【技术实现步骤摘要】
本专利技术涉及深度学习，更具体地，涉及一种基于神经网络的双向逆变器开路故障诊断方法。
技术介绍
1、双向逆变器是一种能够在直流电源和交流电源之间实现双向能量转换的电力电子装置，它广泛应用于光伏储能系统、电动汽车充放电系统、微网系统等领域。双向逆变器的可靠性和稳定性对于保证系统的正常运行和提高能源利用效率具有重要意义。然而，双向逆变器在运行过程中可能会发生各种故障，其中最常见的一种故障是开路故障，即双向逆变器中的某个或多个开关管失效，导致输出电压或电流发生畸变或中断，从而影响系统的性能和安全。因此，及时准确地检测和诊断双向逆变器的开路故障，对于避免二次故障、降低维修成本、提高系统可靠性具有重要意义。
2、目前，已有许多关于双向逆变器开路故障检测和诊断的方法被提出，主要可以分为基于模型的方法和基于数据的方法。基于模型的方法需要建立双向逆变器的数学模型或物理模型，并根据模型输出与实际输出之间的偏差来判断故障是否发生以及故障位置。这类方法的优点是不需要额外的传感器或硬件，但缺点是需要对双向逆变器的工作原理和参数有深入的了解，且模型可能存在误差或不确定性，导致检测和诊断结果不准确或不稳定。基于数据的方法不需要建立双向逆变器的模型，而是利用已有的数据来训练一个故障检测和诊断算法，并根据算法输出来判断故障是否发生以及故障位置。这类方法的优点是不需要对双向逆变器的内部结构和工作机理有深入的了解，且可以适应不同类型和规模的双向逆变器，但缺点是需要大量的数据来训练算法，并且可能存在数据质量、数据标注、数据泛化等问题，影响算法的性能和鲁棒
技术实现思路
1、针对现有技术中无法及时准确的诊断双向逆变器的开路故障的缺陷，提供一种能够实现对双向逆变器开路故障的快速、准确和有效的检测和定位，提高了双向逆变器的可靠性和安全性。本专利技术的目的为达到以上目的，本专利技术采取的技术方案是：
2、一种基于神经网络的双向逆变器开路故障诊断方法，包括以下步骤：
3、s1.数据收集并预处理：采集双向逆变器在不同工作状态下的输出电压信号，并进行预处理操作；
4、s2.特征提取：将预处理后的电压信号输入到一个基于卷积神经网络(cnn)的故障特征提取模型中，获得训练好的卷积神经网络(cnn)故障特征提取模型；该模型由多个卷积层、池化层和全连接层组成，能够自动学习并提取电压信号中的故障特征；
5、s3.故障分类:将提取出的故障特征输入到一个基于多层感知器(mlp)的故障分类模型中，获得训练好的多层感知器(mlp)故障分类模型，该模型由多个全连接层和激活函数组成，能够根据故障特征判断双向逆变器是否存在开路故障以及故障发生在哪个开关器件上；
6、s4.实时诊断：将待诊断双向逆变器的实时输出电压信号应用到训练好的卷积神经网络(cnn)故障特征提取模型和多层感知器(mlp)故障分类模型后会输出故障诊断结果。
7、进一步地，所述的双向逆变器为单相双向逆变器、双相双向逆变器或三相双向逆变器。
8、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s1中，不同工作状态包括整流工作状态和逆变工作状态。
9、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s1中，采集双向逆变器的输出电压信号操作包括：
10、a)采集双向逆变器输出电压信号的电压幅值；
11、b)采集双向逆变器输出电压信号的电压谐波含量；
12、c)采集双向逆变器输出电压信号的电压不平衡度。
13、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s1中，预处理操作包括：
14、a)对电压信号进行低通滤波，去除高频噪声；
15、b)对电压信号进行均值滤波，去除直流分量；
16、c)对电压信号进行归一化处理，使其范围在[0,1]之间。
17、6进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s2中的基于卷积神经网络(cnn)的故障特征提取模型具有以下结构：
18、a)第一层为输入层，接收预处理后的电压信号；
19、b)第二层为卷积层，使用多个卷积核对输入信号进行卷积运算，并使用relu函数作为激活函数；
20、c)第三层为池化层，使用最大池化方法对卷积层的输出进行降采样；
21、d)第四层为卷积层，使用多个卷积核对池化层的输出进行卷积运算，并使用relu函数作为激活函数；
22、e)第五层为池化层，使用最大池化方法对卷积层的输出进行降采样；
23、f)第六层为全连接层，将池化层的输出展平为一维向量，并使用relu函数作为激活函数；g)第七层为输出层，将全连接层的输出映射为故障特征向量。
24、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s3中的基于多层感知器(mlp)的故障分类模型具有以下结构：
25、a)第一层为输入层，接收卷积神经网络(cnn)故障特征提取模型的输出；
26、b)第二层为全连接层，并使用relu函数作为激活函数；
27、c)第三层为全连接层，并使用relu函数作为激活函数；
28、d)第四层为输出层，使用softmax函数作为激活函数，输出故障分类概率。
