CN107025341A - 一种光伏逆变器故障诊断方法 - Google Patents

Abstract

本发明公开了一种光伏逆变器故障诊断方法，首先利用L‑M算法改进传统的BP神经网络，再利用光伏逆变器故障数据（即训练样本）进行网络学习，建立光伏逆变器故障诊断模型，最后通过测试数据验证该诊断模型的效果。本发明成功地将BP神经网络应用在光伏逆变器故障诊断领域，达到了智能化的要求，同时对BP神经网络进行改进，克服了传统BP神经网络的缺陷，提高了光伏逆变器故障诊断的准确性和有效性。

Description

一种光伏逆变器故障诊断方法

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种光伏逆变器故障诊断方法，具体来说是一种基于改进型BP神经网络的光伏逆变器故障诊断方法。

背景技术

故障诊断，顾名思义，就是针对系统发生了什么故障、引起故障的原因是什么、故障有多严重、故障的解决方案等问题进行分析、评估并得出结论，在这个过程中，要基于计算机的理论与技术，利用系统解析冗余，完成诊断分析。显然，从故障诊断技术的定义可以得出，故障诊断的任务主要有四个方面，即故障检测、故障分离、故障评价和故障决策。故障检测是指当系统异常运行时，故障诊断系统可以根据系统的各项数据参数来判断出系统发生了故障；故障分离是指根据检测到的故障信息，寻找故障源，确定故障类型；故障评价是根据故障类型分析出故障的可能原因；故障决策则是根据故障类型及原因来给出可能的解决方案。

到目前为止，国内外的研究者已经对故障诊断方法的研究做了大量的工作，并取得了许多的成果，故障诊断方法的理论体系也逐渐成熟，分类标准也趋于完善与统一，故障诊断方法可以划分基于解析模型的方法、基于知识的方法以及基于信号处理的方法这三类。然而，以上这些方法在光伏逆变器的故障诊断中应用较少，并且这些方法自身也存在着各自的优势与不足，会影响故障诊断的效果。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在众多的神经网络模型中，BP神经网络应用最为广泛。BP神经网络理论，又被称为误差反向传播算法，是由Rvomelhart和Mcclelland在1986年提出的，该算法具有结构简单、鲁棒性较强等优点，可以不考虑过程中复杂的非线性运算关系，直接由输入映射到输出，体现出其良好的泛化能力。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种光伏逆变器故障诊断方法，利用L-M算法改进传统BP神经网络，利用光伏逆变器故障数据对网络进行训练，建立光伏逆变器故障诊断模型，提高诊断效果。

本发明为解决上述技术问题采用以下技术方案：

一种光伏逆变器故障诊断方法，包含以下步骤：

步骤1)，采用L-M算法改进传统BP神经网络，所述L-M算法的迭代过程如下：

步骤1.1)，首先给出训练误差允许值ε、比例系数β、初始化权值μ₀、以及初始阈值向量x(0)，令k＝0，μ＝μ₀；

步骤1.2)，根据以下公式依次计算E(x)、J(x)和Δx的值：

Δx＝-[J^T(x)J(x)+μI]^-1J(x)e(x)

式中，e_i(x)表示第i次的误差，J(x)为雅可比矩阵，e(x)表示误差均值，I表示单位阵，μ表示权值；

步骤1.3)，令k＝k+1、μ＝μ/β；

步骤1.4)，重复执行步骤1.1)至步骤1.3)，直至E(x)<ε；

步骤2)，对光伏逆变器故障类型进行编码；

步骤3)，将光伏逆变器故障数据作为训练样本进行网络学习，建立光伏逆变器故障诊断网络模型；

步骤4)，将需要进行诊断的光伏逆变器的数据输入值光伏逆变器故障诊断网络模型，得出故障诊断结果。

作为本发明一种光伏逆变器故障诊断方法进一步的优化方案，对光伏逆变器故障类型编码时只考虑单个功率开关管短路或者开路的情况。

作为本发明一种光伏逆变器故障诊断方法进一步的优化方案，在对网络进行训练学习的时候，首先采用归一化的方式对训练数据进行预处理，再利用MATLAB中函数newff创建故障诊断网络模型。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明针对智能化故障诊断方法在光伏电站设备故障诊断领域应用研究较少这一客观事实，并且传统的BP神经网络具有收敛速度慢、网络不收敛、易陷入局部极小值等缺陷，提出一种基于改进型BP神经网络的光伏逆变器故障诊断方法，首先利用L-M算法改进传统的BP神经网络，提高了网络的性能；再利用光伏逆变器故障数据(即训练样本)进行网络学习，建立光伏逆变器故障诊断模型，最后通过测试数据验证该诊断模型的效果，可以实现光伏逆变器故障诊断的智能化，降低成本，提高诊断的效果。

