[发明专利]一种基于Gradation-Boosting算法的电力电子系统故障诊断方法

说明书

技术领域

本发明属于电力电子系统故障诊断领域，涉及一种基于Gradation-Boosting 算法的故障诊断方法。

背景技术

故障检测是指确定系统是否发生故障的过程，即对一非正常状态的检测过 程。通过不断监测系统可测量变量的变化，在标称情况下，认为这些变量在某一 不确定性下满足一己知模式，而当系统任一部件故障发生时，这些变量偏离其标 称状态。通常根据系统输出或状态变量的估计残差的特性来判断故障。目前研究 的目标是检测的及时性、准确性和可靠性及最小误报和漏报率。

电力电子技术是利用电力电子器件对电能进行控制和转换的新兴学科。通过 使用电力半导体器件，应用电路和设计理论以及分析开发工具，实现对电能的高 效能变换和控制。近年来，功率变流技术得到了迅猛发展，经过变流技术处理的 电能在整个国民经济的耗电量中所占比例越来越大。电力电子技术己广泛应用于 国防军事、工业、交通、农业、商业、医药制造以至家用电器。电力电子设备一 旦发生故障，小则造成电器产品损坏、工矿企业停产，大则会威胁人民生命、财 产安全，甚至造成重大灾难事故，影响国民经济的正常运行。所以，对电力电子 设备进行故障检测和诊断显得日趋重要。

由于电力电子系统故障种类复杂，发生故障的原因繁多，因此仅仅依靠人工 查找或维修人员的经验去定位故障往往很困难。这就要求建立一种能进行故障自 动检测和诊断的系统来对电力电子设备故障进行有效的诊断。过去十几年，电力 电子电路的故障诊断技术得到了迅速发展，故障自动检测和诊断系统日趋智能 化，特别是近几年，人工神经网络在故障诊断的广泛应用，为电力电子电路的故 障诊断提出了一种全新的诊断方法。

基于模型的故障诊断方法必须建立准确的数学模型，但往往很多实际系统难 以用数学模型来描述。而基于知识的故障诊断方法尽管不须建立系统模型，但由 于人们知识或经验所限，未必会使所有故障包含在知识库中，因此不能诊断知识 库中未描述的故障现象。基于神经网络的故障诊断方法可以利用神经网络的非线 性映射特性和自学能力来反映系统故障输出特征和故障类型之间的映射关系，从 而达到对系统进行故障诊断的目的。

BP(Back-Propagation)神经网络由于其在模式识别和模型分类上的优越性能 以及精确的数学描述、清晰的处理过程和易于实现的特点，因此在故障诊断中应 用的最广泛、最成功。目前在电力系统的故障诊断中广泛采用的人工神经网络模 型是BP神经网络模型。

发明内容

本发明的目的是提供一种应用神经网络同Gradation-Boosting算法相结合的 方法，本发明能对电力系统电子电路故障进行诊断。

本发明的目的通过下述方法和步骤实现：

本发明首先建立了三相电力电子逆变电路的仿真模型，然后根据实际情况对 系统的故障情况进行仿真，获得各类故障发生时所对应的电路参数作为故障样 本，将所有样本根据实际故障的发生频率划分成不同的等级，然后用这些样本作 为学习样本对神经网络进行反复训练，最后用Gradation-Boosting算法将训练好 的神经网络整合成一个完整的高性能的故障诊断系统。

以下对本发明的内容作进一步阐述：

1、建立三相电力电子逆变电路的仿真模型

电路模型如附图所示，我们需要检测的故障为T1-T6这六个功率半导体元 件IGBT断路故障。考虑到在实际应用中的情况，我们假设最多有两个功率半导 体元件同时故障，所有的故障情况可分类如下：

第一大类：仅有一只功率半导体元件IGBT故障，分六小类：T1故障、 T2故障、T3故障、T4故障、T5故障、T6故障

第二大类：同一半桥的两只功率半导体元件IGBT同时故障，分三小类： T1和T2故障、T3和T4故障、T5和T6故障

第三大类：交叉两只功率半导体元件IGBT同时故障，分六小类：T1和T4 故障、T1和T6故障、T3和T6故障、T2和T3故障、T4和T5故障、T2和 T5故障

第四大类：同一上(或下)桥臂两只功率半导体元件IGBT同时故障，分六小 类：T1和T3故障、TI和T5故障、T3和T5故障、T2和T4故障、T2和T6故 障、T4和T6故障

2、故障样本的获得以及BP神经网络的Gradation-Boosting过程：