本發(fā)明涉及電力電子裝置故障診斷領(lǐng)域，尤其是一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和決策樹RVM的二極管中點(diǎn)箝位式三電平逆變器故障診斷方法。

背景技術(shù)：

隨著光伏發(fā)電技術(shù)的進(jìn)步和光伏發(fā)電并網(wǎng)運(yùn)行規(guī)模的增大，光伏發(fā)電系統(tǒng)的優(yōu)化、改善和運(yùn)行成本等問題嚴(yán)重制約了光伏發(fā)電產(chǎn)業(yè)的發(fā)展。其中，光伏逆變器雖然成本不高，但由于逆變電路所用的電力電子器件本身具有脆弱性、逆變器電路控制復(fù)雜、通斷控制頻繁、外部環(huán)境較惡劣等原因，逆變器一直是整個(gè)系統(tǒng)中易發(fā)生故障的薄弱環(huán)節(jié)，其易出現(xiàn)過壓、過流、功率管短路和開路等故障，而這些情況都嚴(yán)重關(guān)系到整個(gè)光伏發(fā)電系統(tǒng)的安全運(yùn)行。為了防止因故障造成更嚴(yán)重的事故，及時(shí)檢測故障設(shè)備，確定設(shè)備發(fā)生故障的原因和位置，不僅有利于降低經(jīng)濟(jì)損失，也有利于維護(hù)人員工作的開展。同時(shí)，可以實(shí)現(xiàn)光伏發(fā)電系統(tǒng)穩(wěn)定、高效、安全地運(yùn)行，對(duì)促進(jìn)我國光伏發(fā)電的規(guī)模化發(fā)展具有及其重要的意義。

隨著不同類型和結(jié)構(gòu)的逆變器在光伏發(fā)電系統(tǒng)的逐漸應(yīng)用，其工作的可靠性、穩(wěn)定性、可維護(hù)性顯得愈發(fā)重要。據(jù)資料顯示，在所有并網(wǎng)逆變器故障中，38％來自逆變器主電路中功率管損壞。常見的逆變器故障主要有短路故障和開路故障，短路故障通常由硬件電路在微秒級(jí)的時(shí)間內(nèi)進(jìn)行保護(hù)處理；而短路故障，大多數(shù)不會(huì)立即導(dǎo)致系統(tǒng)停機(jī)，但會(huì)引起其他器件的二次故障，最終導(dǎo)致系統(tǒng)無法工作。當(dāng)逆變器發(fā)生故障時(shí)，電路中的電壓、電流等物理量相對(duì)于正常狀態(tài)會(huì)發(fā)生變化，所以可以根據(jù)檢測信號(hào)的不同，將逆變器功率管開路故障診斷方法分為兩種：電流和電壓故障診斷法。采用電流的故障診斷方法不需要額外的傳感器，但很多時(shí)候，電流與負(fù)載是相關(guān)的，當(dāng)其為空載或輕載時(shí)，電流法的診斷精度很低。電壓法通過考察逆變器相電壓、線電壓或橋臂電壓與正常狀態(tài)的偏差來進(jìn)行故障診斷，需要增加傳感器，但這樣也有很多優(yōu)勢：對(duì)噪聲和負(fù)載的魯棒性更強(qiáng)、誤報(bào)率較低且診斷時(shí)間較少。

在電力電子裝置的故障診斷中，故障特征向量的選擇和提取一直是診斷的關(guān)鍵，它直接影響到故障診斷結(jié)果的準(zhǔn)確性。而光伏三電平逆變器的開關(guān)器件較多，故障問題種類繁雜，其中所測得的大量信號(hào)為非穩(wěn)態(tài)信號(hào)。因此在故障診斷過程中有必要采用適合于處理非平穩(wěn)信號(hào)的特征提取方法，經(jīng)驗(yàn)?zāi)B(tài)分解法恰恰就是這樣一種方法。

