轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统

专利名称：轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统

专利类型：发明专利

专利申请号：CN202111060754.2

专利申请（专利权）人：武汉大学
权利人地址：湖北省武汉市武昌区八一路299号

专利发明（设计）人：何怡刚,赵莹莹,王枭,杜博伦,张慧,王传坤

专利摘要：本发明公开了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统，属于电力电子电路故障诊断技术领域，方法包括：采集DC/DC电路在不同功率开关器件开路故障和正常模式下的变压器漏感电流信号；利用互补集成经验模态分解提取变压器漏感电流信号的本征模态函数，计算各IMF的统计参数；利用基于轻量级梯度提升机基于重要性选择故障特征，并进行归一化处理；采用麻雀搜索算法优化深度信念网络的隐藏层单元数；训练基于麻雀搜索算法优化的深度信念网络，根据训练后的网络得到故障诊断结果。本发明结合特征提取与选择算法、优化算法、深度学习算法，大大提高了DC/DC电路故障诊断的特征质量和诊断准确率。

主权利要求：
1.一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法，其特征在于，包括：建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；
对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；
利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；
采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；
利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，实现对DC/DC电路的故障诊断和分类识别。
2.根据权利要求1所述的方法，其特征在于，对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集，包括：对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。
3.根据权利要求2所述的方法，其特征在于，利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，包括：利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征。
4.根据权利要求3所述的方法，其特征在于，采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数，包括：进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；
将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；
根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；
判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。
5.根据权利要求4所述的方法，其特征在于，利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，包括：将故障诊断特征集划分为训练样本和测试样本，以无监督贪婪的方式对受限玻尔兹曼机进行逐层预训练，在逐层预训练后，预训练模型的所有参数通过监督的反向传播算法进行精细调整，对深度信念网络的参数进行更新。
6.一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断系统，其特征在于，包括：数据采集模块，用于建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；
故障特征提取模块，用于对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；
故障特征筛选模块，用于利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；
网络优化模块，用于采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；
故障诊断模块，用于利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，实现对DC/DC电路的故障诊断和分类识别。
7.根据权利要求6所述的系统，其特征在于，所述故障特征提取模块，用于对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。
8.根据权利要求7所述的系统，其特征在于，所述故障特征筛选模块，用于利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征，并进行归一化处理，作为故障诊断特征集。