附图说明

图1是本发明的实现流程图；

图2是光伏逆变器基本结构图；

图3是光伏逆变器网络模型仿真程序流程图；

图4是光伏逆变器故障诊断网络的误差训练曲线图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明的思路是针对智能化故障诊断方法在光伏电站设备故障诊断领域应用研究较少这一客观事实，并且传统的BP神经网络具有收敛速度慢、网络不收敛、易陷入局部极小值等缺陷，提出一种基于改进型BP神经网络的光伏逆变器故障诊断方法，首先利用L-M算法改进传统的BP神经网络，再利用光伏逆变器故障数据(即训练样本)进行网络学习，建立光伏逆变器故障诊断模型，最后通过测试数据验证该诊断模型的效果，实现光伏逆变器故障诊断的智能化，提高诊断的效果。

在说明本发明的具体步骤之前，这里先介绍下L-M算法。

L-M算法就是将梯度下降法和牛顿法结合起来取长补短，梯度下降法的优点是当接近最优值时，目标函数的梯度趋于零因而下降十分趋缓；而牛顿法的优点是在最优值附近产生一个理想的搜索方向。

L-M法的搜索方向定义为：

S(X^(k))＝-(H^(k)+λ^(k)I)^-1▽f(X^(k))

式中，S(X^(k))表示在X向量序列上的搜索方向，λ表示阻尼因子，I表示单位阵，▽f(X^(k))表示函数f在X向量序列上的梯度。

令η(k)＝1，则

X^(k+1)＝X^(k)+S(X^(k))

式中，X^(k)表示向量序列。

起始时，λ取一个很大的数(如10⁴)，此时相当于步长很小的梯度下降法；随着最优点的接近，λ减小到零，则s(X^(k))从负梯度方向转向牛顿法的方向。通常，当f(X^(k+1))<f(X^(k))时，减小λ(如λ^(k+1)＝0.5λ^(k))；否则增大λ(如λ^(k+1)＝2λ^(k))。

L-M算法的具体迭代过程如下式所示：

x(i+1)＝x(i)+Δx

式中，x(i)表示第i次迭代的权值和阈值所组成的向量，x(i+1)是新的权值和阈值所组成的向量，Δx表示迭代误差。

对于牛顿法，迭代误差Δx的表达式为

Δx＝-[▽²E(x)]^-1·▽E(x)

其中，▽E(x)为梯度。设误差评价函数E(x)为

式中，e_i(x)为第i次的误差，(i＝1,2,...,N)。

▽E(x)＝J^T(x)e(x)

▽²E(x)＝J^T(x)e(x)+S(x)

式中，J^T(x)表示雅可比矩阵，e(x)表示误差均值，▽E(x)为梯度，S(x)表示搜索方向，e_i(x)表示第i次的误差。对于高斯-牛顿法则有

Δx＝-[J^T(x)J(x)]^-1J(x)e(x)

式中，J^T(x)表示雅可比矩阵的转置，e(x)表示误差均值。

L-M算法是上式的一种改进，其表达式如下：

Δx＝-[J^T(x)J(x)+μI]^-1J(x)e(x)

式中，J(x)为雅可比矩阵，权值μ>0为常数，I为单位阵，e(x)为误差均值。

可以看出，当权值μ＝0时，L-M算法就是高斯-牛顿法；当μ取值接近于1时，L-M算法则为梯度下降法。在迭代过程中，μ值会随着迭代成功次数的增加而逐渐减小，当接近误差最小时，L-M算法就会慢慢转变为高斯-牛顿法。最终通过多次实验表明，采用L-M算法的运算速度会比原来的梯度下降法提高几十甚至上百倍。

本发明的步骤如图1所示，具体按照以下步骤：

步骤1、改进传统BP神经网络

利用L-M算法对BP神经网络进行改进。L-M迭代过程是，首先给出训练误差允许值ε、β、μ₀，以及初始化权值和阈值向量x(0)，令k＝0，μ＝μ₀。然后依次计算式E(x)、J(x)、和Δx的值。最后再计算式E(x)的值，如果E(x)<ε则停止计算，否则，则k＝k+1、μ＝μ/β，重新开始迭代，直到E(x)<ε为止。

Δx＝-[J^T(x)J(x)+μI]^-1J(x)e(x)

步骤2、对光伏逆变器故障类型编码

光伏并网逆变器的基本结构如图2所示。本发明只针对光伏逆变器单个功率开关管发生开路或短路故障的情况进行研究，因此根据图2可以确定，本文只针对T1、T2、T3、T4、T5、T6这6个功率开关管进行故障诊断。因此，本文所研究的逆变器故障类型可以分为3类，一共13种形式，即：

