基于1/6周期电流的逆变器功率管开路故障在线辨识方法技术

本发明专利技术提出了一种基于IGWO‑ELM的三相两电平逆变器开路故障在线辨识方法，涉及三相逆变器故障检测技术领域，该方法将一个周期T划分为6个区域，构造了七维开路故障特征向量，并将其作为输入、故障模式编号为输出构建功率管开路故障的极限学习机(Extreme Learning Machine，ELM)模型，用改进灰狼算法(Improved Grey Wolf Optimization，IGWO)优化模型参数；该方法利用功率管开路故障时三相电流的仿真数据，进行功率管ELM故障辨识模型的离线训练，确定最优模型参数；该方法将最优IGWO‑ELM逆变器功率管开路故障辨识模型嵌入其控制环节，实时获取三相电流并提取特征量作为最优IGWO‑ELM模型的输入，故障模式编号作为输出；该方法将故障模式编号转化为二进制编号实现故障的实时报警；该方法故障辨识总时长约3.36ms。

【技术实现步骤摘要】
基于1/6周期电流的逆变器功率管开路故障在线辨识方法
：本专利技术涉及三相两电平逆变器功率管开路故障检测的
，具体地说是一种基于多参数融合的七维故障特征量提取和IGWO-ELM故障辨识模型的逆变器功率管开路故障在线辨识方法。
技术介绍
：随着电力电子技术与半导体技术的快速发展，可再生能源技术得到了长足的进步，其中逆变器技术获得了优化。逆变器在各行各业中有着广泛应用，但相较而言，逆变器故障率高，其可靠性低于整个逆变系统的其他部分，且一旦故障，会对整个系统的正常运行带来不利影响。其中功率管是逆变器中失效率最高的器件之一。为有效防止逆变器故障对发电系统的进一步损坏，并实现逆变器容错运行，有必要进行逆变器开路故障辨识研究。目前，逆变器开路故障诊断已经取得了一定的成果。专利号为201020135717.9的专利技术专利公开了一种逆变器功率管开路故障的在线检测装置及检测方法，该方法中每个功率管开路故障的在线检测电路均由检测用光耦电路、逻辑电路和上升沿延时电路组成；即在具体实施时需要对系统进行改造，增加检测电路，增加了成本。专利号为201510020290.0的专利技术专利提出将三相电流的周期平均值和绝对值的周期平均值做加权处理，利用归一化处理后得到检测变量dn与阈值的比较完成故障定位。综上所述，目前逆变器开路故障辨识取得了一定的研究成果，但也存在这一些问题需要解决，第一，在实际应用中，系统通常是不允许对逆变器外加检测电路的，以免对系统的正常运行产生干扰。第二，当外加负载变化较大时，电流的变化范围也很大，可能会导致电流的测量不准确，降低可靠性，进而影响辨识结果。第三，如何实现在线的故障检测也需要如今研究的重点。
技术实现思路
：本专利技术的目的在于提供一种逆变器开路故障在线诊断方法，该方法将一个周期划分为6个区域，根据1/6工频周期内三相电流ia、ib和ic的测量值提取归一化峭度和归一化脉冲指标，结合区域编号构成多参数融合的七维开路故障特征向量；构建以七维开路故障特征向量为输入、故障模式编号为输出的功率管开路故障ELM辨识模型，用IGWO优化开路故障辨识ELM模型的参数，确定最优模型；将最优IGWO-ELM逆变器功率管开路故障辨识模型嵌入其控制环节，根据1/6工频周期三相电流ia、ib和ic提取特征量作为最优IGWO-ELM故障辨识模型的输入，实时监测辨识模型的输出；将IGWO-ELM逆变器功率管开路故障辨识模型的2位十进制输出的故障模式编号转换为5位二进制的故障模式编号，经2个七段字形显示译码器驱动七段字形LED，实现逆变器功率管开路故障的实时报警；该方法利用训练好的IGWO-ELM模型对于单个故障样本的平均辨识时间为3.057×10-5s，加上三相电流ia、ib和ic测量值所需的1/6工频周期，故障辨识总时长约3.36ms。本专利技术采用的技术方案是：(1)构建多参数融合的七维开路故障特征向量I.