本发明专利技术公开了一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，针对光伏微网中的三电平逆变器故障诊断问题，以逆变状态为例，首先分析逆变器主电路的运行情况并进行故障分类，然后以中、上、下三种桥臂电压为测量信号，采用小波多尺度分解法提取特征信号，进而利用粒子群聚类算法生成决策树SVM分类模型，最终实现了光伏二极管箝位型三电平逆变器的多模式故障诊断。其优点是：该算法能够明显区分光伏二极管箝位型三电平逆变器的各个故障状态，使用了较少的分类模型完成故障诊断任务，且诊断精度高，抗干扰能力强。
【技术实现步骤摘要】
本专利技术涉及电力电子装置故障诊断领域，尤其是一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法。
技术介绍
全球范围的能源危机和环境危机促使人们寻求更加清洁、绿色的新型能源，在清洁型能源中太阳能凭借其：无污染、可持续、普遍性、灵活性和可靠性等优点，受到了广泛关注。在光伏系统越来越多并入电网运行的情况下，光伏逆变器作为光伏系统中最为核心的部件，关系着整个系统的安全、稳定和高效运行。与传统的两电平逆变器相比，三电平逆变器因其开关器件串联均压、开关损耗小、输出电压谐波含量低和工作效率高等优点，在光伏发电系统中得到广泛的应用。然而三电平逆变器增加了开关器件的数量，电路的可靠性也相应地降低，任意一个器件发生故障就可能导致电路非正常运行，甚至会导致二次故障，造成巨大的经济损失。光伏三电平逆变器故障诊断的问题主要在三个方面：一是在电路故障模式方面，仅考虑单个器件开路的故障，近些年才开始讨论多器件同时故障的多故障模式诊断，但这方面的研究还较少，分析问题还不够全面，而现有的2个开关器件同时开路的故障诊断方法算法结构都较为复杂；二是检测信号多为输出电压和输出电流，由于输出端存在感性负载，电流变化缓慢，这往往会增加故障诊断时间；三是诊断算法方面，智能诊断算法逐渐运用到逆变器故障诊断领域，如人工神经网络、支持向量机、极限学习机等等。其中，神经网络的应用较多，而神经网络自身存在较多缺陷：需要设置的参数较多、收敛速度慢、易陷入局部最优等等，这些都严重阻碍着神经网络的应用。光伏三电平逆变器的开关器件较多，故障问题种类繁杂，同时为了满足系统的实时性要求，传统的方法已经不能满足实际需求。这里利用数据驱动的思想，利用逆变器系统运行过程中不断产生并反映系统运行机理和状态的数据，通过合适的特征提取和分析方法，实现光伏逆变器的故障诊断和识别。小波分析是一种信号时频域分析方法，它可以同时描述信号的时域和频域，并且可以获得信号的局部化信息，是近年来故障特征提取的热点。粒子群聚类算法是在粒子群优化算法的基础上推广得到的，粒子群优化算法是一种基于群智能的新兴进化计算技术，通过群体中个体的合作和竞争而产生的群体智能指导优化搜索，具有较强的通用性。支持向量机是一种基于统计学习理论的机器学习算法，它在解决高维、非线性及小样本为特点的模式识别中，具有独特的优势，在电力电子的故障诊断领域也有很好的实用价值和应用前景。
技术实现思路
本专利技术的目的是提供一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法。一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断。第一步：建立光伏二极管箝位型三电平逆变器电路的模型三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成。由于三电平逆变器电路本身的结构，每个开关管在工作过程中所可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求。三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类。1)所有IGBT开关管都正常运行，逆变器无故障，共一小类。2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类。3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类。第二步：提取三电平逆变器主电路开路故障特征三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征。对采用空间矢量脉宽调制(SVPWM)控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征。再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量。设En为第n个分解系数序列Sn的能量，则式中，Xn，n＝0,1,…,j为重构信号的Sn的离散点幅值。进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T1为：T1＝[E0E1...Ej](2)统一量纲，归一化处理特征向量：T1'＝[E0/EE1/E...Ej/E](3)其中，E为信号的总能量，T1′中各个元素对应各个频带能量的百分比。采用同样的方法再处理上、下桥臂，可以分别得到特征向量T2′和T3′，定义故障特征向量为：T＝[T1'T2'T3'](4)将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本。第三步：构建粒子群聚类故障诊断决策树三电平逆变器共有13种故障小类，若要构建决策树将故障完全区分，就需要用到粒子群聚类算法将故障不断地划分成两类。粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置聚类数目、粒子数目、迭代次数等参数，再将每个样本随机分类，并作为最初的聚类划分后计算聚类中心、适应度等参数，将粒子初速度设为零。这样就可以根据初始粒子群，得到的粒子个体最优位置pid和全局最优位置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为惯性权重；vid为粒子的速度；c1和c2为加速度因子；r1和r2是分布于[0，1]之间的随机数；R1＝1；R2＝0.5；R3＝4；R4＝2；ωmax＝1.2；ωmin＝0.4；iter为当前迭代次数；itermax为最大的迭代次数。依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度。再一次比较适应度，若其优于个体最优位置pid，则更新pid；若其优于全局最优位置pgd，则更新pgd。如果达到最大迭代次数，则算法结束，否则继续迭代。决策树结构的生成需要先将全部训练样本集作为初始节点，利用粒子群聚类算法，将其划分成两类，形成两个子节点。判断子节点是否只包含一类故障样本，若是则算法结束，否则继续采用粒子群聚类算法进行处理，划分成两个新的子节点，这样不断划分，直到所有子节点只包含一类故障样本，算法结束。这样将所有的故障样本进行聚类划分，就可以反向构建故障诊断决策树。第四步：训练和测试决策树支持向量机SVM故障分类模型按照4:1的比例将故障数据样本划分成训练集和测试集，训练集按照决策树结构上故障的分布训练支持向量机SVM分类模型，支持向量机SVM分类模型均采用径向基核函数，并各自优本文档来自技高网...
