本發(fā)明涉及電力電子裝置故障診斷領(lǐng)域，尤其是一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法。

背景技術(shù)：

全球范圍的能源危機(jī)和環(huán)境危機(jī)促使人們尋求更加清潔、綠色的新型能源，在清潔型能源中太陽(yáng)能憑借其：無(wú)污染、可持續(xù)、普遍性、靈活性和可靠性等優(yōu)點(diǎn)，受到了廣泛關(guān)注。在光伏系統(tǒng)越來越多并入電網(wǎng)運(yùn)行的情況下，光伏逆變器作為光伏系統(tǒng)中最為核心的部件，關(guān)系著整個(gè)系統(tǒng)的安全、穩(wěn)定和高效運(yùn)行。與傳統(tǒng)的兩電平逆變器相比，三電平逆變器因其開關(guān)器件串聯(lián)均壓、開關(guān)損耗小、輸出電壓諧波含量低和工作效率高等優(yōu)點(diǎn)，在光伏發(fā)電系統(tǒng)中得到廣泛的應(yīng)用。然而三電平逆變器增加了開關(guān)器件的數(shù)量，電路的可靠性也相應(yīng)地降低，任意一個(gè)器件發(fā)生故障就可能導(dǎo)致電路非正常運(yùn)行，甚至?xí)?dǎo)致二次故障，造成巨大的經(jīng)濟(jì)損失。

光伏三電平逆變器故障診斷的問題主要在三個(gè)方面：一是在電路故障模式方面，僅考慮單個(gè)器件開路的故障，近些年才開始討論多器件同時(shí)故障的多故障模式診斷，但這方面的研究還較少，分析問題還不夠全面，而現(xiàn)有的2個(gè)開關(guān)器件同時(shí)開路的故障診斷方法算法結(jié)構(gòu)都較為復(fù)雜；二是檢測(cè)信號(hào)多為輸出電壓和輸出電流，由于輸出端存在感性負(fù)載，電流變化緩慢，這往往會(huì)增加故障診斷時(shí)間；三是診斷算法方面，智能診斷算法逐漸運(yùn)用到逆變器故障診斷領(lǐng)域，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)等等。其中，神經(jīng)網(wǎng)絡(luò)的應(yīng)用較多，而神經(jīng)網(wǎng)絡(luò)自身存在較多缺陷：需要設(shè)置的參數(shù)較多、收斂速度慢、易陷入局部最優(yōu)等等，這些都嚴(yán)重阻礙著神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

光伏三電平逆變器的開關(guān)器件較多，故障問題種類繁雜，同時(shí)為了滿足系統(tǒng)的實(shí)時(shí)性要求，傳統(tǒng)的方法已經(jīng)不能滿足實(shí)際需求。這里利用數(shù)據(jù)驅(qū)動(dòng)的思想，利用逆變器系統(tǒng)運(yùn)行過程中不斷產(chǎn)生并反映系統(tǒng)運(yùn)行機(jī)理和狀態(tài)的數(shù)據(jù)，通過合適的特征提取和分析方法，實(shí)現(xiàn)光伏逆變器的故障診斷和識(shí)別。

小波分析是一種信號(hào)時(shí)頻域分析方法，它可以同時(shí)描述信號(hào)的時(shí)域和頻域，并且可以獲得信號(hào)的局部化信息，是近年來故障特征提取的熱點(diǎn)。粒子群聚類算法是在粒子群優(yōu)化算法的基礎(chǔ)上推廣得到的，粒子群優(yōu)化算法是一種基于群智能的新興進(jìn)化計(jì)算技術(shù)，通過群體中個(gè)體的合作和競(jìng)爭(zhēng)而產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索，具有較強(qiáng)的通用性。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，它在解決高維、非線性及小樣本為特點(diǎn)的模式識(shí)別中，具有獨(dú)特的優(yōu)勢(shì)，在電力電子的故障診斷領(lǐng)域也有很好的實(shí)用價(jià)值和應(yīng)用前景。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法。

