国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法與流程

      文檔序號(hào):12268689閱讀:674來源:國(guó)知局
      光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法與流程

      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)En為第n個(gè)分解系數(shù)序列Sn的能量,則

      式中,Xn,n=0,1,…,j為重構(gòu)信號(hào)的Sn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 ... Ej] (2)

      統(tǒng)一量綱,歸一化處理特征向量:

      T1'=[E0/E E1/E ... Ej/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pid和全局最優(yōu)位置pgd。并利用公式

      vid(t+1)=ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) (8)

      xid(t+1)=xid(t)+vid(t+1) (9)

      更新所有粒子的速度和位置;其中ω為慣性權(quán)重;vid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;ωmax=1.2;ωmin=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pid,則更新pid;若其優(yōu)于全局最優(yōu)位置pgd,則更新pgd。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):Sa1和Sa2導(dǎo)通,Sa3和Sa4關(guān)斷,電流方向?yàn)檎龝r(shí),電流從P點(diǎn)經(jīng)Sa1和Sa2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Udc/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VDa1和VDa2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):Sa2和Sa3導(dǎo)通,Sa1和Sa4關(guān)斷,電流方向?yàn)檎龝r(shí),電流從中性點(diǎn)O經(jīng)VDa5和Sa2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)Sa3和VDa6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):Sa3和Sa4導(dǎo)通,Sa1和Sa2關(guān)斷,電流方向?yàn)檎龝r(shí),電流從N點(diǎn)經(jīng)VDa3和VDa4流進(jìn)A點(diǎn),輸出端A點(diǎn)電位等于N點(diǎn)電位,即-Udc/2;當(dāng)電流方向?yàn)樨?fù)時(shí),電流從A點(diǎn)經(jīng)Sa3和Sa4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Sa1、Sa2、Sa3、Sa4和鉗位二極管VDa5、VDa6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(Sa1,Sa2)、(Sa1,Sa3)、(Sa1,Sa4)、(Sa2,Sa3)、(Sa2,Sa4)或(Sa3,Sa4)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)。

      當(dāng)前第1頁(yè)1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1