另一方面，設(shè)計(jì)結(jié)構(gòu)合理的分類器來進(jìn)行狀態(tài)識(shí)別是故障診斷的又一關(guān)鍵步驟。目前，用于故障檢測與診斷的模式識(shí)別方法主要是統(tǒng)計(jì)模式識(shí)別和神經(jīng)網(wǎng)絡(luò)識(shí)別，同時(shí)如極限學(xué)習(xí)機(jī)、支持向量機(jī)等智能診斷算法也顯示出了極大的應(yīng)用潛力。但傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別方法都有各自的局限性，神經(jīng)網(wǎng)絡(luò)技術(shù)有很多重要的問題尚未從理論上得到解決，極限學(xué)習(xí)機(jī)需要大量的樣本進(jìn)行訓(xùn)練，支持向量機(jī)雖然適用于解決小樣本、非線性及高維模式識(shí)別，但仍有多種參數(shù)需要憑經(jīng)驗(yàn)選定，懲罰系數(shù)和核函數(shù)半徑等參數(shù)對(duì)診斷精度影響較大。相關(guān)向量機(jī)(relevant vector machine,RVM)是基于貝葉斯框架構(gòu)建的學(xué)習(xí)機(jī)，它比不需對(duì)懲罰因子做出設(shè)置，不會(huì)出現(xiàn)像支持向量機(jī)因?yàn)樵O(shè)置參數(shù)不當(dāng)而引起過學(xué)習(xí)的情況，且該算法同樣能解決高維、非線性及小樣本的模式識(shí)別問題，具有很好的應(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基于經(jīng)驗(yàn)?zāi)B(tài)分解和決策樹RVM的二極管中點(diǎn)箝位式三電平逆變器故障診斷方法。

一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和決策樹RVM的二極管中點(diǎn)箝位式三電平逆變器故障診斷方法，其特征包括：構(gòu)建二極管中點(diǎn)箝位式三電平逆變電路模型并進(jìn)行故障分類；提取三電平逆變電路開路故障特征向量；構(gòu)建三電平逆變器故障診斷決策樹；構(gòu)建相關(guān)向量機(jī)故障分類決策樹模型，最終實(shí)現(xiàn)光伏二極管中點(diǎn)箝位式三電平逆變器的故障診斷。

第一步：建立光伏二極管中點(diǎn)箝位式三電平逆變器電路的模型并進(jìn)行故障分類。三電平逆變器主電路由三相橋臂構(gòu)成，共有兩個(gè)鉗位電容、十二個(gè)主開關(guān)管、十二續(xù)流二極管和六個(gè)中點(diǎn)鉗位二極管。三電平逆變器電路有兩個(gè)顯著特點(diǎn)：由多個(gè)電平合成的輸出電壓波形，與傳統(tǒng)的兩電平相比，諧波含量大大減少，改善輸出電壓輸出波形；開關(guān)管的電壓額定值為直流母線上電壓的一半，使低壓開關(guān)管可以應(yīng)用于高壓變換器中。

由于光伏二極管中點(diǎn)箝位式三電平逆變器電路的三相是對(duì)稱的，因此以A相為例，其他相類似。主要討論三電平逆變電路故障的開路故障，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)還考慮中點(diǎn)鉗位二極管開路的情況，故障分類如下，共四大類十三小類。

1)系統(tǒng)無故障，共一小類。

2)單個(gè)鉗位二極管開路，共兩小類。

3)單個(gè)功率器件開路，即在四個(gè)功率管中任意一個(gè)開路，共四小類。

4)兩個(gè)器件開路，存在兩種情況：一是開路的兩個(gè)功率管不在同一橋臂，這種情況可以歸結(jié)為不同橋臂上的單個(gè)器件故障，可以參考第三種單個(gè)功率器件開路的故障分類；二是故障的兩個(gè)開關(guān)管在同一橋臂，即四個(gè)功率管中任意兩個(gè)功率管開路的情況，共六小類。

第二步：提取三電平逆變電路開路故障特征向量。在信號(hào)的分析過程中，時(shí)間尺度和隨時(shí)間尺度分布的能量是信號(hào)的兩個(gè)最主要參數(shù)。當(dāng)逆變電路功率管開路時(shí)，其電壓信號(hào)與正常系統(tǒng)的電壓信號(hào)相比，相同頻帶內(nèi)信號(hào)的能量會(huì)有較大差別。在信號(hào)各個(gè)頻率成分的能量中包含著豐富的故障信息，某種或幾種頻率成分能量的改變即代表了一種故障，因此可以根據(jù)各頻帶能量的變化進(jìn)行故障分析。

對(duì)采用空間矢量脈寬調(diào)制(SVPWM)和中性點(diǎn)電位控制的二極管中點(diǎn)箝位式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EMD分解，選取前n個(gè)IMF分量和殘留量，再計(jì)算各個(gè)IMF分量和殘留量的能量。設(shè)各個(gè)分量的能量E_i

式中，c_i,k(i＝1,2,…,n+1；k＝1,2,…,J)為前n個(gè)IMF分量和殘留量的J個(gè)離散點(diǎn)的幅值。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_n+1] (2)