9.根据权利要求8所述的系统，其特征在于，所述网络优化模块，用于进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。
10.一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权利要求1至5任一项所述方法的步骤。 说明书 : 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统技术领域[0001] 本发明属于电力电子电路故障诊断技术领域，更具体地，涉及一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统。背景技术[0002] DC/DC电路的可靠性在电动汽车、储能系统和微电网中具有极其重要的意义。DC/DC电路的故障诊断主要是针对主电路中的功率开关器件进行监测与诊断，DC/DC电路中的功率开关器件故障分为短路故障和开路故障，目前对DC/DC电路的故障诊断主要集中在功率开关器件的开路故障上。DC/DC电路功率开关器件开路故障诊断方法主要分为基于解析模型的方法和基于数据驱动的方法。[0003] 基于解析模型的故障诊断方法需要结合电路特性精确地建立待诊断电路的数学模型，但随着DC/DC电路的发展，DC/DC电路结构越来越复杂，较多的DC/DC电路拓扑难以建立精确的数学模型，且电路中各种IGBT之间存在信号的串扰，增大了建立准确数学模型的难度。基于数据驱动的方法不用建立数学模型，而是通过数据挖掘技术并结合各种机器学习算法来学习各种故障类型与数据之间的对应关系。[0004] 目前浅层学习已广泛应用于故障诊断中，然而浅层学习无法深入挖掘故障类别与信号特征之间的复杂联系，故障诊断准确率较低，需要结合特征提取和选择方法使用。提取的特征质量直接影响了故障诊断效果，然而目前的特征提取算法或分解时间过长，或无法适用于非线性时变信号。特征选择可以降低故障特征的维数和复杂度，有利于分类器学习的准确性和高效性，如何选择出最具有代表性的故障特征是故障诊断面临的一大问题。此外浅层模型学习能力仍有限，使用深度学习模型进行故障诊断更具优势，但深度学习模型中的参数设置较复杂。发明内容[0005] 针对现有技术的以上缺陷或改进需求，本发明提出了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法及系统，避免神经网络的过拟合和陷入局部最优值的缺点，提高了网络的分类精度，利用深度学习算法，提高了DC/DC电路故障诊断的特征质量和准确率。[0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法，包括：[0007] 建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；[0008] 对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；[0009] 利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；[0010] 采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；[0011] 利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，以完成故障状态重要特征集分类识别，实现对DC/DC电路的故障诊断和分类识别。[0012] 在一些可选的实施方案中，对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集，包括：[0013] 对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。[0014] 在一些可选的实施方案中，利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，包括：[0015] 利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征。[0016] 在一些可选的实施方案中，采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数，包括：[0017] 进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；[0018] 将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；[0019] 根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；[0020] 判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。[0021] 在一些可选的实施方案中，利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，包括：[0022] 将故障诊断特征集划分为训练样本和测试样本，以无监督贪婪的方式对受限玻尔兹曼机进行逐层预训练，在逐层预训练后，预训练模型的所有参数通过监督的反向传播算法进行精细调整，对深度信念网络的参数进行更新。