基于多模态融合和卷积神经网络的逆变器故障诊断

张靖超，毕贵红，赵四洪，孔凡文，陈冬静，陈仕龙

基于多模态融合和卷积神经网络的逆变器故障诊断

张靖超，毕贵红，赵四洪，孔凡文，陈冬静，陈仕龙

（昆明理工大学 电力工程学院，云南 昆明 650500）

电压源控制型静止同步补偿系统（Voltage source controlled static synchronous compensator，VSC-STATCOM）故障具有随机性和不可预测性，其原始信号难以完全反映功率开关管的波形特征，导致故障特征提取及诊断困难。针对此问题，提出一种结合多模态融合技术（Multi-modal fusion technology，MFT）、双分支卷积神经网络（Double branch convolution neural network，DBCNN）与自注意力机制（Self-attention mechanism，SA）的逆变器故障诊断的方法。首先，利用快速傅里叶变换实现逆变器故障数据的时域模态信号到频域模态信号的转换；然后，利用DBCNN分别提取时域和频域2个模态的特征并进行特征融合，再将利用SA权重自适应分配能力筛选出的关键特征作为故障分类的依据，解决功率开关管开路故障难以辨别的问题。在逆变器故障诊断过程中，采用MFT和卷积神经网络相结合的方法，建立了一种准确而快速的实现故障分类的体系。以VSC-STATCOM逆变器为对象开展实验，实验结果表明，与单模态时域（Convolutional neural network-self-attention mechanism）CNN-SA和频域CNN-SA方法相比，MFT-DBCNN-SA对故障诊断的准确率均有提高；不同相数的实验结果表明，利用该方法仅靠两相就能很好地诊断出故障类别。相较于同领域的研究，所提故障诊断方法的水平持平或有所提升。

逆变器；多模态融合技术；双分支卷积神经网络；自注意力机制；故障诊断

0 引言

VSC-STATCOM逆变器具备结构简单、高频谐波抑制效果好、高效能耗和高可靠性等优点，在电力系统中获得了广泛应用。然而，随着新能源的大量并网，功率开关管（Insulated gate bipolar transistor，IGBT）因长期承受较大的电应力和热应力，容易出现短路和开路等故障。其中，IGBT短路故障时因常伴随较大的短路电流而破坏性强，需要快速保护；在IGBT开路后，与故障器件反并联的二极管仍能工作，但输出波形成分将发生变化，从而降低了输出波形质量[1,2]。当逆变器出现开路故障时，如若不及时诊断，可能会造成二次故障，影响系统的安全性和可靠性。因此，正确诊断出IGBT的故障类型对整个系统至关重要。

逆变器的故障诊断一般可通过信号处理、机器学习、深度学习等方法实现。

文献[3]针对逆变器任意两相输出电流构建椭圆轨迹模型，再利用核主成分分析法降维，将降维后构成的输入矩阵输入贝叶斯网络进行训练；但贝叶斯网络依赖于条件独立性假设来简化模型，自适应较差。

文献[4]对逆变器输出端三相电流进行小波分析，以小波分解后的信号低频系数的能量值和波形的辅助变量为特征输入，再利用BP（Back propagation）神经网络进行诊断识别；但小波分解依赖合适的基波才能得到更为准确的分解结果，故泛化能力差。

文献[5]利用EMD（Empirical mode decomposition）方法对逆变器输出的三相电流进行分解，再将分解后的信号作为特征向量，采用BPNN（Back propagation neural network）对特征向量进行诊断识别。然而，这类如EMD、SVD（Singular value decomposition）等分解方法是针对某种特定情况而设计，且难以获取故障的深层特征[6]。

文献[7]对三相电流数据筛选处理，然后利用CNN提取逆变器原始故障特征，最终实现故障诊断。

在上述方法中，信号分析法、特征提取法均基于时序模态信号；所以，当采用单一模态特征进行诊断分析时，算法缺乏对其他模态的联合提取，故难以实现全面提取故障特征[8]。

快速傅里叶变换（Fast Fourier transform，FFT）是将信号由时域变换为频域的一种方法。将原始模态信号变换为频域模态信号，能实现特征上的互补；通过时域和频域2种模态结合能更容易实现故障的分类。文献[9]对时域和频域特征进行联合提取，对简单转子模型进行分析并实现故障诊断。文献[10]将时域信号和频域信号分别输入多尺度自归一化压缩激励模块的双分支卷积神经网络，据此实现了高精度的模拟电路故障诊断。

