CN105425172A - 基于多频段歪度分析的微网逆变器自适应故障诊断方法 - Google Patents

Abstract

基于多频段歪度分析的微网逆变器自适应故障诊断方法，属于微电网故障诊断领域。本发明立足信号特征在故障前后不同频段内的变化，基于离散小波多分辨率分析方法提取不同频段、多层次的三相电流分解系数，并通过重构获得故障检测信号不同频段、多层次的分解信号，并通过能量分析方法确定最优分解层数。然后分别对不同频段的多层次分解信号进行歪度分析，得到各分解信号的歪度特征值来表示各分解信号因故障而发生的扭曲程度。最后以三相电流信号不同频段各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立神经网络结构，能很好地进行微电网逆变器开关故障的诊断与定位，不用设定阀值，更加有利于实际操作使用，且相对精度较高。

Description

基于多频段歪度分析的微网逆变器自适应故障诊断方法

技术领域

本发明属于微电网故障诊断领域，特别涉及一种基于多频段歪度分析的微网逆变器自适应故障诊断方法。

背景技术

随着人们对能源质量要求的不断提高，微电网技术也越来越受到重视。逆变器的可靠性是微电网正常运作的基础保障。逆变器的故障会影响系统许多其它组件的正常工作，导致电能输出的不稳定以及很多不良影响。因此，微电网逆变器系统的故障诊断在维持系统正常运行和降低经济损失方面有着重要的意义。

虽然现有相关逆变器故障诊断方法多种多样，但仍存在很多的不足：很多逆变器故障诊断方法中大多针对逆变器开路故障的诊断，这主要因为很难实现短路故障的诊断和分类。短路故障往往特征值不是特别明显，这也主要受限于很多方法的分辨精度问题。另一方面，基于各种算法的相关故障诊断方法是需要根据具体系统诊断情况，设定算法的相关阀值，这类方法往往过于理想化，难以精确的实现故障诊断，而且如果像新型微电网中的逆变器，开关多，具有故障诊断针对性的算法很难实现全面的故障诊断设计，应用范围非常局限。专家系统类的故障诊断方法，需要详细的各种故障类别特征值，实际操作起来非常困难，且很难实现精度较高的分辨效果。由此可见，现有逆变器的相关故障诊断方法存在着很多问题。

多种多样的现有故障诊断方法，大体可分为基于数据和基于模型的。早期的相关研究大多是基于模型的，根据数学表达式研究相关特性以及故障情况，并通过数学手段进行相关的故障检测和故障恢复。随着智能电网技术的发展、新型电网种类的不断增多、规模的不断扩大和需求侧的不可预测性，电网的数学模型很难精确的被构建，更难以通过精确的数学方式去实现故障的诊断和恢复。因此基于数据的诊断方法受到更多的关注，它是一种基于数据条件下，根据一定的算法对信号数据进行分析实现故障的诊断与分类问题，其更具有一定的实际操作意义。

发明内容

针对现有技术存在的不足，本发明提供一种基于多频段歪度分析的微网逆变器自适应故障诊断方法。

本发明的技术方案是这样的：

一种基于多频段歪度分析的微网逆变器自适应故障诊断方法，包括以下步骤：

步骤1：从微电网获得经滤波采样后的三相电流信号；

步骤2：基于能量分析的方法对三相电流信号进行分解与重构，得到多层次、不同频段的分解信号；

步骤2.1：初步确定微电网逆变器正常状态下，三相电流信号的应分解层数J；

设三相电流信号的采样频率为f_s，则将微电网三相电流信号分解为多层次的分解信号时，第j层分解信号对应的频率带宽为[2^-(j+1)f_s,2^-jf_s]；如果微电网逆变器正常状态下，系统输出的三相电流信号的频率f，且正好处于三相电流采样信号第M层分解信号对应的频率带宽[2^-(M+1)f_s,2^-Mf_s]之中，则可确定此时三相电流信号的主要能量分布在第M层中，从而初步确定三相电流信号的应分解层数J＝M；

步骤2.2：采用基于离散小波变换的多分辨率分析方法对微电网三相电流信号进行J层的分解，得到微电网三相电流信号在不同层次的分解系数；

步骤2.3：对每层的分解系数分别进行重构得到电网三相电流信号的J个频段的分解信号；

步骤2.4：确定三相电流信号在上述J层的能量分布情况；

首先分别从微电网获得经滤波采样后的一组开关管的不同状态下的三相电流信号；然后按照步骤2.2和步骤2.3的方法分别将本步骤所采样的三相电流信号进行J层分解和重构得到相应的分解信号；再计算各分解信号的能量值，进而确定该组开关的不同状态下的三相电流信号的能量分布情况；

