一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法
专利汇可以提供一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于WPD-FOA-LSSVM双模型的MMC故障 定位 方法，属于多电平换流器故障定位技术领域。该方法首先将从 模 块 化多电平换流器 采集而来的电容 电压 信号 集合S划分为训练集和测试集，并进行小波包分解，分别提取故障 特征向量 T1和T2，之后利用果蝇 算法 优化LSSVM，由故障特征向量T1和T2的集合分别训练LSSVM诊断模型，得到模型M1用于定位故障IGBT所在的桥臂及在子模块内部的 位置 ，得到模型M2用于定位故障子模块，最后将测试集数据输入训练好的模型M1及M2中验证该模型。本发明时间空间成本低，运算速度快并且故障定位准确率高，具有较强的MMC故障定位功能。，下面是一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法专利的具体信息内容。
1.一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于包括如下步骤：
步骤1：对于具有6个桥臂、6×n个子模块的三相n+1电平换流器，采集N组故障对应的各子模块电容电压，将采样得到的全体子模块电容电压组成集合S；
步骤2：将集合S随机分解为训练样本集Strain和测试样本集Stest，其中训练样本个数为Z1，测试样本个数为Z2；
步骤3：采用小波包分解方法对训练样本集Strain和测试样本集Stest中的样本数据进行分解，将6×n个子模块电容电压节点能量组成故障特征向量T1，全体训练样本故障特征向量的集合为Ttrain1，全体测试样本故障特征向量的集合为Ttest1；提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，全体训练样本故障特征向量的集合为Ttrain2，全体测试样本故障特征向量的集合为Ttest2；
步骤4：根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2；
步骤5：采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型；
步骤6：采用不同的特征向量集合Ttrain1和Ttrain2，对步骤5搭建的模型进行训练，得到训练好的模型M1和M2；
步骤7：将测试集提取的特征Ttest1输入到训练好的模型M1中，得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置；将测试集提取的特征Ttest2输入到训练好的模型M2中，对故障子模块进行定位。
2.根据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于：所述步骤1中将采样得到的全体子模块电容电压组成集合S记为：
S＝[Uc(l,m)|l＝1…N,m＝1…6×n] (1)
其中，Uc(l,m)代表第l组故障对应的第m个子模块电容电压。
3.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于所述步骤3的过程如下：
步骤3.1：采用‘db5’小波基函数对训练样本集Strain和测试样本集Stest中的样本数据进行三层小波包分解；
步骤3.1.1：设初始信号为s,给定一组低通与高通共轭正交滤波器系数{hk}、{gk}，k＝
1,2,…,K，其中，k代表第k个小波基函数，K代表小波基函数库中小波基函数的个数；
初始化小波包系数，第1层的两个节点对应的系数分别为：
不同频段下的小波包系数的递推公式如下：
其中，t为小波基函数的时间尺度， 为第j层第n个节点第k个小波基函数对应的小波包系数；
步骤3.1.2：对于某一给定的正交小波包空间，不同频段下的节点能量公式如下：
其中，Em,j,n为第m个子模块电容电压在第j层第n个节点的节点能量；
步骤3.1.3：得到对应节点的小波包能量值；
步骤3.2：将6×n个子模块电容电压节点能量组成故障特征向量T1，其维度为6×n×8，全体训练样本故障特征向量的集合为Ttrain1，全体测试样本故障特征向量的集合为Ttest1，记为：
Ttrain1＝{T1a|a＝1…Z1} (5)
Ttest1＝{T1b|b＝1…Z2} (6)
步骤3.3：提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，其维度为n×8，全体训练样本故障特征向量的集合为Ttrain2，全体测试样本故障特征向量的集合为Ttest2，记为：
Ttrain2＝{T2a|a＝1…Z1} (7)
Ttest2＝{T1b|b＝1…Z2} 。 (8)
