申请/专利权人：电子科技大学

申请日：2024-03-19

公开（公告）日：2024-07-05

公开（公告）号：CN118296520A

主分类号：G06F18/2433

分类号：G06F18/2433;G01R31/00;G06F18/25;G06F18/15;G06F18/2131;G06N3/0455;G06N3/088;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种IGBT逆变系统在线异常检测方法，先等间隔采集IGBT逆变系统在正常工作时的特征数据，切分成等长度的IGBT数据时间序列；然后利用IGBT数据时间序训练具有密集连接解码器的自注意力异常检测网络，经过多层网络学习处理，从不同特征空间提取IGBT运行特征，并通过密集连接解码器融合这些特征，使网络能够有效的提取特征并利用特征重构输出，若网络的重构结果与输入之间的超出一定范围，即可判断发生故障，实现对IGBT电力系统故障的准确检测。

主权项：1.一种IGBT逆变系统在线异常检测方法，其特征在于，包括以下步骤：1、数据采集与预处理；1.1、等间隔采集IGBT逆变系统在正常工作时的特征数据，记第i个时刻采集到的特征数据为其中，Cin为特征数据的总维数；设等间隔采样的总次数为Nin次，从而得到IGBT逆变系统的特征数据集1.2、通过连续滑窗的方式将特征数据集X切分为长度为T的IGBT数据时间序列当i＜T，使用补齐序列，具体计算方法为： 2、搭建具有密集连接解码器的自注意力异常检测网络；具有密集连接解码器的自注意力异常检测网络包含编码器、解码器、嵌入器三部分组成，其输入为IGBT数据时间序列输出为输入IGBT数据时间序列的重构；其中，编码器由L个层组成，其中前L-1层的结构相同，每层包含多头自注意力模块、特征拼接模块、前馈模块、残差与层归一化模块，最后一层即第L层只包含多头自注意力模块与特征拼接模块，其中多头自注意力模块共有H个注意力头；解码器模块与编码器的所有层相连接，即密集连接，具体包括特征拼接模块、前馈模块、多头自注意力模块、残差与层归一化模块，其中多头自注意力模块共有H个注意力头；嵌入器模块将输入数据的特征维度数变为网络所用维度，并通过反嵌入获得最终输出；3、离线训练自注意力异常检测网络；3.1、将IGBT数据时间序列输入至嵌入器，通过线性变换将变为特征维度数为Cmodel的时间序列 其中，表示线性变换，将的特征维度变为Cmodel；表示位置编码矩阵；3.2、编码器进行编码操作；3.2.1、计算编码器第一层中多头自注意力模块的单个注意力头输入；对于编码器第1层，其中第h个自注意力头的输入为：查询矩阵键矩阵和值矩阵其中，Ckey为自注意力操作的输入维度，通过选取合适的自注意力头个数H与头自注意力模块的特征维度Cmodel，使之满足Ckey×H＝Cmodel；3.2.2、计算第1层中第h个自注意力头的输出 其中，Softmax·表示归一化指数函数；3.2.3、在编码器的第一层中，通过特征拼接模块对所有单个注意力头的输出进行拼接，拼接结果记为 其中，Concat·表示特征维度上拼接；Cfeature为编码器中自注意力模块的输出特征维度；3.2.4、计算编码器第一层中前馈模块的输出 其中，Cff为前馈操作的维度；3.2.5、计算编码器第一层中残差与层归一化模块的输出 其中，LNorm表示层归一化操作；3.2.6、对于编码器中的第2层至第L-1层，将前一层的输出作为下一层的输入，然后重复步骤3.2.1-3.2.5的操作；对应最后一层即第L层，以第L-1层的输出作为输入，然后重复步骤3.2.1-3.2.3的操作；最后将各层中特征拼接模块的输出反馈给解码器；3.3、解码器进行解码操作；3.3.1、解码器中的第一个特征拼接模块对编码器反馈的进行拼接，拼接结果记为 3.3.2、计算解码器中前馈模块的输出 3.3.3、计算解码器中多头自注意力模块的第h个自注意力头的输入为：查询矩阵键矩阵值矩阵3.3.4、计算第h个自注意力头的输出 3.3.5、通过第二个特征拼接模块对所有单个注意力头的输出进行拼接，拼接结果记为 3.3.6、计算解码器中残差与层归一化模块的输出 3.4、将解码器的输出反馈至嵌入器，并进行反嵌入操作，得到IGBT数据时间序列的重构序列其中，中的每个时间点向量即为中对应时间点向量的重构，表示为 3.5、计算自注意力异常检测网络当前输出的重构误差di； 其中||·||代表了向量求二范数操作，即计算向量的均方根；重构误差di表示了神经网络的输出重构IGBT数据时间序列与输入之间的差距大小，当di的值较小，表明神经网络能够从输入数据中提取IGBT数据时间序列的关键特征，并以此重构输入的时间序列；3.6、计算特征数据集中所有时刻输出的平均重构误差d； 3.7、判断平均重构误差d是否最小预设阈值或者当前迭代次数达到预设的最大迭代次数，如果满足，则迭代停止，得到训练完成的自注意力异常检测网络；否则，根据平均重构误差d，通过梯度下降法更新网络参数，然后将当前迭代次数加1，然后返回步骤3.1；4、计算异常判断控制限；4.1、通过滑窗平均滤波方式对重构误差di进行数字滤波，得到IGBT数据异常检测统计量 其中，Nmean为滑窗的长度；4.2、构建关于IGBT数据异常检测统计量分布规律的概率密度函数； 其中，x为概率密度函数的自变量，K·代表高斯核函数，h表示核函数的带宽参数；4.3、根据给定的置信水平α，计算控制限Δ，Δ应满足5、在线异常检测；5.1、获取待检测的时间序列；从当前时刻t开始，按照步骤1.1采集特征数据，按照步骤1.2构造IGBT数据时间序列5.2、计算异常检测统计量；将IGBT数据时间序列输入至训练完成的自注意力异常检测网络，输出重构后的IGBT数据时间序列然后先按照步骤3.5计算重构误差dt，再按照步骤4.1计算IGBT数据异常检测统计量5.3、比较与控制限Δ大小，若则判断当前t时刻发生故障，否则，判断当前t时刻未发生故障。

全文数据：

权利要求：

百度查询： 电子科技大学 一种IGBT逆变系统在线异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD