CN107102223A

CN107102223A - 基于改进的隐马尔可夫模型ghmm的npc光伏逆变器故障诊断方法

Info

Publication number: CN107102223A
Application number: CN201710197204.2A
Authority: CN
Inventors: 郑宏; 王若隐; 赵伟; 沈思伦; 林勇
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2017-03-29
Filing date: 2017-03-29
Publication date: 2017-08-29

Abstract

本发明公开了基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，属于电力电子运用与故障诊断技术领域。该方法将隐马尔可夫模型(HMM)与遗传算法结合，引入到NPC光伏逆变器故障诊断上。运用HMM进行故障诊断,模型初始值的选取可能达到局部最优而影响诊断正确率，本发明针对此缺陷，加入遗传算法，遗传算法具有全局寻优的功能，因此将HMM与遗传算法结合(GHMM)，进行逆变器故障诊断。对比现有的光伏逆变器故障诊断方法，本发明中训练模型的迭代步数远远小于常规方法，且训练时间短、识别速度快，与单独运用HMM进行对比，GHMM近一步提高了识别正确率。GHMM在系统运行的动态过程中进行监测与诊断，模型达到全局最优，大幅提高了故障识别率。

Description

基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法

技术领域

本发明属于电力电子运用与故障诊断技术领域，具体涉及基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法。

背景技术

由于当前环境形势日益严峻、资源日趋匿乏，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。

现代控制技术也在光伏发电领域中得到广泛应用。促使光伏发电控制技术发展的逐渐庞大起来，也越来越复杂。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。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。

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。但是HMM有一个致命的缺陷，最终所得解依赖于初始值的选取,往往只是局部最优,影响了最终系统的识别率。

遗传算法是模拟自然界的进化现象,把搜索空间映射为遗传空间,把可能的解编码成一个向量——染色体,向量的每个元素称为基因。通过不断计算各染色体的适应值,选择最好的染色体,获得最优解。设计遗传算法时通常包括以下几个方面内容：确定编码方案，确定适应度函数，控制参数的选取，遗传算子及选择策略的选择和确定算法的终止条件。由于遗传算法中使用的是基于种群的全局搜索,非常容易获得全局最优解。

此外，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，本发明先用遗传算法训练出了最优观测值概率矩阵B的初始值，然后训练模型，用训练出的模型进行故障诊断，改善了隐马尔可夫模型的缺陷，并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。

基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，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和输出电流I训练GHMM，具体过程如下：

S1.1，获得用于训练GHMM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的值进行处理；

S1.3，建立一个GHMM：λ＝(π,A,B)，确定λ模型中的参数初始值；

S1.4，用遗传算法训练出最优观测值概率矩阵B的初始值，此时λ＝(π,A,B)的初始化完成；

S1.5，得到λ模型中参数π、A、B的初始值后，用Baum-Welch算法对参数π、A、B进行重估，得到重估后的模型重复此过程，直到参数π、A、B收敛到设定的范围内，此时的就是所求的改进的隐马尔可夫模型；

S2，由某一故障状态时的输出电压U和输出电流I值，对NPC光伏逆变器故障进行诊断，具体过程如下：

S2.1，根据步骤S1完成训练后得到的参数π、A、B，可以得到对应于NPC光伏逆变器各故障状态的改进的隐马尔可夫模型；

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中各故障状态的改进的隐马尔可夫模型，用Viterbi算法求出最大的概率输出值P(O|λ)；

S2.3，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中在训练各个故障状态的GHMM时使用对应状态的输出电压U和输出电流I。

进一步，S1.1中用于训练GHMM的输出电压U和输出电流I的数值，既可以是离线的数据，也可以是在线监测数据。

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值转化为离散数值,即把输出电压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值对应的离散数值。

进一步，所述S1.3具体为：基于NPC光伏逆变器的电路模型，选择无跳跃的左右型HMM，设其隐含状态数为4，那么转移状态概率矩阵初始状态概率矩阵π设置为π＝[1 0 0 0]。

本发明的有益效果为：改进的隐马尔可夫模型GHMM作为一种强有力的统计分析模型，是一种基于统计模式识别理论的方法，能很好地处理动态过程，本发明将改进的隐马尔可夫模型GHMM与遗传算法结合，用遗传算法改善了HMM的固有缺陷，使训练模型达到全局最优，大幅提高了故障识别率，识别速度比传统逆变器快。

附图说明

图1为本发明使用的改进的隐马尔可夫模型图；

图2为本发明改进的隐马尔可夫模型GHMM模型训练流程图；

图3为本发明使用的遗传算法的流程图；

图4为本发明遗传算子采用的多点交叉图；

图5为本发明遗传算子采用的多点变异图；

图6为本发明基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断流程图。

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。

基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断，包括步骤：

S1，如图2所示，由获得的NPC光伏逆变器的输出电压U和输出电流I训练GHMM，具体过程如下：

S1.1，获得用于训练GHMM的NPC光伏逆变器的输出电压U和输出电流I(可以是离线的数据，也可以是在线监测数据)，包括所有已明确故障类型及正常状态的输出电压U和输出电流I，在训练各个故障状态的GHMM时使用对应状态的输出电压U和输出电流I。

