基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法技术

本发明专利技术公开了基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法，属于电力电子运用与故障诊断技术领域，本发明专利技术基于NPC光伏逆变器拓扑结构，将在语音识别领域广泛应用的动态模式识别方法—隐马尔可夫模型引入到NPC光伏逆变器故障诊断上；采用左右型隐马尔可夫链进行建模，对NPC光伏逆变器进行故障诊断。对比现有的NPC光伏逆变器的故障诊断方法，本发明专利技术隐马尔可夫模型所需的训练样本少，迭代步数远远小于常规NPC光伏逆变器故障诊断方法，模型训练时间短、故障识别率高、识别速度快；能很好地处理动态过程，可以在系统运行的动态过程中进行监测与诊断，及时NPC光伏逆变器的发现故障。

【技术实现步骤摘要】

本专利技术属于电力电子运用与故障诊断
，具体涉及基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法。
技术介绍
在当前环境形势日益严峻、资源日趋匿乏的情况下，调整能源比重、开发和利用清洁型能源逐渐发展为世界各国能源战略的重中之重。在对太阳能的各种开发利用中，以在光伏发电
的应用最为常见也最为有价值。现代控制技术在光伏发电领域中得到了广泛应用，促使光伏发电控制技术的发展逐渐庞大起来，越来越复杂。在对生产的费用进行降低的同时提升了其效率，同时自动化程度的增长也加大了控制系统故障出现的概率。光伏发电系统的电源动力和控制系统一般有大功率逆变器担当，逆变器若出现故障而得不到技术的诊断与修复，定会造成无法挽回的经济损失和安全风险。达到冗余与容错控制及平稳运行是光伏发电系统对其所用逆变器进行考察的主要指标。对其安全与平稳运行的保证是光伏发电技术函需处理的重要问题，其在现实应用中的意义非常重大。所以研究光伏逆变器的故障诊断技术就表现得尤为关键。当前较为传统的NPC逆变器故障诊断方法有基于信号处理的方法和基于知识的方法等，其中基于信号处理的方法虽使用方便，但是其故障特征的判别参数需要根据专家的经验来设定，这个缺点降低了此方法的实用性；基于知识的方法虽提高了故障诊断的时效性，但识别正确率较低，有很大的局限性。
技术实现思路
为解决现有技术存在的问题，本专利技术提出了一种基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法，解决传统逆变器故障诊断中识别率低及诊断速度慢的问题。本专利技术是通过以下技术方案实现上述技术目的的。基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法，其特征在于，包括以下步骤：S1，由获得的NPC光伏逆变器的输出电压U、输出电流I训练隐马尔可夫模型，具体过程如下：S1.1，获得用于训练隐马尔可夫模型的NPC光伏逆变器的输出电压U和输出电流I，包括所有已明确故障类型及正常状态时的NPC光伏逆变器的输出电压U和输出电流I；S1.2，对S1.1获得的所有故障状态时的输出电压U和输出电流I进行处理；S1.3，建立一个隐马尔可夫模型：λ＝(π,A,B)，确定λ模型中的参数初始值；S1.4，用Viterbi算法求λ模型的状态序列；S1.5，根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B；S1.6，对λ模型进行参数重估使观测序列的概率最大，得到重估后的参数初始值；S1.7，得到初始参数后，用Baum-Welch算法对参数进行迭代，直到参数收敛到设定的范围内；S2，由某一故障状态时的输出电压U和输出电流I，对NPC光伏逆变器的故障进行诊断，具体过程如下：S2.1，根据S1完成训练后的参数，可以得到对应于NPC光伏逆变器各故障状态时的隐马尔可夫模型；S2.2，将待测故障状态中的输出电压U与输出电流I用S1.2的方法处理后，带入S2.1中各故障状态时的隐马尔可夫模型；S2.3，比较各故障状态时的隐马尔可夫模型的概率输出值；S2.4，概率输出值最大的模型所对应的状态为当前NPC光伏逆变器所处的故障。进一步，S1.1中在训练隐马尔可夫模型时，使用对应状态的NPC光伏逆变器的输出电压U和输出电流I。进一步，S1.1中用于训练隐马尔可夫模型的输出电压U和输出电流I的数值，即可以是离线的数据，也可以是在线监测的数据。进一步，所述S1.2具体为：将获得的输出电压U和输出电流I转化为离散数值：将输出电压U和输出电流I的幅值等分为多个区域并升序排列，将各区域映射为各个离散值，在此基础上确定获得的输出电压U和输出电流I对应的离散数值。进一步，S1.3具体为：基于电路的模型，选择无跳跃的左右型的隐马尔可夫模型，初始状态概率π设置为π＝[1000]，状态转移矩阵A设置为观测值概率矩阵B用混合高斯概率密度函数来表示，即其中M是混合高斯概率密度函数的混合数目，cjm是第j状态时第1个混合高斯的权，μ为正态高斯概率密度函数，Ot为每个故障状态时的观测值，ujm为第j状态时第1个混合高斯元的均值矢量，Ujm表示第j个状态时第1个混合高斯元的协方差矩阵。本专利技术的有益效果为：隐马尔可夫模型是含有隐藏状态和观测状态的模型，可以解决NPC光伏逆变器故障诊断问题，能很好地处理动态过程；用Viterbi算法求λ模型的状态序列并建立模型的速度较传统建模方式更为快捷，经过Baum-Welch算法对参数进行反复迭代得到的是局部最优解，因此故障识别率非常高。附图说明图1为本专利技术使用的隐马尔可夫模型示意图；图2为本专利技术基于隐马尔可夫模型的NPC光伏逆变器的故障诊断流程图；图3为本专利技术隐马尔可夫模型参数训练流程图。具体实施方式下面结合附图及具体实施例对本专利技术的技术方案进行详细说明，但本专利技术的保护范围并不限于此。隐马尔可夫模型HMM是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。隐马尔可夫模型创立于20世纪70年代，80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别、行为识别、文字识别以及故障诊断等领域。隐马尔可夫模型则是双重随机过程，不仅状态转移之间是个随机事件，状态和输出之间也是一个随机过程。隐马尔可夫模型有五个基本要素，即一个五元组{N,M,π,A,B本文档来自技高网...

