一种储能变流器的开路故障预判方法、设备及介质与流程

技术特征：
1.一种储能变流器的开路故障预判方法，其特征在于，包括以下步骤：s1，采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流，构成原始数据集；开路故障类型包括：正常以及储能变流器中任意1个igbt开路和任意2个igbt开路形成的开路故障；s2，对原始数据集中的三相输出电流进行分帧等预处理，处理后每帧电流信号作为1个开路故障信号样本，并提取每个样本的mfcc特征向量；s3，采用核主成分分析法kpca对提取的mfcc特征向量进行降维，得到低维非线性的故障特征向量；s4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络cnn-1d进行训练，得到开路故障预判模型；s5，实时采集储能变流器当前状态的三相输出电流，按步骤s2提取mfcc特征向量，并提取出与步骤s3相同的低维非线性的故障特征向量，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个igbt开路或者某2个igbt开路。2.根据权利要求1所述的方法，其特征在于，mfcc特征向量中的特征包括mfcc系数，mfcc系数的能量，以及三相输出电流的均值、方差、脉冲因子和峭度因子。3.根据权利要求2所述的方法，其特征在于，步骤s2具体为：s2.1，设原始数据集中的三相输出电流按周期分帧得到n个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；加窗可表示为：w(t)＝0.54-0.46cos(2π
·
x(t)
·
t-1)#(1)式中，泛指采样点，t为窗口长度；s2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波mel和倒谱分析处理，得到mfcc系数c：理，得到mfcc系数c：理，得到mfcc系数c：
式中，dft表示离散傅立叶变换，x(k)为w(t)离散傅立叶变换得到的第k个频域信号；h
m
(k)为第m个mel的传递函数，其中f(m)为mel中心频率；s(m)为第m个mel的对数能量，m为mel的个数；s2.3，根据mel的对数能量s(m)计算mfcc系数能量s，以及根据开路故障信号x(t)计算x(t)的均值方差x
var
、脉冲因子c
if
、裕度因子c
mf
和峭度因子c
kf
：：：：：：式中，num为每个开路故障信号x(t)中的采样点数量，x
t
为其中第t个采样点的电流值；s2.4，综合s2.2～s2.3计算结果，将c、s、x
var
、c
if
、c
mf
和c
kf
构建开路故障信号的mfcc特征向量。4.根据权利要求1所述的方法，其特征在于，步骤s3具体为：s3.1，通过核函数计算矩阵其中元素k
ij
＝k(z
i
，z
j
)，k(
·
)是核函数，z
i
和z
j
为样本i和样本j的mfcc特征向量，n
s
为样本总数量；s3.2，计算矩阵k的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为α
l
；s3.3，计算原始mfcc特征向量的第l个非线性主成分z
l
(x)，以构建低维非线性的故障特征向量：其中，x
i
为第i个样本的mfcc特征向量，α
l
的维数为n
s
。5.根据权利要求1所述的方法，其特征在于，采用贝叶斯优化方法对cnn-1d网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、批尺寸batchsize、第一层卷积层的核大小ker1_size和数量ker1_num、第二层卷积层的核大小ker2_size和数量ker2_num以及两个全连接层的神经元数量fc1_num、fc2_num。6.根据权利要求1所述的方法，其特征在于，所述储能变流器为三电平npc变流器。
7.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～6中任一项所述的方法。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6中任一项所述的方法。

技术总结
本发明公开了一种储能变流器的开路故障预判方法、设备及介质，方法为：采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流；对三相输出电流分帧等预处理并提取MFCC特征向量；采用KPCA对MFCC特征向量进行非线性降维；结合所有样本的故障特征向量和类型标签训练一维卷积神经网络CNN-1D，得到开路故障预判模型；实时采集储能变流器的三相输出电流信号，提取低维非线性的故障特征向量，使用开路故障预判模型预判得到储能变流器当前状态的故障类型。本发明在测量信号包含复杂噪声干扰的情况下，对多种开路故障具有更高的预判准确率，解决了储能变流器在不同工况状态下的低维非线性故障信号特征挖掘问题。低维非线性故障信号特征挖掘问题。低维非线性故障信号特征挖掘问题。


技术研发人员：余斌 李辉 周挺 黄博文 熊尚峰 欧阳帆 毛文奇 徐松 梁文武 许立强 李刚 臧欣 严亚兵 车亮 赖锦木 吴晋波 肖豪龙 尹超勇 徐浩 龙雪梅 徐彪 洪权 李理 许凌云
受保护的技术使用者：国网湖南省电力有限公司电力科学研究院 国家电网有限公司
技术研发日：2021.11.08
技术公布日：2022/2/8