4.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于：所述步骤4中根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2的过程如下：
步骤4.1：每个子模块含有两个IGBT，定义为IGBT1和IGBT2，将6个桥臂的IGBT1故障标记为1～6，将6个桥臂的IGBT2故障标记为7～12，该1～12即为标签L1；
步骤4.2：采用标签L1对权利要求1所述的故障特征向量集合Ttrain1和Ttest1进行标签标记；
步骤4.3：将每个桥臂中的子模块故障标记为1～n，即为标签L2；
步骤4.4：采用标签L2对权利要求1所述的故障特征向量集合Ttrain2和Ttest2进行标签标记。
5.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于所述步骤5中采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型的过程如下：
步骤5.1：将输入向量映射到高维特征空间，并构造最优决策函数，将非线性函数转换为高维特征空间的线性函数，具体公式为：
其中，xi为故障特征向量，yi为故障标签，ω为权重，b为偏置项， 为非线性映射函数；
其约束函数为：
其中，N为样本数，ei为松弛因子，即误差变量，γ为正则参数，用于平衡寻找最优超平面和偏差量最小；
步骤5.2：引入拉格朗日乘子求解上述优化问题，其公式为：
其中，αi为拉格朗日乘子；
对函数的各变量求偏导，并令偏导数为0，可得如下方程：
因此可知：
步骤5.3：可构建决策函数如下：
其中，K()为核函数；
针对MMC故障定位这一非线性问题，本发明采用高斯核函数RBF，其形式如下：
其中，σ2为核函数参数；
步骤5.4：采用果蝇算法对RBF核函数参数σ2以及步骤5.2中的正则参数γ进行优化，果蝇个体位置即代表RBF核函数参数σ2以及正则参数γ；
步骤5.4.1：初始化FOA算法群体规模Msize，最大迭代数Mmax，寻优维数Mdim；初始化果蝇个体位置(Xi,Yi)＝(X0,Y0)，确定果蝇个体搜索食物源的随机方位XF与YF以及距离Mdistance；
步骤5.4.2：更新果蝇个体位置：
(Xi,Yi)＝(XF+Mdistance,YF+Mdistance) (16)
步骤5.4.3：计算果蝇个体与原点之间的距离Di，并求出味道浓度判定值Si，即：
步骤5.4.4：将味道浓度判定值Si带入味道浓度判定函数F中，得到该果蝇个体所处位置的味道浓度值Ti：
Ti＝F(Si) (19)
步骤5.4.5：搜索果蝇群中浓度最佳的果蝇Gbest，即：
Gbest＝max(Ti) (20)
步骤5.4.6：果蝇群利用视觉飞向最佳目标Gbest，求解最佳味道浓度的果蝇位置(Xbest,Ybest)，即本次迭代最优解；
步骤5.4.7：迭代寻优，重复步骤5.4.2至步骤5.4.5，判断当前最佳味道浓度值Gbest(N)是否优于上一代最佳味道浓度值Gbest(N-1)值，若是，则跳至步骤5.4.6，更新最优参数，若否，则继续迭代，直至达到最大迭代次数Mmax，输出最优果蝇位置；
步骤5.5：根据所需步骤4中标签的类别数量，建立多个LSSVM子分类器，并对子分类器采用步骤5.1到步骤5.4的方法进行训练；由所述多个分类器建立一对多LSSVM多分类故障定位模型。
一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法
技术领域
背景技术
发明内容
化，果蝇个体位置即代表RBF核函数参数σ以及正则参数γ；
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种海上风电场低频交流不控整流输电系统 | 2020-05-16 | 471 |
| 一种新能源外送系统及直流整流侧控制参数的整定方法 | 2020-05-11 | 544 |
| 一种模块化多电平换流器的并行控制系统及方法 | 2020-05-16 | 471 |
| 一种降低模块化多电平换流器交流电压低阶谐波调制方法 | 2020-05-11 | 947 |
| 基于前馈控制的MMC交流侧故障能量均衡控制方法 | 2020-05-13 | 961 |
| 一种混合型模块化多电平换流器的启动方法及装置 | 2020-05-16 | 229 |
| 一种适用于模块化多电平变流器的变载波混合调制方法 | 2020-05-08 | 404 |
| 一种能量型路由器及其软充电控制方法和系统 | 2020-05-13 | 1020 |
| 模块化多电平换流器内数据传输控制方法及相关装置 | 2020-05-14 | 584 |
| 一种直流输电中模块化多电平换流阀的损耗测试装置 | 2020-05-13 | 472 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
