CN106443297A - 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 - Google Patents

Abstract

本发明公开了一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，针对光伏微网中的三电平逆变器故障诊断问题，以逆变状态为例，首先分析逆变器主电路的运行情况并进行故障分类，然后以中、上、下三种桥臂电压为测量信号，采用小波多尺度分解法提取特征信号，进而利用粒子群聚类算法生成决策树SVM分类模型，最终实现了光伏二极管箝位型三电平逆变器的多模式故障诊断。其优点是：该算法能够明显区分光伏二极管箝位型三电平逆变器的各个故障状态，使用了较少的分类模型完成故障诊断任务，且诊断精度高，抗干扰能力强。

Description

光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法

技术领域

本发明涉及电力电子装置故障诊断领域，尤其是一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法。

背景技术

全球范围的能源危机和环境危机促使人们寻求更加清洁、绿色的新型能源，在清洁型能源中太阳能凭借其：无污染、可持续、普遍性、灵活性和可靠性等优点，受到了广泛关注。在光伏系统越来越多并入电网运行的情况下，光伏逆变器作为光伏系统中最为核心的部件，关系着整个系统的安全、稳定和高效运行。与传统的两电平逆变器相比，三电平逆变器因其开关器件串联均压、开关损耗小、输出电压谐波含量低和工作效率高等优点，在光伏发电系统中得到广泛的应用。然而三电平逆变器增加了开关器件的数量，电路的可靠性也相应地降低，任意一个器件发生故障就可能导致电路非正常运行，甚至会导致二次故障，造成巨大的经济损失。

光伏三电平逆变器故障诊断的问题主要在三个方面：一是在电路故障模式方面，仅考虑单个器件开路的故障，近些年才开始讨论多器件同时故障的多故障模式诊断，但这方面的研究还较少，分析问题还不够全面，而现有的2个开关器件同时开路的故障诊断方法算法结构都较为复杂；二是检测信号多为输出电压和输出电流，由于输出端存在感性负载，电流变化缓慢，这往往会增加故障诊断时间；三是诊断算法方面，智能诊断算法逐渐运用到逆变器故障诊断领域，如人工神经网络、支持向量机、极限学习机等等。其中，神经网络的应用较多，而神经网络自身存在较多缺陷：需要设置的参数较多、收敛速度慢、易陷入局部最优等等，这些都严重阻碍着神经网络的应用。

光伏三电平逆变器的开关器件较多，故障问题种类繁杂，同时为了满足系统的实时性要求，传统的方法已经不能满足实际需求。这里利用数据驱动的思想，利用逆变器系统运行过程中不断产生并反映系统运行机理和状态的数据，通过合适的特征提取和分析方法，实现光伏逆变器的故障诊断和识别。

小波分析是一种信号时频域分析方法，它可以同时描述信号的时域和频域，并且可以获得信号的局部化信息，是近年来故障特征提取的热点。粒子群聚类算法是在粒子群优化算法的基础上推广得到的，粒子群优化算法是一种基于群智能的新兴进化计算技术，通过群体中个体的合作和竞争而产生的群体智能指导优化搜索，具有较强的通用性。支持向量机是一种基于统计学习理论的机器学习算法，它在解决高维、非线性及小样本为特点的模式识别中，具有独特的优势，在电力电子的故障诊断领域也有很好的实用价值和应用前景。

发明内容

本发明的目的是提供一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法。

一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断。

第一步：建立光伏二极管箝位型三电平逆变器电路的模型

三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成。由于三电平逆变器电路本身的结构，每个开关管在工作过程中所可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求。三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类。

1)所有IGBT开关管都正常运行，逆变器无故障，共一小类。

2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类。

3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类。

第二步：提取三电平逆变器主电路开路故障特征

三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征。对采用空间矢量脉宽调制(SVPWM)控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征。再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量。设E_n为第n个分解系数序列S_n的能量，则

式中，X_n，n＝0,1,…,j为重构信号的S_n的离散点幅值。进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T₁为：

T₁＝[E₀ E₁ ... E_j] (2)

统一量纲，归一化处理特征向量：

T₁'＝[E₀/E E₁/E ... E_j/E] (3)

其中，E为信号的总能量，T₁′中各个元素对应各个频带能量的百分比。采用同样的方法再处理上、下桥臂，可以分别得到特征向量T₂′和T₃′，定义故障特征向量为：

T＝[T₁' T₂' T₃'] (4)

将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本。

第三步：构建粒子群聚类故障诊断决策树

三电平逆变器共有13种故障小类，若要构建决策树将故障完全区分，就需要用到粒子群聚类算法将故障不断地划分成两类。粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置聚类数目、粒子数目、迭代次数等参数，再将每个样本随机分类，并作为最初的聚类划分后计算聚类中心、适应度等参数，将粒子初速度设为零。这样就可以根据初始粒子群，得到的粒子个体最优位置p_id和全局最优位置p_gd。并利用公式

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (8)

x_id(t+1)＝x_id(t)+v_id(t+1) (9)