步骤2.5：从层数M开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值，进而确定出增加分解层数后的三相电流信号的能量分布情况，直到获得最优分解层数J^*，进而确定三相电流信号的最终分解层数J＝J^*；

从M层开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值；当分解到第J^*层时，若在微网逆变器中所有开关的不同状态下的第J^*层的信号能量值总数小于微网逆变器中所有开关的不同状态下的第J^*-1层的信号能量值总数，且三相电流信号的主要能量分布在J^*-1层时，则将第J^*层确定为最优分解层数，进而确定三相电流信号的最终分解层数J＝J^*；

步骤3：计算各频段对应的分解信号的歪度特征值；

步骤4：以各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立并训练神经网络结构；

步骤5：利用训练好的神经网络进行微网逆变器自适应故障诊断。

本发明的原理为：本发明立足信号特征在故障前后不同频段内的变化，基于离散小波多分辨率分析方法提取不同频段、多层次的三相电流分解系数，并通过重构获得故障检测信号(三相电流信号)不同频段、多层次的分解信号，并通过能量分析方法确定最优分解层数。然后分别对不同频段的多层次分解信号进行歪度分析，得到各分解信号的歪度特征值来表示各分解信号因故障而发生的扭曲程度。最后以三相电流信号不同频段各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立神经网络结构，实现微网逆变器自适应故障诊断。

本发明的有益效果：

1.通过基于离散小波多分辨率分析方法对三相电流信号进行多层次的分解和重构获得三相信号不同频段的详细分解信号，可以体现出信号在不同频段发生的信号变化规律，可以进一步提高微网逆变器故障诊断识别能力，并且，通过信号的能量分析方法，针对具体的电网故障信号，在提高诊断识别精度的前提下，尽量减少不必要的分解层数，降低计算量；

2.对不同频段、多层次的分解信号进行歪度程度的分析，能够体现由故障引起的三相电流信号在不同频段的扭曲变化程度。而且所提取的多层次三相电流信号歪度特征值，在不同的逆变器开关状态下的变化是明显的，因此可以非常出色的体现出不同逆变器开关故障带来的信号变化程度；

3.建立的以各分解信号的歪度特征值为输入和以微网逆变器故障诊断结果为输出的神经网络结构可以实现微网逆变器自适应故障诊断，不用设定阀值，更加有利于实际操作使用，且相对精度较高，能很好地进行微电网逆变器开关故障的诊断与定位。

附图说明

图1为本发明一种实施方式的微电网逆变器系统结构示意图；

图2为本发明一种实施方式的基于多频段歪度分析的微网逆变器自适应故障诊断方法流程图；

图3为本发明一种实施方式的电流信号I_ao经过离散小波变换的分解得到不同层次的分解系数的过程示意图；

图4本发明一种实施方式的结构为33-23-13的神经网络示意图；

图5本发明一种实施方式三相电流信号经分解和重构后的11层分解信号图。

具体实施方式

下面结合附图对本发明的实施方式作进一步详细的说明。

本实施方式以图1所示的微电网逆变器开关故障为例详细说明本实施方式的基于多频段歪度分析的微网逆变器自适应故障诊断方法。图1为微电网逆变器系统结构示意图，包括等效的分布式电源、逆变器，LC滤波器，传输线，总线以及负载。等效分布式电源是微电网中提供能源的，处理后输出为直流电源。逆变器由6个开关管组成，它是将已获得的直流转换为所需要的三相电能；传输线即为微电网连入总线的传输线，可等效为电阻和电感的串联；总线用来连接其它网络，这里假设为孤岛模式，与主网断开。

