[发明专利]基于滑窗特征提取的模块化多电平换流器故障诊断方法

权利要求书

1.基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，包括如下步骤：

S1、用N×M滑动时间数据矩阵S_i(n)对包括模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间的无限长流量信号序列集合X(n)进行采样，其中N为滑动时间数据S_i(n)长度，M为包括模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间的无限长流量信号的数目，S_i(n)的滑动间隔为ΔN且ΔNN；

S2、当i＝1时，提取滑动时间数据矩阵S₁(n)信号时域和频域综合特征—小波包系数WPT¹，WPT¹是由2^J个元素WPT¹(k)构成的集合，k＝0，1，…，2^J-1，其中J为小波包变换的分解层数，每个元素WPT¹(k)的数据长度为N_J，其中WPT¹(k)值分成三种情况：若k在[0，L)的范围内，此时数据组值调用k在[N_J-2L，N_J-L)范围内的数据组值；若k在[N_J-L，N_J)的范围内，此时数据组值调用k在[L，2L)范围内的数据组值；若k在[L，N_J-L)的范围内通过公式计算得出，其中N_J＝N/2^J；

S3、当i1时,根据WPTⁱ和WPT^i-1之间存在一部分相同小波包系数数据组，利用WPTⁱ和WPT^i-1之间的数据重叠关系提取滑动时间数据矩阵S_i(n)信号时域和频域综合特征WPTⁱ，由2^J个元素WPTⁱ(k)构成的集合，k＝0，1，…，2^J-1，每个元素WPTⁱ(k)的数据长度为N_J，其中WPTⁱ(k)值分成四种情况：若k在[N_J-L，N_J)的范围内，利用WPTⁱ和WPT^i-1之间的数据重叠关系数据组值调用之前已经得出的WPT^i-1的k在[L，N_J-L-ΔN_J)范围内的数据组值；若k在[0，L)的范围内，此时数据组值调用WPTⁱ的k在[N_J-2L，N_J-L)范围内的数据组值；若k在[N_J-L，N_J)的范围内，此时数据组值调用WPTⁱ的k在[L，2L)范围内的数据组值；若k在[N_J-L-ΔN_J，N_J-L)的范围内通过公式计算得出，其中ΔN_J＝ΔN/2^J；

S4、将滑动时间数据矩阵S₁(n)信号时域和频域综合特征—小波包系数WPTⁱ输入到二维卷积神经网络的卷积层，经过池化层和全连接层输出可能故障类型情况和无故障情况的发生概率P(F)，根据可能故障类型情况和无故障情况的发生概率P(F)，判断子模块是否发生故障以及故障类别，若某子模块发生故障，则对发生故障的子模块进行更换，并返回S1；

判断子模块是否发生故障以及故障类别，具体为：将可能故障类型情况和无故障情况的发生概率P(F)进行排序选出概率值最大的P(F)及其对应的故障类型；当该概率值最大的P(F)连续n个滑动时间周期大于50％，则视为该子模块发生故障，且故障类别为该概率值对应的故障类型；n为预设阈值。

2.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S2中WPT¹值，计算公式为：

WPT¹＝[WPT¹(0)，WPT¹(1)，……WPT¹(2^J-1)]。