本發明涉及電力電子，尤其涉及一種電力電子變流器在線故障診斷方法、裝置及電子設備。

背景技術：

1、多電平變流器由于開關損耗更低、輸出電壓諧波更小，在中低壓甚至低電壓高功率場景具有更好的應用潛力，如電機驅動和大型風力發電。在多電平變流器中，四電平有源中性點箝位(four-level?active?neutral?point?clamped，4l-anpc)變流器拓撲具有開關器件少、電路配置簡單的特點，被認為是“最簡單的”四電平變流器拓撲，因此，4l-anpc變流器具有更好的應用前景。但功率半導體器件極易發生故障，特別是短路和開路故障(opencircuit?fault，ocf)。其中，ocf不影響變流器一段時間內的正常運行，但隨著時間的推移，可能導致變流器負載損壞，甚至導致直流鏈路電容器擊穿。因此，開展4l-anpc變流器開關器件ocf診斷研究具有重要意義。

2、近年來，數據驅動的變流器診斷方法已成為研究熱點。但該方法模型訓練非常耗時，且診斷精度高度依賴數據質量，難以實現在線應用。此外，高含噪的實測數據提高了高精度模型診斷的訓練。為了解決數據驅動模型精度依賴數據質量的問題，現有方法通過統計學習、信號融合的方法處理這個問題，雖然在一定程度上克服了數據噪聲的影響，但數據驅動模型訓練耗時的問題仍使其難以實現在線診斷。

3、對于現有的相關技術中存在的故障診斷效率低的問題，目前還沒有提出有效的解決方案。

技術實現思路

1、本發明提供一種電力電子變流器在線故障診斷方法、裝置及電子設備，用以解決現有技術中存在的故障診斷效率低的缺陷。

2、第一個方面，本發明提供一種電力電子變流器在線故障診斷方法，包括：

3、獲取目標變流器輸出的三相輸出電流的數據序列；

4、對所述數據序列進行多步滑動平均處理，得到特征矩陣；

5、調用在線分類器，基于所述特征矩陣對所述目標變流器進行故障診斷，生成故障診斷結果；所述在線分類器由預先構建的初始分類器經過雙核極限學習機超參公因子優選訓練得到。