本实施方式的基于多频段歪度分析的微网逆变器自适应故障诊断方法，如图2所示，具体包括如下步骤：

步骤1：从微电网获得经滤波采样后的三相电流信号I_ao,I_bo,I_co；

步骤2：基于能量分析的方法对微电网三相电流信号进行分解与重构，得到多层次、不同频段的分解信号；

步骤2.1：初步确定微电网逆变器正常状态(微网逆变器未发生故障)下三相电流信号的应分解层数J；

微电网三相电流频率为f＝50Hz,信号采样频率为f_s＝50kHz，则由第1层到第9层分解信号对应的的频率带宽依次为：

[12.5kHz,25kH],[6.25kHz,12.5kHz],[3.125kHz,6.25kHz],[1.563kHz,3.125kHz],

[781.5Hz,1563Hz],[390.75Hz,781.5Hz],[195.375Hz,390.75Hz]，[97.686Hz,195.375Hz]，

[48.843Hz,97.686Hz]。可以看出，三相电流信号的频率50Hz在第9层，则初步确定三相电流信号的应分解层数J＝9。

步骤2.2：采用基于离散小波变换的多分辨率分析方法对微电网三相电流信号进行J＝9层的分解，得到微电网三相电流信号在不同层次的分解系数；

为描述方便，本实施方式以电流信号I_ao为例进行说明。信号I_ao经过离散小波变换的分解，并进行隔点采样处理，如图3所示，可得到不同层数的系数a_j、d_j。其中，j为整数，表示微电网三相电流信号进行多层的分解中的第j层；a_j为信号I_ao在第j层的近似部分的小波系数，d_j为信号I_ao在第j层的细节部分的小波系数。

$I_{ao}\left(t\right)=\underset{k=0}{\overset{2^{N-j}-1}{\Σ}}{a}_{j,k}{2}^{-\frac{j}{2}}\mathrm{\φ}(2^{-j}t-k)+\underset{j=1}{\overset{J}{\Σ}}\underset{k=0}{\overset{2^{N-j}-1}{\Σ}}{d}_{j,k}{2}^{-\frac{j}{2}}\mathrm{\ψ}(2^{-j}t-k)$

其中，

${\mathrm{\φ}}_{j,k}\left(t\right)=2^{-\frac{j}{2}}\mathrm{\φ}(2^{-j}t-k)$

${\mathrm{\ψ}}_{j,k}\left(t\right)=2^{-\frac{j}{2}}\mathrm{\ψ}(2^{-j}t-k)$

$a_{i,k}=\underset{n}{\Σ}h(n-2k)a_{j-1,n}$

$d_{j,k}=\underset{n}{\Σ}g(n-2k)a_{j-1,n}$

其中，t为时间；j，k和n是整数；a_j,k为第j层近似部分分解系数的第k个数；d_j,k为第j层细节部分分解系数的第k个数；a_j-1,n为j-1层近似部分分解系数的第n个数；k为系数a_j、d_j的第k个点；n表示a_j-1,_n的第n个点；2^N表示信号I_ao(t)的长度；N为正整数；J为微电网三相电流信号的多层分解的总分解层数；φ_j,k(t)为伸缩函数；ψ_j,k(t)为小波函数：h(n)为高通滤波器系数；g(n)为低通滤波器系数。本实施方式中小波分解的母函数选取‘db3’。

步骤2.3：对每层的分解系数分别进行重构得到电网三相电流信号的J＝9个频段的分解信号；

信号重构的过程与信号分解的过程相反。因为在信号分解过程中在下一层的分解时都会进行隔点采样，所以在信号重构的过程中首先对每层系数进行插零重构，获得与原信号长度相同的系数序列。再根据所选母函数中对应的重构滤波器对每层的系数进行滤波，从而可获得每层的分解信号。

步骤2.4：确定三相电流信号在上述J＝9层的能量分布情况；

本实施方式红微电网逆变器输出的三相电流信号为相位差120度、50Hz的正弦信号，采样频率为50KHz。其中每一相电流信号与逆变器拓扑结构中的相应的2个开关管有关，即逆变器系统的拓扑结构具有对称性。根据逆变器系统拓扑结构的对称性，任意选取其中的一对开关管，例如以开关管S1和S2为例，对该对开关的不同状态(开路、短路、正常)下的三相电流信号的能量分布情况进行分析：首先分别从微电网获得经滤波采样后的开关管S1和S2的不同状态(开路、短路、正常)下的三相电流信号；然后按照步骤2.2和步骤2.3的方法分别将前述三相电流信号进行分解和重构得到相应的分解信号；再计算各分解信号的能量值，进而确定该对开关的不同状态(开路、短路、正常)下的三相电流信号的能量分布情况；

${\mathrm{ED}}_j=\sqrt{\frac{1}{N_j-1}\underset{i=1}{\overset{N_j}{\Σ}}{\[D_j\left(i\right)-\stackrel{\‾}{D_j}\]}^2}$

