CN106483405A - 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 - Google Patents

Abstract

本发明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。

Description

基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法

技术领域

本发明属于电力电子运用与故障诊断技术领域，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。

背景技术

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，以在光伏发电技术领域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。

发明内容

为解决现有技术存在的问题，本发明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。

本发明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＝[1 0 0 0]，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，c_jm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，O_t为每个故障状态时的观测值，u_jm为第j状态时第1个混合高斯元的均值矢量，U_jm表示第j个状态时第1个混合高斯元的协方差矩阵。

本发明的有益效果为：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为本发明使用的隐马尔可夫模型示意图；

图2为本发明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为本发明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发明的技术方案进行详细说明，但本发明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}：

其中，N：模型中隐含的状态个数，N个状态用θ₁,θ₂,…θ_N表示，某一时刻的状态q_t∈(θ₁,θ₂,…θ_N)，如图1所示；

M：各状态对应的观测值数目，M个观测值可以用v₁,v₂,v₃…v_M表示，某一时刻的观测值o_t∈(v₁,v₂,v₃…v_M)，如图1所示；

π：初始状态概率矩阵，π∈{π_i}，其中：π_i＝P(q_t＝θ_i)1≤i≤N；

A：转移概率矩阵，A＝{a_ij}，其中：a_ij＝P(q_t+1＝θ_j,q_t＝θ_i)1≤i,j≤N；

B：观测值概率矩阵，B＝{b_j(k)}，其中：b_j(k)＝P(o_t＝v_k,q_t＝θ_j)1≤j≤N,1≤k≤M。

为简便，HMM简记为λ＝(π,A,B)。

HMM可以解决的三个基本问题：a)评估问题：给定观察序列o和模型λ，如何快速地计算给定模型的条件下观察序列的概率；b)解码问题:给定一个观察序列o和模型λ，怎样寻找某种意义上最优的隐状态序列；c)训练问题：即HMM的模型参数未知，如何调整这些参数以使观测序列的概率尽可能的大。

如图2所示，基于隐马尔可夫模型的NPC光伏逆变器的故障诊断流程图，包括步骤：

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，如图3所示，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；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；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。

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；

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，即可得到每个故障状态的观测值o_t＝[U,I]。

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，即状态数、初始状态概率、状态转移矩阵；

基于电路的模型，选择无跳跃的左右型的隐马尔可夫模型，隐含状态设为4，初始状态概率π设置为π＝[1 0 0 0]，状态转移矩阵A设置为：

确定观测值概率矩阵B：

参照设定的隐含状态个数，将NPC光伏逆变器的输出电压U和输出电流I值均匀分割成N份，时间T＝600s，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，本发明M＝2，c_jm是第j状态第1个混合高斯的权，μ为正态高斯概率密度函数，O_t为每个故障状态时的观测值，u_jm为第j状态时第1个混合高斯元的均值矢量，U_jm表示第j个状态时第1个混合高斯元的协方差矩阵。

S1.4，用Viterbi算法求λ模型的状态序列；

定义一个变量δ_t(i)，它表示t时刻沿着路径q₁,q₂,q₃,…q_t，此时q_t＝θ_i(i＝1，2，3…N)，生成观察序列O₁,O₂,O₃…O_t的最大概率；

所以

求最优状态序列Q^*的过程如下：

①初始化，t＝1时：

δ₁(i)＝π_ib_i(o₁),1≤i≤N (4)

其中，b_i＝b_j(k)；是迭代次数，这里将其初始化；

②递归

δ_t(i)＝max_1≤i≤N([δ_t-1(i)a_ij])b_j(o_t),2≤t≤T,1≤j≤N (6)

其中，argmax表示：如果i＝I，f(i)达到最大值，则定义I是输出电流大小，f(i)＝δ_t-i(i)a_ij；

③终结

P^*＝max_1≤i≤N[δ_T(i)] (8)

q_T ^*＝argmax_1≤i≤N[δ_T(i)] (9)

其中，P^*是最大的δ_t(i)，q_T ^*是概率为δ_t(i)时的序列；

④最佳状态序列求解

其中，q均为状态序列，为迭代次数；

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模型中的π、A、B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

定义一个变量ξ_t(i,j)，表示在观测序列O和模型λ存在的条件下，隐马尔可夫模型在t时刻处于θ_i状态且在t+1时刻处于θ_j的概率，即

ξ_t(i,j)＝P(O,q_t＝θ_i,q_t+1＝θ_j|λ) (11)

进一步可得

ξ_t(i,j)＝[α_t(i)a_ijb_j(o_t+1)β_t+1(j)]/P(O|λ) (12)

其中，b_j(o_t+1)＝b_j(k)，α_t(i)为定义的前向变量，

α_t(i)＝P(o₁,o₂,…,o_t,q_t＝θ_t|λ) (13)

β_t+1(j)是定义的后向变量

β_t+1(j)＝P(o_t+1,o_t+2,…,o_T|q_t＝θ_t,λ) (14)

所以马尔可夫模型在t时刻处于状态θ_i的概率为

其中，表示状态由θ_i转移到θ_j的期望值数目，β_t(i)为后向变量；

重估公式为：

得到重估后的初始参数

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；

由求不断用此算法迭代，直到预先设定的收敛范围，此时即为训练完成的马尔可夫模型，求P(O|λ)得方法为：

定义一个向前变量：

α_t(i)＝P(O₁,O₂,O₃…O_t,q_t＝θ_i|λ),1≤t≤T (19)

其中，α_t(i)表示在t时刻隐含状态序列S＝q₁,q₂,q₃,…q_T状态下，生成的部分观察序列O＝{O₁,O₂,O₃…O_t}的概率；

①初始化

α_t(i)＝π_ib_i(o₁) (20)

②递归

③终结

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P(O|λ)；

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。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (5)

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NPC光伏逆变器所处的故障。

2.根据权利要求1所述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，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。

3.根据权利要求1所述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，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。

4.根据权利要求1所述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，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。

5.根据权利要求1所述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，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＝[1 0 0 0]，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，c_jm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，O_t为每个故障状态时的观测值，u_jm为第j状态时第1个混合高斯元的均值矢量，U_jm表示第j个状态时第1个混合高斯元的协方差矩阵。