6、根據本發明提供的一種電力電子變流器在線故障診斷方法，對所述數據序列進行多步滑動平均處理，得到特征矩陣，包括：

7、對所述數據序列進行單位步長滑動平均處理，去除所述數據序列中的噪點；

8、對所述數據序列進行大步長滑動等距平均處理，得到所述數據序列的特征矩陣。

9、根據本發明提供的一種電力電子變流器在線故障診斷方法，對所述數據序列進行單位步長滑動平均處理，包括：

10、設定滑動窗口，基于所述數據序列以單位步長滑動，每次滑動后記錄滑動窗口內數據的平均值。

11、根據本發明提供的一種電力電子變流器在線故障診斷方法，對所述數據序列進行大步長滑動等距平均處理，包括：

12、設定滑動窗口，基于去噪后的所述數據序列以滑動窗口的大小為步長滑動，每次滑動后記錄滑動窗口內數據的平均值。

13、根據本發明提供的一種電力電子變流器在線故障診斷方法，對所述初始分類器進行雙核極限學習機超參公因子優選訓練，包括：

14、獲取具有訓練標簽的樣本數據集和不具有訓練標簽的目標數據集；

15、對所述樣本數據集和所述目標數據集進行多步滑動平均處理，得到輕量樣本特征和目標特征；

16、通過所述輕量樣本特征對所述初始分類器進行初始雙核極限學習機訓練，提取超參公因子；

17、基于所述目標特征，通過粒子群算法對提取的所述超參公因子進行尋優，并基于優選地超參公因子生成所述在線分類器。

18、根據本發明提供的一種電力電子變流器在線故障診斷方法，通過所述輕量樣本特征對所述初始分類器進行初始雙核極限學習機訓練，提取超參公因子，包括：

19、通過核函數度量所述輕量樣本特征之間的相似性，定義極限學習機的核矩陣；

20、基于所述核矩陣和所述輕量樣本特征的隨機特征映射矩陣，提取超參公因子。

21、根據本發明提供的一種電力電子變流器在線故障診斷方法，通過核函數度量所述輕量樣本特征之間的相似性，包括：

22、通過高斯核函數確定所述輕量樣本特征的樣本點之間的距離；

23、和/或，通過多項式核函數將所述輕量樣本特征中的低維空間數據映射到無限維的特征空間，確定所述輕量樣本特征之間的相似性。

24、根據本發明提供的一種電力電子變流器在線故障診斷方法，通過粒子群算法對提取的所述超參公因子進行尋優，包括：

25、初始化所述粒子群算法和所述雙核極限學習機的參數；

26、基于預先設定的適應度函數，確定粒子的適應度；

27、獲取所述粒子的局部最優解和全局最優解；

28、基于所述粒子的局部最優解和全局最優解更新粒子的速度和位置，直至達到預設的終止條件，得到優選的超參公因子。

29、第二個方面，本發明還提供一種電力電子變流器在線故障診斷裝置，包括：

30、獲取模塊，用于獲取目標變流器輸出的三相輸出電流的數據序列；

31、處理模塊，用于對所述數據序列進行多步滑動平均處理，得到特征矩陣；

32、診斷模塊，用于調用在線分類器，基于所述特征矩陣對所述目標變流器進行故障診斷，生成故障診斷結果；所述在線分類器由預先構建的初始分類器經過雙核極限學習機超參公因子優選訓練得到。

33、第三個方面，本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述第一個方面所述電力電子變流器在線故障診斷方法。

34、第四個方面，本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述第一個方面所述電力電子變流器在線故障診斷方法。

35、第五個方面，本發明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述第一個方面所述電力電子變流器在線故障診斷方法。

36、與現有技術相比，本發明具有以下有益效果：

37、本發明提供的電力電子變流器在線故障診斷方法，通過采用雙核極限學習機超參公因子優選進行訓練得到的在線分類器具有高精度、高魯棒性的優點。并且，由于特征矩陣經過了去噪和冗余數據優化處理，降低了數據尺寸，能夠降低在線分類器的處理難度，從而提高了對目標變流器進行故障診斷的速度，解決了現有的相關技術中存在的故障診斷效率低的問題。

技術特征：

1.一種電力電子變流器在線故障診斷方法，其特征在于，包括：

2.根據權利要求1所述的電力電子變流器在線故障診斷方法，其特征在于，對所述數據序列進行多步滑動平均處理，得到特征矩陣，包括：

3.根據權利要求2所述的電力電子變流器在線故障診斷方法，其特征在于，對所述數據序列進行單位步長滑動平均處理，包括：

4.根據權利要求2所述的電力電子變流器在線故障診斷方法，其特征在于，對所述數據序列進行大步長滑動等距平均處理，包括：

5.根據權利要求1所述的電力電子變流器在線故障診斷方法，其特征在于，對所述初始分類器進行雙核極限學習機超參公因子優選訓練，包括：

6.根據權利要求5所述的電力電子變流器在線故障診斷方法，其特征在于，通過所述輕量樣本特征對所述初始分類器進行初始雙核極限學習機訓練，提取超參公因子，包括：

7.根據權利要求6所述的電力電子變流器在線故障診斷方法，其特征在于，通過核函數度量所述輕量樣本特征之間的相似性，包括：

8.根據權利要求5所述的電力電子變流器在線故障診斷方法，其特征在于，通過粒子群算法對提取的所述超參公因子進行尋優，包括：

9.一種電力電子變流器在線故障診斷裝置，其特征在于，包括：

10.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至8任一項所述的電力電子變流器在線故障診斷方法。

技術總結
本發明提供一種電力電子變流器在線故障診斷方法、裝置及電子設備，其中，該電力電子變流器在線故障診斷方法包括：獲取目標變流器輸出的三相輸出電流的數據序列；對所述數據序列進行多步滑動平均處理，得到特征矩陣；調用在線分類器，基于所述特征矩陣對所述目標變流器進行故障診斷，生成故障診斷結果；所述在線分類器由預先構建的初始分類器經過雙核極限學習機超參公因子優選訓練得到。通過本發明，降低了數據尺寸，能夠降低在線分類器的處理難度，從而提高了對目標變流器進行故障診斷的速度，解決了現有的相關技術中存在的故障診斷效率低的問題。

技術研發人員：陳劍飛,趙篩篩
受保護的技術使用者：武漢大學
技術研發日：
技術公布日：2025/4/28