現(xiàn)代電力電子裝置日益增多,結(jié)構(gòu)更加復雜,作為智能電網(wǎng)的重要基礎(chǔ)和關(guān)鍵環(huán)節(jié),其可靠性對大電網(wǎng)安全穩(wěn)定運行至關(guān)重要。電力電子電路故障診斷及預測技術(shù)研究能夠極大豐富PHM理論體系,降低工程應用中因電路故障引起的損失和維護成本,推動電力電子設(shè)備智能維修體制的發(fā)展。本文吸取傳統(tǒng)方法優(yōu)點的同時以壓縮感知理論、深度學習理論、粒子濾波理論等為基礎(chǔ),對電力電子電路故障診斷及預測中的故障特征提取、智能分類方法及故障預測算法進行研究,主要研究內(nèi)容與創(chuàng)新點包括:（1）研究基于壓縮感知的電力電子電路故障信號預處理方法。為降低電力電子電路信號的數(shù)據(jù)量,保留其有價值的故障特征信息以實現(xiàn)高效快速故障診斷,研究了在壓縮域中提取電力電子電路故障特征參數(shù)的可行性。明確了壓縮感知理論適用于電力電子電路運行狀態(tài)信號的壓縮與重構(gòu),通過對電路信號不同特征參數(shù)的計算分析,驗證了壓縮域信號特征參數(shù)與原始信號特征參數(shù)的高度相關(guān)性,能夠用壓縮域的特征參數(shù)代替原始數(shù)據(jù)的特征參數(shù)對電力電子電路運行狀態(tài)進行故障測試診斷。（2）研究兩種適用于電力電子電路的多故障診斷方法。電力電子電路多軟故障、多硬故障的故障特征表現(xiàn)較相似,難以進行正確診斷。為提高... 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：125 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
注釋表
縮略詞
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 電力電子電路故障成因
        1.2.2 電力電子電路故障特征提取技術(shù)研究現(xiàn)狀
        1.2.3 電力電子電路故障診斷技術(shù)研究現(xiàn)狀
        1.2.4 電力電子電路故障預測技術(shù)研究現(xiàn)狀
    1.3 本文的主要研究工作
    1.4 本文的內(nèi)容安排
第二章 基于壓縮感知的電力電子電路故障信號預處理方法
    2.1 引言
    2.2 壓縮感知的基本原理
        2.2.1 壓縮感知的數(shù)學模型
        2.2.2 測量矩陣構(gòu)造
    2.3 電力電子電路信號的測量矩陣構(gòu)造及其對重構(gòu)信號的影響
        2.3.1 推挽電路仿真結(jié)果分析
        2.3.2 150W升壓DC-DC電路物理實驗分析
    2.4 壓縮域的故障特征參數(shù)提取
    2.5 本章小結(jié)
第三章 電力電子電路多故障診斷方法研究
    3.1 引言
    3.2 基于JADE-SAE的故障診斷方法
        3.2.1 故障特征參數(shù)選取
        3.2.2 基于JADE-SAE的故障分類方法
        3.2.3 逆變電路軟故障診斷實驗與分析
        3.2.4 DC-DC電路故障診斷實驗與結(jié)果分析
    3.3 基于WPE-ELM的故障診斷方法
        3.3.1 小波包能量
        3.3.2 極端學習機理論
        3.3.3 基于WPE-ELM的故障診斷方法
        3.3.4 逆變電路故障診斷實驗與分析
    3.4 本章小結(jié)
第四章 電力電子電路故障預測方法研究
    4.1 引言
    4.2 基于當量分析的健康特征參數(shù)提取方法
        4.2.1 當量分析法
        4.2.2 SEPIC電路健康特征參數(shù)
        4.2.3 BUCK電路健康特征參數(shù)
    4.3 多階粒子濾波故障預測方法
        4.3.1 傳統(tǒng)粒子濾波
        4.3.2 多階粒子濾波預測方法
        4.3.3 仿真結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)和展望
    5.1 全文總結(jié)
    5.2 未來工作展望
參考文獻
致謝
在學期間的研究成果及發(fā)表的學術(shù)論文


【參考文獻】：
期刊論文
[1]電力電子電路中功率晶體管結(jié)溫在線測量技術(shù)研究現(xiàn)狀[J]. 任磊,沈茜,龔春英.  電工技術(shù)學報. 2018(08)
[2]一種基于壓縮感知理論的LCTF光譜超分辨方法[J]. 汪琪,馬靈玲,李傳榮,周勇勝,唐伶俐.  北京理工大學學報. 2018(01)
[3]時間序列數(shù)據(jù)挖掘中的動態(tài)時間彎曲研究綜述[J]. 李海林,梁葉,王少春.  控制與決策. 2018(08)
[4]基于無跡粒子濾波的功率變換器剩余壽命預測方法[J]. 孫權(quán),王友仁,吳祎,姜媛媛.  電源學報. 2019(05)
[5]Modified Grey Model Predictor Design Using Optimal Fractional-order Accumulation Calculus[J]. Yang Yang,Dingyu Xue.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[6]一種基于改進堆棧自動編碼器的航空發(fā)電機旋轉(zhuǎn)整流器故障特征提取方法[J]. 崔江,唐軍祥,龔春英,張卓然.  中國電機工程學報. 2017(19)
[7]聊天機器人中用戶出行消費意圖識別方法[J]. 錢岳,丁效,劉挺,陳毅恒.  中國科學:信息科學. 2017(08)
[8]基于稀疏表示的間歇故障檢測方法及仿真[J]. 楊瑞.  山東大學學報(工學版). 2017(05)
[9]基于深度學習的緩變故障早期診斷及壽命預測[J]. 周福娜,高育林,王佳瑜,文成林.  山東大學學報(工學版). 2017(05)
[10]基于加權(quán)動態(tài)時間彎曲的多元時間序列相似性匹配方法[J]. 葉燕清,楊克巍,姜江,葛冰峰,豆亞杰.  模式識別與人工智能. 2017(04)

博士論文
[1]多能源儲能系統(tǒng)中三相逆變器故障診斷方法與參數(shù)辨識的研究[D]. 王禹璽.浙江大學 2016
[2]模擬電路測試診斷理論與關(guān)鍵技術(shù)研究[D]. 羅慧.南京航空航天大學 2012



本文編號：3204861