本发明属于风电变流器智能诊断领域，涉及一种风电变流器智能诊断方法。
技术实现要素：
目前市场上的风电机组主要由鼠笼式，永磁直驱式和双馈式组成。其中，除了鼠笼式，永磁直驱式和双馈式风电机组都必须使用变流器来保证产生的电能在频率和幅值等方面满足电网组网的要求。通常情况下风电机组都处于比较恶劣的环境，面临高温潮湿，油污灰尘的威胁，在这种情况下变流器还需要承受大电流，高低压和高频的开关状态，因此极易发生故障。据统计，在风电系统中，变流器故障发生的频率仅次于变桨系统故障。
当前针对的变流器故障的智能方法很多，比如基于支持向量机方法、基于专家系统的方法等，由于这些传统方法需要结合一些特征提取方法，比如小波分析，算法过程不适用于在线诊断，因此需要能够实现端对端的故障诊断的方法。
本专利基于此，采用了卷积神经网络的风电变流器端对端故障在线诊断，其主要技术点在于：
(1)充分考虑变流器三相电流信号之间必然存在的耦合关系，设计卷积神经网络。
利用多个局部滤波器沿着信号移动对信号进行卷积操作，操作完成后就得到了输入信号在不同卷积核下的信号特征图。
卷积操作本质上是对信号进行滤波操作，这样做可以提取信号在不同频带下的特征，丰富信号的表达，为后面的准确分类提供条件。并且，卷积操作实现了局部连接和权值共享。在每个卷积层后面的是一个降采样层。降采样层的作用有两点，一是对特征图进行降维，二是在一定程度上保持特征的尺度不变性。降采样层通过池化操作对特征图进行降维，降维的同时也可以抵消特征图的部分形变和位移。
将三相电流故障信号排列成3×3000的二维信号，利用卷积神经网络的优势识别故障信号之间的关联性特征。为了直观地比较不同信号之间的差异，将部分排列好的故障信号幅值线性映射到0至255区间以灰度图的形式表示，因为3×3000图像的高度太小，将图像宽高重排为30×300。
不同故障类型的故障信号灰度图存在差异，因此可以利用卷积神经网络优秀的图像识别能力对风电变流器故障进行诊断。
(2)基于风电变流器运行历史数据故障模拟数据，直接训练卷积神经网络，优化神经优化网络参数。
前向传播
假设卷积神经网络的训练集为(x,y)，其中x是输入，y是目标输出。训练集确定后，卷积神经网络的训练步骤如下：
1)随机初始化
在开始训练前，需要对卷积神经网络的参数进行初始化。卷积核的权值和偏置、尾部全连接层的参数在初始化的时候都会选择用一些不同的接近于0的小随机数，参数的不同保证训练能够正常进行，而小随机数则可以保证网络不会因为权值过大而进入饱和状态，从而导致训练失败。
2)计算实际输出
从训练样本中构造小批量训练集，将训练集通过输入层输入卷积神经网络，经过卷积神经网络的逐层按上文所述公式计算，直至达到最后一层。得到结果后与标签对比，确定误差。目前通常使用交叉熵函数来量化训练结果与标签直接的误差大小。
反向传播
正向传播完成后，由于网络初始值是随机设定的，所以得到的结果与期望输出是存在一定的误差，卷积神经网络的训练就是要通过这些误差来更新网络参数的值，使卷积神经网络能够很好地拟合样本数据的分布。卷积神经网络通常采用bp算法来更新参数，卷积神经网络存在卷积层，下采样层等特殊结构，因此不能完全直接使用bp算法，需要对卷积层和下采样层进行特殊处理。下面将具体介绍各个层的反向传播算法。
1)全连接层反向求导
首先，计算目标函数l关于最后一层logits值z+1(j)的导数，使用交叉熵函数作为损失函数，如式(4.6)所示：
通过链式求导法则确定目标函数对权重和偏置的倒数，如下式(2)所示
然后计算目标函数关于以relu为激活函数的隐藏层单元和logits值
得到
2)池化层反向求导
以最大池化为例。在最大池化层中只有池化区域内的最大值与下一层的神经元存在连接，因此在误差反向传播时，只需要对值最大的神经元求导，其它神经元导数为0。具体计算公式如下(4)所示
3)卷积层反向求导
卷积层反向传播和全连接层类似，先求目标函数关于卷积层中logits值的导数，由于同样使用relu作为激活函数，
卷积层输入值的导数计算为
目标函数关于卷积核的导数为
从卷积神经网络的各个层入手，主要的思想是通过增加网络的稀疏性和随机性来避免卷积神经网络出现过拟合，增强其泛化能力，从而避免过拟合的问题。
附图说明
图1为风电变流器故障信号的灰度图。
图2为基于卷积神经网络的风电变流器故障端对端诊断流程图。
具体实施方式
(1)收集数据，包括运行过程中的故障样本数据以及基于模型的故障仿真数据；
(2)根据变流器的故障模式以及三相电路之间的耦合特性，确定卷积神经网络的结构参数，包括神经网络层数以及网络节点数量；
(3)设置卷积神经网络学习的初始学习参数；
(4)基于数据驱动，根据学习参数，训练网络；
(5)调节不同学习参数，优化确定网络结构。