第一类：功率开关管正常工作；

第二类：单只功率开关管开路故障，即T1开路故障、T2开路故障、T3开路故障、T4开路故障、T5开路故障、T6开路故障；

第三类：单只功率开关管短路故障，即T1短路故障、T2短路故障、T3短路故障、T4短路故障、T5短路故障、T6短路故障。

在利用神经网络进行故障诊断之前，首先需要对故障类型进行编码。考虑到故障类型有三大类，则最高两位表示故障类型，即00表示无故障，01表示开路故障，10表示短路故障。每个故障类型中最多有六种故障形式，再用后三位表示故障形式。具体编码结果如表1所示。

表1逆变器故障模式编码表

步骤3、网络的建立与学习

利用MATLAB软件可以实现BP神经网络的建立与学习，用函数newff创建神经网络，其基本格式如下：

net＝newff(A,B,{C},‘trainFun')

其中相关参数表示：

A：一个n×2的矩阵，第i行元素为输入信号xi的最小值和最大值；

B：一个k维行向量，其元素为网络中各层节点数；

C：一个k维字符串行向量，每一分量为对应层神经元的激活函数；

trainFun：为学习规则采用的训练算法。

在本文中，隐含层和输出层的激活函数分别采用对数S形转移函数’logsig’和线性函数’purelin’，训练算法是L-M算法，即参数trainFun设置为’trainlm’。

本发明总共使用了860组故障数据，将其中的800组数据作为训练样本用于神经网络的学习训练，另外60组数据作为测试样本进行网络试验，典型故障数据如表2所示。在对样本数据进行操作之前，首先都要对数据进行预处理，可以采用归一化的方式实现，数据的归一化就是将数据映射到[0,1]或[-1,1]区间或更小的区间上，可以采用如下公式处理：

其中，X原始表示输入的故障数据，Xmax和Xmin分别表示原始输入数据中的最大值和最小值。这里需要注意的是，在训练样本学习和测试样本试验时应该使用相同的最大值和最小值对其进行归一化处理。

表2逆变器典型故障数据

步骤4、网络测试

上文中，利用基于L-M算法的BP神经网络进行逆变器的故障诊断，并在MATLAB软件中编程实现，该仿真程序的流程图如图3所示。

在该仿真模型中，我们把最小误差设定为0.01，最大训练次数为1000次，学习率为0.01，经过多次训练后，得到该网络的训练误差曲线如图4所示，从图中可以看到，网络训练达到150次左右时开始收敛，并且由该程序得到的网络识别率为95.556％。

选取13组逆变器的典型故障数据进行诊断分析，相应的数据如表3所示，其中，U表示逆变器直流电压(V)，I表示逆变器直流电流(A)，表示逆变器A相交流电压(V)，表示逆变器B相交流电压(V)，表示逆变器C相交流电压(V)，P_有功表示逆变器有功功率(W)。经过该逆变器BP神经网络障诊断模型判决后得到的结果如表3所示，将表2和表3中的数据对比分析可知，诊断模型的实际输出与预定义的不同故障类型下的理想输出值相一致，因此，说明将改进的BP神经网络算法用于光伏逆变器的故障诊断中有良好的效果。

表3故障诊断模型实际输出

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种光伏逆变器故障诊断方法，其特征在于，包含以下步骤：

步骤1)，采用L-M算法改进传统BP神经网络，所述L-M算法的迭代过程如下：

步骤1.1)，首先给出训练误差允许值ε、比例系数β、初始化权值μ₀、以及初始阈值向量x(0)，令k＝0，μ＝μ₀；

步骤1.2)，根据以下公式依次计算E(x)、J(x)和Δx的值：

Δx＝-[J^T(x)J(x)+μI]^-1J(x)e(x)

式中，e_i(x)表示第i次的误差，J(x)为雅可比矩阵，e(x)表示误差均值，I表示单位阵，μ表示权值；

步骤1.3)，令k＝k+1、μ＝μ/β；

步骤1.4)，重复执行步骤1.1)至步骤1.3)，直至E(x)<ε；

步骤2)，对光伏逆变器故障类型进行编码；

步骤3)，将光伏逆变器故障数据作为训练样本进行网络学习，建立光伏逆变器故障诊断网络模型；

步骤4)，将需要进行诊断的光伏逆变器的数据输入值光伏逆变器故障诊断网络模型，得出故障诊断结果。

2.如权利要求1所述的光伏逆变器故障诊断方法，其特征在于，对光伏逆变器故障类型编码时只考虑单个功率开关管短路或者开路的情况。

3.如权利要求1所述的光伏逆变器故障诊断方法，其特征在于，在对网络进行训练学习的时候，首先采用归一化的方式对训练数据进行预处理，再利用MATLAB中函数newff创建故障诊断网络模型。