黃智飛

摘 要：逆變器作為一種電力變換的裝置，具有性能優(yōu)越、使用方便等優(yōu)點，在生產(chǎn)中不可或缺。具有大功率的三電平逆變器核心元器件發(fā)生故障時，僅僅依靠人工檢查很難直接判斷出故障類型，存在一定的安全隱患，而且因為三電平的故障類型差異性很大，造成數(shù)據(jù)集分布不平衡的問題。針對現(xiàn)有數(shù)據(jù)集故障樣本少、數(shù)據(jù)集不平衡的問題，本文應(yīng)用合成少數(shù)類過采樣技術(shù)處理數(shù)據(jù)集，并用卷積神經(jīng)網(wǎng)絡(luò)模型對三電平逆變器進行故障診斷。實驗結(jié)果表明，本文使用的卷積神經(jīng)網(wǎng)絡(luò)的故障診斷準確率達96%。

關(guān)鍵詞：逆變器;卷積神經(jīng)網(wǎng)絡(luò);SMOTE

中圖分類號：TP183;TM561文獻標識碼：A 文章編號：1003-5168（2021）05-0013-03

Abstract： As a kind of power conversion device， inverter has the advantages of superior performance and convenient use， which is indispensable in production. When the core components of high-power three-level inverter fail， it is difficult to directly determine the fault type only by manual inspection， and there are certain security risks. Moreover， because the fault types of three-level inverter are very different， the data set distribution is unbalanced. In order to solve the problem of few fault samples and unbalanced data sets in the existing data sets， this paper applied SMOTE to deal with the data sets， and used the convolution neural network model to diagnose the fault of three-level inverter. The experimental results show that the fault diagnosis accuracy of the convolutional neural network is 96%.

Keywords： inverter;convolutional neural network;SMOTE

第二次工業(yè)革命將人類帶進了電氣時代。隨著電力電子技術(shù)的日益發(fā)展，傳統(tǒng)的故障檢測方法已經(jīng)難以滿足當(dāng)前電力系統(tǒng)的要求[1]。三電平逆變器是多電平逆變器的一種，其電壓、電流變化與傳統(tǒng)逆變器相比更加平滑，可以降低電壓、電流對負載的沖擊作用，提高了安全性。三電平逆變器相比于傳統(tǒng)逆變器結(jié)構(gòu)更加復(fù)雜，故其發(fā)生故障的概率也大大增加[2]。

三電平逆變器故障診斷的基本流程為：第一步，采集各種故障狀態(tài)下的原始故障數(shù)據(jù);第二步，使用信號處理方法處理原始故障信號，得到帶有明確故障信息的樣本數(shù)據(jù)集;第三步，利用分類算法處理故障數(shù)據(jù)，實現(xiàn)故障識別。本文的研究是在第三步引入卷積神經(jīng)網(wǎng)絡(luò)來提升故障識別準確率。

針對現(xiàn)有數(shù)據(jù)集故障樣本少、數(shù)據(jù)集不平衡的問題，本文應(yīng)用SMOTE算法處理數(shù)據(jù)集，并用卷積神經(jīng)網(wǎng)絡(luò)模型對三電平逆變器進行故障診斷。實驗結(jié)果表明，本文使用的基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法的準確率達96%，且與支持向量機、決策樹、隨機森林等算法相比，卷積神經(jīng)網(wǎng)絡(luò)的故障診斷準確率最高。

1 SMOTE算法和卷積神經(jīng)網(wǎng)絡(luò)的原理

1.1 SMOTE算法

SMOTE算法全稱為Synthetic Minority Oversampling Technique，中文譯名為合成少數(shù)類過采樣技術(shù)。其中心思想是對數(shù)據(jù)集中樣本數(shù)少的某一類數(shù)據(jù)進行樣本合成[3]，以實現(xiàn)樣本數(shù)少的類和樣本數(shù)多的類達到平衡，該算法的原理如下。

假設(shè)原始訓(xùn)練樣本為[A]，只有兩類，其中樣本數(shù)多的類為[X]，樣本數(shù)少的類為[Y]。SMOTE方法的合成過程如下。

第一步：計算少數(shù)類樣本[Y]中的每個樣本點[Yi]與本類樣本點間的歐氏距離，獲得該樣本點的[k]個近鄰數(shù)據(jù)點。

第二步：根據(jù)樣本不平衡比例設(shè)置一個采樣比例以確定采樣倍率[U]，在[k]個近鄰點中選擇合適的個數(shù)[s]，[Yi]與[s]個近鄰點進行線性插值。

第三步：合成新的少數(shù)類樣本Yj=[Yi]+[R]×[dj]（j=1，2，…，s），其中，[dj]表示[Yi]與其[s]個近鄰點間的距離;[R]是介于[0]與[1]之間的隨機數(shù)。

第四步：新合成的少數(shù)類樣本與原始訓(xùn)練樣本合并，構(gòu)成新的樣本集與原多數(shù)類樣本集平衡。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的原理

典型的卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層組成[4]。

1.2.1 輸入層。輸入層的主要工作是為數(shù)據(jù)的訓(xùn)練做準備工作，通常是數(shù)據(jù)預(yù)處理工作，包括數(shù)據(jù)標準化、裁剪、翻轉(zhuǎn)和數(shù)據(jù)增強等。

1.2.2 卷積層。卷積神經(jīng)網(wǎng)絡(luò)的輸入通常為二維數(shù)據(jù)[X]。本文用[Xi]表示卷積神經(jīng)網(wǎng)絡(luò)第[i]層的輸出值，相應(yīng)地[X0=X]為輸入數(shù)據(jù)，則卷積層[Xi]的值由上一層[Xi-1]輸出值決定[5]，產(chǎn)生公式（1）：

