[发明专利]一种基于卷积神经网络的电压源逆变器故障诊断方法及系统

说明书

本发明涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统，通过获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；将故障电流数据集输入训练好的改进卷积神经网络模型中来对每个故障案例的特征进行分类。简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行诊断，对电压源逆变器的故障及时预警，用户可以根据故障类型第一时间进行故障排除，避免重大损失，实现了电压源逆变器的智能化故障诊断。

技术领域

本发明涉及计算机神经网络领域，尤其涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统。

背景技术

近年来，电气系统在朝着大型化、精密化、系统化、自动化和智能化的方向发展。而电压源逆变器作为电气系统中应用非常广泛电力电子装置，是工业生产中的主要应用设备。开关管是电气设备中最为脆弱的部件，一旦发生故障，将带来重大损失，甚至带来巨大影响或灾难。

随着工业大数据的兴起，基于数据驱动的故障诊断方法广泛应用于电力电子领域，直接对电力电子器件状态监测得到的数据分析处理即可得到诊断结果。由于智能故障诊断算法的自适应学习机制、较强的容错能力和较高的非线性回归能力被广泛应用于解决复杂的诊断问题，机器学习成为了基于数据驱动的故障诊断方法中的研究热点，传统的机器学习算法由于其网络结构较浅，特征提取能力较差，导致隐藏在监测数据中的特征难以深入挖掘，很难再进一步提高这些方法的性能。由于广泛的领域专业知识和先验知识的要求，很难选择合适的特征提取方法。同时，人工特征提取仍需依赖于现有特征或评价标准，这使得挖掘新而有用的特征变得困难。此外，存在许多反映故障前期故障的敏感特征易被作为噪声被忽略、特征提取方法需要根据诊断对象的变动而变动等问题，在智能故障诊断中，设计一种合适的特征提取方法繁重且复杂。因此，探索一种能够直接从原始信号中学习敏感特征并能适应系统变化的端到端自动特征提取方法是非常迫切而有意义的。

随着机器学习的迅速发展，深度学习在电气系统故障诊断中有着巨大的潜力和迫切的需求。深度学习采用多层神经层的结构，通过逐层传递从输入层原始数据中提取信息，自动挖掘大型数据集中复杂的复杂表示特征，避免了人工特征工程。深度信念网络、堆叠去噪自动编码器和长短时记忆网络已得到了应用，较于传统的机器学习方法有良好动态学习效果。卷积神经网络作为一种分布式并行深度网络模型，也在故障诊断中得到了广泛的应用。与其他深度学习方法相比，CNN具有更强大的特征提取能力。Sun等人用FFT提取负载输出电流特征，用一种结合了一维和二维CNN网络模型对电压源逆变器进行了故障诊断，提高了不同工况下的诊断精度。虽然上述研究采用了CNN算法，但仍需人工特征提取的方法。Gong等人提出了一种用全局平均池化改进的二维卷积神经网络用于电力电子DC-DC逆变器的故障诊断，用全局平均池化来代替全连接层，大大减少了模型参数量，较于传统CNN的性能有一定的提升。该方法虽然改进了传统CNN算法，但为了适应二维CNN的特征提取能力把原始一维时间序列数据转化为二维图片的形式，在原始数据的基础上增加了不必要的数据，提升了算法的复杂度。

发明内容

为解决上述现有算法复杂的问题，本发明提出了一种基于卷积神经网络的电压源逆变器故障诊断方法，其技术方案如下：包括以下步骤，

S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；

S2、将所述故障电流数据集输入至预先训练好的卷积神经网络模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；

所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层卷积核的卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；