论文部分内容阅读
近年来，随着国家高新技术产业的发展，电力电子技术作为主要基础技术之一，已广泛应用于航天航空、军事设备、工厂制造、交通运输以及电力系统等各个领域。其中，电力电子技术作为电力行业的主要研究方向之一，电力电子装置在电力系统中的应用已渗透到发电、储存以及输配、用电等各个环节，因此电力电子装置运行安全等相关问题也日益突出。所以有必要对电力电子装置的性能及故障问题进行深入研究，以实现提高设备的运行可靠性，建设更加安全、可靠、高效、经济的智能电网。
本文主要针对电力电子电路故障问题，实现对电路硬故障的准确定位以及对软故障的高精度预测，具体包括以下内容：
(1)针对电力电子电路故障问题，从故障特征提取、故障特征选择和故障识别算法三个层次入手，依次阐述了基于经验模态分解(Empirical Mode Decomposition，EMD)的特征提取、基于极限随机森林(Extremely randomized trees，ET)算法的特征选择和基于天牛须搜索(Beetle Antennae Search，BAS)算法优化深度置信网络(Deep Belief Networks，DBN)的故障类型识别，从理论和实践方面对该系列方法的有效性进行验证。实验方面主要是以常见的交直流变换器三相PWM电压型整流器和7-LevelMMC逆变器为例，对两者关键元器件的故障进行诊断，最终分别取得了99.5%和96.8%的诊断准确率，进而论证该方法可实现复杂对称电路器件故障的精准定位。
(2)针对电力电子电路故障预测问题，本文提出了相比于以往文献更为完整的电路器件级和系统级故障预测的架构体系，主要围绕故障特征提取、健康因子(Health Indicator，HI)构造和预测算法三个核心模块进行论述，并通过包含多种元件的全桥直流变换器电路进行验证。为了得到可以精准表示电路性能的健康因子，本文在故障特征选择之后主要通过计算退化状态和标称状态下故障特征向量之间的欧氏距离并利用Logistic函数进行归一化处理得到最终的HI值，最后则应用长短时间记忆网络(Long Short-Term Memory，LSTM)对电路达到健康阈值的时间进行预测。在本文的实例验证部分，以全桥DC/DC变换器为例，设置元器件的退化模型，分别提取与元器件以及系统相关的故障特征构造出能反应其性能的HI，最后通过LSTM进行预测得到其故障发生时间，经验证该方法实施简单，且具备较高的准确性。
本文主要针对电力电子电路故障问题，实现对电路硬故障的准确定位以及对软故障的高精度预测，具体包括以下内容：
(1)针对电力电子电路故障问题，从故障特征提取、故障特征选择和故障识别算法三个层次入手，依次阐述了基于经验模态分解(Empirical Mode Decomposition，EMD)的特征提取、基于极限随机森林(Extremely randomized trees，ET)算法的特征选择和基于天牛须搜索(Beetle Antennae Search，BAS)算法优化深度置信网络(Deep Belief Networks，DBN)的故障类型识别，从理论和实践方面对该系列方法的有效性进行验证。实验方面主要是以常见的交直流变换器三相PWM电压型整流器和7-LevelMMC逆变器为例，对两者关键元器件的故障进行诊断，最终分别取得了99.5%和96.8%的诊断准确率，进而论证该方法可实现复杂对称电路器件故障的精准定位。
(2)针对电力电子电路故障预测问题，本文提出了相比于以往文献更为完整的电路器件级和系统级故障预测的架构体系，主要围绕故障特征提取、健康因子(Health Indicator，HI)构造和预测算法三个核心模块进行论述，并通过包含多种元件的全桥直流变换器电路进行验证。为了得到可以精准表示电路性能的健康因子，本文在故障特征选择之后主要通过计算退化状态和标称状态下故障特征向量之间的欧氏距离并利用Logistic函数进行归一化处理得到最终的HI值，最后则应用长短时间记忆网络(Long Short-Term Memory，LSTM)对电路达到健康阈值的时间进行预测。在本文的实例验证部分，以全桥DC/DC变换器为例，设置元器件的退化模型，分别提取与元器件以及系统相关的故障特征构造出能反应其性能的HI，最后通过LSTM进行预测得到其故障发生时间，经验证该方法实施简单，且具备较高的准确性。