[发明专利]卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法

说明书

本发明公开了一种卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，包括采集AC/DC变换器的母线电压数据并进行数据预处理，形成训练样本和待检样本；使用训练样本深度训练并评估不同结构卷积神经网络模型，获取卷积神经网络模型的准确率；根据准确率获取不同结构卷积神经网络模型的可靠性因子r_j和重要性因子w_j；将不同结构卷积神经网络模型应用于待检样本，获取待检样本的AC/DC变换器的故障状态的证据；根据可靠性因子和重要性因子对证据进行融合，输出待检样本的AC/DC变换器的故障状态的诊断结果。根据本发明的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，能够提高诊断性能和诊断精度，使AC/DC变换器的故障状态的诊断结果更为可靠。

技术领域

本发明涉及AC/DC变换器故障诊断技术领域，具体涉及卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法。

背景技术

为了满足现代电力系统发展的需要，AC/DC变换器发挥着越来越重要的作用，其健康状况对电力系统的性能有重大的影响。有资料统计表明，AC/DC变换器中主电路的电子元件失效所引起的故障约占AC/DC变换器故障的80％。关于AC/DC变换器故障诊断的方法大多可分为模型和数据驱动的方法。模型的方法必须分析电力系统中的电气物理过程和组件之间的相互作用，并且在某些情况下，精确的数学模型表达式很难建立。

近年来，深度神经网络概念是机器学习研究的一个新领域，克服了传统机器学习算法的局限性。由于深度神经网络的多层结构，它具有从原始数据中获取有代表性特征的良好能力。但是，深度神经网络的参数会随模型层数的增加呈指数增长，引起过度拟合、训练时间过长等问题。

为此，本发明提供了一种卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，以至少部分地解决相关技术中的问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为了至少部分地解决上述问题，本发明提供了一种卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，包括：

S1：采集所述AC/DC变换器的母线电压数据；

S2：对所述母线电压数据进行预处理，形成训练样本和待检样本；

S3：使用所述训练样本深度训练并评估不同结构卷积神经网络模型，获取所述不同结构卷积神经网络模型的准确率；

S4：输出所述不同结构卷积神经网络模型，并根据所述准确率获取所述不同结构卷积神经网络模型的可靠性因子r_j和重要性因子w_j；

S5：将所述不同结构卷积神经网络模型应用于所述待检样本，获取所述待检样本的所述AC/DC变换器的故障状态的证据；

S6：根据所述可靠性因子和所述重要性因子对所述证据进行融合，输出所述待检样本的所述AC/DC变换器的故障状态的诊断结果。

根据本发明的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，在深度训练不同结构卷积神经网络模型的基础上，采用证据推理融合的方法，将不同结构卷积神经网络模型应用于待检样本所获取的AC/DC变换器的故障状态的证据进行融合，根据融合后的证据获取AC/DC变换器的故障状态的诊断结果，能够提高诊断性能和诊断精度，使AC/DC变换器的故障状态的诊断结果更为可靠。且不需要建立精确的数学模型，基于信号处理知识、特定设备和故障类型的工程经验，就能从原始数据中提取出具有代表性的特征。此外，该方法具有端到端特征提取能力，可推广到其他类型变换器的故障诊断。