[发明专利]一种有源逆变器间歇故障诊断方法

摘要

本文发明涉及逆变器间歇故障诊断领域，具体涉及一种有源逆变器间歇故障诊断方法。本方法基于小波包变换和随机森林算法相结合的方法来对有源逆变器间歇故障进行诊断。首先采集有源逆变器各种工作状态输出的三相电流信号，然后使用小波包分解与重构，提取出有源逆变器现有工作状态运行过程的特征信息，根据不同状态下小波包分解重构时序图的特征差异来分辨间歇故障，并使用这些特征信息通过CART算法来训练决策树，以每棵树投票的方式生成随机森林。最后用训练好的随机森林来对未知的有源逆变器间歇故障进行分类和诊断，从而达到有源逆变器间歇故障诊断的目的。本文发明对有源逆变器的间歇故障进行准确的诊断具有十分重要的研究与应用价值，同时也为后续实施容错控制奠定了基础。

主权项

1.一种有源逆变器间歇故障诊断方法，其特征在于，包括如下步骤：1)对不同工作状态下的有源逆变器输出的三相电流信号进行采样，其中包括有源逆变器正常运行状态数据、已知类型的永久故障数据和已知类型的间歇故障数据，生成采样数据集X。2)将步骤1)中采集到的每个原始数据样本使用小波包算法进行N层小波分解，得到小波包分解结构图，然后对最后一层分解系数进行单支重构得到2^N个频带重构信号，构成重构信号集合3)将步骤2)中所得的重构信号根据频带顺序由低到高地进行排序，并取各频带的能量熵并对各频带能量熵进行归一化处理得到频带的归一能量熵用构造能量特征向量T_n^r。4)将所有样本经步骤3)后构造得到的特征向量组成数据集D，对数据集D运用“k折交叉验证”方法进行处理，生成k组训练集和测试集的组合。5)取步骤4)所得的数据集用于训练CART(Classification and Regression Tree)决策树，在生成分支时，从当前组训练集所有的A个属性中随机选出一个包含A′个属性的子集，在A′中选出使当前数据集“基尼指数”(Gini index)最小特征的a_*，决定决策树的分支，将算法运行到不能再长出分支为止，然后对这棵树进行适当剪枝。使用k组数据训练出k棵决策树。6)对待测有源逆变器数据样本使用步骤2)的方法进行小波包分解和重构，再使用步骤3)的方法提取归一化能量熵，构造能量特征向量，输入到由步骤5)生成的k棵决策树组成随机森林网络中，进行间歇故障分类，从而实现有源逆变器间歇故障诊断。