[0023] 按照本发明的另一方面，提供了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断系统，包括：[0024] 数据采集模块，用于建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；[0025] 故障特征提取模块，用于对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；[0026] 故障特征筛选模块，用于利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；[0027] 网络优化模块，用于采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；[0028] 故障诊断模块，用于利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，以完成故障状态重要特征集分类识别，实现对DC/DC电路的故障诊断和分类识别。[0029] 在一些可选的实施方案中，所述故障特征提取模块，用于对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。[0030] 在一些可选的实施方案中，所述故障特征筛选模块，用于利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征，并进行归一化处理，作为故障诊断特征集。[0031] 在一些可选的实施方案中，所述网络优化模块，用于进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。[0032] 按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。[0033] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：[0034] 本发明采集DC/DC电路在不同功率开关器件开路故障和正常模式下的变压器漏感电流信号作为原始数据集；利用互补集成经验模态分解CEEMD提取不同功率开关器件开路故障模式原始数据集的变压器漏感电流信号的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；利用基于轻量级梯度提升机LightGBM的特征选择方法，从原始故障特征集选择重要性较大的故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定深度信念网络的隐藏层节点个数；采用故障诊断特征集对基于麻雀搜索算法优化的深度信念网络进行训练，针对待测双有源桥变换器重复上述步骤得到待测双有源桥变换器的故障诊断特征集，利用训练后的深度信念网络得到故障诊断结果。本发明结合特征提取与选择算法、优化算法、深度学习算法，大大提高了DC/DC电路故障诊断的特征质量和诊断准确率。附图说明[0035] 图1是本发明实施例提供的一种方法流程示意图；[0036] 图2是本发明实施例提供的一种双有源桥变换器仿真拓扑图；[0037] 图3是本发明实施例提供的一种双有源桥变换器各故障类别对应的前7阶本征模态函数IMF的波形，其中，(a)表示正常状态对应的前7阶本征模态函数IMF的波形，(b)表示S1/S4故障对应的前7阶本征模态函数IMF的波形，(c)表示S2/S3故障对应的前7阶本征模态函数IMF的波形，(d)表示Q1/Q4故障对应的前7阶本征模态函数IMF的波形，(e)表示Q2/Q3故障对应的前7阶本征模态函数IMF的波形；[0038] 图4是本发明实施例提供的一种麻雀搜索算法的流程示意图。具体实施方式[0039] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。[0040] 实施例一[0041] 如图1所示是本发明实施例提供的一种方法流程示意图，在图1所示的方法中包括以下步骤：[0042] (1)建立双有源桥变换器仿真模型，双有源桥变换器电路仿真拓扑图如图2所示，根据实际运行的单只功率管开路故障进行分类，并选取变压器漏感电流为故障特征量，因为该电路每个全桥中斜对角的功率开关器件同时导通，因此变压器漏感电流波形表现一致，所以该电路分为5类故障特征量，分别为正常、S1/S4、S2/S3、Q1/Q4和Q2/Q3开路故障，分别对每个功率开关器件故障取100组数据，为了保证每种故障类别的样本数一致，对正常状态取200个样本，得到5*200＝1000组故障特征序列；[0043] (2)在所有的故障情况下，对双有源桥变换器进行数据收集获得电路变压器漏感电流信号，对每一类故障的变压器漏感电流信号进行互补集成经验模态分解，获取变压器漏感电流信号的前7阶IMF分量，并计算IMF分量对应的能量、均值、波形因子、峭度、峰度因子等17种统计特征的信号序列；[0044] (3)为了有效选取对DC/DC电路故障信号较重要的特征进行故障模式识别，基于轻量级梯度提升机的特征选择方法对训练数据进行模拟测试，利用训练数据测试训练后的分类器，取所有故障特征信号序列中重要性靠前的59个，作为该特征的故障状态重要特征；[0045] (4)采用麻雀搜索算法优化深度信念网络(DeepBeliefNets，DBN)的隐藏层单元数，设定网络隐藏层单元个数；[0046] (5)建立深度信念网络学习的无监督训练和有监督训练2个部分：首先，初始化整个网络参数，以无监督贪婪的方式对受限玻尔兹曼机进行逐层预训练，并将受限玻尔兹曼机隐藏层的输出作为下层受限玻尔兹曼机可视层的输入，然后，在深度信念网络的顶层添加分类器进行有监督训练，对玻尔兹曼机的参数进行微调，以实现整个网络的精细化。