一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法，其特征包括：建立光伏二極管箝位型三電平逆變器電路的模型；提取三電平逆變器主電路開路故障特征；構(gòu)建粒子群聚類故障診斷決策樹；訓(xùn)練和測(cè)試決策樹支持向量機(jī)SVM故障分類模型，最終實(shí)現(xiàn)光伏二極管箝位型三電平逆變器的故障診斷。

第一步：建立光伏二極管箝位型三電平逆變器電路的模型

三電平逆變器主電路主要由A、B和C三相橋臂構(gòu)成，每相橋臂由四個(gè)主開關(guān)管、四個(gè)續(xù)流二極管和兩個(gè)中點(diǎn)鉗位二極管組成。由于三電平逆變器電路本身的結(jié)構(gòu)，每個(gè)開關(guān)管在工作過程中所可能承受的最高電壓只有兩電平逆變器的一半，因此三電平逆變器可以大大降低開關(guān)器件的電壓應(yīng)力，滿足高壓逆變的要求。三電平逆變器主電路故障主要是開路故障，包括IGBT開路、串聯(lián)熔斷器熔斷和觸發(fā)脈沖丟失故障，同時(shí)還有中點(diǎn)鉗位二極管開路的情況，因此根據(jù)實(shí)際運(yùn)行的情況進(jìn)行故障分類，以主電路A相為例，共三大類十三小類。

1)所有IGBT開關(guān)管都正常運(yùn)行，逆變器無(wú)故障，共一小類。

2)單個(gè)器件發(fā)生故障，即在四個(gè)功率管和兩個(gè)中點(diǎn)鉗位二極管中任意一個(gè)發(fā)生故障，共六小類。

3)兩個(gè)器件發(fā)生故障，這大類存在兩種情況，一是故障的兩個(gè)開關(guān)管不在同一橋臂，這種情況可以歸結(jié)為不同橋臂上的單個(gè)器件故障，可以參考單個(gè)器件發(fā)生故障的情況；二是故障的兩個(gè)開關(guān)管在同一橋臂，即四個(gè)開關(guān)管中任意兩個(gè)開關(guān)管發(fā)生故障的情況，共六小類。

第二步：提取三電平逆變器主電路開路故障特征

三電平逆變器主電路不同故障的各個(gè)橋臂電壓經(jīng)分解后在各頻帶上的投影是不同的，即主電路故障時(shí)，會(huì)對(duì)各頻帶的能量發(fā)生影響，一般情況下，故障會(huì)對(duì)某些頻率能量其增強(qiáng)作用，某些頻率能量其抑制作用，故障輸出和正常輸出會(huì)有差異，所以可以采用不同頻帶的能量作為故障特征。對(duì)采用空間矢量脈寬調(diào)制(SVPWM)控制的二極管箝位型三電平逆變器主電路進(jìn)行建模，建模后對(duì)各種故障發(fā)生時(shí)的橋臂電壓進(jìn)行j層小波多尺度分解，分別提取j+1個(gè)信號(hào)特征。再對(duì)小波多尺度分解系數(shù)進(jìn)行重構(gòu)，提取各個(gè)頻帶的能量，計(jì)算頻帶信號(hào)的能量。設(shè)E_n為第n個(gè)分解系數(shù)序列S_n的能量，則

式中，X_n，n＝0,1,…,j為重構(gòu)信號(hào)的S_n的離散點(diǎn)幅值。進(jìn)而得到各個(gè)橋臂電壓的能量后就可以構(gòu)建特征向量，其中特征向量T₁為：

T₁＝[E₀ E₁ ... E_j] (2)

統(tǒng)一量綱，歸一化處理特征向量：

T₁'＝[E₀/E E₁/E ... E_j/E] (3)

其中，E為信號(hào)的總能量，T₁′中各個(gè)元素對(duì)應(yīng)各個(gè)頻帶能量的百分比。采用同樣的方法再處理上、下橋臂，可以分別得到特征向量T₂′和T₃′，定義故障特征向量為：