考慮到能量的數(shù)值往往較大，為便于后面分類，對(duì)歸一化處理過程進(jìn)行改進(jìn)

同時(shí)，在各個(gè)IMF能量的基礎(chǔ)上，計(jì)算相應(yīng)的IMF能量熵

式中，p_i＝E_i/E_z為第i個(gè)分量的能量占整個(gè)信號(hào)能量的百分比

綜合以上參數(shù)，故障特征向量定義為：

T₁'＝[E₀/E E₁/E ... E_n+1/E H₁] (6)

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'] (7)

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。如前所述，三電平逆變器共有13種故障類型，若要構(gòu)建決策樹，就需要采用聚類算法將故障不斷地劃分成兩類，直到子類只包含一種樣本類型為止，其具體為：

先處理初始類，將全部訓(xùn)練樣本作為初始類，利用聚類算法，將其劃分成兩個(gè)子類；再判斷子類，如果子類只包含一種樣本類型，則算法結(jié)束，否則繼續(xù)利用聚類算法進(jìn)行聚類劃分，直到所有子類只包含一種樣本類型。

構(gòu)建決策樹的關(guān)鍵就在于聚類算法的選擇，這里采用粒子群聚類算法。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)置相關(guān)參數(shù)，再進(jìn)行隨機(jī)分類，將每個(gè)樣本隨機(jī)分類，計(jì)算適應(yīng)度、聚類中心等參數(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。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。

這樣將聚類的結(jié)果進(jìn)行匯總就可以構(gòu)建故障診斷決策樹的結(jié)構(gòu)，為后面RVM的訓(xùn)練對(duì)象提供依據(jù)。

第四步：構(gòu)建相關(guān)向量機(jī)故障分類決策樹模型。按照3:7的比例將數(shù)據(jù)樣本劃分成訓(xùn)練集和測試集，訓(xùn)練集按照上一步得到的決策樹結(jié)構(gòu)進(jìn)行訓(xùn)練。訓(xùn)練完成后，利用測試集進(jìn)行測試，得到診斷精度、平均訓(xùn)練時(shí)間和平均測試時(shí)間等指標(biāo)，最終實(shí)現(xiàn)光伏二極管中點(diǎn)箝位式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)明所提出的基于經(jīng)驗(yàn)?zāi)B(tài)分解和決策樹RVM的三電平逆變器故障診斷方法，是基于數(shù)據(jù)驅(qū)動(dòng)的思想，將經(jīng)驗(yàn)?zāi)B(tài)分解、粒子群聚類和相關(guān)向量機(jī)算法結(jié)合起來，實(shí)現(xiàn)光伏逆變器，尤其是光伏二極管中點(diǎn)箝位式三電平逆變器的故障診斷。

2)本發(fā)明通過經(jīng)驗(yàn)?zāi)B(tài)分解算法進(jìn)行特征提取，它是一種自適應(yīng)的算法，十分適合對(duì)非平穩(wěn)、非線性信號(hào)進(jìn)行分析。同時(shí)，不需要像小波分析那樣根據(jù)經(jīng)驗(yàn)選擇參數(shù)值，并能通過提取各個(gè)IMF分量的能量和信號(hào)的能量熵作為故障特征向量，表征故障信息。

3)本發(fā)明采用決策樹RVM的故障診斷模型結(jié)構(gòu)，決策樹結(jié)構(gòu)只需要構(gòu)建較少的分類模型就能完成故障診斷任務(wù)，同時(shí)RVM算法相比于SVM算法，其具有使用的向量更少、測試時(shí)間更短、稀疏性更強(qiáng)、對(duì)于訓(xùn)練樣本和特征較少的分類更魯棒性更強(qiáng)、不需要設(shè)置參數(shù)等優(yōu)點(diǎn)。

附圖說明

圖1為二極管中點(diǎn)箝位式三電平逆變器的故障診斷流程

圖2為二極管中點(diǎn)箝位式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為單個(gè)鉗位二極管開路時(shí)的橋臂電壓

圖7為逆變器正常時(shí)的EMD分解結(jié)果

圖8為逆變器正常時(shí)的故障特征向量直方圖

圖9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)明的基于經(jīng)驗(yàn)?zāi)B(tài)分解和決策樹RVM的三電平逆變器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所示為二極管中點(diǎn)箝位式三電平逆變器主電路拓?fù)浣Y(jié)構(gòu)圖，為簡化分析，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。圖中實(shí)線為電流正方向，虛線為電流的負(fù)方向，忽略功率器件導(dǎo)通壓降后，P狀態(tài)A點(diǎn)電位始終等于P點(diǎn)電位，O狀態(tài)A點(diǎn)電位始終等于O點(diǎn)電位，N狀態(tài)A點(diǎn)電位始終等于N點(diǎn)電位。

