[发明专利]基于运行数据的风电机组变流器功率模块故障诊断方法

权利要求书

1.基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，包括以下步骤：

1)根据风电机组的历史运行数据，辨识出N种故障模式；

2)对步骤1)所得数据进行归一化处理，消除奇异样本数据导致的不良影响；

3)对故障信号进行分解，提取出特征，不同的特征用特征向量表示；

4)以各特征向量作为节点，利用兰氏距离计算不同的特征向量之间的相似度，选择相似度大于k的节点建立邻接关系，构建邻接矩阵A；

5)将图的节点、邻接矩阵A、度矩阵输入图卷积神经网络模型中，实现风电机组变流器功率模块故障诊断；

6)采用正确率、精度、召回率作为评价指标对图卷积神经网络模型进行评价。

2.根据权利要求1所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤2)中，对步骤1)所得数据按照以下公式进行归一化处理：

式中，x,z分别为处理前后数据，μ是数据集的均值，σ是数据集的标准差。

3.根据权利要求1所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤3)中，对故障信号进行分解，提取出特征，不同的特征用特征向量表示的具体步骤包括：

31)通过多分结构的MRSVD降噪方法将信号进行M层分解，将降噪时用的分解模型中每一层的两个近似信号A_j,2,A_j,1重构得到重构信号A_j，这样分解M层就可以得到M个分量，即可得到M个重构的信号；

32)计算每个分量的能量值

33)构造特征向量X'＝[E₁,E₂,…,E_M]；

34)对特征向量进行归一化处理，使得运算更为方便，同时也能减少误差；令则归一化后的特征向量为X＝[E₁/E,E₂/E,…,E_M/E]。

4.根据权利要求1所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤4)中，以各特征向量作为节点，利用兰氏距离计算不同的特征向量之间的相似度，选择相似度大于k的节点建立邻接关系，构建邻接矩阵A的具体步骤包括：

41)计算各节点间的兰氏距离，两个离散随机变量x和y的兰氏距离D_L(x，y)表示为：

42)采用实验误差法设置不同的阈值k，进行训练，得到最佳k值；选择相似度大于k的节点作为邻接节点，构造出节点与节点之间的边，最后利用点与边构建邻接矩阵A，邻接矩阵A表示为：

式中，若节点J与节点M邻接，J为1，2，3。。。。。。M，则I_xJxM为节点J与节点M之间的相似度值；若节点J与节点M不邻接，则I_xJxM＝0。

5.根据权利要求1所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤5)中，所述图卷积神经网络模型利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取；

图卷积神经网络模型中的图卷积分层传播公式表示为：

式中，σ为激活函数；为图的度矩阵，A为图的邻接矩阵，I_N为n阶单位矩阵；X^(l)为第l层的特征；W为需要训练的权重矩阵。

6.根据权利要求1所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤5)中，在进行故障诊断之前，对图卷积神经网络模型的GCN层数进行确定，训练过程中采用实验误差法，前一层GCN的输出矩阵成为下一层GCN新的节点特征矩阵，通过若干GCN层进行特征信息融合和维度变换，使每个节点特征与其邻接的节点特征进行融合。

7.根据权利要求6所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，所述GCN层数为三层。

8.根据权利要求6所述的基于运行数据的风电机组变流器功率模块故障诊断方法，其特征在于，步骤6)中，所述正确率、精度、召回率的计算公式分别为：

accuracy＝(TP+TN)/(P+N)

precision＝TP/(TP+FP)

recall＝TP/(TP+FN)＝TP/P

式中，accuracy为正确率；precision为精度；recall为召回率；TP是被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数(样本数)；FP是被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；FN是被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；TN是被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。