T＝[T₁' T₂' T₃'] (4)

將各個(gè)故障情況下的橋臂電壓按照上述過程進(jìn)行特征提取，最后構(gòu)建數(shù)據(jù)樣本。

第三步：構(gòu)建粒子群聚類故障診斷決策樹

三電平逆變器共有13種故障小類，若要構(gòu)建決策樹將故障完全區(qū)分，就需要用到粒子群聚類算法將故障不斷地劃分成兩類。粒子群聚類算法需要先進(jìn)行初始化，隨機(jī)初始化粒子群，設(shè)置聚類數(shù)目、粒子數(shù)目、迭代次數(shù)等參數(shù)，再將每個(gè)樣本隨機(jī)分類，并作為最初的聚類劃分后計(jì)算聚類中心、適應(yīng)度等參數(shù)，將粒子初速度設(shè)為零。這樣就可以根據(jù)初始粒子群，得到的粒子個(gè)體最優(yōu)位置p_id和全局最優(yōu)位置p_gd。并利用公式

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (8)

x_id(t+1)＝x_id(t)+v_id(t+1) (9)

更新所有粒子的速度和位置；其中ω為慣性權(quán)重；v_id為粒子的速度；c₁和c₂為加速度因子；r₁和r₂是分布于[0，1]之間的隨機(jī)數(shù)；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter為當(dāng)前迭代次數(shù)；itermax為最大的迭代次數(shù)。依據(jù)粒子的聚類中心編碼，按照最近鄰法則，確定每個(gè)樣本的聚類劃分，并按照新的聚類劃分，計(jì)算新的聚類中心，更新適應(yīng)度。再一次比較適應(yīng)度，若其優(yōu)于個(gè)體最優(yōu)位置p_id，則更新p_id；若其優(yōu)于全局最優(yōu)位置p_gd，則更新p_gd。如果達(dá)到最大迭代次數(shù)，則算法結(jié)束，否則繼續(xù)迭代。

決策樹結(jié)構(gòu)的生成需要先將全部訓(xùn)練樣本集作為初始節(jié)點(diǎn)，利用粒子群聚類算法，將其劃分成兩類，形成兩個(gè)子節(jié)點(diǎn)。判斷子節(jié)點(diǎn)是否只包含一類故障樣本，若是則算法結(jié)束，否則繼續(xù)采用粒子群聚類算法進(jìn)行處理，劃分成兩個(gè)新的子節(jié)點(diǎn)，這樣不斷劃分，直到所有子節(jié)點(diǎn)只包含一類故障樣本，算法結(jié)束。這樣將所有的故障樣本進(jìn)行聚類劃分，就可以反向構(gòu)建故障診斷決策樹。

第四步：訓(xùn)練和測(cè)試決策樹支持向量機(jī)SVM故障分類模型

按照4:1的比例將故障數(shù)據(jù)樣本劃分成訓(xùn)練集和測(cè)試集，訓(xùn)練集按照決策樹結(jié)構(gòu)上故障的分布訓(xùn)練支持向量機(jī)SVM分類模型，支持向量機(jī)SVM分類模型均采用徑向基核函數(shù)，并各自優(yōu)化支持向量機(jī)SVM的參數(shù)。訓(xùn)練完成后，利用測(cè)試集測(cè)試決策樹支持向量機(jī)SVM故障診斷模型，得到診斷精度等指標(biāo)，最終實(shí)現(xiàn)光伏二極管箝位型三電平逆變器的故障診斷。

本發(fā)明的有益效果是：

1)本發(fā)明所提出的二極管箝位型三電平逆變器的決策樹SVM故障診斷方法，是基于數(shù)據(jù)驅(qū)動(dòng)的思想，核心是先聚類后分類，將小波多尺度分解、粒子群聚類和支持向量機(jī)算法結(jié)合起來，實(shí)現(xiàn)光伏二極管箝位型三電平逆變器的數(shù)據(jù)實(shí)時(shí)故障診斷。

