一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法技术

本发明专利技术是一种基于ISOS‑DBN模型的光伏并网逆变故障特征提取诊断方法，属于光伏发电系统信号处理与诊断领域。包括以下步骤：采集各种工作状态下逆变器电流信号，并作归一化处理；利用训练样本进行DBN训练，训练过程中采用ISOS算法对网络模型参数进行优化选择，得到一个ISOS‑DBN模型与训练集特征数据；计算训练集特征数据集不同故障类别的类心，形成故障样本库；将测试样本输入至ISOS‑DBN模型中计算出待测样本特征数据，并计算测试样本与样本库中各故障类心的夹角余弦距离；对比样本故障库确定故障类型。本发明专利技术操作简单，便于实施，自动化程度高，可以避免了过多的人为因素影响，实用性极强。

A fault feature extraction and diagnosis method for photovoltaic grid-connected inverters based on ISOS-DBN model

The invention relates to a fault feature extraction and diagnosis method for photovoltaic grid-connected inverters based on ISOS DBN model, which belongs to the field of signal processing and diagnosis of photovoltaic power generation system. It includes the following steps: collecting current signals of inverters under various working conditions and normalizing them; using training samples for DBN training, using ISOS algorithm to optimize the parameters of the network model in the training process, obtaining an ISOS DBN model and training set characteristic data; calculating the class centers of different fault types of training set characteristic data set, forming a fault sample database; The test samples are input into the ISOS DBN model to calculate the characteristic data of the test samples, and the angle cosine distance between the test samples and the fault centers in the sample library is calculated. The fault types are determined by comparing the sample fault library. The invention has the advantages of simple operation, easy implementation, high automation, avoidance of excessive human factors and high practicability.

【技术实现步骤摘要】
一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法
本专利技术属于光伏发电系统信号处理与诊断领域，具体涉及一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法。
技术介绍
目前，电力电子设备已经广泛成为各种电源的重要组成成分，承担着电力变换的任务，其工作时的稳定状态与可靠性关乎整个系统的安全运行。以光伏并网逆变为例，一旦出现故障，不仅会影响逆变侧交流设备的运行，还会产生“垃圾电”影响电网的安全运行。因此为确保设备与电网能长期稳定运行，开展故障诊断技术研究具有现实意义。目前故障诊断技术研究主要分为两部分：特征提取与故障诊断。光伏并网逆变器有多种类型，以三相电压源型逆变VSI为例，其故障类型主要繁多，主要有单管故障，同一半桥中双管故障，同一桥臂双管故障，不同桥臂双管交叉故障。针对多种故障情况，首先是选择合适的方法进行故障信号特征提取，故障特征的有效性越强，后续故障诊断与故障定位越简单。目前特征提取主要采用信号处理(如FFT)与统计分析(如PCA)的方法，这些方法具有人工干预大，自动化程度低的缺点。
技术实现思路
针对上述提到现有技术的缺点，本专利技术提出一种基于ISOS-DBN模型的故障特征提取及故障诊断方法。考虑到深度置信网络(DBN)挖掘数据深层次特征的特点。本专利技术利用DBN直接对原始信号进行深层挖掘特征信号，最后将提取的特征建立故障样本库，以利用夹角余弦距离进行故障诊断。但是目前DBN网络结构大都依靠经验选取，尚无合适的方法指导其选择过程，而且网络结构的选择对故障特征提取与诊断具有重要意义。因此在DBN的网络训练中，加入改进的共生生物搜索算法(ISOS)对DBN的隐含层层数与各层神经元节点数进行优化选择，使DBN具有最佳故障特征提取性能，获得的故障特征数据得到各故障类心用于建立故障样本库，故障诊断时，求取待测数据与样本库中各故障类心夹角余弦距离实现故障分类与元件定位，具有计算简单、自动化程度强、效率高的优点。本专利技术提出的方案包括：基于ISOS-DBN生成模型的光伏并网逆变故障特征提取方法。主要包括以下步骤：1.采集各种工作状态下逆变器交流测电流信号，并作归一化处理；2.DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法(ISOS)对网络模型参数(隐含层层数与各层神经元节点数)进行优化选择，得到一个ISOS-DBN模型与训练集特征数据；3.故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库；4.将测试样本输入至训练好的ISOS-DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离；5.对比样本故障库确定故障类型。所述步骤1具体为：(1.1)全信号采集：通过电流传感器采集各种工作状态下逆变器交流测电流信号；(1.2)原始数据合成：将每一次采集的三相交流电流按照设定长度进行截取并合成为一条数据，得到总样本X＝(x1,x2,...,xω)，ω为故障类别，假如每类故障下有i个样本，则总样本数量为i*ω，工频交流电一个周期为0.02s，假如采样频率为fc，那么一条样本的数据总长度为：N＝3fc/f网其中，f网为电网频率50Hz。(1.3)数据预处理：将步骤(2)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集。本专利技术提出的特征提取技术，目的是利用改进的共生生物搜索算法对DBN网络进行网络结构优化，具体操作是在DBN网络训练中加入ISOS算法。DBN的网络结构优化是以分类准确率最高为目标，以分类准确率为适应度函数，用ISOS算法寻优确定DBN节点数及层数。下面对ISOS及其具体步骤进行简要介绍。共生生物体搜索(SOS)算法源于对生态系统中生物体生存繁衍共同生活这一共生关系的模拟，是一种新颖的元启发式优化算法。该算法结构简单，可调参数极少，鲁棒性、搜索能力强,且容易实现，算法自提出以来愈来愈受到国内外学者的关注，在复杂优化和工程计算等方面得到广泛地应用。本专利技术为了增强SOS算法的局部搜索能力，提出了改进的共生生物搜索(ImprovedSymbioticOrganismsSearch,ISOS)算法。所述ISOS-DBN模型为：DBN网络训练中加入ISOS算法，所述ISOS是在SOS原有算法的基础上增加了Pareto最优解近邻搜索过程，(Pareto最优解指的是迭代过程中出现的最优的m个解，一般取m＝((0.1～0.5)*N))提高算法利用当前解找到更优解的能力。具体方式是分别以Pareto最优解集中的每个个体为中心，在其周围的相应半径R内产生若干个点S，对每个点进行适应度值评价，若存在适应度值优于原个体的点，则将点替代原个体。进行邻域搜索的公式如下:x′i＝xi+R(2si-1)式中：xi为群体中的第i个个体；i＝1,2,...,M；R为搜索半径；si为sobol低偏差序列，使用sobol低偏差序列的目的是在原有个体周围均匀产生新的点。ISOS优化网络结构的主要步骤如下：(1)参数初始化。搜索空间上下界，种群规模N,设定Pareto最优解集规模M，最大迭代次数T_iter，预设精度为10-6,，令迭代步数t＝0，初始化生物体种群集P(0)；(2)度量P(0)中N个生物体的适应度，得到实数值解S(0)；(3)对S(0)中的解进行排序，取前M个作为Pareto最优解集X(0)，取X(0)中最优值为最优解Xbest；(4)进入迭代优化过程。Whilet<＝T_iter，t＝t+1；通过互利阶段、片利阶段和寄生阶段更新最优解X(t),在X(t)的基础上利用Pareto近邻搜索判断是否具有更优解，并更新至Xbest，判断是否满足终止条件以跳出循环；(5)输出全局最优解Xbest。得到的全局最优解Xbest中，包含了最优参数，将各最优值重新赋给DBN网络训练，得到一个优化的网络结构，该ISOS-DBN输出的为训练集的最优特征数据。采用上述方案的优点在于：(1)本方案由特征提取技术与故障诊断技术共同构成，操作简单，便于实施。(2)所提出的ISOS是对SOS算法进行改进，并首次将其应用于DBN网络的网络结构寻优过程。本专利技术在SOS基础上增加Pareto近邻搜索：在当前Pareto集上用低偏差序列进行邻域搜索，提高算法利用当前解寻找更优解的能力。所提算法与与粒子群算法(PSO)，蝙蝠算法(BAT)等传统算法相比较，在收敛精度与鲁棒性上具有明显优势，并能获得更好的DBN网络结构参数。(3)在特征提取技术中采用本专利技术改进的SOS算法对DBN网络结构进行优化，其自动化程度高，可以避免了过多的人为因素影响。(4)将得到的训练集特征参数与各故障集类心做成样本库，故障诊断时直接计算待测样本与样品库中各故障集类心夹角余弦距离就能直接判断故障类型，解释性强。相比于SVM，BP分类器来说，计算公式简单，避免由于随机赋值陷入的局部最优解，因此实用性极强。附图说明图1是特征提取与故障诊断流程示意图。图2是pareto搜索示意图。图3、图4和图5是ISOS与PSO、BAT算法在函数极值寻优性能上的比较图。图6是ISOS优化DBN适应度曲线。图7是ISOS优化算本文档来自技高网...