[0047] 在本实施例中，上述步骤(2)可以通过以下方式实现：[0048] (2.1)对每一个变压器漏感电流信号进行互补集成经验模态分解(CompleteEnsembleEmpiricalModeDecomposition，CEEMD)提取故障特征量，获取变压器漏感电流的本征模态函数(IntrinsicModeFunction，IMF)，分别计算前7阶IMF的分量对应的能量、均值、波形因子、峭度、峰度因子等17种统计特征的信号序列。[0049] 如表1所示的17种统计特征，这样双有源桥变换器每一个漏感电流信号可以得到119种统计特征，即原始故障特征集。[0050] 表117种统计特征[0051][0052][0053] 其中，x(i)为变压器漏感电流信号经互补集成经验模态分解后IMF分量的离散点，n为离散点个数，f表示采样频率，S(f)表示在采样频率f下进行傅里叶变换所得频谱中每个频率的功率。[0054] (2.2)以双有源桥变换器为例，设置单个功率开关器件开路故障，分别收集5种故障类型的变压器漏感电流信号(包含正常情况)，得到每种故障对应的前7阶本征模态函数IMF的波形分别如图3，其中，图3中(a)表示正常状态前7阶本征模态函数IMF的波形，(b)表示S1/S4故障前7阶本征模态函数IMF的波形，(c)表示S2/S3故障前7阶本征模态函数IMF的波形，(d)表示Q1/Q4故障前7阶本征模态函数IMF的波形，(e)表示Q2/Q3故障前7阶本征模态函数IMF的波形。[0055] 在本实施例中，上述步骤(3)可以通过以下方式实现：[0056] (3.1)以双有源桥变换器为例，为了有效选取对故障信号较重要的特征进行故障模式识别，利用轻量级梯度提升机的特征选择方法取前7阶IMF对应的119个故障特征信号序列中敏感度靠前的59个，得到更能表征故障特征的故障状态特征指标，便于做分类处理，如表2所示的59种统计特征，即故障状态敏感度指标；[0057] 表2双有源桥变换器的59种故障状态敏感度指标的部分数据[0058][0059][0060] 其中，1‑能量表示第1阶IMF分量的能量特征，以此类推，7‑波形指标表示第7阶IMF分量的波形指标，7‑脉冲指标表示第7阶IMF分量的脉冲指标，7‑频率偏差表示第7阶IMF分量的频率偏差。N表示没有故障，F表示单个功率开关器件开路故障，F1、F2、F3和F4分别表示功率开关管S1/S4、S2/S3、Q1/Q4和Q2/Q3的开路故障。[0061] (3.2)将上述得到的数据进行归一化处理，数据标准化主要功能就是消除变量间的量纲关系，从而使数据具有可比性，采用的是Z标准化，使数据集的均值为0，方差为1。[0062] 在本实施例中，上述步骤(4)可以通过以下方式实现：[0063] (4.1)深度信念网络中隐藏层单元数的数量比模型的隐藏层层数或学习率等参数设置更重要，因此，采用麻雀搜索算法来确定深度信念网络分类器隐藏层的最优单元数，得到最优的深度学习网络结构，假定在麻雀搜索算法中的s个麻雀中，有发现者和跟随者两类身份，δ表示待优化变量的个数，发现者在每次迭代中位置的更新过程为：[0064][0065] Citeration_max表示最大迭代次数， 表示第v次迭代中第l只麻雀在第 维的位置，表示第v+1次迭代中第l只麻雀在第 维的位置，即更新后的位置，l＝[1,2,…,s]，ξ是(0,1]内的随机数，Q是正态分布随机数，L是一个1×δ的单位向量，R∈[0,1]是当前警报值，ST∈[0.5,1]是安全阈值，当R[0066][0067] 为发现者的当前最佳位置，Xworst表示全局最差位置，A与L维度一样，每个元素+ T T ‑1随机分配为1或‑1，且A＝A (AA) ，当l>s/2时，适应度较差的跟随者得不到食物，会转移地方觅食，当l≤s/2时，跟随者会在Xp周围觅食，为了躲避捕食者，在种群中会随机选择10‑20％的麻雀作为侦察兵，遇到危险时它们会发出警报声，其位置是随机的，当捕食者出现时，种群中个体的行为表示如下：[0068][0069] 表示当前全局最佳位置，该位置就是隐藏层单元数的最佳参数组合。β是均值为0，方差为1的正态分布步进控制随机数，ξ∈[‑1,1]为群体中个体移动方向的随机数，是当前麻雀个体的适应度值，fv_best和fv_worst分别是当前全局最优和最差适应度值，时，麻雀v位于种群边缘，容易受到捕食者攻击， 时，麻雀v处于群体中心的个体意识到危险并开始向其它个体靠拢，ε是一个非常小的常数，用来防止分母为0。随后根据计算的最佳适应度值和最佳全局位置进行下一次迭代。[0070] (4.2)麻雀搜索算法的步骤流程如图4所示，首先进行麻雀搜索算法的参数初始化，包括种群的数量，迭代寻优的次数，待优化变量的个数，以及待优化变量的寻优范围等；随后设置迭代的适应度函数，根据此函数寻找最佳全局位置和全局最佳适应度值；需要将麻雀种群分为发现者和跟随者，然后根据此设置计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；然后根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；以上过程为一个迭代过程，判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，此时麻雀搜索算法结束。