关键词:
电力电子变流电路
故障诊断
集成学习
BP神经网络
决策树
分类间隔
摘要:
随着电力电子技术的快速发展,作为整个电能变换核心部分的电力电子变流电路被广泛的应用到工业、能源、交通等各个领域。但是,随之而来的变流电路故障问题也日渐突显,故障一旦发生,将会引起十分严重的后果。尤其是器件的开路故障,如果得不到及时的诊断与恢复,电子设备甚至人身安全都会受到严重威胁。因此,深入研究电力电子变流电路开路故障诊断问题,提出切实可行的解决方案,实现智能、高效、精准的诊断无疑具有巨大的实用价值和现实意义。针对现有故障诊断方法在非线性、多类别分类问题中存在的不足,本文选择三相六脉冲整流电路为研究对象,在经典分类器的基础上,结合集成学习技术相关理论,提出了两种变流电路故障诊断方法,并用仿真数据和实验数据进行验证。本文具体研究内容如下:⑴对三相六脉冲整流电路故障进行仿真并提取故障信号。通过阻隔脉冲模拟晶闸管开路故障,在直流输出端提取出22种故障波形;对这22种故障波形进行数据采样和加噪处理,得到分类器的训练数据和测试数据。⑵提出一种基于BP-Adaboost强分类器的变流电路故障诊断方法。将单一BP神经网络视为弱分类器,利用Adaboost算法对该弱分类器进行迭代优化,生成五个带权重的弱分类器组成的强分类器。将测试数据输入到强分类器中进行诊断,最终的诊断结果由各个弱分类器加权得到。结果表明,相对于单一BP神经网络分类器,BP-Adaboost分类器在电力电子变流电路故障诊断中减小了陷入过拟合的可能性,提高了正确诊断率。⑶提出一种基于分类间隔改进随机森林的变流电路故障诊断方法。将训练样本集通过Bagging算法随机产生多个决策树,根据决策树在随机森林中的分类间隔删除其中误差较大的决策树,形成200棵带权重的决策树组成的随机森林分类器。将测试数据输入随机森林分类器,得票最多的故障类别即为诊断结果。结果表明,改进后的随机森林分类器具有泛化能力强、诊断速率快和诊断精度高的特点。⑷搭建故障实验平台,对以上所提出的两种故障诊断方法进行实际验证。搭建实验平台模拟三相六脉冲整流电路的各类开路故障,提取其故障波形。将实验故障数据输入BP-Adaboost强分类器和改进随机森林分类器,对两个分类器的诊断性能进行验证。