在实例电路的故障诊断中，将输出电压与输入电流信息融合作为融合方式1．将输出电压与电感L2支路电流信息融合作为融合方式2，并把上文所得到的联合特征矢量的训练样本送人系统中的神经网络融合分类器进行训练，误差指标设为0.01、学习率为0.01、动量因子为0.8，根据训练结果确定神经网络结构为18-14-20。然后用测试样本进行测试，得到故障诊断率，并与单个测试节点故障诊断率进行了对比。经过实验及仿真得到了两种不同融合方式下的神经网络训练过程中的曲线如图10和图11所示，融合方式1的诊断结果如上表所示，融合方式2的诊断结果如下表所示。
由以上实验数据及仿真结果可知：
信息融合对象的选择及融合方式直接影响着故障诊断的效果，在融合方式中，融合后的故障诊断率达到77.67%，而在融合方式2中，融合后的故障诊断率达到94.33%，第2种融合方式明显好于第1种。
另外，相对于单独采用节点电压或支路电流对电路进行故障诊断，采用特征层信息融合的方法，使各种故障误诊断的次数进一步降低，故障定位准确率得到了相应地提高，并能够使不同信源的信息相互补充，从而减少了诊断系统信息的不确定性，使系统信息具有更高的精度和可靠性。
本文结合Buck-Boost实例电路，对该电路的节点电压与支路电流信息进行特征层融合，用小波变换与主成分分析进行了特征提取，用特征关联实现了电压特征信息和电流特征信息的融合。最后由所得的仿真结果和数据分析可知，信息融合技术在电力电子电路故障诊断中应用方法的有效性与可行性，值得在实际应用中大力推广。
本文关键字：暂无联系方式其他电源技术，电源动力技术 - 其他电源技术
上一篇：独立太阳能光伏发电系统构成