故障区域划分考虑到在一周期内不同时刻故障后，其输出电流波形不同，可根据ia的相量角将一周期划分为6个区域，αa＝1，2...6。表1区域划分II.基于归一化峭度的开路故障特征量提取对三相并网电流的峭度进行归一化处理，归一化的峭度Ik-kur定义为：式中，N为采样点数，1/6T＝N×采样间隔。III.基于归一化脉冲指标的开路故障特征量提取对三相并网电流的脉冲指标进行归一化处理，归一化的脉冲指标Ik-f定义为：式中，Ia-max、Ib-max和Ic-max分别为三相电流的最大值。和分别三相平均幅值。IV.多参数融合的开路故障特征向量构造融合三相电流的归一化峭度、归一化脉冲指标和故障分区，构造七维故障特征向量：x＝[Ia-kur，Ib-kur，Ic-kur，Ia-f，Ib-f，Ic-f，αa](3)该特征量根据1/6周期的三相电流ia、ib、ic计算得到，不受输出侧负载变化的影响，对应6个区域(1区域、2区域、3区域、4区域、5区域、6区域)中的任一区域的七维开路故障特征向量，在逆变器处于21种单、双管开路故障状态时，两两互异，具有清晰的辨识度。(2)逆变器功率管开路故障ELM辨识模型构建根据三相电流ia，b，c采样数据计算归一化的七维故障特征量Ia-kur、Ib-kur、Ic-kur、Ia-f、Ib-f、Ic-f和αa，将七维故障特征量作为ELM辨识模型的输入层神经元xi(i＝1，...，7)，输入列向量为x＝[x1，x2，x3，x4，x5，x6，x7]T。构建ELM辨识模型L层隐含层，用激励函数gl(x)(l＝1，...，L)对ELM辨识模型的输入层神经元xi(i＝1，...，7)赋权ωli加阈值bl求和，得到隐含层神经元gl(l＝1，...，L)，隐含层列向量g＝[g1，g2，...，gL]T的计算式为：式中，ωli(l＝1，...，L；i＝1，...，7)和bl(l＝1，...，L)分别构成输入层神经元的权值矩阵ω和阈值列向量b。将故障模式编号yj＝j(j＝1，...，21)作为ELM辨识模型的输出层神经元，对隐含层神经元gl(l＝1，...，L)加权βjl(j＝1，...，21；l＝1，...，L)求和，形成输出层神经元yj：，输出层yj的计算式为：式中，βjl(j＝1，...，21；l＝1，...，L)构成隐含层神经元的加权矩阵β。逆变器功率管开路故障的ELM辨识模型可表示为：(3)基于IGWO的开路故障ELM模型参数优化及训练为优选功率管开路故障ELM辨识模型参数矩阵(w，b，β)，将IGWO算法植入ELM模型。灰狼算法(GreyWolfOptimization，IGWO)由是Mirjalili等人于2014年提出的一种模拟灰狼在自然界中社会等级和狩猎行为的新型群体智能优化算法。但针对高维多极值优化任务，IGWO算法容易陷入局部最优，收敛精度不够高。针对此缺点，有研究人员提出了IGWO算法。该算法定义了四种灰狼：Alpha狼，Beta狼，Delta狼以及Omega狼。其中Alpha狼为当前狼群中最优灰狼；Beta狼是以Alpha狼为中心的在其周围进行随机局部搜索的几只灰狼；Delta狼跟随Alpha狼进行全局搜索；Omega狼为适应度最差的灰狼。功率管开路故障IGWO-ELM辨识具体流程如下：1)对采样数据的处理。通过采样数据提取得到开路故障特征向量，并对其进行归一化处理。2)参数初始化。初始化IGWO算法中的灰狼种群数量M以及算法最大迭代次数N，初始化IGWO算法中灰狼位置即ELM算法中的初始w与b。设置相关参数的上下界，并随机产生种群，矩阵表示如下：X＝[X1，X2，…，Xi，…，XM]T(7)式中，Xi为第i个灰狼的位置。3)计算适应度。训练样本根据ELM中初始w与b经过ELM算法，输出辨识值，并以准确率作为适应度值。选择适应度最高的个体分本文档来自技高网...