其中ED_j表示第j层能量值，D_j表示第j层重构信号(细节系数的重构函数)，N_j表示第j层重构信号的元素个数，表示对应这组信号数据的均值；

步骤2.5：从第9层开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值，进而确定出增加分解层数后的三相电流信号的能量分布情况，直到获得最优分解层数J^*，进而确定三相电流信号的最终分解层数J＝J^*；

本实施方式中在50Hz微电网电流输出频率和50KHz采样频率的条件下，从第9层开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值，当分解到第11层时，如图4所示，经对比分析知，不论开关处于什么状态，其主要能量集中在第9层和10层，也就是说故障变化信息主要体现第9层和第10层。又因为每一层分解得到的详细系数是来自上一层的近似系数，所以如果分解层数大于11层，多出的层次信号变化较小，无法提供主要变化信息，无实际意义，而且会增加诊断计算量。如果小于11层则信号分解不彻底，主要成分变化规律无法得以提取。因此在这种情况下，信号分解为11层信号最优。

步骤3：计算各频段对应的分解信号的歪度特征值，并对所获得的各歪度特征值进行归一化处理；

步骤3.1：计算各频段对应的分解信号的歪度特征值；

计算各频段对应的分解信号的歪度特征值的公式如下：

$X_j=\frac{\frac{1}{N_j}\underset{i=1}{\overset{N_j}{\Σ}}{\left(\right|D_j\left(i\right)|-{\stackrel{\‾}{D}}_j)}^3}{D_{jrms}^3}$

其中X_j表示第j层信号的歪度特征值，D_j表示第j层重构信号，D_jrms表示第j层重构信号的均方根。

步骤3.2：对步骤3.1所获得的歪度特征值进行归一化处理；

$X_j^{\′}=\frac{X_j-X_{j\min }}{X_{j\max }-X_{j\min }}(P_{Max}-P_{Min})+P_{Min}$

其中，X′_j是归一化处理后的歪度特征值；X_jmax和X_jmin分别是数据X_j中对应的最大值与对小值；(P_Min,P_Max)代表归一化范围；

步骤4：以各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立并训练神经网络结构，利用训练好的神经网络完成微网逆变器自适应故障诊断。

步骤4.1：以各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立神经网络结构；

本实施方式中针对每相电流信号计算出对应的11个歪度特征值，因此三相电流信号即计算出了33个歪度特征值，因此以该33个歪度特征值作为输入层节点。以微网逆变器故障诊断结果为输出层节点，由于本实施方式的微电网逆变器中含有6个开关，每个开关均存在短路、开路两种潜在的故障，则6个开关即存在12种潜在故障，还有1个诊断结果是逆变器为正常状态，因此本实施方式中的微电网逆变器故障诊断结果个数为13个，即输出层节点个数为13个。中间隐含层节点个数先由经验公式确定：其中N_i和N_o分别代表输入层和输出层节点个数。本实施方式中根据输入层和输出层节点个数可以初步确定出中间隐含层节点个数 $N_h=\sqrt{33*13}=21.$

隐含层节点的输入值为：隐含层节点的输出值为：其中X_j表示输入层第j个输入特征值；y_i表示第i个隐含层节点的输出值；N_i表示输入节点个数，表示输入层到隐含层连接权值，z_i表示第i个隐含节点的输入值。

则输出层节点的输入值为：输出层节点的最终输出值为：其中l_k表示输出层第k节点的输入值；表示隐含层到输出层的连接权值；S_k表示输出层第k节点的最终的输出值。

步骤4.2：对步骤4.1建立的神经网络权值进行训练，确定最终的隐含层节点数；

首先给出神经网络输出节点的训练目标值(如表1中所示，开关正常时，训练目标值为为1000000000000)，并设定一个最小训练误差或最多训练次数(如表1中所示的30次)；

神经网络的训练误差公式：其中SE为神经网络的训练误差；T_k为神经网络第k输出节点的训练目标值；S_k为实际输出值；

权值更新率为：其中W_new和W_old表示新旧权值，η表示权值更新率，其中： $\begin{array}{cc}\frac{\∂SE}{\∂W_{ik}^{\left(2\right)}}\frac{\∂SE}{\∂S_k}\frac{\∂S_k}{\∂l_k}\frac{\∂l_k}{\∂W_{ik}^{\left(2\right)}};& \frac{\∂SE}{\∂W_{ij}^{\left(1\right)}}=\frac{\∂SE}{\∂S_k}\frac{\∂S_k}{\∂l_k}\frac{\∂l_k}{\∂y_i}\frac{\∂y_i}{\∂z_i}\frac{\∂z_i}{\∂W_{ij}^{\left(1\right)}}.\end{array}$

