基于集成學習的電力電子開關器件網絡故障診斷方法
【技術領域】
[0001] 本發(fā)明涉及電力電子電路故障診斷領域，具體是涉及一種基于集成學習的電力電 子開關器件網絡故障診斷方法。
【背景技術】
[0002] 在電力電子系統(tǒng)中，電力電子開關器件如晶閘管，M0SFET(金屬氧化物半導體場效 應管)和IGBT(絕緣柵雙極型晶體管)等，被認為是最常發(fā)生故障的元件。開關故障包括短路 故障和開路故障兩類，發(fā)生短路故障時產生的過電流會損壞系統(tǒng)中的其他開關，元器件以 及負載;而發(fā)生開路故障時，系統(tǒng)無法實現預定功能;此外，由于電流不平衡導致的脈沖信 號會在負載或電機中產生噪聲和振動。所以，研究針對電力電子開關器件的故障診斷技術， 能夠檢測并識別發(fā)生故障的開關，減小維修成本，提高系統(tǒng)的穩(wěn)定性和可靠性。
[0003] 目前基于神經網絡的電力電子開關器件故障模式分類器缺點在于:神經網絡采用 經驗風險最小化原則，在學習過程中易出現過學習和陷入局部最小值等缺陷，神經網絡基 元分類器的分類精度低。

【發(fā)明內容】

[0004] 本發(fā)明所要解決的技術問題是，克服上述【背景技術】的不足，提供一種基于集成學 習的電力電子開關器件網絡故障診斷方法，避免單一神經網絡的過學習和陷入局部最小值 的缺陷，提高神經網絡基元分類器的分類精度。
[0005] 本發(fā)明解決其技術問題采用的技術方案是，一種基于集成學習的電力電子開關器 件網絡故障診斷方法，包括以下步驟：
[0006 ] (1)米集電力電子電路在不同開關器件故障模式下的輸出電壓或電流信號向量集 {Vnq}，n=l，2,…，N，其中Vnq=(vn,l，vn,2, · · · ,νη,Μ)1^示在故障模式Fq下的信號向量，符號 (· )τ表示轉置，Μ表示信號向量的維數，N表示信號向量的個數；
[0007] (2)利用主成分分析從信號向量Vnq中提取故障模式F q下的歸一化故障特征向量 文~1 = ('.dm'Ky，_R表示歸一化故障特征向量的維數，N表示信號向量的個數，也即歸一 化故障特征向量的個數;根據歸一化故障特征向量免得到歸一化故障特征向量集
[0008] (3)用歸一化故障特征向量集依次訓練k個神經網絡基元分類器，設定神經 網絡基元分類器個數上限K = 50和系統(tǒng)誤差閾值e〇;
[0009] (4)針對待測電路重復步驟(1)(2)，得待測故障特征向量V'將其分別接入訓練好 的k個神經網絡基元分類器，并利用集成學習方法得到集成識別結果。
[0010] 進一步，步驟(1)中，采集電力電子電路在不同開關器件故障模式下的輸出電壓或 電流信號向量集{Vn q}的步驟為：
[0011] (1.1)確定電力電子開關器件的所有故障模式Fq，包括開關管開路故障和短路故 障，其中q=l，2,…，Q，Q表示故障模式總數，同時確定電力電子開關器件可能的控制信號 心…二^^-少^表示控制信號的總數；
[0012] (1 · 2)在故障模式F<rf，當控制信號為〇>時，進行L次數據采樣，其中，q= 1，2，…，Q， p = l，2,…，P，Q表示故障模式總數，P表示控制信號的總數，則每種故障模式下共采集P*L個 信號向量，此處*表示乘號；
[0013] (1.3)采集到的信號向量用Vnq表示，n=l，2，"_，N，V nq=(vn,uu，…，￥")\其 中，N=Q*P*L，N表示信號向量的個數，Μ表示信號向量的維數，也即信號向量元素的個數，根 據信號向量V nq得到信號向量集{Vnq}。
[0014] 進一步，步驟(2)中，利用主成分分析從信號向量Vnq中提取故障模式Fq下的歸一化 故障特征向量文h = (v,u,v,u,...，v"R)T的步驟為：
[0015] (2.1)對信號向量Vnq進行均值化處理：
，其中￥"^_表示信號 向量Vnq均值化處理后的信號向量，n=l，2，···，N，N表示信號向量的個數；
[0016] (2.2)計算協(xié)方差矩陣(1^^
[0017] (2.3)計算協(xié)方差矩陣COVv的特征值和特征向量，生成變換矩陣Cv:
[0018] ⑵"計算故障特征向量集以^^:以'卜^^"父^其中^以二^，％，…， vr)t表示經PCA提取的故障特征向量，R表示故障特征向量的維數，也即歸一化故障特征向量 的維數；
[0019] (2.5)計算歸一化故障特征向量 其中max( ·)表示故障特征向量Vnhq的最大值，min( ·)表示故障特征向量Vnhq的最小值。
[0020] 進一步，步驟(2.3)中，計算協(xié)方差矩陣COVv的特征值和特征向量，生成變換矩陣Cv 的步驟為：