【技术保护点】
1.一种基于IGWO-ELM的逆变器功率管开路故障辨识方法，其特征在于将一个工频周期T划分为6个区域(1区，2区，3区，4区，5区，6区)，根据每个区域的三相电流i

【技术特征摘要】
1.一种基于IGWO-ELM的逆变器功率管开路故障辨识方法，其特征在于将一个工频周期T划分为6个区域(1区，2区，3区，4区，5区，6区)，根据每个区域的三相电流ia、ib和ic的测量值提归一化峭度和归一化脉冲指标，结合区域编号构造多参数融合的七维开路故障特征向量，将所构造的七维开路故障特征向量作为输入、故障模式编号作为输出，设计逆变器功率管开路故障IGWO-ELM辨识模型，并设计故障报警模块，故障辨识总时长约3.36ms。


2.根据权利要求1所述的逆变器功率管开路故障在线辨识方法，其特征在于多参数融合的七维故障特征向量的构建。
(1)故障区域划分
考虑到在一周期内不同时刻故障后，其输出电流波形不同，可根据ia的相量角将一周期划分为6个区域，αa＝1，2...6。
表1区域划分



(2)基于归一化峭度的开路故障特征
对单个区域内三相并网电流的峭度进行归一化处理，归一化的峭度Ik-kur定义为：



式中，N为采样点数，1/6T＝N×采样间隔。
(3)基于归一化脉冲指标的开路故障特征
对单个区域内三相并网电流的脉冲指标进行归一化处理，归一化的脉冲指标Ik-f定义为：



式中，Ia-max、Ib-max和Ic-max分别为三相电流的最大值。和分别三相平均幅值。
(4)多参数融合的七维开路故障特征向量
构造多参数融合的七维开路故障特征向量为：
x＝[Ia-kur，Ib-kur，Ic-kur，Ia-f，Ib-f，Ic-f，αa](3)
该特征量根据1/6周期的三相电流ia、ib、ic计算得到，不受输出侧负载变化的影响，对应6个区域中的任一区域的七维开路故障特征向量，在逆变器处于1种非故障状态和21种单双管开路故障状态时，两两互异，具有清晰的辨识度。


3.根据权利要求1所述的逆变器功率管开路故障在线辨识方法，其特征在于逆变器功率管开路故障ELM辨识模型的构建。
根据三相电流ia，b，c采样数据计算归一化的七维故障特征量Ia-kur、Ib-kur、Ic-kur、Ia-f、Ib-f、Ic-f和αa，将七维故障特征量作为ELM辨识模型的输入层神经元xi(i＝1，...，7)，输入列向量为x＝[x1，x2，x3，x4，x5，x6，x7]T。
构建ELM辨识模型L层隐含层，用激励函数gl(x)(l＝1，...，L)对ELM辨识模型的输入层神经元xi(i＝1，...，7)赋权ωli加阈值bl求和，得到隐含层神经元gl(l＝1，...，L)，隐含层列向量g＝[g1，g2，...，gL]T的计算式为：



式中，ωli(l＝1，...，L；i＝1，...，7)和bl(l＝1，...，L)分别构成输入层神经元的权值矩阵ω和阈值列向量b。
将故障模式编号yj＝j(j＝1，...，21)作为ELM辨识模型的输出层神经元，对隐含层神经元gl(l＝1，...，L)加权βjl(j＝1，...，21；l＝1，...，L)，形成输出层神经元yj：，输出层yj的计算式为：



式中，βjl(j＝1，...，21；l＝1，...，L)构成隐含层神经元的加权矩阵β。
逆变器功率管开路故障的ELM辨识模型可表示为：





4.根据权利要求1所述的逆变器功率管开路故障在线辨识方法，其特征在于利用IGWO算法对逆变器功率管开路故障ELM辨识模型的参数优化训练。
为优选功率管开路故障ELM辨识模型参数矩阵(w，b，β)，将IGWO算法植入ELM模...

【专利技术属性】
技术研发人员：姚芳，王晓鹏，汤俊豪，董超群，赵靖英，唐圣学，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12