[发明专利]一种功率变换器复合故障辨识方法

权利要求书

1.一种基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，其特征在于，包括以下步骤：

步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；

步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；

步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；

步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；

步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型；

步骤4中基于深度卷积生成对抗网络DCGAN生成新样本算法实施步骤包括：

步骤4.1：设置扩充样本集为T_k，有色噪声随机向量Z；生成器G的输入为Z，输出为与T_k同长度的样本，对抗器D输入为T_k和G输出样本；输出为二分类模型，代表真假样本；

步骤4.2：利用生成模型G生成一批和T_k同长度的样本；

步骤4.3：将真实的样本集T_k和G生成的样本随机打乱混合，放入D中进行一次训练，其中，真实样本的标签为1，生成样本的标签为0，目的是调节对抗器D；

步骤4.4：利用生成模型G再生成一批和T_k同长度的样本；

步骤4.5：将生成模型G和对抗模型D相连接，并设定步骤4.4中的生成样本标签为1，对抗模型D的参数固定不变，进行一次训练，目的是调节生成器G；

步骤4.6：前述步骤全部迭代训练完成后，再次利用生成模型G生成一批和T_k同长度的样本，利用对抗模型D从该生成样本中，将得分高的一批样本筛选出来。

2.根据权利要求1所述的基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，其特征在于，步骤1包括：

步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集；

步骤1.2：采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。

3.根据权利要求1所述的基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，其特征在于，步骤2中基于权重调整的TrAdaBoost算法实施步骤包括：

步骤2.1：设置两个训练样本集T_p和T_q，T_p为辅助仿真样本集，T_q为实际故障样本集，合并的训练集为T＝T_p∪T_q，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N；且N为大于等于1的正整数；

步骤2.2：初始化权重向量即t＝1时，

其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数

步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器h_t，计算h_t在T_q上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加T_q的权重，减少T_p的权重；不断循环迭代，直到满足迭代终止条件为止。