将获得的输出电压U和输出电流I值转化为离散数值,即把输出电压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值对应的离散数值，即可得到每个故障状态的观测值O_t＝[U,I]。

基于NPC光伏逆变器的电路模型，选择无跳跃的左右型HMM，设其隐含的状态个数N为4，那么转移状态概率矩阵A如(1)所示，初始状态概率矩阵π设置为π＝[1 0 0 0]。

S1.4，用遗传算法训练出最优观测值概率矩阵B的初始值，如图3所示。

a.编码：对观测值概率矩阵B的初始值进行编码

本发明采用二进制编码方法，观测值概率矩阵B的初始值的取值范围时[0，1]，如果用长度为64的二进制编码符号串来表示它，则总共能产生2⁶⁴种不同的编码，参数编码时的对应关系如下：

编码精度为：

假设某一个体的编码是：

X:a₆₄a₆₃a₆₂…a₂a₁ (3)

编码对应的解码公式为：

观测值概率矩阵B的初始值满足以下约束条件：

适应度函数反映的是各个染色体的优劣，P(O|λ)是已知观测序列O和模型λ产生每种状态序列的概率，将其优化目标，P(O|λ)最大的染色体就是最好的染色体，通常用Viterbi算法求得P(O|λ)；由于本发明的识别算法也是Viterbi算法，所以算法的具体步骤将在识别阶段加以介绍，此处将P(O|λ)作为优化目标，个体的适应度用各个训练样本的对数似然概率表示：

f(λ)＝ln(P(O^(k)|λ)) (6)

其中：O^(k)是训练模型的第k个观测序列，P(O^(k)|λ)用Viterbi算法求得。

b.设计遗传算子

遗传算子包括杂交算子和变异算子，杂交算子相当于一个局部搜索操作，长生父代附近的两个子代，而变异算子则使个体能跳出当前的局部搜索区域，两者结合更能体现出遗传算法的优化，因此本发明采用的是多点交叉与多点变异如图4和图5。

c.终止准则，即最大进化代数，本发明设置为150；至此，遗传算法完成，得到最优观测值概率矩阵B的初始值，所以模型λ＝(π,A,B)初始化完成。

S1.5，得到λ模型中参数π、A、B的初始值后，用Baum-Welch算法对参数π、A、B进行重估，得到重估后的模型方法如下：

首先，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，马尔可夫模型HMM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) (7)

定义α_t(i)为在t时刻生成部分观测序列O＝{O₁,O₂,...,O_t}的概率，β_t(i)为在t时刻生成部分观测序列O＝{O_t+1,O_t+2,...,O_T}(T为时间长度)的概率，则式(7)变形为：

ξ_t(i,j)＝[α_t(i)a_ijb_j(o_t+1)β_t+1(j)]/P(O|λ) (8)

所以马尔可夫模型HMM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；

Baum-Welch算法重估公式为：

得到重估后的模型重复此过程，直到参数π、A、B收敛到设定的范围内，此时的就是所求的改进的隐马尔可夫模型。

S2，如图6所示，由某一故障状态时的输出电压U和输出电流I值，对NPC光伏逆变器故障进行诊断，具体过程如下：

S2.1，根据步骤S1完成训练后得到的参数π、A、B，可以得到对应于NPC光伏逆变器各故障状态的改进的隐马尔可夫模型。

方法如下；

首先定义一个变量δ_t(i)：

表示在t时刻，沿着一条路径抵达状态S_i，并生成观测序列{O₁,O₂,…O_t}得最大概率；

δ_t(i)可以用迭代算法进行计算：

(1)初始化：

δ_t(i)＝π_ib_i(O₁)，1≤i≤N₁ (14)

初始化迭代步数ψ₁(i)＝0；

(2)迭代计算

(3)最后计算

此处的P就是所要求的最大的概率输出值P(O|λ)。

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

1.基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，S1.1中在训练各个故障状态的GHMM时使用对应状态的输出电压U和输出电流I。

3.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，S1.1中用于训练GHMM的输出电压U和输出电流I的数值，既可以是离线的数据，也可以是在线监测数据。

4.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，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值转化为离散数值,即把输出电压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值对应的离散数值。

5.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，所述S1.3具体为：基于NPC光伏逆变器的电路模型，选择无跳跃的左右型HMM，设其隐含状态数为4，那么转移状态概率矩阵初始状态概率矩阵π设置为π＝[1 0 0 0]。