【技术保护点】
一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断；第一步：建立光伏二极管箝位型三电平逆变器电路的模型三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成，由于三电平逆变器电路本身的结构，每个开关管在工作过程中可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求；三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类；1)所有IGBT开关管都正常运行，逆变器无故障，共一小类；2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类；3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类；第二步：提取三电平逆变器主电路开路故障特征三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征，对采用空间矢量脉宽调制SVPWM控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征，再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量，设En为第n个分解系数序列Sn的能量，则En=Σk=1N|Xn|2---(1)]]>式中，Xn，n＝0,1,…,j为重构信号序列Sn的离散点幅值，进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T1为：T1＝[E0 E1 ... Ej] (2)进一步统一量纲，归一化处理特征向量得到：T1'＝[E0/E E1/E ... Ej/E] (3)其中，E为信号的总能量，T1′中各个元素对应各个频带能量的百分比，采用同样的方法再处理上、下桥臂，可以分别得到特征向量T2′和T3′，定义故障特征向量为：T＝[T1' T2' T3'] (4)将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本；第三步：构建粒子群聚类故障诊断决策树由于三电平逆变器共有13种故障小类，若要构建决策树将故障完全区分，就需要用到粒子群聚类算法将故障不断地划分成两类；粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置聚类数目、粒子数目、迭代次数等参数，再将每个样本随机分类，并作为最初的聚类划分后计算聚类中心、适应度等参数，设置粒子初速度为零；这样就可以根据初始粒子群得到的粒子个体的最优位置pid和全局最优位置pgd，并利用公式ω=ωmax-iteritermax(ωmax-ωmin)---(5)]]>c1=R1+iteritermaxR2---(6)]]>c2=R3-iteritermaxR4---(7)]]>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为惯性权重；vid为粒子的速度；c1和c2为加速度因子；r1和r2是分布于[0，1]之间的随机数；R1＝1；R2＝0.5；R3＝4；R4＝2；ωmax＝1.2；ωmin＝0.4；iter为当前迭代次数；itermax为最大的迭代次数；依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度，再一次比较适应度，若其优于个体最优位置pid，则更新pid；若其优于全局最优位置pgd，则更新pgd，如果达到最大迭代次数，则算法结束，否则继续迭代；决策树结构的生成需要先将全部训练样本集作为初始节点，利用粒子群聚类算法，将其划分成两类，形成两个子节点，判断子节点...
【技术特征摘要】
1.一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断；第一步：建立光伏二极管箝位型三电平逆变器电路的模型三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成，由于三电平逆变器电路本身的结构，每个开关管在工作过程中可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求；三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类；1)所有IGBT开关管都正常运行，逆变器无故障，共一小类；2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类；3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类；第二步：提取三电平逆变器主电路开路故障特征三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征，对采用空间矢量脉宽调制SVPWM控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征，再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量，设En为第n个分解系数序列Sn的能量，则En=Σk=1N|Xn|2---(1)]]>式中，Xn，n＝0,1,…,j为重构信号序列Sn的离散点幅值，进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T1为：T1＝[E0E1...Ej](2)进一步统一量纲，归一化处理特征向量得到：T1'＝[E0/EE1/E...Ej/E](3)其中，E为信号的总能量，T1′中各个元素对应各个频带能量的百分比，采用同样的方法再处理上、下桥臂，可以分别得到特征向量T2...
【专利技术属性】
技术研发人员：陶洪峰，周超超，刘艳，童亚军，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。