的輸入值為
；隱含層節(jié)點的輸出值為：V.=^L·;其 中X,表示輸入層第j個輸入特征值i表示第i個隱含層節(jié)點的輸出值；N i表示輸入節(jié)點 個數(shù)，iff表示輸入層到隱含層連接權(quán)值，Zl表示第i個隱含節(jié)點的輸入值。
[0070] 則輸出層節(jié)點的輸入值為
；輸出層節(jié)點的最終輸出值為： ;其中l(wèi)k表不輸出層第k節(jié)點的輸入值；#2丨表不隱含層到輸出層的連接權(quán)值；Sk表示輸出層第k節(jié)點的最終的輸出值。
[0071] 步驟4. 2 :對步驟4. 1建立的神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練，確定最終的隱含層節(jié)點數(shù)；
[0072] 首先給出神經(jīng)網(wǎng)絡(luò)輸出節(jié)點的訓(xùn)練目標(biāo)值（如表1中所示，開關(guān)正常時，訓(xùn)練目標(biāo) 值為為1000000000000)，并設(shè)定一個最小訓(xùn)練誤差或最多訓(xùn)練次數(shù)（如表1中所示的30 次）；
[0073] 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差公式 ；
：，其中SE為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差；Tk 為神經(jīng)網(wǎng)絡(luò)第k輸出節(jié)點的訓(xùn)練目標(biāo)值；&為實際輸出值；
[0074] 權(quán)值更新率為
其中UPW^表示新舊權(quán)值，η表示權(quán)值 更新率，其中：
[0075] 隨機(jī)初始化輸入層到隱含層和隱含層到輸出層的權(quán)值，并在初步得到的21個隱 含層節(jié)點數(shù)的上下一定范圍（比如10-30之間）進(jìn)行實驗，例如表1所示的試驗結(jié)果。依 據(jù)訓(xùn)練的正確率，選取正確率（&和1\的對比率）最高的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層節(jié)點數(shù)，作 為最終神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層節(jié)點數(shù)，此時即確定了最終的可用于微網(wǎng)逆變器自適應(yīng)故障 診斷的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
[0076] 表1試驗結(jié)果
[0077]

[0078] 最終確定在23個隱含節(jié)點時正確率最高，均達(dá)到了 100%，因此確定最終的隱含 層節(jié)點數(shù)為23,S卩神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為33-23-13,如圖4所示。由訓(xùn)練正確率可以看到，13種 故障診斷的正確率均為100%，也就是說明本發(fā)明對微網(wǎng)逆變器故障的智能分類效果非常 好。另外，本發(fā)明中某對開關(guān)管的某個狀態(tài)下的三相電流信號經(jīng)分解和重構(gòu)后的11層分解 信號，如圖5所示。該11層不同信號對應(yīng)了不同的頻段。由圖5可以理解出，當(dāng)逆變器開 關(guān)發(fā)生故障時，信號發(fā)生很多微妙細(xì)微的變化，通過詳細(xì)的分解可以體現(xiàn)出信號在不同頻 段發(fā)生的信號變化規(guī)律。對比未處理的三相電流信號，多層次，不同頻段分解重構(gòu)后的三相 電流信號能更進(jìn)一步提高了系統(tǒng)故障診斷識別能力，使提取的故障信號特征值更加可靠、 穩(wěn)定，更加符合故障時信號變化規(guī)律的真實體現(xiàn)，更加適用于錯綜復(fù)雜的信號提取工作。
[0079] 步驟5 :利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行微網(wǎng)逆變器自適應(yīng)故障診斷。
[0080] 本實施方式中微電網(wǎng)逆變器6個開關(guān)13種工作狀態(tài)的診斷和定位結(jié)果數(shù)據(jù)，如表 2所示，其中R1~R13對應(yīng)神經(jīng)網(wǎng)絡(luò)輸出層的13輸出節(jié)點（即逆變器開關(guān)的13種狀態(tài)）。
[0081] 表2微電網(wǎng)逆變器6個開關(guān)13種工作狀態(tài)的診斷和定位結(jié)果
[0082]
[0083]由表2可以看出，針對不同的開關(guān)狀態(tài)，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時具有自適應(yīng)性，調(diào)節(jié)自 身的權(quán)值參數(shù)，使網(wǎng)絡(luò)具有自動識別分類逆變器開關(guān)所有狀態(tài)的能力。表2表示，逆變器不 同狀態(tài)隨機(jī)發(fā)生時，神經(jīng)網(wǎng)絡(luò)正確的識別出了對應(yīng)的故障分類（13個輸出中數(shù)據(jù)最大的代 表它所對應(yīng)的開關(guān)狀態(tài)），即實現(xiàn)了微電網(wǎng)系統(tǒng)逆變器的精確故障診斷分類，且不用設(shè)定故 障識別閥值，更加有利于現(xiàn)實操作使用，且相對精度較高，能很好的應(yīng)用于類似的相關(guān)設(shè)備 中，具有一定的通用性。