[0071] 在本实施例中，在步骤(5)中，利用深度学习学习故障特征与对应故障类别的优势，完成基于深度信念网络的故障特征自适应分析与故障状态智能识别。深度信念网络分类器模型的整体学习过程主要包括两个步骤：首先，以无监督贪婪的方式对受限玻尔兹曼机进行逐层预训练；在逐层预训练后，预训练模型的所有参数(权重和偏差)都通过监督的反向传播算法进行精细调整，为了获得最优分类器，提高分类精度，对深度信念网络的参数进行更新。[0072] 具体地，上述步骤(5)可以通过以下方式实现：[0073] (5.1)双有源桥变换器的故障分类包括，步骤1：将故障特征样本划分为训练样本和测试样本，初步确定深度信念网络的结构；步骤2：使用麻雀搜索算法优化深度信念网络分类器对故障模式进行分类，步骤3：计算分类准确度，给出故障诊断结果，故障诊断的预测值和实际值的均方根值为优化目标函数；本发明将故障诊断的预测值和实际值的均方根值定义为麻雀搜索算法优化深度信念网络分类器中的适应度函数，从而将这一问题转化为求解最小优化问题；[0074] (5.2)双有源桥变换器的故障分类结果如表3所示，并与传统的反馈神经网络BPNN和支持向量机SVM的故障分类结果进行对比，表明本发明的DC/DC电路故障诊断的先进性。[0075] 表3双有源桥变换器故障分类结果对比[0076] 故障类别 BPNN SVM SSA‑DBNN 97％ 95％ 100％F1 100％ 100％ 100％F2 100％ 100％ 100％F3 98％ 96％ 100％F4 98％ 95％ 100％[0077] 本发明基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断方法，利用互补集成经验模态分解提取故障特征向量，将归一化处理后的故障特征向量送到经过麻雀搜索算法优化的深度信念网络分类器中，提高单一算法的分类准确率和容错能力，同时利用深度学习算法可以有效的避免神经网络过拟合和陷入局部最优值的缺点，提高了DC/DC电路故障特征分类的特征质量和准确率。[0078] 实施例二[0079] 在本发明另一实施例中，还提供了一种基于轻量级梯度提升机和麻雀搜索算法优化深度信念网络的DC/DC电路故障诊断系统，包括：[0080] 数据采集模块，用于建立DC/DC电路的仿真模型，并选取各个工作状态下变压器漏感电流为原始数据集，根据发生故障的功率开关器件及其位置，对故障类型进行标签分类；[0081] 故障特征提取模块，用于对每一个原始数据集进行互补集成经验模态分解CEEMD，获取对故障诊断有效的本征模态函数IMF，并计算每个IMF的统计参数，构造原始故障特征集；[0082] 故障特征筛选模块，用于利用基于轻量级梯度提升机LightGBM的特征选择方法，基于特征重要性从原始故障特征集中选择若干故障特征，以减少原始故障特征集的特征维数和特征冗余，并对选择出的故障特征进行归一化处理，作为故障诊断特征集；[0083] 网络优化模块，用于采用麻雀搜索算法SSA优化深度信念网络DBN的隐藏层单元数，设定网络的隐藏层节点个数；[0084] 故障诊断模块，用于利用故障诊断特征集对基于麻雀搜索算法优化后的深度信念网络进行训练，利用训练后的深度信念网络进行故障模式识别，以完成故障状态重要特征集分类识别，实现对DC/DC电路的故障诊断和分类识别。[0085] 在一些可选的实施方案中，上述故障特征提取模块，用于对每一类故障的变压器漏感电流信号样本进行互补集成经验模态分解，获取变压器漏感电流信号的前若干阶IMF分量，并计算每阶IMF分量对应的能量特征、复杂度、均值、方均根值、均方根值、方差、偏度、峭度、峰值、峰峰值、裕度因子、脉冲因子、峰值因子、波形因子、重心频率、均方频率和频率方差共17种统计特征的信号序列。[0086] 在一些可选的实施方案中，上述故障特征筛选模块，用于利用轻量级梯度提升机的特征选择方法取前若干阶IMF对应的所有故障特征信号序列中敏感度靠前的若干个故障特征，并进行归一化处理，作为故障诊断特征集。[0087] 在一些可选的实施方案中，上述网络优化模块，用于进行麻雀搜索算法的参数初始化，将隐藏层单元数作为麻雀搜索算法中的麻雀个体，随后设置迭代的适应度函数，根据适应度函数寻找最佳全局位置和全局最佳适应度值；将麻雀种群分为发现者和跟随者，然后计算当前的全局最佳位置和最佳适应度值，随后开始迭代更新，依次更新发现者的位置和跟随者的位置，并随机选择侦察者并更新侦察者的位置；根据更新的发现者、跟随者和侦察者位置来计算当前最佳位置和最佳适应度值并进行更新；判断迭代次数是否达到要求，未达到要求时继续迭代，达到迭代要求时输出最佳位置和最佳适应度值，将最佳位置和最佳适应度值所确定的隐藏层单元数作为最优的隐藏层单元数。[0088] 其中，各模块的具体实施方式可以参考上述方法实施例的描述，本实施例将不再复述。[0089] 需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。[0090] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

专利地区：湖北

专利申请日期：2021-09-10

专利公开日期：2024-07-26

专利公告号：CN113869145B