其中，[Wi]表示第[i]層卷積核的權(quán)值向量;運算符[?]表示卷積操作，卷積操作后的輸出與第[i]層的偏移量[bi]相加，最終通過非線性的激活函數(shù)[f（x）]得到第[i]層的輸出值[Xi]。本文采用ReLU函數(shù)[見式（2）]作為激活函數(shù)。

1.2.3 池化層。池化層通常跟隨在卷積層之后，為快速降低特征圖維度而設(shè)計的，從而減輕計算的負擔(dān)。池化層通過匯總上一層相鄰神經(jīng)元的輸出，輸出一個維度被降低的特征值。通過池化層的操作，模型計算量被減少的同時，輸出數(shù)據(jù)尺度不變，網(wǎng)絡(luò)過擬合問題得到一定的緩解，網(wǎng)絡(luò)整體性能也有所提升。池化公式[見式（3）]（本文采用最大池化規(guī)則）為：

1.2.4 全連接層。經(jīng)過多個卷積層和池化層交替計算，卷積神經(jīng)網(wǎng)絡(luò)最后以全連接層[見式（4）]作為輸出層以得到輸出值是提取特征的概率分布[Y]。卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)是使輸入數(shù)據(jù)[H0]經(jīng)過多個層次的數(shù)據(jù)計算或降維，映射到一個新的特征表達Y的數(shù)學(xué)模型[6]。

1.2.5 輸出層。一般按卷積神經(jīng)網(wǎng)絡(luò)處理的問題類型確定輸出層，如本文使用卷積神經(jīng)網(wǎng)絡(luò)做分類，則輸出層選為Softmax層。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的三電平斷路故障診斷方法

2.1 實驗數(shù)據(jù)集

三電平逆變器主電路由12個多電平逆變器核心元器件絕緣柵雙極型晶體管（Insulated Gate Bipolar Transistor，IGBT）組成。從理論上來講，這12個IGBT都有發(fā)生故障的可能。結(jié)合故障原因分析，本文研究的重點為1個IGBT的故障情形，共有12種故障類型，包括1種正常狀態(tài)，共分13類，本文數(shù)據(jù)集如表1所示。

2.2 數(shù)據(jù)標準化

從表1可以看出來，數(shù)據(jù)集中的9種屬性不在同一量綱上。為了防止訓(xùn)練時卷積神經(jīng)網(wǎng)絡(luò)“看不到”小量綱數(shù)據(jù)，需要對數(shù)據(jù)進行標準化。數(shù)據(jù)集進行標準化后，數(shù)據(jù)將成為標準的正態(tài)分布，也就是說其平均值為0，標準差是1。

假設(shè)樣本數(shù)據(jù)有[n]個，其轉(zhuǎn)換函數(shù)如式（5）所示：

其中，[μ]代表的是原始數(shù)據(jù)的平均值;[σ]表示的是原始數(shù)據(jù)的標準差。

2.3 實驗流程

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程：①將帶有標簽的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)中，經(jīng)過逐層特征提取，得到樣本數(shù)據(jù)的“預(yù)估值”;②利用反向傳播算法根據(jù)實際值與預(yù)估值的誤差，更新網(wǎng)絡(luò)權(quán)重，優(yōu)化目標;③反復(fù)迭代，直至模型收斂;④使用收斂的模型對未帶標簽的樣本進行測試。

2.4 實驗結(jié)果

本文使用的卷積神經(jīng)網(wǎng)絡(luò)含有三層卷積層、兩層池化層、一層Softmax層，實驗準確率達到96%。圖1為訓(xùn)練時的準確率圖，橫坐標為迭代次數(shù)，縱坐標為準確率。

從圖1可以看出，在迭代至400輪后，準確率趨于平穩(wěn)，此時的網(wǎng)絡(luò)達到最佳的效果，訓(xùn)練完成。然后將訓(xùn)練完成的網(wǎng)絡(luò)模型應(yīng)用在未帶故障信息的測試數(shù)據(jù)上檢驗其性能。

3 結(jié)論

本文針對現(xiàn)有數(shù)據(jù)集故障樣本少、數(shù)據(jù)集不平衡的問題，應(yīng)用SMOTE算法處理數(shù)據(jù)集，并用卷積神經(jīng)網(wǎng)絡(luò)模型對三電平逆變器進行故障診斷。實驗結(jié)果表明，本文使用的卷積神經(jīng)網(wǎng)絡(luò)的故障診斷準確率達96%，且與支持向量機、決策樹、隨機森林等算法相比，卷積神經(jīng)網(wǎng)絡(luò)的故障診斷準確率最高。本文的研究也說明了卷積神經(jīng)網(wǎng)絡(luò)可用于進行三電平逆變器的故障診斷。

參考文獻：

[1]苗貝貝，沈艷霞.NPC三電平逆變器的開關(guān)管開路故障診斷[J].電源學(xué)報，2019（5）：65-72.

[2]朱琴躍，李冠華，吳優(yōu)，等.基于狀態(tài)觀測器的三電平逆變器故障檢測與識別[J].電源學(xué)報，2017（5）：87-93.

[3]謝樺，陳俊星，趙宇明，等.基于SMOTE和決策樹算法的電力變壓器狀態(tài)評估知識獲取方法[J].電力自動化設(shè)備，2020（2）：137-142.

[4]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機學(xué)報，2017（6）：1229-1251.

[5]張燕.深度學(xué)習(xí)的結(jié)構(gòu)方程模型及其應(yīng)用研究[D].成都：四川師范大學(xué)，2019.

[6]劉健，袁謙，吳廣，等.卷積神經(jīng)網(wǎng)絡(luò)綜述[J].計算機時代，2018（11）：19-23.