[发明专利]基于集成学习的电力电子开关器件网络故障诊断方法

说明书

技术领域

本发明涉及电力电子电路故障诊断领域，具体是涉及一种基于集成学习的电力电 子开关器件网络故障诊断方法。

背景技术

在电力电子系统中，电力电子开关器件如晶闸管，MOSFET(金属氧化物半导体场效 应管)和IGBT(绝缘栅双极型晶体管)等，被认为是最常发生故障的元件。开关故障包括短路 故障和开路故障两类，发生短路故障时产生的过电流会损坏系统中的其他开关，元器件以 及负载；而发生开路故障时，系统无法实现预定功能；此外，由于电流不平衡导致的脉冲信 号会在负载或电机中产生噪声和振动。所以，研究针对电力电子开关器件的故障诊断技术， 能够检测并识别发生故障的开关，减小维修成本，提高系统的稳定性和可靠性。

目前基于神经网络的电力电子开关器件故障模式分类器缺点在于：神经网络采用 经验风险最小化原则，在学习过程中易出现过学习和陷入局部最小值等缺陷，神经网络基 元分类器的分类精度低。

发明内容

本发明所要解决的技术问题是，克服上述背景技术的不足，提供一种基于集成学 习的电力电子开关器件网络故障诊断方法，避免单一神经网络的过学习和陷入局部最小值 的缺陷，提高神经网络基元分类器的分类精度。

本发明解决其技术问题采用的技术方案是，一种基于集成学习的电力电子开关器 件网络故障诊断方法，包括以下步骤：

(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集 {V_n^q}，n＝1,2,…,N，其中V_n^q＝(v_n，1,v_n，2,...,v_n，M)^T表示在故障模式F_q下的信号向量，符号 (·)^T表示转置，M表示信号向量的维数，N表示信号向量的个数；

(2)利用主成分分析从信号向量V_n^q中提取故障模式F_q下的归一化故障特征向量R表示归一化故障特征向量的维数，N表示信号向量的个数，也即归一化故障特征向量的个数；根据归一化故障特征向量得到归一化故障特征向量集

(3)用归一化故障特征向量集依次训练k个神经网络基元分类器，设定神经网络基元分类器个数上限K＝50和系统误差阈值e₀；

(4)针对待测电路重复步骤(1)(2)，得待测故障特征向量V^*，将其分别接入训练好 的k个神经网络基元分类器，并利用集成学习方法得到集成识别结果。

进一步，步骤(1)中，采集电力电子电路在不同开关器件故障模式下的输出电压或 电流信号向量集{V_n^q}的步骤为：

(1.1)确定电力电子开关器件的所有故障模式F_q，包括开关管开路故障和短路故 障，其中q＝1,2,…,Q，Q表示故障模式总数，同时确定电力电子开关器件可能的控制信号 C_p，p＝1,2,…,P，P表示控制信号的总数；

(1.2)在故障模式F_q下，当控制信号为C_p时，进行L次数据采样，其中，q＝1,2,…,Q， p＝1,2,…,P，Q表示故障模式总数，P表示控制信号的总数，则每种故障模式下共采集P*L个 信号向量，此处*表示乘号；

(1.3)采集到的信号向量用V_n^q表示，n＝1,2,…,N，V_n^q＝(v_n，1,v_n，2,...,v_n，M)^T，其 中，N＝Q*P*L，N表示信号向量的个数，M表示信号向量的维数，也即信号向量元素的个数，根 据信号向量V_n^q得到信号向量集{V_n^q}。

进一步，步骤(2)中，利用主成分分析从信号向量V_n^q中提取故障模式F_q下的归一化故障特征向量的步骤为：