【技术保护点】
1.一种基于ISOS‑DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，包括以下步骤：(1)采集各种工作状态下逆变器交流测电流信号，并作归一化处理,以及划分训练样本集与测试样本集；(2)DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法ISOS对网络模型参数即隐含层层数与各层神经元节点数进行优化选择，得到一个ISOS‑DBN模型与训练集特征数据；(3)故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库；(4)将测试样本输入至训练好的ISOS‑DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离；(5)对比样本故障库确定故障类型。

【技术特征摘要】
1.一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，包括以下步骤：(1)采集各种工作状态下逆变器交流测电流信号，并作归一化处理,以及划分训练样本集与测试样本集；(2)DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法ISOS对网络模型参数即隐含层层数与各层神经元节点数进行优化选择，得到一个ISOS-DBN模型与训练集特征数据；(3)故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库；(4)将测试样本输入至训练好的ISOS-DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离；(5)对比样本故障库确定故障类型。2.根据权利要求1所述的一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，所述步骤(1)具体为：(1.1)全信号采集：通过电流传感器采集各种工作状态下逆变器交流测电流信号；(1.2)原始数据合成：将每一次采集的三相交流电流按照设定长度进行截取并合成为一条数据，得到总样本X＝(x1,x2,...,xω)，ω为故障类别，假如每类故障下有i个样本，则总样本数量为i*ω，工频交流电一个周期为0.02s，假如采样频率为fc，那么一条样本的数据总长度为：N＝3fc/f网其中，f网为电网频率50Hz；(1.3)数据预处理：将步骤(1.2)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集。3.根据权利要求1所述的一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，所述ISOS-DBN模型为：DBN网络...

【专利技术属性】
技术研发人员：张彼德，孔令瑜，李宜，梅婷，洪锡文，陈颖倩，肖丰，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51