鉴于此，本文提出一种基于多模态融合双分支卷积神经网络和自注意力机制的VSC-STATCOM逆变器故障诊断方法：利用DBCNN分别提取故障信号的时域和频域2种模态的特征，再将不同模态特征融合并进行深层提取；利用SA的权重分配功能，在增强有效信息同时抑制无效特征，进而实现故障诊断。

1 故障诊断方法

1.1 VSC-STATCOM原理

图1 VSC-STATCOM原理结构

VSC-STATCOM系统中，逆变器交流输出侧波形可以反映电路的特性。当IGBT发生故障时，逆变器交流侧的波形会出现变化，根据不同的波形可以判断哪个IGBT发生故障。

发生故障的IGBT，可能会是单个或多个。考虑到3个及以上的IGBT同时发生故障的概率很低。为了简化模型，仅研究单管和双管故障情况，即：每相的不同桥臂发生单管故障，同一桥臂上的2支IGBT发生故障，不同桥臂上的2支IGBT发生故障。

故障情况如表1所示。共统计了21种故障。

表1 IGBT故障类型

图2 正常情况下逆变器输出波形

当逆变器发生故障时，发生故障的IGBT所在半轴的波形会出现突变，突变后的波形逐渐衰减至0。

双管故障逆变器输出波形如图4所示。

图3 单管故障逆变器输出波形

图4 双管故障逆变器输出波形

1.2 快速傅里叶变换

当VSC-STATCOM系统运行在不同工况时，三相电流会随时间不断变化；受不平衡负载的影响后，其波形变化更为复杂。

图5展示了功率开关管S1以及S2发生故障的故障前0.3周期和故障后1周期的频谱变化。考察图5可以发现，S1和S2的三相频谱在不同频段上存在明显的差异，尤其是在发生故障的A相上，频谱的差异更加显著。因此，可以引入频域信号来反映IGBT不同的故障类型。频域与时域信号的结合，使信号既包含了稳定的频域特征，也可以从中捕捉到信号的时序变化，进而为故障诊断提供准确的频率和时间信息，最终达到提取更准确的定位信号特征的目的。将上述方法与深度学习算法结合，则可以达到减小系统的规则设计、提高泛化能力和准确率的目的[11]。

图5 故障频谱

1.3 双分支CNN和自注意力机制组合故障诊断模型

为了更好地考虑时序变化和频率幅值特征的变量细节，本文结合CNN强大的特征提取能力与自注意力机制在处理信息方面的优越性，提出一种基于多模态的双分支CNN和自注意力机制相结合的VSC-STATCOM开路故障诊断模型。DBCNN-SA模型如图6所示。图中，诊断模型包括2个分支，输入卷积块、主干卷积块组成的特征提取部分和自注意力机制信息筛选部分。

首先，为了增强模型的特征提取能力，在每个卷积层后面增设最大池化层；其次，为了降低训练过程中的噪声水平，防止特征融合后出现梯度爆炸问题，在主干卷积层后设置批量归一化层（Batch normalization，BN）和ReLU激活函数。

卷积层和池化层提取特征的表达式为：

图6 DBCNN-SA模型

将经过分支上最大池化的特征向量用concatenate函数合并，在接入主干卷积层和池化层提取特征扁平化后输入到自注意力机制中，最后经全连接层、Softmax层和分类层输出诊断结果。相关计算过程为：

CNN具有强大的特征提取能力，对格状结构的处理具有良好的性能，具有优越的特征提取能力[12]。传统的CNN只有一个输入，很难捕捉到同一信号以不同形式隐藏在空间中的非线性特征。为了能更好地优化CNN对2种模态特征的提取能力，本文引入双分支结构的CNN，对2种模态信号进行单独的提取。通过不同输入提取不同模态的隐含固有特征，使提取到的特征更加丰富和全面。通过融合不同模态的特征信息，从而使网络能够学习到2种模态之间的典型性特征，进而提高分类的准确率。

