CN109212347A - 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 - Google Patents

Abstract

本发明是一种基于ISOS‑DBN模型的光伏并网逆变故障特征提取诊断方法，属于光伏发电系统信号处理与诊断领域。包括以下步骤：采集各种工作状态下逆变器电流信号，并作归一化处理；利用训练样本进行DBN训练，训练过程中采用ISOS算法对网络模型参数进行优化选择，得到一个ISOS‑DBN模型与训练集特征数据；计算训练集特征数据集不同故障类别的类心，形成故障样本库；将测试样本输入至ISOS‑DBN模型中计算出待测样本特征数据，并计算测试样本与样本库中各故障类心的夹角余弦距离；对比样本故障库确定故障类型。本发明操作简单，便于实施，自动化程度高，可以避免了过多的人为因素影响，实用性极强。

Description

一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断 方法

技术领域

本发明属于光伏发电系统信号处理与诊断领域，具体涉及一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法。

背景技术

目前，电力电子设备已经广泛成为各种电源的重要组成成分，承担着电力变换的任务，其工作时的稳定状态与可靠性关乎整个系统的安全运行。

以光伏并网逆变为例，一旦出现故障，不仅会影响逆变侧交流设备的运行，还会产生“垃圾电”影响电网的安全运行。因此为确保设备与电网能长期稳定运行，开展故障诊断技术研究具有现实意义。目前故障诊断技术研究主要分为两部分：特征提取与故障诊断。光伏并网逆变器有多种类型，以三相电压源型逆变VSI为例，其故障类型主要繁多，主要有单管故障，同一半桥中双管故障，同一桥臂双管故障，不同桥臂双管交叉故障。针对多种故障情况，首先是选择合适的方法进行故障信号特征提取，故障特征的有效性越强，后续故障诊断与故障定位越简单。目前特征提取主要采用信号处理(如FFT)与统计分析(如PCA)的方法，这些方法具有人工干预大，自动化程度低的缺点。

发明内容

针对上述提到现有技术的缺点，本发明提出一种基于ISOS-DBN模型的故障特征提取及故障诊断方法。考虑到深度置信网络(DBN)挖掘数据深层次特征的特点。本发明利用DBN直接对原始信号进行深层挖掘特征信号，最后将提取的特征建立故障样本库，以利用夹角余弦距离进行故障诊断。但是目前DBN网络结构大都依靠经验选取，尚无合适的方法指导其选择过程，而且网络结构的选择对故障特征提取与诊断具有重要意义。因此在DBN的网络训练中，加入改进的共生生物搜索算法(ISOS)对DBN的隐含层层数与各层神经元节点数进行优化选择，使DBN具有最佳故障特征提取性能，获得的故障特征数据得到各故障类心用于建立故障样本库，故障诊断时，求取待测数据与样本库中各故障类心夹角余弦距离实现故障分类与元件定位，具有计算简单、自动化程度强、效率高的优点。

本发明提出的方案包括：基于ISOS-DBN生成模型的光伏并网逆变故障特征提取方法。主要包括以下步骤：

1.采集各种工作状态下逆变器交流测电流信号，并作归一化处理；

2.DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法(ISOS)对网络模型参数(隐含层层数与各层神经元节点数)进行优化选择，得到一个ISOS-DBN模型与训练集特征数据；

3.故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库；

4.将测试样本输入至训练好的ISOS-DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离；

5.对比样本故障库确定故障类型。

所述步骤1具体为：

(1.1)全信号采集：通过电流传感器采集各种工作状态下逆变器交流测电流信号；

(1.2)原始数据合成：将每一次采集的三相交流电流按照设定长度进行截取并合成为一条数据，得到总样本X＝(x₁,x₂,...,x_ω)，ω为故障类别，假如每类故障下有i个样本，则总样本数量为i*ω，工频交流电一个周期为0.02s，假如采样频率为f_c，那么一条样本的数据总长度为：

N＝3f_c/f_网

其中，f_网为电网频率50Hz。

(1.3)数据预处理：将步骤(2)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集。

本发明提出的特征提取技术，目的是利用改进的共生生物搜索算法对DBN网络进行网络结构优化，具体操作是在DBN网络训练中加入ISOS算法。DBN的网络结构优化是以分类准确率最高为目标，以分类准确率为适应度函数，用ISOS算法寻优确定DBN节点数及层数。下面对ISOS及其具体步骤进行简要介绍。共生生物体搜索(SOS)算法源于对生态系统中生物体生存繁衍共同生活这一共生关系的模拟，是一种新颖的元启发式优化算法。该算法结构简单，可调参数极少，鲁棒性、搜索能力强,且容易实现，算法自提出以来愈来愈受到国内外学者的关注，在复杂优化和工程计算等方面得到广泛地应用。本发明为了增强SOS算法的局部搜索能力，提出了改进的共生生物搜索(Improved Symbiotic Organisms Search,ISOS)算法。