根據(jù)拓?fù)浣Y(jié)構(gòu)，將故障分為四大類十三小類，即二極管中點(diǎn)箝位式三電平逆變器的故障分類。

1)逆變電路無故障，功率器件正常工作，共一小類。

2)單個(gè)鉗位二極管VD_a5和VD_a6中任意一個(gè)開路，共兩小類。

2)單個(gè)器件開路，即功率管S_a1、S_a2、S_a3、S_a4，共四小類。

3)兩個(gè)器件開路，這類存在兩種小類，一是開路的兩個(gè)功率管不在同一橋臂，可以參考第三類的開路情況，不計(jì)入故障分類；二是開路的兩個(gè)功率管在同一橋臂，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)任意一組開路的情況，共六小類。綜上，故障分類和對(duì)應(yīng)的標(biāo)簽如表1所示。

表1故障分類

建立二極管中點(diǎn)箝位式三相三電平逆變器模型，采用SVPWM控制協(xié)同中點(diǎn)電位控制技術(shù)，控制逆變器三相的工作狀態(tài)，驅(qū)動(dòng)三電平逆變器完成逆變工作。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如圖4和圖5所示，對(duì)比圖4(c)和圖5(a)可以發(fā)現(xiàn)，S_a2和(S_a1,S_a2)兩者的電平邏輯相同，這是電路自身結(jié)構(gòu)原因造成的，所以需要引入新的測點(diǎn)，即上橋臂電壓，如圖6所示。分別對(duì)各個(gè)橋臂電壓進(jìn)行EMD分解，每個(gè)橋臂電壓被分解成4個(gè)IMF分量和1個(gè)殘余量，正常情況下橋臂電壓的EMD分解結(jié)果如圖7所示。分解后計(jì)算信號(hào)的能量，統(tǒng)一量綱后，再計(jì)算能量熵，最后構(gòu)建單個(gè)橋臂電壓的故障特征向量。整合單個(gè)故障特征向量，按照中、上和下的順序構(gòu)建總體故障特征向量，并按照不同的故障類型，構(gòu)建數(shù)據(jù)樣本。逆變器正常工作時(shí)的故障特征向量的直方圖如圖8所示。

如前所述，采用粒子群聚類算法，進(jìn)行故障樣本的劃分，如第一次劃分的結(jié)果是：標(biāo)簽為0、1、4、5、6和14的數(shù)據(jù)樣本歸為一類；標(biāo)簽是2、3、12、13、23、24和34的數(shù)據(jù)樣本歸為另一類。這樣決策樹第一層的結(jié)構(gòu)和對(duì)應(yīng)的分類模型RVM1的訓(xùn)練樣本也得到確定，依此類推。劃分結(jié)束后構(gòu)建決策樹，最終結(jié)果如圖9所示。從圖中可知，對(duì)于13種故障分類的問題，采用決策樹結(jié)構(gòu)只需要構(gòu)建12個(gè)分類模型，而如果采用一對(duì)一結(jié)構(gòu)，則需要構(gòu)建78個(gè)分類模型。同時(shí)，在測試模型方面，采用決策樹結(jié)構(gòu)只需要進(jìn)行2～6次分類運(yùn)算，而一對(duì)一結(jié)構(gòu)還是需要進(jìn)行78次分類運(yùn)算。綜上，采用決策樹結(jié)構(gòu)無疑將大大減少模型構(gòu)建數(shù)目，減少運(yùn)算時(shí)間，提高運(yùn)算效率。

將數(shù)據(jù)樣本分成訓(xùn)練集和測試集，比例為3:7。按照構(gòu)建的決策樹結(jié)構(gòu)，分別訓(xùn)練RVM1～RVM12，共12個(gè)相關(guān)向量機(jī)分類模型。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)(back propagation neural network,BPNN)、極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)、一對(duì)一結(jié)構(gòu)(1vs.1)的相關(guān)向量機(jī)和決策樹支持向量機(jī)(decision tree support vector machine,DT-SVM)的訓(xùn)練、測試時(shí)間和診斷精度，最終的故障診斷結(jié)果匯總?cè)绫?和表3所示。

表2故障診斷結(jié)果(10％白噪聲)

表3故障診斷結(jié)果(15％白噪聲)

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)。