随机初始化输入层到隐含层和隐含层到输出层的权值，并在初步得到的21个隐含层节点数的上下一定范围(比如10-30之间)进行实验，例如表1所示的试验结果。依据训练的正确率，选取正确率(S_k和T_k的对比率)最高的神经网络结构的隐含层节点数，作为最终神经网络结构的隐含层节点数，此时即确定了最终的可用于微网逆变器自适应故障诊断的神经网络结构。

表1试验结果

开关状态	训练目标	训练次数	实验次数	正确率
					正常	1000000000000	30	20	100％
S1-短路	0100000000000	30	20	100％
					S1-断路	0010000000000	30	20	100％
S2-短路	0001000000000	30	20	100％
					S2-断路	0000100000000	30	20	100％
S3-短路	0000010000000	30	20	100％
					S3-断路	0000001000000	30	20	100％
S4-短路	0000000100000	30	20	100％
					S4-断路	0000000010000	30	20	100％
S5-短路	0000000001000	30	20	100％
					S5-断路	0000000000100	30	20	100％
S6-短路	0000000000010	30	20	100％
					S6-断路	0000000000001	30	20	100％

最终确定在23个隐含节点时正确率最高，均达到了100％，因此确定最终的隐含层节点数为23，即神经网络结构为33-23-13，如图4所示。由训练正确率可以看到，13种故障诊断的正确率均为100％，也就是说明本发明对微网逆变器故障的智能分类效果非常好。另外，本发明中某对开关管的某个状态下的三相电流信号经分解和重构后的11层分解信号，如图5所示。该11层不同信号对应了不同的频段。由图5可以理解出，当逆变器开关发生故障时，信号发生很多微妙细微的变化，通过详细的分解可以体现出信号在不同频段发生的信号变化规律。对比未处理的三相电流信号，多层次，不同频段分解重构后的三相电流信号能更进一步提高了系统故障诊断识别能力，使提取的故障信号特征值更加可靠、稳定，更加符合故障时信号变化规律的真实体现，更加适用于错综复杂的信号提取工作。

步骤5：利用训练好的神经网络进行微网逆变器自适应故障诊断。

本实施方式中微电网逆变器6个开关13种工作状态的诊断和定位结果数据，如表2所示，其中R1～R13对应神经网络输出层的13输出节点(即逆变器开关的13种状态)。

表2微电网逆变器6个开关13种工作状态的诊断和定位结果

开关状态	R1	R2	R3	R4	R5	R6	R7	R8	R9	R10	R11	R12	R13
														正常	0.950	-0.023	-0.022	-0.011	0.132	0.011	-0.012	-0.082	0.176	0.144	-0.018	-0.182	-0.120
S1-短路	-0.017	0.904	-0.063	-0.013	0.153	-0.023	-0.052	0.071	0.104	0.206	0.052	-0.154	-0.131
														S1-断路	-0.023	-0.121	1.022	0.014	0.029	0.015	-0.011	-0.002	0.006	0.106	0.006	-0.116	-0.041
S2-短路	-0.003	-0.077	-0.034	1.031	0.067	-0.025	0.089	0.018	0.034	0.092	-0.134	-0.092	-0.103
														S2-断路	-0.014	-0.002	-0.013	-0.013	1.022	-0.006	0.008	-0.011	0.032	0.150	0.134	-0.132	-0.024
S3-短路	0.120	-0.063	0.033	0.011	0.083	0.994	-0.011	-0.031	0.037	0.081	-0.071	-0.101	-0.002
														S3-断路	-0.032	-0.012	-0.013	0.015	0.062	-0.002	0.893	-0.022	0.045	0.011	-0.051	-0.027	0.014
S4-短路	-0.003	0.001	-0.021	0.013	-0.015	-0.014	0.151	0.936	0.075	0.117	-0.040	-0.019	0.032
														S4-断路	-0.017	0.002	0.005	-0.007	-0.004	0.027	0.019	-0.016	1.032	0.062	-0.021	-0.102	0.041
S5-短路	-0.031	0.106	0.109	-0.024	0.011	-0.018	0.022	-0.045	0.108	1.106	0.103	-0.141	-0.027
														S5-断路	-0.013	0.002	-0.012	-0.031	0.031	-0.041	-0.012	-0.023	0.161	0.032	0.380	-0.117	-0.020
S6-短路	-0.012	-0.011	0.012	-0.023	0.032	-0.011	0.042	-0.022	0.045	0.092	0.032	0.894	-0.122
														S6-断路	-0.003	-0.005	0.010	-0.015	0.013	0.016	-0.041	-0.042	0.010	0.114	0.012	-0.134	0.928