29、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s3中所述的开关器件包括绝缘栅双极晶体管(insulated gate bipolar transistor,igbt)和金属氧化物半导体场效应晶体管(metal oxide semiconductor field effect transistor,mosfet)。
30、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，步骤s2与s3所提到的训练为对卷积神经网络(cnn)故障特征提取模型和多层感知器(mlp)故障分类模型选择合适的优化器、损失函数、评价指标。
31、进一步地，所述的基于神经网络的双向逆变器开路故障诊断方法，所述卷积神经网络(cnn)故障特征提取模型和多层感知器(mlp)故障分类模型均采用有监督学习的方法进行训练，使用反向传播算法和adam优化器进行参数更新，使用交叉熵损失函数作为优化目标。
32、进一步地，所述的整流工作状态和逆变工作状态，包括在整流工作状态下的正常工作状态和开路故障工作状态；以及在逆变工作状态下的正常工作状态和开路故障工作状态。
33、在上述技术方案的基础上，与现有技术相比，本专利技术的优点在于：本专利技术采用了基于神经网络的双向逆变器开路故障诊断方法，该方法不需要建立双向逆变器的数学模型或物理模型，也不需要额外的传感器或硬件，只需要利用已有的输出电压数据，就可以实现对双向逆变器开路故障的检测和诊断；且本专利技术使用了cnn模型和mlp模型相结合的方式，cnn模型可以从输出电压数据中自动学习和提本文档来自技高网...
【技术保护点】
1.一种基于神经网络的双向逆变器开路故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的双向逆变器，其特征在于所述的双向逆变器为单相双向逆变器、双相双向逆变器或三相双向逆变器。
3.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S1中，不同工作状态包括整流工作状态和逆变工作状态。
4.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S1中，采集双向逆变器的输出电压信号操作包括：
5.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S1中，预处理操作包括：
6.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S2中的基于卷积神经网络(CNN)的故障特征提取模型具有以下结构：
7.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S3中的基于多层感知器(MLP)的故障分类模型具有以下结构：
8.根据权利要求1所述的基于神经网络的双向逆变器开
9.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤S2与S3所提到的训练为对卷积神经网络(CNN)故障特征提取模型和多层感知器(MLP)故障分类模型选择合适的优化器、损失函数、评价指标。
10.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，所述卷积神经网络(CNN)故障特征提取模型和多层感知器(MLP)故障分类模型均采用有监督学习的方法进行训练，使用反向传播算法和Adam优化器进行参数更新，使用交叉熵损失函数作为优化目标。
11.根据权利要求3所述的整流工作状态和逆变工作状态，其特征在于，包括在整流工作状态下的正常工作状态和开路故障工作状态；以及在逆变工作状态下的正常工作状态和开路故障工作状态。
...【技术特征摘要】
1.一种基于神经网络的双向逆变器开路故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的双向逆变器，其特征在于所述的双向逆变器为单相双向逆变器、双相双向逆变器或三相双向逆变器。
3.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤s1中，不同工作状态包括整流工作状态和逆变工作状态。
4.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤s1中，采集双向逆变器的输出电压信号操作包括：
5.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤s1中，预处理操作包括：
6.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤s2中的基于卷积神经网络(cnn)的故障特征提取模型具有以下结构：
7.根据权利要求1所述的基于神经网络的双向逆变器开路故障诊断方法，其特征在于，步骤s3中的基于多层感知器(mlp)的故障分类模型具有以下结构：
8.根据权利要求1所述的基于神经网络的双向逆变器开路...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。