利用注意力机制，可以实现对输入信息中重要成分的感知，并根据信息的重要程度分配有限的信息处理资源。

考虑到CNN提取特征的信息量过大，为筛选出关键信息进而实现准确分类，引入自注意力机制来获得整个网络的信息；赋予网络中各变量以权重，根据权重值的高低来筛选出关键信息和次要信息；将权重值高的信息作为故障分类的关键因素。将分支CNN获取的大量故障信息作为自注意力机制的输入，在重要特征的基础上实现故障分类。

DBCNN-SA模型如图6所示。图中，引入的自注意力机制与分支CNN共同组合成特征提取和信息筛选一体的故障分类网络，实现两者优势互补。

2 VSC-STATCOM逆变器故障诊断实验验证

为了评估本文模型对逆变器故障诊断的有效性和准确性，本文以VSC-STATCOM中逆变器模块为对象，通过模拟IGBT在不同时刻、不同负载下的开路故障来建立故障数据集，然后用DBCNN-SA训练和测试。

2.1 故障实验数据集

本文利用MATLAB/Simulink仿真软件搭建VSC-STATCOM模型，模拟故障发生状态，生成模型训练和测试所需的大量故障数据样本。

模拟21种IGBT开关故障情况。每种情况下设置10种故障发生时间。重复10次运行，每次改变负载值（波动范围为0～0.09，步长为0.01）。以50 kHz的采样频率采集故障点前0.3个周期及后1个周期的输出电流信号，一共得到样本长度为1 301的2 100组数据。

2.2 数据预处理

为了能够准确识别每类故障，需要对上述仿真获得的故障数据进行必要的数据处理。

1）将仿真获取的原始数据作为时域样本，然后对其进行快速傅里叶变换，并提取其频谱幅值的2/作为频域样本。

2）对于单个样本，三相电流是相互影响的整体。为能使CNN对存在于三相电流局部差异中的大量故障细节信息进行深层地特征提取，把时域和频域三相数据序列并列组合为二维矩阵，得到 1 301×3的样本矩阵。

3）为能深度提取逆变器的故障特征、捕捉到同类故障的波动变化，将时域和频域样本数据按照8:2的比例随机划分为训练数据集和测试数据集。首先将训练集用于DBCNN-SA中训练，训练过程中根据训练曲线调整模型的结构参数，然后利用测试集来评估最后的分类结果。

2.3 DBCNN-SA模型结构

模型训练是故障诊断的关键环节。合理选择模型结构和超参数有助于提高故障分类的准确率[14]。合适的卷积核大小可以更好地捕获输入数据的波动规律及不同输入之间的共性特征。

本文通过改变卷积核的大小，以确定DBCNN-SA中的卷积核大小。由于本文的故障样本大小为1 301×3，同时，三相样本的每一相是受其他两相影响的，因此，卷积核的宽度固定为3，只改变卷积核的高度。池化核为2×2。注意力机制采用32个键和查询通道的单头自注意力。采用Adam自适应优化器。在小批量设置为100、迭代次数为800次的情况下反复比较，依据准确率来确定卷积核的高度，比较结果如表2。

表2 DBCNN-SA不同卷积核大小对比

从表2可以看出，当分支和主干都采用同样大小的卷积核，即4×3、8×3、16×3、32×3和64×3的卷积核时，故障诊断准确率最高为99.29%。主干卷积核的高度为分支卷积核高度的一半时，诊断准确率最高为98.10%；相比主干和分支都选用32×3的卷积核，准确率由99.29%下降至98.10%。

一般情况下，卷积核过大则提取到的特征信息过多，这将导致模型无法捕捉到某些重要信息；而卷积核过小会导致提取到的特征信息不充分，导致识别精度下降[15]。为此，本文分支和主干都选用大小适中的32×3的卷积核。

2.4 实验分析

为了更好地证明提出的时域信号和频域信号组合方法的有效性和泛化能力，针对本文VSC-STATCOM功率开关管的开路故障，分别建立将输入改为仅原始信号输入、仅频谱信号输入以及时域和频域信号同时输入的故障诊断模型，以实现21种不同故障类型的诊断识别。其中，仅原始信号输入、仅频谱信号输入的诊断模型在DBCNN-SA模型的基础上取消一条输入支路，形成单输入单输出的CNN-SA传统卷积网络；2种信号同时输入使用DBCNN-SA诊断模型。

