[发明专利]一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法

说明书

本发明公开了一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，首先采集电解电容不同退化程度下的电压信号，最小化包络香农熵作为哈里斯鹰优化算法的适应度值，改进的哈里斯鹰优化算法同时优化变分模态分解的分解层数K和惩罚因子α。优化后的变分模态分解对电压信号进行分解，使用克莱姆相关系数选择有效模态分量实现重构信号，提取时域和频域的特征，构建概率神经网络作为分类器，用于电力电子电路的故障诊断。本发明解决了变分模态分解的分解层数K与惩罚因子α之间的相互作用对分解效果产生的影响，利用克莱姆相关系数选择有效模态分量重构信号，提取时域和频域特征，确保提取特征的全面性，提高故障的诊断率。

技术领域

本发明涉及电力电子电路故障诊断技术领域，特别地，涉及一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法。

背景技术

电力电子技术作为综合应用技术基础科学，广泛应用在国防军事、工业生产、可再生能源系统等领域。现代电子系统的规模越来越大，结构越来越复杂，工作环境越来越多变，系统发生故障的概率也随之增大，而电力电子电路作为电子系统的关键组成部分，受到内部器件和外部环境的影响，其可靠性和安全性成为关键问题。随着机器学习和深度学习的理论研究和实际应用的发展，给电力电子电路的故障诊断提供了一条新的研究思路。

为此，本发明提出一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法。哈里斯鹰优化算法(Harris Hawk optimization,HHO)其灵感来自于哈里斯鹰的合作觅食行为，在全局搜索和围捕猎物的过程进行建模来模拟真实情况下哈里斯鹰围捕猎物的复杂过程。HHO算法因其原理简单、调参较少和稳定性强的原因，已经广泛应用到各种优化问题的求解。但是HHO算法和许多群智能优化算法一样，存在收敛精度和局部寻优等问题。变分模态分解(Variational mode decomposition,VMD)广泛的应用到故障信号的特征提取中，但是没有考虑到VMD的分解层数K与惩罚因子α之间的相互作用对分解效果产生的影响。

发明内容

本发明的目的在于提供一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，针对HHO算法存在的不足，提出了一种基于Circle混沌映射与柯西差分变异操作的HHO算法，改进的HHO算法同时优化VMD的分解层数K和惩罚因子α。将优化后的VMD对采集的电压故障信号进行分解，利用克莱姆相关系数对模态分量进行有效选择，重构信号并提取时域和频域10维特征组成特征向量，并构建概率神经网络作为分类器，用于电力电子电路的故障诊断。

为了达成上述目的，本发明的解决方案是：

基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，包括以下步骤(1)～(5)：

1、一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，包括以下步骤：

步骤(1)：基于Matlab中的Simulink仿真平台，建立实际电子电子电路的仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号为数据集，对应的退化程度为故障类型进行分类；

步骤(2)：对步骤(1)采集的电压信号，利用改进的哈里斯鹰优化算法同时优化变分模态分解的参数分解层数K和惩罚因子α,最小化包络香农熵为哈里斯鹰优化算法的适应度函数；其中，对于采集的电压信号进行变分模态分解后，得到若干个本征模态函数，计算每个本征模态函数的包络香农熵值，最小的包络香农熵值对应的参数K和α即为变分模态分解的最优参数；

步骤(3)：使用优化后的变分模态分解对电压信号进行处理，计算本征模态分量与原信号之间的克莱姆相关系数，选择大于阈值的本征模态分量，重构信号并提取其时域和频域10维特征构成特征向量；其中，10维特征分别为信号的最大值、最小值、均值、方根幅值、方差、标准差、重心频率、峭度、频率方差和均方频率；