[发明专利]双馈异步风机电能质量异常故障诊断方法

权利要求书

1.一种双馈异步风机电能质量异常故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤1)对于双馈异步风机电能质量扰动信号x(t)，信号采样频率为fs，采样点数为Ns，采用经验小波分解方法对原始电能质量扰动信号进行分解，其中，K为分解数目，f_i(t)为分解子信号，通过经验小波分解，x(t)表示为K个f_i(t)的叠加之和；

步骤2)将经验小波分解得到的f_i(t)子信号看做一维行向量矩阵，把K个f_i(t)子信号行向量进行竖向排列，得到一个基于经验小波分解的时域信号矩阵F，如式(2)所示。

步骤3)时域信号矩阵F，引入半监督协同训练进行数据重构，去除噪声或错误样本；

步骤4)构建卷积神经网络模型，将时域信号矩阵F作为卷积神经网络模型的输入，利用训练集训练卷积神经网络模型，进行参数调整，利用测试集测试卷积神经网络模型；

步骤5)将步骤4)输出得到的卷积神经网络特征值矩阵，作为支持向量机模型的输入，进行双馈异步风机电能质量异常故障信号识别。

2.如权利要求1所述的双馈异步风机电能质量异常故障诊断方法，其特征在于，所述步骤4)中，所述卷积神经网络包括：2层卷积层、2层池化层、2层全连接层和1层输出层，第一层卷积层中的激活函数为ReLu函数，采用4个步长1、尺寸为8*80的卷积核，池化层中采用步长为1，尺寸为4*40的核，第二层卷积层中的激活函数为ReLu函数，采用6个步长1、尺寸为4*28的卷积核，池化层中采用步长为1，尺寸为2*14的核，而后对第二次池化层输出矩阵进行一维化处理，输出层设定10个标签作为输出，而后采用softmax函数作为分类器。

3.如权利要求1或2所述的双馈异步风机电能质量异常故障诊断方法，其特征在于，所述步骤1)中，采用数学解析表达式模拟生成10种给定的风电电能质量扰动故障信号，每种故障扰动信号生成1000个数据样本，用以作为卷积神经网络模型的训练数据集，如下：

其中，y(t)表示电压信号，A为归一化的电压幅值，ω为电网工频频率，t为时间，再次得到时域信号样本基础上，添加20dB信噪比强度的高斯白噪声。

4.如权利要求1或2所述的双馈异步风机电能质量异常故障诊断方法，其特征在于，所述步骤3)中，引入半监督协同训练进行数据重构，去除噪声或错误样本，通过将分解后带标签的样本数据导入决策树、logistic回归和朴素贝叶斯模型三种不同的分类器来实现标签重构，在半监督训练阶段，将原始数据集分成标记集L、潜在错误标记集U和验证集V三组，然后对标记集L进行bootstrap采样，生成三个标记训练集L1、L2和L3，然后，从每个训练集构造一个分类器，定义为C1、C2和C3，在“少数服从多数”的原则下，利用上述三种分类器输出噪声标记样本；如果两个分类器对一个未标记样本给出相同的预测决策，则该样本被视为具有高置信度的预测结果；然后将未标记的样本用特定的标签进行标记，并加入到第三个分类器的已标记训练集中；同时，利用“少数服从多数”原则消除分类错误；最后，将L1，L2，L3的交集优化为最终的标记训练集L'。