3种信号经自注意力机制增强有效特征输出后使用T-SNE（T-Distributed stochastic neighbor embedding）降维处理，得到的特征可视化图如图7所示。比较图7中3幅T-SNE可视化图可得出：（a）中的各种颜色按类别相互分散开来，说明不同故障类型在经SA模块输出后，可以明显被辨别。（b）中的部分不同的颜色相互交叠在一起，说明时域信号在经过特征提取、特征增强后，有部分不同故障相互混淆，模型不能很好地实现分类。（c）中的绝大部分颜色相互混叠，说明频域信号在特征提取以及增强后绝大部分不同故障交叠在一起，很难进行区分。

图7 自注意力输出后的特征可视化

表3列出了2种信号输入DBCNN-SA模型、仅原始信号输入以及仅频谱信号输入CNN-SA模型时的IGBT的诊断精度。

表3 VSC-STATCOM逆变器故障诊断精度

表3中，为了客观评价模型的诊断精度，避免偶然性误差影响，对于每类情况统一进行10次实验，取10次实验的诊断精度作为分类结果。将时域和频域信号输入DBCNN-SA模型，则只有单管S1、S4、S6、双管S1S2、S1S4、S3S6、S4S6未能准确识别，其余都实现100%诊断，最终识别率为99.67%。

仅输入时域模态信号时，模型对于21类IGBT故障类型都不能完全准确识别，最终诊断结果为94%。

仅输入频域模态信号时，模型的诊断准确率比较低，除了对双管S1S2和S5S6故障能准确识别外，不能对其余的故障类型实现完全准确识别，最终的诊断结果为76.43%。

综上分析，仅使用一种模态信号则模型不能很好地诊断故障类别，而时域和频域结合的方法对IGBT具有较高的诊断准确率。

为了进一步验证输入相数对诊断精度的影响，分别将ABC三相，AB两相以及A相的时域和频域信号输入DBCNN-SA。表4列出了在无噪声以及10 dB高斯白噪声情形下的诊断结果，为了防止偶然性误差的影响，取10次实验结果的平均值作为最终的诊断结果。

表4 输入不同相数信号时模型诊断准确率比较

表4实验结果表明，模型在输入ABC三相以及AB两相的时域和频域信号情况下均取的了很好的识别效果。无噪声情形下，输入AB两相信号的诊断结果相比输入ABC三相诊断结果由99.76%下降至98.57%，下降幅度较小；相比只输入A相诊断结果由68.74%提升至98.57%，提升幅度较大。10 dB高斯白噪声情形下，输入AB两相的诊断结果相比于ABC三相的诊断结果由98.57%下降至98.05%，几乎保持不变；但相较于诊断结果为65.04%的A相来说，准确率有了大幅度的提升。

通过不同相数的比较，说明DBCNN-SA在识别VSC-STATCOM逆变器故障类别时可以只选择输入两相就能达到很好的诊断结果。

3 结论

本文提出一种多模态融合的双分支卷积神经网络和自注意力机制的VSC-STATCOM故障诊断方法。通过实验验证，得到以下结论：

1）使用FFT将原始故障信号变换为频域信号，从频谱上反映不同故障信号的能量分布与幅值特征，与随时间变化的波形结合，更能凸显出每类故障的特点。

2）引入双输入的DBCNN-SA组合诊断网络，使用DBCNN模型同步提取时序和频谱之间的共性特征，使用SA权重分配特性增强卷积提取有效特征、抑制无效特征，使准确率进一步提升。

3）仅靠单一模态很难辨别出故障类别，时序和频谱2种模态结合能提高分类准确率；通过对ABC三相、AB相以及A相多种信号输入情况的比较，发现仅靠两相信号输入模型就能达到很高识别准确率，这进一步证明时域和频域2种模态结合诊断VSC-STATCOM逆变器的可行性。

[1] 刘闯, 寇磊, 蔡国伟, 等. 基于人工智能的电力电子变换器开路故障诊断研究综述[J]. 电网技术, 2020, 44(8): 2957-2970. LIU CHUANG, KOU LEI, CAI GUOWEI, et al. Review for AI-based open-circuit faults diagnosis methods in power electronics converters[J]. Power System Technology, 2020, 44(8): 2957-2970(in Chinese).