2)本發(fā)明通過粒子群聚類算法，將二極管箝位型三電平逆變器的數(shù)據(jù)樣本進(jìn)行聚類劃分，直到每個(gè)子類只包含一類故障信息，然后反向構(gòu)建決策樹，這樣可以使各個(gè)子類之間的可分度盡可能地強(qiáng)，既提高診斷精度，又加強(qiáng)抗干擾能力。

3)本發(fā)明采用決策樹的故障診斷模型結(jié)構(gòu)，構(gòu)建的分類模型較少，大大提高故障診斷效率，采用徑向基作為核函數(shù)，進(jìn)行各個(gè)參數(shù)的尋優(yōu)，從而有效地實(shí)現(xiàn)三電平逆變器的故障診斷。

附圖說明

圖1為二極管箝位型三電平逆變器的故障診斷流程

圖2為二極管箝位型三電平逆變器主電路拓?fù)浣Y(jié)構(gòu)

圖3為逆變器主電路的A相拓?fù)?/p>

圖4為單個(gè)器件故障時(shí)的橋臂電壓

圖5為兩個(gè)器件同時(shí)開路時(shí)的橋臂電壓

圖6為逆變器正常時(shí)的故障特征向量直方圖

圖7為聚類劃分后的決策樹結(jié)構(gòu)圖

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說明。

本發(fā)明的二極管箝位型三電平逆變器的決策樹SVM故障診斷流程圖如圖1所示，本發(fā)明方法的具體實(shí)施包括以下步驟：

如圖2所示為二極管箝位型三電平逆變器主電路拓?fù)浣Y(jié)構(gòu)圖，為簡(jiǎn)化分析，只研究逆變器逆變狀態(tài)下A相的工作狀態(tài)，其電路拓?fù)淙鐖D3所示。A相橋臂有三種工作狀態(tài)：

P狀態(tài)：S_a1和S_a2導(dǎo)通，S_a3和S_a4關(guān)斷，電流方向?yàn)檎龝r(shí)，電流從P點(diǎn)經(jīng)S_a1和S_a2流進(jìn)A點(diǎn)，忽略開關(guān)器件的正向?qū)▔航岛?，輸出端A點(diǎn)電位等于P點(diǎn)電位，即U_dc/2；當(dāng)電流方向?yàn)樨?fù)時(shí)，電流從A點(diǎn)經(jīng)續(xù)流二極管VD_a1和VD_a2流進(jìn)P點(diǎn)，輸出端A點(diǎn)電位仍等于P點(diǎn)電位。

O狀態(tài)：S_a2和S_a3導(dǎo)通，S_a1和S_a4關(guān)斷，電流方向?yàn)檎龝r(shí)，電流從中性點(diǎn)O經(jīng)VD_a5和S_a2流進(jìn)A點(diǎn)，輸出端A點(diǎn)電位等于O點(diǎn)電位，即中性點(diǎn)電位；當(dāng)電流方向?yàn)樨?fù)時(shí)，電流從A點(diǎn)經(jīng)S_a3和VD_a6流進(jìn)O點(diǎn)，輸出端A點(diǎn)電位仍等于O點(diǎn)電位。

N狀態(tài)：S_a3和S_a4導(dǎo)通，S_a1和S_a2關(guān)斷，電流方向?yàn)檎龝r(shí)，電流從N點(diǎn)經(jīng)VD_a3和VD_a4流進(jìn)A點(diǎn)，輸出端A點(diǎn)電位等于N點(diǎn)電位，即-U_dc/2；當(dāng)電流方向?yàn)樨?fù)時(shí)，電流從A點(diǎn)經(jīng)S_a3和S_a4流進(jìn)N點(diǎn)，輸出端A電位仍等于N點(diǎn)電位。

