[发明专利]一种电力电子变换器故障诊断方法、终端设备及存储介质

权利要求书

1.一种电力电子变换器故障诊断方法，其特征在于，包括以下步骤：

S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；

S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；

S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；步骤S3具体包括以下步骤：

S31：将训练集作为宽度学习模型的增强节点H_j，将对应的中间数据集作为宽度学习模型的映射特征Z_i输入宽度学习模型，则宽度学习模型的输出为：

Y＝[Z₁,...Z_n|H₁,...,H_n]Wⁿ

＝[Zⁿ|Hⁿ]Wⁿ

其中，Wⁿ表示输出层权重，竖线表示合并成一行；

S32：设定稀疏自编码器模型的中间层为：

Z＝φ(W₁X+b₁)

则将宽度学习模型转换为：

σ＝φ([X₁,...X_n|φ(XW₁+b₁)])

＝φ([X|Z]W^n+m)

其中，φ表示神经网络激活函数，σ表示宽度学习模型的实际输出，W^n+m表示系统的权重系数；

S33：设定权重系数W^n+m的更新方程为：

其中，E(.)表示宽度学习模型的损失函数，E'(.)表示损失函数的导数，δ表示宽度学习模型的期望输出，J表示步长，k∈[1,q]表示模型输出向量维数，t表示迭代次数；

S34：设定步J的更新方式为：

当满足E(W^n+m)≤η时，设定步长等于常数l；

当满足E(W^n+m)η时，设定步长J为；

其中，η表示参考值，γ1表示梯度补偿值；

S35：对宽度学习模型进行迭代训练得到训练后的模型

S4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。

2.根据权利要求1所述的电力电子变换器故障诊断方法，其特征在于：宽度学习模型采用L2范数作为损失函数，即：

其中，表示L2正则化项，为常数参数，||.||₂表示弗罗贝尼乌斯范数。

3.一种电力电子变换器故障诊断终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～2中任一所述方法的步骤。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～2中任一所述方法的步骤。