[发明专利]一种基于小波变换和DBN的风机变流器故障诊断方法

摘要

本发明属于基于小波变换和DBN的风机变流器故障诊断领域。随着风机的装机容量不断上升，风电在电网中的比重越来越高，因此，快速发现确定风机故障的位置对风机和电网的稳定运行变得至关重要。本发明提出了一种基于深度学习的风机变流器的故障诊断方法。首先使用小波变换对信号进行多尺度分析，提取出故障信号特征向量，最后利用DBN对特征向量进行监督学习得到故障识别模型。该方法对变流器故障具有良好的识别能力。

主权项

一种基于小波变换和DBN的风机变流器故障诊断方法，其特征在于：包括以下步骤：步骤一，在不同的故障下运行，测量得到机侧三相电的电流。步骤二，利用小波变换将三相电的电流信号在各个尺度下分解得到各个尺度下相应的能量系数。通过适当地选择尺度因子和平移因子,可以得到一个伸缩窗，适当地选择基本小波，就可以使小波变换在时域和频域上都具有表征信号局部特征的能力。根据这一特点，可以把多分辨率特性应用到信号的功率谱特征的提取。应用Mallat算法，即小波分解与重构的快速算法，可以实现功率谱特征的有效提取。将风电变流器的三相电流信号采用dB3小波基，进行5层分解，在各个细节层进行信号重构，然后求出每层的能量值。故障信号在不同尺度分解下的能量值大小反映了其在该尺度对应频率下的特征，将能量值按顺序排成一列，构成一个向量，该向量就可以表示故障信号在各个频率下的特征。虽然大多数故障信号在各个尺度下的特征存在明显的区别，但是如下图所示的不同故障信号的频率特征并没有差别，这是因为其故障信号是相同的，只是发生的位置不同。步骤三，用能量系数构造特征向量，并将其归一化。借助小波分析的时频特性可以准确判断出故障发生的位置，因此引入位置特征变量，当故障发生位置为正半周期是该变量为1，在负半周期发生时该变量为‑1，否则为0。此时，该向量可以看作是与某一故障相对应的特征向量。步骤四，利用得到的特征向量训练深度信念网络，得到模型参数预训练完成之后，每层RBM可以得到初始化的参数，组成了DBN的初步框架，接下来需要对DBN作调优训练，进一步优化网络各层的参数，以使得网络的判别性能更好。调优过程是有监督学习过程，即采用标签数据进行训练，利用BP算法对网络参数进行微调，最终使网络达到全局最优。这个性能会比单纯BP算法训练效果要好，因为它只需要对网络的参数空间进行一个局部的搜索，相比BP神经网络，训练速度要快，而且收敛时间短。步骤五，输入测试集测试得到的深度信念网络，得到分类准确率。