[发明专利]一种功率变换器复合故障辨识方法

说明书

本发明公开了一种功率变换器复合故障辨识方法，包括：通过软件仿真平台与实际电路分别获取复合故障下的大量辅助仿真样本集和少量实际故障样本集；采用TrAdaBoost迁移算法迭代训练模型，确定辅助仿真数据集样本权重；对辅助仿真样本集进行权重降序排列，选取权重大的样本添加到实际故障样本集中，直到实际故障数据集中故障样本和正常样本平衡为止；构造二维特征矩阵作为输入，利用DCGAN模型生成实际工况中难以获取的样本，构造扩充样本集；最后采用CNN进行故障辨识。本发明利用迁移学习扩充复合故障模式下的样本数量，利用DCGAN生成实际工况下难以获取的故障样本，解决了传统机器学习在少量数据集下故障辨识精度低、稳定性差等难题。

技术领域

本发明涉及一种功率变换器复合故障辨识方法，属于电力电子系统故障检测与健康管理领域。

背景技术

功率变换器广泛应用于新能源电动汽车、光伏/风力发电、航空航天、轨道交通等诸多领域，其关键部件如功率开关管、电解电容等一旦出现故障将会对整个系统安全运行造成较大影响。当前功率变换器故障诊断研究较多的为单一故障模式下的判别，且主要采用传统机器学习算法。此类方法通常以故障样本充足为前提，然而，实际工况下往往存在无法直接测量、背景噪声大、出现新故障类型等问题，导致功率变换器故障诊断中故障样本数据量少甚至无法获得。同时，故障诊断模型大多建立在训练数据集和测试数据集具有相同的数据分布假设之上，当运行环境发生变化，数据分布发生部分改变时，所建模型准确率会大幅下降。以上问题最终导致基于传统机器学习的功率变换器复合故障诊断方法难以适用实际工况，所构建模型难以适应环境变化，最终故障诊断精度较低、稳定性差。

基于迁移学习的功率变换器故障诊断方法采用引入辅助数据以帮助实际数据学习的迁移学习策略，能够有效应对环境变化，利用其他领域知识降低故障诊断成本，并提升诊断精度。采用大量仿真数据作为辅助数据，结合少量实际数据进行迁移学习，虽一定程度上可提高诊断精度，但由于仿真环境模拟实际工况情形有限，故迁移学习生成的模型依然存在较大提升空间；同时迁移学习算法中所使用的依然是传统分类器算法，故存在模型精度不足等缺陷。

发明内容

本发明的目的在于提出一种基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，通过采集软件仿真和实际复合故障情形下电压与电流信号数据，并对其进行频域变换建立辅助仿真样本集和实际故障样本集，基于迁移学习算法TrAdaBoost和深度卷积对抗生成网络算法DCGAN，将辅助数据样本集迁移入实际数据中，并生成实际难以采集和仿真的新样本，最后利用新样本构建深度卷积神经网络模型CNN进行故障诊断，可进一步提升诊断精度。

为实现上述目的，本发明所采用的技术方案为：

一种功率变换器复合故障辨识方法，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。

进一步地，步骤1包括：