，即对纹波电压的轨迹矩阵进行SVD，将轨迹矩
阵X分解为以下形式：X＝UΣV
T
其中，U称为左矩阵；Σ仅在主对角线上有值，就是奇异值，其他元素均为零；V称为右矩阵；此外U、V均为单位正交阵，满足UU
T
＝I，VV
T
＝1，I为单位阵；由于直接对轨迹矩阵分解比较困难，因此首先计算轨迹矩阵的协方差矩阵：S＝XX
T
接下来对S进行特征值分解，得到λ1＞λ2＞
…
＞λ
L
≥0和对应的S的特征向量U1,U2,U3,
…
,U
L
，此时即为原序列的奇异谱，并且有：重构Grouping：计算迟滞序列X
i
在U
m
上的投影：X
i
表示轨迹矩阵X的第i列，是X
i
所反映的时间演变型在原序列x
i+1
,x
i+2
,
…
,x
i+L
时段的权重，称为时间主成分TPC；然后通过U
i
与来进行重建，具体重建过程如下：其中，为x
i
的第k个成分分量；选取k为1和2对应的成分分量，分别为趋势分量与残差分量。4.根据权利要求1所述的一种基于SSA
‑
LSTM&GRU的高压电源性能退化预测方法，其特征在于：在步骤三中，遗忘门为：首先，LSTM模型将t
‑
1时刻的隐含层输出h
t
‑1与t时刻的输入x
t
组合成[h
t
‑1,x
t
]，通过遗忘门f
t
决定需要遗忘的信息，得到的输出结果在[0,1]之间，表示遗忘上一隐含层信息的概率，公式如下：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)其中，σ表示激活函数，W
f
和b
f
分别表示遗忘门的权值向量和偏置参数。5.根据权利要...

【专利技术属性】
技术研发人员：胡薇薇，李晓钢，孙小寒，王云鹏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：