[发明专利]一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法

权利要求书

1.一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于包括如下步骤：

步骤1：对于具有6个桥臂、6×n个子模块的三相n+1电平换流器，采集N组故障对应的各子模块电容电压，将采样得到的全体子模块电容电压组成集合S；

步骤2：将集合S随机分解为训练样本集S_train和测试样本集S_test，其中训练样本个数为Z1，测试样本个数为Z2；

步骤3：采用小波包分解方法对训练样本集S_train和测试样本集S_test中的样本数据进行分解，将6×n个子模块电容电压节点能量组成故障特征向量T1，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1；提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2；

步骤4：根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2；

步骤5：采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型；

步骤6：采用不同的特征向量集合T_train1和T_train2，对步骤5搭建的模型进行训练，得到训练好的模型M1和M2；

步骤7：将测试集提取的特征T_test1输入到训练好的模型M1中，得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置；将测试集提取的特征T_test2输入到训练好的模型M2中，对故障子模块进行定位。

2.根据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于：所述步骤1中将采样得到的全体子模块电容电压组成集合S记为：

S＝[U_c(l,m)|l＝1…N,m＝1…6×n] (1)

其中，Uc_(l,m)代表第l组故障对应的第m个子模块电容电压。