【主權(quán)項】
1. 一種基于多頻段歪度分析的微網(wǎng)逆變器自適應(yīng)故障診斷方法，其特征在于：包括以 下步驟： 步驟1 :從微電網(wǎng)獲得經(jīng)濾波采樣后的三相電流信號； 步驟2 :基于能量分析的方法對三相電流信號進(jìn)行分解與重構(gòu)，得到多層次、不同頻段 的分解信號； 步驟3 :計算各頻段對應(yīng)的分解信號的歪度特征值； 步驟4 :以各分解信號的歪度特征值為輸入，以微網(wǎng)逆變器故障診斷結(jié)果為輸出，建立 并訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)； 步驟5 :利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行微網(wǎng)逆變器自適應(yīng)故障診斷。2. 根據(jù)權(quán)利要求1所述的基于多頻段歪度分析的微網(wǎng)逆變器自適應(yīng)故障診斷方法，其 特征在于：所述步驟2包括如下步驟： 步驟2. 1 :初步確定微電網(wǎng)逆變器正常狀態(tài)下，三相電流信號的應(yīng)分解層數(shù)J; 步驟2. 2 :采用基于離散小波變換的多分辨率分析方法對微電網(wǎng)三相電流信號進(jìn)行J層的分解，得到微電網(wǎng)三相電流信號在不同層次的分解系數(shù)； 步驟2. 3 :對每層的分解系數(shù)分別進(jìn)行重構(gòu)得到電網(wǎng)三相電流信號的J個頻段的分解 信號； 步驟2. 4 :確定三相電流信號在上述J層的能量分布情況； 步驟2. 5 :從層數(shù)Μ開始逐層增加分解層數(shù)，并按照步驟2. 2和步驟2. 3的方法得到新 增加的分解信號，再按照步驟2. 4的方法計算出新增加的分解信號的能量值，進(jìn)而確定出 增加分解層數(shù)后的三相電流信號的能量分布情況，直到獲得最優(yōu)分解層數(shù)，進(jìn)而確定三相 電流信號的最終分解層數(shù)； 從Μ層開始逐層增加分解層數(shù)，并按照步驟2. 2和步驟2. 3的方法得到新增加的分解 信號，再按照步驟2. 4的方法計算出新增加的分解信號的能量值；當(dāng)分解到第Γ層時，若在 微網(wǎng)逆變器中所有開關(guān)的不同狀態(tài)下的第Γ層的信號能量值總數(shù)小于微網(wǎng)逆變器中所有 開關(guān)的不同狀態(tài)下的第Γ-ι層的信號能量值總數(shù)，且三相電流信號的主要能量分布在r-i 層時，則將第Γ層確定為最優(yōu)分解層數(shù)，進(jìn)而確定三相電流信號的最終分解層數(shù)J=3. 根據(jù)權(quán)利要求2所述的基于多頻段歪度分析的微網(wǎng)逆變器自適應(yīng)故障診斷方法，其 特征在于：所述步驟2. 1中所述的初步確定微電網(wǎng)逆變器正常狀態(tài)下三相電流信號的應(yīng)分 解層數(shù)J的方法為： 設(shè)三相電流信號的采樣頻率為fs，則將微電網(wǎng)三相電流信號分解為多層次的分解信號 時，第j層分解信號對應(yīng)的頻率帶寬為[2 (]+1)fs，2]fs];如果微電網(wǎng)逆變器正常狀態(tài)下，系 統(tǒng)輸出的三相電流信號的頻率f，且正好處于三相電流采樣信號第Μ層分解信號對應(yīng)的頻 率帶寬[2 (M+1)fs，2Mfs]之中，則可確定此時三相電流信號的主要能量分布在第Μ層中，從而 初步確定三相電流信號的應(yīng)分解層數(shù)J=Μ。4. 根據(jù)權(quán)利要求2所述的基于多頻段歪度分析的微網(wǎng)逆變器自適應(yīng)故障診斷方法，其 特征在于：所述步驟2. 4中所述的確定三相電流信號在J層的能量分布情況的方法為：首 先分別從微電網(wǎng)獲得經(jīng)濾波采樣后的一組開關(guān)管的不同狀態(tài)下的三相電流信號；然后按照 步驟2. 2和步驟2. 3的方法分別將本步驟所采樣的三相電流信號進(jìn)行J層分解和重構(gòu)得到 相應(yīng)的分解信號；再計算各分解信號的能量值，進(jìn)而確定該組開關(guān)的不同狀態(tài)下的三相電 流信號的能量分布情況。
【專利摘要】基于多頻段歪度分析的微網(wǎng)逆變器自適應(yīng)故障診斷方法，屬于微電網(wǎng)故障診斷領(lǐng)域。本發(fā)明立足信號特征在故障前后不同頻段內(nèi)的變化，基于離散小波多分辨率分析方法提取不同頻段、多層次的三相電流分解系數(shù)，并通過重構(gòu)獲得故障檢測信號不同頻段、多層次的分解信號，并通過能量分析方法確定最優(yōu)分解層數(shù)。然后分別對不同頻段的多層次分解信號進(jìn)行歪度分析，得到各分解信號的歪度特征值來表示各分解信號因故障而發(fā)生的扭曲程度。最后以三相電流信號不同頻段各分解信號的歪度特征值為輸入，以微網(wǎng)逆變器故障診斷結(jié)果為輸出，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能很好地進(jìn)行微電網(wǎng)逆變器開關(guān)故障的診斷與定位，不用設(shè)定閥值，更加有利于實際操作使用，且相對精度較高。
【IPC分類】G01R31/40
【公開號】CN105425172
【申請?zhí)枴緾N201510968650
【發(fā)明人】王占山, 黃湛鈞, 何濤
【申請人】東北大學(xué)
【公開日】2016年3月23日
【申請日】2015年12月21日