由表2可以看出，针对不同的开关状态，神经网络在训练时具有自适应性，调节自身的权值参数，使网络具有自动识别分类逆变器开关所有状态的能力。表2表示，逆变器不同状态随机发生时，神经网络正确的识别出了对应的故障分类(13个输出中数据最大的代表它所对应的开关状态)，即实现了微电网系统逆变器的精确故障诊断分类，且不用设定故障识别阀值，更加有利于现实操作使用，且相对精度较高，能很好的应用于类似的相关设备中，具有一定的通用性。

Claims (4)

1.一种基于多频段歪度分析的微网逆变器自适应故障诊断方法，其特征在于：包括以下步骤：

步骤1：从微电网获得经滤波采样后的三相电流信号；

步骤2：基于能量分析的方法对三相电流信号进行分解与重构，得到多层次、不同频段的分解信号；

步骤3：计算各频段对应的分解信号的歪度特征值；

步骤4：以各分解信号的歪度特征值为输入，以微网逆变器故障诊断结果为输出，建立并训练神经网络结构；

步骤5：利用训练好的神经网络进行微网逆变器自适应故障诊断。

2.根据权利要求1所述的基于多频段歪度分析的微网逆变器自适应故障诊断方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：初步确定微电网逆变器正常状态下，三相电流信号的应分解层数J；

步骤2.2：采用基于离散小波变换的多分辨率分析方法对微电网三相电流信号进行J层的分解，得到微电网三相电流信号在不同层次的分解系数；

步骤2.3：对每层的分解系数分别进行重构得到电网三相电流信号的J个频段的分解信号；

步骤2.4：确定三相电流信号在上述J层的能量分布情况；

步骤2.5：从层数M开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值，进而确定出增加分解层数后的三相电流信号的能量分布情况，直到获得最优分解层数，进而确定三相电流信号的最终分解层数；

从M层开始逐层增加分解层数，并按照步骤2.2和步骤2.3的方法得到新增加的分解信号，再按照步骤2.4的方法计算出新增加的分解信号的能量值；当分解到第J^*层时，若在微网逆变器中所有开关的不同状态下的第J^*层的信号能量值总数小于微网逆变器中所有开关的不同状态下的第J^*-1层的信号能量值总数，且三相电流信号的主要能量分布在J^*-1层时，则将第J^*层确定为最优分解层数，进而确定三相电流信号的最终分解层数J＝J^*。

3.根据权利要求2所述的基于多频段歪度分析的微网逆变器自适应故障诊断方法，其特征在于：所述步骤2.1中所述的初步确定微电网逆变器正常状态下三相电流信号的应分解层数J的方法为：

设三相电流信号的采样频率为f_s，则将微电网三相电流信号分解为多层次的分解信号时，第j层分解信号对应的频率带宽为[2^-(j+1)f_s,2^-jf_s]；如果微电网逆变器正常状态下，系统输出的三相电流信号的频率f，且正好处于三相电流采样信号第M层分解信号对应的频率带宽[2^-(M+1)f_s,2^-Mf_s]之中，则可确定此时三相电流信号的主要能量分布在第M层中，从而初步确定三相电流信号的应分解层数J＝M。

4.根据权利要求2所述的基于多频段歪度分析的微网逆变器自适应故障诊断方法，其特征在于：所述步骤2.4中所述的确定三相电流信号在J层的能量分布情况的方法为：首先分别从微电网获得经滤波采样后的一组开关管的不同状态下的三相电流信号；然后按照步骤2.2和步骤2.3的方法分别将本步骤所采样的三相电流信号进行J层分解和重构得到相应的分解信号；再计算各分解信号的能量值，进而确定该组开关的不同状态下的三相电流信号的能量分布情况。