基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法技术

本发明专利技术公开了基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，属于电力电子运用与故障诊断技术领域。该方法将隐马尔可夫模型(HMM)与遗传算法结合，引入到NPC光伏逆变器故障诊断上。运用HMM进行故障诊断,模型初始值的选取可能达到局部最优而影响诊断正确率，本发明专利技术针对此缺陷，加入遗传算法，遗传算法具有全局寻优的功能，因此将HMM与遗传算法结合(GHMM)，进行逆变器故障诊断。对比现有的光伏逆变器故障诊断方法，本发明专利技术中训练模型的迭代步数远远小于常规方法，且训练时间短、识别速度快，与单独运用HMM进行对比，GHMM近一步提高了识别正确率。GHMM在系统运行的动态过程中进行监测与诊断，模型达到全局最优，大幅提高了故障识别率。

【技术实现步骤摘要】
基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法
本专利技术属于电力电子运用与故障诊断
，具体涉及基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法。
技术介绍
由于当前环境形势日益严峻、资源日趋匿乏，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。现代控制技术也在光伏发电领域中得到广泛应用。促使光伏发电控制技术发展的逐渐庞大起来，也越来越复杂。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。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。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本文档来自技高网...

【技术保护点】
基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，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和输出电流I训练GHMM，具体过程如下：S1.1，获得用于训练GHMM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的值进行处理；S1.3，建立一个GHMM：λ＝(π,A,B)，确定λ模型中的参数初始值；S1.4，用遗传算法训练出最优观测值概率矩阵B的初始值，此时λ＝(π,A,B)的初始化完成；S1.5，得到λ模型中参数π、A、B的初始值后，用B...

【技术特征摘要】
1.基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，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和输出电流I训练GHMM，具体过程如下：S1.1，获得用于训练GHMM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的值进行处理；S1.3，建立一个GHMM：λ＝(π,A,B)，确定λ模型中的参数初始值；S1.4，用遗传算法训练出最优观测值概率矩阵B的初始值，此时λ＝(π,A,B)的初始化完成；S1.5，得到λ模型中参数π、A、B的初始值后，用Baum-Welch算法对参数π、A、B进行重估，得到重估后的模型重复此过程，直到参数π、A、B收敛到设定的范围内，此时的就是所求的改进的隐马尔可夫模型；S2，由某一故障状态时的输出电压U和输出电流I值，对NPC光伏逆变器故障进行诊断，具体过程如下：S2.1，根据步骤S1完成训练后得到的参数π、A、B，可以得到对应于NPC光伏逆变器各故障状态的改进的隐马尔可夫模型；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中各故障状态的改进的隐马尔可夫...

【专利技术属性】
技术研发人员：郑宏，王若隐，赵伟，沈思伦，林勇，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32