更新所有粒子的速度和位置；其中ω为惯性权重；v_id为粒子的速度；c₁和c₂为加速度因子；r₁和r₂是分布于[0，1]之间的随机数；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter为当前迭代次数；itermax为最大的迭代次数。依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度。再一次比较适应度，若其优于个体最优位置p_id，则更新p_id；若其优于全局最优位置p_gd，则更新p_gd。如果达到最大迭代次数，则算法结束，否则继续迭代。

决策树结构的生成需要先将全部训练样本集作为初始节点，利用粒子群聚类算法，将其划分成两类，形成两个子节点。判断子节点是否只包含一类故障样本，若是则算法结束，否则继续采用粒子群聚类算法进行处理，划分成两个新的子节点，这样不断划分，直到所有子节点只包含一类故障样本，算法结束。这样将所有的故障样本进行聚类划分，就可以反向构建故障诊断决策树。

第四步：训练和测试决策树支持向量机SVM故障分类模型

按照4:1的比例将故障数据样本划分成训练集和测试集，训练集按照决策树结构上故障的分布训练支持向量机SVM分类模型，支持向量机SVM分类模型均采用径向基核函数，并各自优化支持向量机SVM的参数。训练完成后，利用测试集测试决策树支持向量机SVM故障诊断模型，得到诊断精度等指标，最终实现光伏二极管箝位型三电平逆变器的故障诊断。

本发明的有益效果是：

1)本发明所提出的二极管箝位型三电平逆变器的决策树SVM故障诊断方法，是基于数据驱动的思想，核心是先聚类后分类，将小波多尺度分解、粒子群聚类和支持向量机算法结合起来，实现光伏二极管箝位型三电平逆变器的数据实时故障诊断。

2)本发明通过粒子群聚类算法，将二极管箝位型三电平逆变器的数据样本进行聚类划分，直到每个子类只包含一类故障信息，然后反向构建决策树，这样可以使各个子类之间的可分度尽可能地强，既提高诊断精度，又加强抗干扰能力。

3)本发明采用决策树的故障诊断模型结构，构建的分类模型较少，大大提高故障诊断效率，采用径向基作为核函数，进行各个参数的寻优，从而有效地实现三电平逆变器的故障诊断。

附图说明

图1为二极管箝位型三电平逆变器的故障诊断流程

图2为二极管箝位型三电平逆变器主电路拓扑结构

图3为逆变器主电路的A相拓扑

图4为单个器件故障时的桥臂电压

图5为两个器件同时开路时的桥臂电压

图6为逆变器正常时的故障特征向量直方图

图7为聚类划分后的决策树结构图

具体实施方式

下面结合附图对本发明做进一步说明。

本发明的二极管箝位型三电平逆变器的决策树SVM故障诊断流程图如图1所示，本发明方法的具体实施包括以下步骤：

如图2所示为二极管箝位型三电平逆变器主电路拓扑结构图，为简化分析，只研究逆变器逆变状态下A相的工作状态，其电路拓扑如图3所示。A相桥臂有三种工作状态：

P状态：S_a1和S_a2导通，S_a3和S_a4关断，电流方向为正时，电流从P点经S_a1和S_a2流进A点，忽略开关器件的正向导通压降后，输出端A点电位等于P点电位，即U_dc/2；当电流方向为负时，电流从A点经续流二极管VD_a1和VD_a2流进P点，输出端A点电位仍等于P点电位。

O状态：S_a2和S_a3导通，S_a1和S_a4关断，电流方向为正时，电流从中性点O经VD_a5和S_a2流进A点，输出端A点电位等于O点电位，即中性点电位；当电流方向为负时，电流从A点经S_a3和VD_a6流进O点，输出端A点电位仍等于O点电位。

N状态：S_a3和S_a4导通，S_a1和S_a2关断，电流方向为正时，电流从N点经VD_a3和VD_a4流进A点，输出端A点电位等于N点电位，即-U_dc/2；当电流方向为负时，电流从A点经S_a3和S_a4流进N点，输出端A电位仍等于N点电位。

根据拓扑结构，将故障分为三大类十三小类，即二极管箝位型三电平逆变器的故障类型。

1)所有IGBT开关管都正常运行，逆变器无故障，共一小类。

2)单个器件发生故障，即功率管S_a1、S_a2、S_a3、S_a4和钳位二极管VD_a5、VD_a6中任意一个发生故障，共六小类。

3)两个器件发生故障，这大类存在两种小类，一是故障的两个开关管不在同一桥臂，可以参考单个器件发生故障的情况，不计入故障分类；二是故障的两个开关管在同一桥臂，即功率管(S_a1,S_a2)、(S_a1,S_a3)、(S_a1,S_a4)、(S_a2,S_a3)、(S_a2,S_a4)或(S_a3,S_a4)任意一组发生故障的情况，共六小类。

建立三相三电平SVPWM逆变器模型，选取桥臂电压为研究对象，可以得到各种故障情况下的桥臂电压模型，如图3和图4所示。考虑到输出电压的特点，选取sym4小波基函数，分别对中、上和下桥臂电压进行三层多尺度分解，每个桥臂电压被分解成4个小信号，经过重构后，计算信号的能量，统一量纲后，构建每个桥臂的故障特征向量。整合桥臂的故障特征向量，按照中、上和下的顺序构建系统的故障特征向量，并按照不同的故障类型，构建数据样本。其中，当逆变器正常工作时，其对应的故障特征向量的直方图如图5所示。

采用粒子群聚类算法，将获得的全部数据样本进行聚类划分，判断得到的子类，若该子类只包含一类故障样本，则停止划分，否则继续进行聚类划分，直到所有子类只包含一类故障信息。划分结束后可以反向构建决策树，最终构建的故障诊断决策树结构如图6所示。从图中可以看出该方法对于13种故障的问题，只需要构建12个分类模型，而一对一结构的SVM需要构建N(N-1)/2个分类模型，即78个分类模型，采用决策树结构无疑将大大减少模型构建数目，提高运算效率。

将数据样本分成训练集和测试集。按照构建的决策树结构，分别训练SVM1～SVM12，共12个支持向量机分类模型，均采用径向基核函数，并优化各个支持向量机的参数。为了验证算法的抗干扰能力，对原始数据加入信号幅值10％和15％的白噪声进行对比，同时还横向比较了BP神经网络(BPNN)、一对一结构的支持向量机(SVM)和决策树支持向量机(DT-SVM)的诊断精度，最终的故障诊断结果汇总如表1所示。从表中可以看出随着噪声的增加，各个算法的诊断精度都有一定下降，但决策树支持向量机算法的诊断精度下降较小，抗干扰能力较强。

表1故障诊断结果

上述实施例仅仅是为清楚地说明本发明所做的举例，而并非是对本发明的实施方式限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。

Claims (1)

1.一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断；

第一步：建立光伏二极管箝位型三电平逆变器电路的模型

三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成，由于三电平逆变器电路本身的结构，每个开关管在工作过程中可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求；三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类；

1)所有IGBT开关管都正常运行，逆变器无故障，共一小类；

2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类；

3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类；

第二步：提取三电平逆变器主电路开路故障特征

三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征，对采用空间矢量脉宽调制SVPWM控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征，再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量，设E_n为第n个分解系数序列S_n的能量，则

$E_n=\underset{k=1}{\overset{N}{\Σ}}|X_n{|}^2---\left(1\right)$

式中，X_n，n＝0,1,…,j为重构信号序列S_n的离散点幅值，进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T₁为：

T₁＝[E₀ E₁ ... E_j] (2)

进一步统一量纲，归一化处理特征向量得到：

T₁'＝[E₀/E E₁/E ... E_j/E] (3)

其中，E为信号的总能量，T₁′中各个元素对应各个频带能量的百分比，采用同样的方法再处理上、下桥臂，可以分别得到特征向量T₂′和T₃′，定义故障特征向量为：

T＝[T₁' T₂' T₃'] (4)

将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本；

第三步：构建粒子群聚类故障诊断决策树

由于三电平逆变器共有13种故障小类，若要构建决策树将故障完全区分，就需要用到粒子群聚类算法将故障不断地划分成两类；粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置聚类数目、粒子数目、迭代次数等参数，再将每个样本随机分类，并作为最初的聚类划分后计算聚类中心、适应度等参数，设置粒子初速度为零；这样就可以根据初始粒子群得到的粒子个体的最优位置p_id和全局最优位置p_gd，并利用公式

$\mathrm{\ω}={\mathrm{\ω}}_{max}-\frac{iter}{itermax}({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min})---\left(5\right)$

$c_1=R_1+\frac{iter}{itermax}{R}_2---\left(6\right)$

$c_2=R_3-\frac{iter}{itermax}{R}_4---\left(7\right)$

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (8)

x_id(t+1)＝x_id(t)+v_id(t+1) (9)

更新所有粒子的速度和位置；其中ω为惯性权重；v_id为粒子的速度；c₁和c₂为加速度因子；r₁和r₂是分布于[0，1]之间的随机数；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter为当前迭代次数；itermax为最大的迭代次数；依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度，再一次比较适应度，若其优于个体最优位置p_id，则更新p_id；若其优于全局最优位置p_gd，则更新p_gd，如果达到最大迭代次数，则算法结束，否则继续迭代；

决策树结构的生成需要先将全部训练样本集作为初始节点，利用粒子群聚类算法，将其划分成两类，形成两个子节点，判断子节点是否只包含一类故障样本，若是则算法结束，否则继续采用粒子群聚类算法进行处理，划分成两个新的子节点，这样不断划分，直到所有子节点只包含一类故障样本，算法结束，这样将所有的故障样本进行聚类划分，就可以反向构建故障诊断决策树；

第四步：训练和测试决策树支持向量机SVM故障分类模型

按照4:1的比例将故障数据样本划分成训练集和测试集，训练集按照决策树结构上故障的分布训练支持向量机SVM分类模型；支持向量机SVM分类模型均采用径向基核函数，并各自优化支持向量机SVM的参数，训练完成后，利用测试集测试决策树支持向量机SVM故障诊断模型，得到诊断精度等指标，最终实现光伏二极管箝位型三电平逆变器的故障诊断。