申请/专利权人：河北工业大学

申请日：2022-05-12

公开（公告）日：2024-07-05

公开（公告）号：CN115047305B

主分类号：G01R31/26

分类号：G01R31/26;G01R31/54;G06F18/10;G06F18/213;G06F18/24;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明提出了一种基于WOA‑ELM的三相两电平逆变器开路故障在线辨识方法，涉及三相逆变器故障检测技术领域，该方法采用基于对称性处理的信号重构SR方法对输出电流信号进行重构，以消除负荷波动对故障诊断准确率的影响。并构建了多参数融合的六维开路故障特征向量，并以此特征向量为输入、故障模式编号为输出构建功率管开路故障的极限学习机ELM模型，应用鲸鱼优化算法WOA优化模型参数；该方法将最优WOA‑ELM逆变器开路故障辨识模型嵌入其控制环节，实时获取三相电流并提取故障特征量作为最优WOA‑ELM模型的输入，故障模式编号作为输出；该方法将故障模式编号转化为二进制编号实现故障的实时报警；该方法故障辨识总时长约2.97ms。

主权项：1.一种基于WOA-ELM的逆变器功率管开路故障辨识方法，其特征在于：基于对称性处理的信号重构方法对三相电流进行重构，并利用改进小波包算法提取小波熵与低频系数均值，构造多参数融合的六维开路故障特征向量，将所构造的六维开路故障特征向量作为输入、故障模式编号作为输出，设计逆变器功率管开路故障WOA-ELM辨识模型，并设计故障报警模块，故障辨识平均辨识时间为2.97×10-5s；首先，进行多参数融合的六维故障特征向量的构建；1小波包算法的改进为消除小波包变换固有算法造成的频率混叠缺陷，通过引入两个能够删除频带内多余信息的算子C和D；其中算子C的目标是将小波分解低频滤波器H与重构低频滤波器h卷积后的多余成分置零；令x表示为小波包低频系数，为算子C和D的输出，则算子C的表达式为： 式1中，Nj为当前小波包分解层数j上的数据长度；n＝0,1,···,Nj-1；k＝0,1,···,Nj-1；算子V＝e-j2πNj；算子D的目标是将小波分解高频滤波器G与重构高频滤波器g卷积后的多余成分置零，其表达式为： 在改进小波包计算过程中，C、D算子通过傅里叶变换及其逆变换，并结合隔点插零与隔点采样消除频率混叠缺陷；2基于低频系数均值的开路故障特征采用改进后的基于Mallat算法的小波包变换将初始输入信号进行三层小波包分解并重构，重构节点依次为[3,1]、[3,2]、[3,3]、[3,4]、[3,5]、[3,6]、[3,7]、[3,8]，重构子信号依次为重构后的各节点信号与初始输入信号满足以下关系： 选取[3,1]节点低频节点作为主节点，进行故障特征提取；选取主节点小波包重构系数均值作为故障特征值之一，记为Mφ，φ表示相序；并对Mφ做归一化处理，计算式为： 式中，Mi*为归一化后的低频系数均值，|maxMi|为三相低频系数均值绝对值的最大值；3基于小波熵的开路故障特征依据信息熵基本理论，小波包信息熵H定义为： 选取每相电流小波包信息熵另一故障特征值，记为Hφ，φ表示相序；对Hφ做归一化处理，计算式为： 4多参数融合的六维开路故障特征向量构造多参数融合的六维开路故障特征向量为：x＝[Ma,Mb,Mc,Ha,Hb,Hc]7低频系数均值和小波包信息熵融合的六维开路故障特征向量根据改进小波包算法对三相电流ia、ib、ic分解与重构得到，在逆变器处于1种非故障状态和21种单双管开路故障状态时，两两不同，具有清晰的辨识度；其次，进行逆变器功率管开路故障ELM辨识模型的构建；根据改进小波包算法对三相电流ia、ib、ic分解与重构得到的六维故障特征量Ma、Mb、Mc、Ha、Hb、Hc，将六维故障特征量作为ELM辨识模型的输入层神经元xii＝1,…,6，输入列向量为x＝[x1,x2,x3,x4,x5,x6]T；构建具有l个神经元的隐含层，其中b1,…,bl为隐含层内相应神经元的阈值；将故障模式编号yj＝jj＝1,…,21作为ELM辨识模型的输出层神经元，对隐含层神经元gll＝1,…,L加权βjlj＝1,…,21；l＝1,…,L，形成输出层神经元yj；逆变器功率管开路故障的ELM辨识模型可表示为： 最后，利用WOA算法对逆变器功率管开路故障ELM辨识模型的参数优化训练：为选择最优功率管开路故障ELM辨识模型参数矩阵w,b,β，将WOA算法植入ELM模型；WOA模拟头鲸在海洋里的狩猎行为，其中每头鲸鱼的位置代表一个基本最优解；功率管开路故障WOA-ELM辨识模型参数寻优具体流程如下：1对采样数据的处理：通过对采样数据进行信号重构，并提取得到开路故障特征向量；2参数初始化：初始化WOA算法中的鲸鱼种群数量SN以及算法最大迭代次数Tmax，初始化WOA算法中的鲸鱼群位置Xw,b，即ELM算法中的初始权值w与阈值b；3计算适应度：以算法分类错误率为适应度值，计算每次迭代时每一头鲸鱼的适应度，选择适应度最小的个体作为最优个体；适应度函数为：FXt＝1-kN×1009式中，N为样本总量；k表示算法分类正确的个数；由该函数可知个体适应度值越接近于0，个体越符合要求；4迭代更新：依据算法包围猎物、狩猎、搜索猎物的规则更新下一代的位置；5确定最优：当算法达到迭代次数或者前后两次迭代中最优鲸鱼的位置相同时完成迭代，输出最优个体，即最优初始w与b；6根据得到的最优初始w与b训练ELM辨识模型，得到ELM最优辨识模型参数矩阵w,b,β。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于信号处理重构的逆变器开路故障辨识的方法

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