一种功率变换器复合故障辨识方法技术

本发明专利技术公开了一种功率变换器复合故障辨识方法，包括：通过软件仿真平台与实际电路分别获取复合故障下的大量辅助仿真样本集和少量实际故障样本集；采用TrAdaBoost迁移算法迭代训练模型，确定辅助仿真数据集样本权重；对辅助仿真样本集进行权重降序排列，选取权重大的样本添加到实际故障样本集中，直到实际故障数据集中故障样本和正常样本平衡为止；构造二维特征矩阵作为输入，利用DCGAN模型生成实际工况中难以获取的样本，构造扩充样本集；最后采用CNN进行故障辨识。本发明专利技术利用迁移学习扩充复合故障模式下的样本数量，利用DCGAN生成实际工况下难以获取的故障样本，解决了传统机器学习在少量数据集下故障辨识精度低、稳定性差等难题。

【技术实现步骤摘要】
一种功率变换器复合故障辨识方法
本专利技术涉及一种功率变换器复合故障辨识方法，属于电力电子系统故障检测与健康管理领域。
技术介绍
功率变换器广泛应用于新能源电动汽车、光伏/风力发电、航空航天、轨道交通等诸多领域，其关键部件如功率开关管、电解电容等一旦出现故障将会对整个系统安全运行造成较大影响。当前功率变换器故障诊断研究较多的为单一故障模式下的判别，且主要采用传统机器学习算法。此类方法通常以故障样本充足为前提，然而，实际工况下往往存在无法直接测量、背景噪声大、出现新故障类型等问题，导致功率变换器故障诊断中故障样本数据量少甚至无法获得。同时，故障诊断模型大多建立在训练数据集和测试数据集具有相同的数据分布假设之上，当运行环境发生变化，数据分布发生部分改变时，所建模型准确率会大幅下降。以上问题最终导致基于传统机器学习的功率变换器复合故障诊断方法难以适用实际工况，所构建模型难以适应环境变化，最终故障诊断精度较低、稳定性差。基于迁移学习的功率变换器故障诊断方法采用引入辅助数据以帮助实际数据学习的迁移学习策略，能够有效应对环境变化，利用其他领域知识降低故障诊断成本，并提升诊断精度。采用大量仿真数据作为辅助数据，结合少量实际数据进行迁移学习，虽一定程度上可提高诊断精度，但由于仿真环境模拟实际工况情形有限，故迁移学习生成的模型依然存在较大提升空间；同时迁移学习算法中所使用的依然是传统分类器算法，故存在模型精度不足等缺陷。
技术实现思路
本专利技术的目的在于提出一种基于TrAdaBoost-DCGAN的功率变换器复合故障辨识方法，通过采集软件仿真和实际复合故障情形下电压与电流信号数据，并对其进行频域变换建立辅助仿真样本集和实际故障样本集，基于迁移学习算法TrAdaBoost和深度卷积对抗生成网络算法DCGAN，将辅助数据样本集迁移入实际数据中，并生成实际难以采集和仿真的新样本，最后利用新样本构建深度卷积神经网络模型CNN进行故障诊断，可进一步提升诊断精度。为实现上述目的，本专利技术所采用的技术方案为：一种功率变换器复合故障辨识方法，包括以下步骤：步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型。进一步地，步骤1包括：步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集；步骤1.2：采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。进一步地，步骤2中基于权重调整的TrAdaBoost算法实施步骤包括：步骤2.1：设置两个训练样本集Tp和Tq，Tp为辅助仿真样本集，Tq为实际故障样本集，合并的训练集为T＝Tp∪Tq，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N；且N为大于等于1的正整数；步骤2.2：初始化权重向量即t＝1时，其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器ht，计算ht在Tq上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加Tq的权重，减少Tp的权重；不断循环迭代，直到满足迭代终止条件为止。进一步地，步骤2.3，循环迭代运算，不断更新权重，对于每次循环迭代，包括：步骤2.3.1：归一化权重pt，满足其中，wt为迭代次数t时训练集T中各样本对应的权重向量。步骤2.3.2：调用BP神经网络学习器，根据合并后的训练集T以及T上的权重分布pt和未标注测试数据集S，得到一个在测试数据集S上的分类器ht，计算ht在Tq上的错误率其中，c(xi)为训练集T中各样本与正确标签间的映射函数。步骤2.3.3：设置βt＝εt/(1-εt)，并更新下一次迭代的权重向量不断循环步骤2.3直到满足收敛条件，最终得到各辅助样本集权重。进一步地，步骤4中基于深度卷积生成对抗网络DCGAN生成新样本算法实施步骤包括：步骤4.1：设置扩充样本集为Tk，有色噪声随机向量Z；生成器G的输入为Z，输出为与Tk同长度的样本，对抗器D输入为Tk和G输出样本；输出为二分类模型，代表真假样本；步骤4.2：利用生成模型G生成一批和Tk同长度的样本；步骤4.3：将真实的样本集Tk和G生成的样本随机打乱混合，放入D中进行一次训练，其中，真实样本的标签为1，生成样本的标签为0，目的是调节对抗器D；步骤4.4：利用生成模型G再生成一批和Tk同长度的样本；步骤4.5：将生成模型G和对抗模型D相连接，并设定步骤4.4中的生成样本标签为1，对抗模型D的参数固定不变，进行一次训练，目的是调节生成器G；步骤4.6：前述步骤全部迭代训练完成后，再次利用生成模型G生成一批和Tk同长度的样本，利用对抗模型D从该生成样本中，将得分高的一批样本筛选出来。进一步地，步骤4.1中，生成器G输入维度为100，即Z向量长度为100，激活函数为tanh；DCGAN中CNN包含4个卷积层，4个下采样层和1个全连接层，激活函数选择ReLu，学习率为0.01-0.001。进一步地，步骤5中基于深度卷积神经网络CNN故障诊断算法中，将新生成的一维向量样本Tk转化为二维特征矩阵作为CNN的样本输入，CNN包含8个卷积层，4个下采样层和2个全连接层，输入层激活函数设定为ReLu，学习率设置为0.01-0.001；输出层激活函数为softmax。本专利技术的有益效果在于：本专利技术解决了功率变换器复合故障诊断中存在的故障样本难以获取、故障样本不平衡和迁移学习算法精度有待提高的问题，考虑了利用迁移学习对辅助数据进行权重自适应确定选择本文档来自技高网...

【技术保护点】
1.一种功率变换器复合故障辨识方法，其特征在于，包括以下步骤：/n步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；/n步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；/n步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；/n步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；/n步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型。/n

【技术特征摘要】
1.一种功率变换器复合故障辨识方法，其特征在于，包括以下步骤：
步骤1：获取功率变换器复合故障状态下的大量辅助仿真样本集与少量实际故障样本集；
步骤2：依据迁移学习基于权重调整的TrAdaBoost算法，利用自动权重调整机制，在迭代运算过程中将能帮助学习的重要辅助数据权重增大，不能帮助学习的次要辅助数据权重减小的方式进行模型训练，最终使得辅助数据中的有用样本帮助实际样本训练，模型训练完成可获得各辅助样本的权重；
步骤3：对辅助样本按照权重从高到低排序，不断迭代循环选取权重大的样本添加到实际故障样本集中，直到实际故障样本集中正常样本和故障样本个数相同为止，达到扩充实际样本目的；
步骤4：将扩充样本集和随机噪声向量作为深度卷积生成对抗网络DCGAN输入，利用生成器和对抗器博弈过程，生成实际工况下难以采集和仿真平台下难以模拟的新样本集；
步骤5：将新样本集构成二维特征矩阵作为深度卷积神经网络CNN的样本输入，训练CNN故障诊断模型，并利用测试集测试模型准确度，最终得到准确度高于90％以上的复合故障诊断模型。


2.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤1包括：
步骤1.1：采用电力电子软件仿真平台采集功率变换器在各工况下发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成复合故障状态下的大量辅助仿真样本集；
步骤1.2：采集功率变换器在实际运行下正常状态和发生复合故障时的输入电压、输入电流、输出电压、输出电流信号，并对各信号进行FFT频谱分析，构成少量实际故障样本集。


3.根据权利要求1所述的功率变换器复合故障辨识方法，其特征在于，步骤2中基于权重调整的TrAdaBoost算法实施步骤包括：
步骤2.1：设置两个训练样本集Tp和Tq，Tp为辅助仿真样本集，Tq为实际故障样本集，合并的训练集为T＝Tp∪Tq，其中，不带标签的测试数据集S来自实际故障样本集，学习算法选择BP神经网络，迭代次数t＝1,2,…,N；且N为大于等于1的正整数；
步骤2.2：初始化权重向量即t＝1时，



其中，n为训练集T中辅助仿真样本集样本个数，m为训练集T中实际故障样本集样本个数，并定义参数
步骤2.3：归一化权重，调用BP神经网络分类器算法，并得到测试数据集S上的分类器ht，计算ht在Tq上的错误率，根据迭代次数t的更新调整参数β，最后根据样本错误率设置下一次迭代的权重向量值，即增加Tq的权重，减少Tp的权重；不断循环迭代，直到满足迭代终止条件为止。

【专利技术属性】
技术研发人员：孙权，高芳征，孟琳，殷磊磊，黄家才，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32