根據(jù)拓?fù)浣Y(jié)構(gòu)，將故障分為三大類十三小類，即二極管箝位型三電平逆變器的故障類型。

1)所有IGBT開關(guān)管都正常運(yùn)行，逆變器無(wú)故障，共一小類。

2)單個(gè)器件發(fā)生故障，即功率管S_a1、S_a2、S_a3、S_a4和鉗位二極管VD_a5、VD_a6中任意一個(gè)發(fā)生故障，共六小類。

3)兩個(gè)器件發(fā)生故障，這大類存在兩種小類，一是故障的兩個(gè)開關(guān)管不在同一橋臂，可以參考單個(gè)器件發(fā)生故障的情況，不計(jì)入故障分類；二是故障的兩個(gè)開關(guān)管在同一橋臂，即功率管(S_a1,S_a2)、(S_a1,S_a3)、(S_a1,S_a4)、(S_a2,S_a3)、(S_a2,S_a4)或(S_a3,S_a4)任意一組發(fā)生故障的情況，共六小類。

建立三相三電平SVPWM逆變器模型，選取橋臂電壓為研究對(duì)象，可以得到各種故障情況下的橋臂電壓模型，如圖3和圖4所示?？紤]到輸出電壓的特點(diǎn)，選取sym4小波基函數(shù)，分別對(duì)中、上和下橋臂電壓進(jìn)行三層多尺度分解，每個(gè)橋臂電壓被分解成4個(gè)小信號(hào)，經(jīng)過重構(gòu)后，計(jì)算信號(hào)的能量，統(tǒng)一量綱后，構(gòu)建每個(gè)橋臂的故障特征向量。整合橋臂的故障特征向量，按照中、上和下的順序構(gòu)建系統(tǒng)的故障特征向量，并按照不同的故障類型，構(gòu)建數(shù)據(jù)樣本。其中，當(dāng)逆變器正常工作時(shí)，其對(duì)應(yīng)的故障特征向量的直方圖如圖5所示。

采用粒子群聚類算法，將獲得的全部數(shù)據(jù)樣本進(jìn)行聚類劃分，判斷得到的子類，若該子類只包含一類故障樣本，則停止劃分，否則繼續(xù)進(jìn)行聚類劃分，直到所有子類只包含一類故障信息。劃分結(jié)束后可以反向構(gòu)建決策樹，最終構(gòu)建的故障診斷決策樹結(jié)構(gòu)如圖6所示。從圖中可以看出該方法對(duì)于13種故障的問題，只需要構(gòu)建12個(gè)分類模型，而一對(duì)一結(jié)構(gòu)的SVM需要構(gòu)建N(N-1)/2個(gè)分類模型，即78個(gè)分類模型，采用決策樹結(jié)構(gòu)無(wú)疑將大大減少模型構(gòu)建數(shù)目，提高運(yùn)算效率。

將數(shù)據(jù)樣本分成訓(xùn)練集和測(cè)試集。按照構(gòu)建的決策樹結(jié)構(gòu)，分別訓(xùn)練SVM1～SVM12，共12個(gè)支持向量機(jī)分類模型，均采用徑向基核函數(shù)，并優(yōu)化各個(gè)支持向量機(jī)的參數(shù)。為了驗(yàn)證算法的抗干擾能力，對(duì)原始數(shù)據(jù)加入信號(hào)幅值10％和15％的白噪聲進(jìn)行對(duì)比，同時(shí)還橫向比較了BP神經(jīng)網(wǎng)絡(luò)(BPNN)、一對(duì)一結(jié)構(gòu)的支持向量機(jī)(SVM)和決策樹支持向量機(jī)(DT-SVM)的診斷精度，最終的故障診斷結(jié)果匯總?cè)绫?所示。從表中可以看出隨著噪聲的增加，各個(gè)算法的診斷精度都有一定下降，但決策樹支持向量機(jī)算法的診斷精度下降較小，抗干擾能力較強(qiáng)。

表1故障診斷結(jié)果

上述實(shí)施例僅僅是為清楚地說明本發(fā)明所做的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式限定，對(duì)于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其他不同形式的變化或變動(dòng)。