基于改进事件触发与1-D CNN的MMC冗余子模块开路故障实时诊断策略

在模块化多电平换流器(MMC)中存在大量的子模块(SM),其可靠性直接影响整个系统的安全稳定运行。本文引入了具有容错能力的新型冗余SM,并在此基础上提出了一种基于改进事件触发与一维卷积神经网络(1-D CNN)的MMC冗余SM开路故障实时诊断策略。首先,选定MMC中特定SM构成的集成单元的电容电压作为事件触发对象,大大减少了传统诊断策略中需要观测的电容数量;其次,从有效地减少计算负担角度出发,改进事件触发流程,并结合1-D CNN算法有条件地对集成单元电容电压和桥臂电流波动情况分别进行检测,构建出MMC故障实时诊断系统;最后,综合考虑故障集成单元与故障桥臂位置定位出开路SM,进而完成新型冗余SM条件下MMC的容错运行。利用Matlab/Simulink搭建的19电平MMC模型,验证了所提实时诊断策略的有效性。

基于多尺度一维卷积神经网络的光纤振动事件识别

针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号,直接通过MS 1-D CNN实现端到端的振动信号特征的提取和识别。MS1-DCNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度,利用全连接层(FClayer)和Softmax层完成最终的识别过程,与二维卷积神经网络(2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰三类目标振动事件的光纤振动传感信号识别结果表明,MS 1-D CNN的识别正确率与2-D CNN相近,达到了96%以上,而处理速度提升一倍,在保持识别性能的前提下,有利于提高振动事件识别的实时性。