[2] 徐小健, 于飞. 基于输出电压轨迹的三相逆变器开关管开路故障诊断[J/OL]. 中国电机工程学报: 1-11[2023-09-21]. https://doi.org/10.13334/j.0258-8013. pcsee.222519. XU XIAOJIAN, YU FEI. A fault diagnosis method based on output voltage patterns for switch open-circuit fault of three-phase inverters[J/OL]. Proceedings of the CSEE: 1-11[2023-09-21]. https://doi.org/10.13334/j. 0258-8013.pcsee.222519(in Chinese).

[3] 李凯迪, 伍珣, 赵俊栋, 等. 基于KPCA-Bayes的三相逆变器多功率管开路故障诊断研究[J]. 铁道科学与工程学报, 2022, 19(12): 3818-3826. LI KAIDI, WU XUN, ZHAO JUNDONG, et al. A KPCA-Bayes based diagnosis method for multiple open-circuit faults of three-phase inverters[J]. Journal of Railway Science and Engineering, 2022, 19(12): 3818-3826(in Chinese).

[4] 钱存元, 梁嫣楚, 胡浩. 基于小波神经网络的逆变器开路故障诊断方法研究[J]. 机电一体化, 2019, 25(Z1): 22-28. QIAN CUNYUAN, LIANG YANCHU, HU HAO. Research on open-circuit fault diagnosis method of inverter based on wavelet neural network[J]. Electro- mechanical Integrating, 2019, 25(Z1): 22-28(in Chinese).

[5] 钱存元, 吴昊, 陈昊然. 基于EMD-BPNN的逆变器IGBT开路故障诊断方法[J/OL]. 电气工程学报: 1-11[2023-09-21]. http://kns.cnki.net/kcms/detail/10.1289. TM.20230729.1700.004.html. QIAN CUNYUAN, WU HAO, CHEN HAORAN. IGBT open-circuit fault diagnosis method of inverter based on EMD-BPNN[J/OL]. Journal of Electrical Engineering: 1-11[2023-09-21]. http://kns.cnki.net/kcms/ detail/10.1289.TM.20230729.1700.004.html(in Chinese).

[6] 刘俊, 吴海军, 周华西. 基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法[J]. 组合机床与自动化加工技术, 2023(2): 113-116. LIU JUN, WU HAIJUN, ZHOU HUAXI. Fault diagnosis of rolling bearings based on denoising multi- branch CNN and attention mechanism[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2023(2): 113-116(in Chinese).

[7] 于海, 邓钧君, 王震坡, 等. 基于卷积神经网络的逆变器故障诊断方法[J]. 汽车工程, 2022, 44(1): 142-151. YU HAI, DENG JUNJUN, WANG ZHENPO, et al. Inverter fault diagnosis method based on convolutional neural network[J]. Automotive Engineering, 2022, 44(1): 142-151(in Chinese).

[8] 薛阳, 雷文平, 岳帅旭, 等. 多模态学习方法在滚动轴承故障诊断中的应用[J]. 机械科学与技术, 2022, 41(8): 1149-1153. XUE YANG, LEI WENPING, YUE SHUAIXU, et al. Application of multimodal deep learning method in rolling bearing fault diagnosis[J]. Mechanical Science and Technology for Aerospace Engineering, 2022, 41(8): 1149-1153(in Chinese).

[9] 赵柄锡, 冀大伟, 袁奇, 等. 采用时域与时频域联合特征空间的转子系统碰磨故障诊断[J]. 西安交通大学学报, 2020, 54(1): 75-84. ZHAO BINGXI, JI DAWEI, YUAN QI, et al. Rubbing fault diagnosis of rotor system based on joint combined feature space in time and time-frequency domains[J]. Journal of Xi’an Jiaotong University, 2020, 54(1): 75-84(in Chinese).

[10] YANG J, GAO T, JIANG S. A dual-input fault diagnosis model based on SE-MSCNN for analog circuits[J]. Applied Intelligence, 2023, 53(6): 7154-7168.

[11] 李政, 汪凤翔, 张品佳. 基于图像融合与迁移学习的永磁同步电机驱动器强泛化性故障诊断研究[J/OL]. 中国电机工程学报: 1-11[2023-09-21]. http://kns.cnki. net/kcms/detail/11.2107.TM.20230710.1349.016.html. LI ZHENG, WANG FENGXIANG, ZHANG PINJIA. A strong generalized fault diagnosis method for PMSM drives with image fusion and transfer learning[J/OL]. Proceedings of the CSEE: 1-11[2023-09-21].http://kns. cnki.net/kcms/detail/11.2107.TM.20230710.1349.016.html(in Chinese).