[0021] (2.3.1)求解|C0Vv-λE|=0，得到M個特征值λm，其中E為M階單位矩陣 ；
[0022] (2 · 3 · 2)求解 Μ 個方程:COVv-λ^ = 〇，m=l，2，".，M，得Μ個特征向量 em;
[0023] (2.3.3)將Μ個特征值大到小排序，2 λ2 2 ... 2 λΜ，對應的Μ個特征向量為 ει，ε2，· · ·，ε^;
[0024] (2.3.4)計算第m個特征值\的方差貢獻度η;π :
[0025] (2.3.5)前R個特征值的累積方差貢獻度pr:
[0026] (2.3.6)當前R個特征值的累積方差貢獻度滿足PR 2 98%時，取前R個特征向量構 成變換矩陣Cv= {ει，，. . .，eR}。
[0027] 進一步，步驟(3)中，用歸一化故障特征向量集依次訓練k個神經網絡基元分 類器的步驟為：
[0028] (3.1)構建訓練樣本集合丨TJ)，i = l，2.…,R，n = U…,Ν，其中Tn為第η個歸 一化故障特征向量t~對應的類別標識；
[0029] (3 · 2)令k = 1，初始化樣本權重:wk (n) = 1/N;
[0030] (3.3)根據樣本權重￥1<(11)在訓練樣本對中抽取第1^個訓練集86七1< ;
[0031] (3.4)設置神經網絡基元分類器(：1&%1行從1{的參數，用訓練集 8的1{訓練第1^個神經 網絡基元分類器〇1388丨；1^611〇并用86七1{測試神經網絡基元分類器〇1388丨；1^6^ {;
[0032](3.5)計算第k個神經網絡基元分類器的分類誤差E(k):
表示第k個神經網絡基元分類器對第η個歸一化故障特征向量的識別 結果，I · I表示邏輯運算符
[0033] (3.6)判斷：若E(k) 2 0.5,則放棄當前神經網絡基元分類器classifierk，返回步
驟(3.4);若0.5>E(k)>eQ，則保存當前神經網絡基元分類器，并執(zhí)行步驟(3.7)，若E(kHe〇， 訓練過程結束，k=K;
[0034] (3.7)計算第k個神經網絡基元分類器在集成輸出時的投票權ak:
[0035] (3.8)更新樣本權重wk(η)分布 提高分類錯誤的樣本權重，降低分類正確的樣本權重，Wk+1( j)表示更新后的樣本權重；
[0037] (3 · 10)判斷:若k>K，則訓練過程結束，否則，k = k+Ι，返回步驟(3 · 3)。
[0038]進一步，步驟(3.3)中，根據樣本權重wk( η)在訓練樣本對中抽取第k個訓練集setk 的步驟為：
[0039] (3.3.1)根據樣本權重wk(n)分布將區(qū)間[0,1]分為N個小區(qū)間，每個小區(qū)間表不一 個訓練樣本對化'!；)，！^』，…，!^
[0040] (3.3.2)產生一個(0，1)之間的隨機數rand，rand所在的小區(qū)間表示訓練樣本對， 即為抽取到的訓練樣本對；
[0041 ] (3.3.3)重復步驟(3.3.2)N次，產生一個與訓練樣本集合相同大小的訓練集。
[0042] 進一步，步驟(3.4)中，設置神經網絡基元分類器(：1&%1行從 1{的參數的步驟為：
[0043] (3.4.1)神經網絡結構為三層前饋式，輸入層節(jié)點數等于歸一化故障特征向量 的維數，輸出層節(jié)點數等于類別標識In的維數，隱含層節(jié)點數hidden = 2*R-l，其中R為歸一 化故障特征向量的維數，激活函數采用默認的tansig函數；
[0044] (3.4.2)神經網絡的學習算法采用誤差反向傳播算法，訓練樣本對的訓練算法為 彈性梯度下降算法，每個神經網絡基元分類器的最大迭代次數為500次，訓練目標為MSE〈 0.001，
，Tn為網絡目標輸出，0n為網絡實際輸出，n = l， 2，···，Ν〇
[0045] 進一步，步驟(4)中，利用集成學習方法得到集成識別結果的步驟為：
[0046] (4.1)用f表示待測故障特征向量，將其分別接入每個神經網絡基元分類器，用 classifierdf)表示每個神經網絡基元分類器對f的識別結果；
[0047] (4.2)將每個識別結果相同的神經網絡基元分類器的投票權累加，權值最高的識別 結果即為最終的集成識別結果，最終的集成識別結果為： 其中，Fq表示第q種故障模式的類別標識，ak表示第k個神經網絡基元分類器在集成輸出時的 投票權；| · |表示邏輯運算符，表示當X = XQ時，f (XQ)為函數 f (X)的最大值。
[0048] 與現有技術相比，本發(fā)明的優(yōu)點如下：
[0049] (1)本發(fā)明利用主成分分析方法提取歸一化故障特征向量，根據累計主元貢獻度 大小確定合適的歸一化故障特征向量的維數，保