【技术保护点】
基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法，其特征在于，包括以下步骤：S1，由获得的NPC光伏逆变器的输出电压U、输出电流I训练隐马尔可夫模型，具体过程如下：S1.1，获得用于训练隐马尔可夫模型的NPC光伏逆变器的输出电压U和输出电流I，包括所有已明确故障类型及正常状态时的NPC光伏逆变器的输出电压U和输出电流I；S1.2，对S1.1获得的所有故障状态时的输出电压U和输出电流I进行处理；S1.3，建立一个隐马尔可夫模型：λ＝(π,A,B)，确定λ模型中的参数初始值；S1.4，用Viterbi算法求λ模型的状态序列；S1.5，根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B；S1.6，对λ模型进行参数重估使观测序列的概率最大，得到重估后的参数初始值；S1.7，得到初始参数后，用Baum‑Welch算法对参数进行迭代，直到参数收敛到设定的范围内；S2，由某一故障状态时的输出电压U和输出电流I，对NPC光伏逆变器的故障进行诊断，具体过程如下：S2.1，根据S1完成训练后的参数，可以得到对应于NPC光伏逆变器各故障状态时的隐马尔可夫模型；S2.2，将待测故障状态中的输出电压U与输出电流I用S1.2的方法处理后，带入S2.1中各故障状态时的隐马尔可夫模型；S2.3，比较各故障状态时的隐马尔可夫模型的概率输出值；S2.4，概率输出值最大的模型所对应的状态为当前NPC光伏逆变器所处的故障。...

【技术特征摘要】
1.基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法，其特征在于，包括以下步骤：S1，由获得的NPC光伏逆变器的输出电压U、输出电流I训练隐马尔可夫模型，具体过程如下：S1.1，获得用于训练隐马尔可夫模型的NPC光伏逆变器的输出电压U和输出电流I，包括所有已明确故障类型及正常状态时的NPC光伏逆变器的输出电压U和输出电流I；S1.2，对S1.1获得的所有故障状态时的输出电压U和输出电流I进行处理；S1.3，建立一个隐马尔可夫模型：λ＝(π,A,B)，确定λ模型中的参数初始值；S1.4，用Viterbi算法求λ模型的状态序列；S1.5，根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B；S1.6，对λ模型进行参数重估使观测序列的概率最大，得到重估后的参数初始值；S1.7，得到初始参数后，用Baum-Welch算法对参数进行迭代，直到参数收敛到设定的范围内；S2，由某一故障状态时的输出电压U和输出电流I，对NPC光伏逆变器的故障进行诊断，具体过程如下：S2.1，根据S1完成训练后的参数，可以得到对应于NPC光伏逆变器各故障状态时的隐马尔可夫模型；S2.2，将待测故障状态中的输出电压U与输出电流I用S1.2的方法处理后，带入S2.1中各故障状态时的隐马尔可夫模型；S2.3，比较各故障状态时的隐马尔可夫模型的概率输出值；S2.4，概率输出值最大的模型所对应的状态为当前N...

【专利技术属性】
技术研发人员：郑宏，王若隐，朱文，王一帆，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32