[12] 梁超, 刘永前, 周家慷, 等. 基于卷积循环神经网络的风电场内多点位风速预测方法[J]. 电网技术, 2021, 45(2): 534-542. LIANG CHAO, LIU YONGQIAN, ZHOU JIAKANG, et al. Wind speed prediction at multi-locations based on combination of recurrent and convolutional neural networks[J]. Power System Technology, 2021, 45(2): 534-542(in Chinese).

[13] 曾昭瑢, 何怡刚. 基于SE-DSCNN的MMC开关管故障诊断方法[J]. 电力自动化设备, 2022, 42(5): 104-111. ZENG ZHAORONG, HE YIGANG. Fault diagnosis method for switches in MMC based on SE-DSCNN[J]. Electric Power Automation Equipment, 2022, 42(5): 104-111(in Chinese).

[14] 宫文峰, 陈辉, 张美玲, 等. 基于深度学习的电机轴承微小故障智能诊断方法[J]. 仪器仪表学报, 2020, 41(1): 195-205. GONG WENFENG, CHEN HUI, ZHANG MEILING, et al. Intelligent diagnosis method for incipient fault of motor bearing based on deep learning[J]. Chinese Journal of Scientific Instrument, 2020, 41(1): 195-205(in Chinese).

[15] 毕贵红, 赵鑫, 陈臣鹏, 等. 基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测[J]. 电网技术, 2022, 46(9): 3463-3476. BI GUIHONG, ZHAO XIN, CHEN CHENPENG, et al. Ultra-short-term prediction of photovoltaic power generation based on multi-channel input and PCNN-BiLSTM[J]. Power System Technology, 2022, 46(9): 3463-3476(in Chinese).

Inverter Fault Diagnosis Based on Multi-modal Fusion and Convolutional Neural Network

ZHANG Jingchao, BI Guihong, ZHAO Sihong, KONG Fanwen, CHEN Dongjing, CHEN Shilong

(School of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China)

The fault of voltage source controlled static synchronous compensator (VSC-STATCOM) is random and unpredictable, and its original signal cannot fully reflect the waveform characteristics of power switch, which makes the fault feature extraction and diagnosis difficult. In order to solve this problem, a fault diagnosis method of inverter based on multi-modal fusion technology (MFT), double branch convolution neural network (DBCNN) and self-attention mechanism (SA) is proposed in this convolutional neural network. First, a fast Fourier transform is used to convert the time-domain mode signal to the frequency-domain mode signal of the fault data of the inverter. Then, the features of two modes in time domain and frequency domain are extracted and fused by DBCNN, and the key features selected by SA weight adaptive distribution capability are used as the basis of fault classification, which solves the problem that the open circuit fault of power switch tube is difficult to distinguish. In the process of fault diagnosis of inverter, the method of combining MFT and convolutional neural network is used to establish an accurate and fast fault classification system. The experiments on VSC-STATCOM inverter show that MFT-DBCNN-SA can improve the accuracy of fault diagnosis compared with single mode CNN-SA and frequency CNN-SA. The experimental results of different phase numbers show that the fault classification can be well diagnosed by using this method only by two phases. Compared with the research in the same field, the level of the proposed fault diagnosis method is equal or improved.

inverter; multi-mode fusion technology; dual-branch convolutional neural network; self-attention mechanism; fault diagnosis

10.3969/j.ISSN.1672-0792.2024.03.004

TM772

A

1672-0792(2024)03-0034-10

国家自然科学基金资助项目（51767012）。

2023-10-08

张靖超（1998—），男，硕士研究生，研究方向为电力系统控制与诊断；

毕贵红（1968—），男，教授，研究方向为新能源系统建模、优化与智能数据；

赵四洪（1974—），男，讲师，研究方向为仿真与控制、智能电网等；

孔凡文（1999—），男，硕士研究生，研究方向为深度学习、电气设备故障诊断；

陈冬静（2000—），女，硕士研究生，研究方向为深度学习，新能源建模；

陈仕龙（1973—），男，教授，研究方向为电气设备故障诊断、系统仿真与控制。

毕贵红