[发明专利]一种基于PCA-kNN风力发电系统变流器故障识别方法

权利要求书

1.基于PCA-kNN风力发电系统变流器故障识别方法，具体步骤如下，其特征在于,

步骤1：检测风力发电系统中背靠背式三相PWM整流器在各类开路故障下的直流侧输出电压信号；

步骤1中整流器各类开路故障如下：

PWM整流器的IGBT元件开路故障有：单只IGBT元件开路故障、同一桥臂上下2只IGBT元件开路故障、同一半桥中的2只IGBT元件开路故障、不同桥臂上下2只IGBT元件开路故障；

步骤2：提取输出电压的时域、频域和时频域特征，把提取的特征建立样本集；

步骤2中输出电压的时域、频域和时频域特征如下：

提取的时域、频域和时频域特征包括：面积、能量、功率谱估计、小波系数平方和；

输出电压面积：电压信号在时间上的积分

其中u(n)是电压信号；

输出电压能量：电压信号幅值的平方和

输出电压功率谱估计：

其中e(n)是均值为0的白噪声，方差是σ²，p是AR模型的阶数,H(z)是AR模型系统的转移函数；

输出电压小波系数的平方和：对输出电压信号进行小波分解和重构，分解层数为4层，选择db6小波

其中a₁、a₂、a₃、a₄是信号的低频近似分量，d₁、d₂、d₃、d₄是信号的高频细节分量；

步骤3：对样本集的特征作PCA处理，得到输出电压信号降维后的特征向量；降维后特征按照由大到小的重要性顺序排列，选取保留99％主要信息的n维特征；

步骤3中对样本集的特征作PCA处理如下：

对于给定的样本时域、频域和时频域特征集D＝{x₁,x₂,…,x_m}，设其在低维坐标系中的投影坐标是Z_i＝(Z_i1,Z_i2,...,Z_id)，且有：

其中ω_j是一组标准正交向量基，可按照式9基于Z_i得到x_i的重构样本

原始样本x_i与基于投影得到的重构样本之间的距离可以表现为：

其中，const是一个常数，W＝(ω₁,ω₂,...,ω_d)，根据最近重构性原则，对式10进行最小化操作，由于ω_j是标准正交向量基，是协方差矩阵，可得到式11的主成分分析的优化目标：

其中I表示单位矩阵，利用拉格朗日乘子对式11作变换后得到式12：

XX^Tω_i＝λ_iω_i (12)

最后对协方差矩阵XX^T作特征值分解，然后将得到的特征值按照由小到大的顺序进行排序，最后取前n个包含99％信息的最大特征值对应的特征向量，构成新的特征向量矩阵W^opt＝(ω₁,ω₂,...,ω_n)就是主成分分析的最优解；

步骤4：把样本集划分为训练样本和测试样本，将PCA计算后得到的n维特征作为输入，使用kNN算法计算测试样本到训练样本的距离，通过交叉验证选择kNN算法中的最佳k值；

步骤4中kNN算法计算测试样本到训练样本的距离如下：

其中x_i是测试特征样本，x′_i是训练集特征样本。

2.根据权利要求1所述的 基于PCA-kNN风力发电系统变流器故障识别方法，其特征在于；步骤4中选择kNN算法中的最佳k值如下：

在训练样本集中找出与测试样本x_i最近邻的k个点，涵盖这k个训练样本点的领域记作N_k(x)，根据分类决策规则决定测试样本的类别

其中，y_i∈{c₁,c₂,...,c_k}是训练样本x′_i实例的类别，I是指示函数，当y_i＝c_i时，I为1，否则为0；最后交叉验证，根据测试样本识别率来确定k值；

步骤5：检测待测整流器的直流侧输出电压信号，并重复步骤2和步骤3，最终使用kNN分类算法对整流器故障进行分类。