[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

说明书

本发明涉及一种电力电子变换器故障诊断方法、终端设备及存储介质，该方法中包括：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；S4：根据训练后的稀疏自编码器模型和宽度学习模型对变换器的故障类型进行诊断。本发明，能够有效的解决由固定步长带来的收敛速度慢的弊端，且与其他传统的方法具有较高的精度。

技术领域

本发明涉及变换器技术领域，尤其涉及一种电力电子变换器故障诊断的方法、终端设备及存储介质。

背景技术

近年来电力电子变换器已经广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统等领域。然而，变换器发生故障占整个电力系统的38％，并且大多数的故障主要是开关管发生开路或者短路。由于变换器存在继电保护装置，短路故障会转化成开路故障，虽然开路故障不会立即对系统造成破坏，但是它会逐渐降低整流器性能，若不及时处理将会对其他组件，甚至对整个电力系统造成严重的破坏。因此电力电子变换器开关管的故障诊断研究对提高系统稳定性，保证系统安全高效运行起到了至关重要的作用。

电力电子故障诊断方法有很多种，主要是数据处理方法、解析模型诊断法和智能算法。在解析模型法中通过对电路建立故障模型，分析出详细的故障方程式。但是这种方法鲁棒性较差，而且对参数非常敏感，极易受到外部干扰的影响。如今，随着系统不断复杂，除了数据量随之增长之外，数据维度也会大幅度增加。若将高维度原始数据直接代入神经网络中，不仅提高系统运算时间，而且效率也会有所下降。解决高维度数据这一问题的方法主要是特征提取。常用的特征提取方法为小波变换法，且大多数的故障诊断方法过分依赖于需要有先验认知的特征。

发明内容

为了解决上述问题，本发明提出了一种电力电子变换器故障诊断方法、终端设备及存储介质。

具体方案如下：

一种电力电子变换器故障诊断方法，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；

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。

进一步的，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：