[发明专利]基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法

权利要求书

1.一种基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，包括以下步骤：

1)信号采集与特征提取，对每一种电力电子电路故障状态下获得的电流信号进行EMD分解，选取多阶IMF分量，计算每阶分量的时域、频域以及能量特征，获得原始特征数据集；

2)故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，每个特征的重要性评分通过基尼指数评分表示，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；

3)故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，获取最后一个稀疏自编码器的隐含层特征作为故障样本，然后将不同故障下的故障样本作为数据集，并按照一定比例划分为训练集和测试集；

4)分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；

5)模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

2.根据权利要求1所述的基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤1)中，选取前7阶IMF分量计算电力电子电路故障的特征信息。

3.根据权利要求1所述的基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤3)中选择两层稀疏自编码组成的网络对电力电子电路故障数据进行训练和特征优化。

4.根据权利要求1所述的基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤2)中的极端树算法ET是通过基尼指数计算决策树节点的纯度来衡量特征重要性。

5.根据权利要求4所述的基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，所述步骤2)具体为：

假设有m个特征X₁,X₂,X₃,…,X_m，每个特征的重要性评分通过基尼指数评分表示，亦即第j个特征X_j在ET所有决策树中节点分裂不纯度的平均改变量；

Gini指数的计算公式为：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例；特征X_j在节点m的重要性，即节点m分枝前后的Gini指数变化量为：

其中，GI_l和GI_r分别表示分枝后两个新节点的Gini指数；

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的重要性为：

假设ET共有n棵树，那么

最后做归一化处理可得该特征的重要性评分为：

最后将计算所得的特征重要性评分降序排列，确定要剔除的比例，剔除后得到一个新的特征集。

6.一种计算机可读存储介质，其特征在于，其具有可被处理器执行的计算机程序，该计算机程序执行权利要求1-5中任一项所述的基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法的步骤。