所述ISOS-DBN模型为：DBN网络训练中加入ISOS算法，所述ISOS是在SOS原有算法的基础上增加了Pareto最优解近邻搜索过程，(Pareto最优解指的是迭代过程中出现的最优的m个解，一般取m＝((0.1～0.5)*N))提高算法利用当前解找到更优解的能力。具体方式是分别以Pareto最优解集中的每个个体为中心，在其周围的相应半径R内产生若干个点S，对每个点进行适应度值评价，若存在适应度值优于原个体的点，则将点替代原个体。

进行邻域搜索的公式如下:

x′_i＝x_i+R(2s_i-1)

式中：x_i为群体中的第i个个体；i＝1,2,...,M；R为搜索半径；s_i为sobol低偏差序列，使用sobol低偏差序列的目的是在原有个体周围均匀产生新的点。

ISOS优化网络结构的主要步骤如下：

(1)参数初始化。搜索空间上下界，种群规模N,设定Pareto最优解集规模M，最大迭代次数T_iter，预设精度为10-6,，令迭代步数t＝0，初始化生物体种群集P⁽⁰⁾；

(2)度量P⁽⁰⁾中N个生物体的适应度，得到实数值解S⁽⁰⁾；

(3)对S⁽⁰⁾中的解进行排序，取前M个作为Pareto最优解集X⁽⁰⁾，取X⁽⁰⁾中最优值为最优解X_best；

(4)进入迭代优化过程。While t<＝T_iter，t＝t+1；通过互利阶段、片利阶段和寄生阶段更新最优解X^(t),在X^(t)的基础上利用Pareto近邻搜索判断是否具有更优解，并更新至X_best，判断是否满足终止条件以跳出循环；

(5)输出全局最优解X_best。

得到的全局最优解X_best中，包含了最优参数，将各最优值重新赋给DBN网络训练，得到一个优化的网络结构，该ISOS-DBN输出的为训练集的最优特征数据。

采用上述方案的优点在于：

(1)本方案由特征提取技术与故障诊断技术共同构成，操作简单，便于实施。

(2)所提出的ISOS是对SOS算法进行改进，并首次将其应用于DBN网络的网络结构寻优过程。本发明在SOS基础上增加Pareto近邻搜索：在当前Pareto集上用低偏差序列进行邻域搜索，提高算法利用当前解寻找更优解的能力。所提算法与与粒子群算法(PSO)，蝙蝠算法(BAT)等传统算法相比较，在收敛精度与鲁棒性上具有明显优势，并能获得更好的DBN网络结构参数。

(3)在特征提取技术中采用本发明改进的SOS算法对DBN网络结构进行优化，其自动化程度高，可以避免了过多的人为因素影响。

(4)将得到的训练集特征参数与各故障集类心做成样本库，故障诊断时直接计算待测样本与样品库中各故障集类心夹角余弦距离就能直接判断故障类型，解释性强。相比于SVM，BP分类器来说，计算公式简单，避免由于随机赋值陷入的局部最优解，因此实用性极强。

附图说明

图1是特征提取与故障诊断流程示意图。

图2是pareto搜索示意图。

图3、图4和图5是ISOS与PSO、BAT算法在函数极值寻优性能上的比较图。

图6是ISOS优化DBN适应度曲线。

图7是ISOS优化算法流程图。

具体实施方式

下面结合附图和实施例对发明作进一步的详细说明，但并不作为对发明做任何限制的依据。

本发明提出一种基于ISOS-DBN模型的光伏并网逆变故障特征提取及故障诊断，特征提取与故障诊断流程如图1所示。具体步骤为：

1.采集各种工作状态下逆变器交流测电流信号，并作归一化处理。

所述步骤1具体为：

(1.1)全信号采集：通过电流传感器采集各种工作状态下逆变器交流测电流信号；

(1.2)原始数据合成：将每一次采集的三相交流电流按照设定长度进行截取并合成为一条数据，得到总样本X＝(x₁,x₂,...,x_ω)，ω为故障类别，加入每类故障下有i个样本，则总样本数量为i*ω。工频交流电一个周期为0.02s，加入采样频率为f_c，那么一条样本的数据总长度为：

N＝3f_c/f_网

其中，f_网为电网频率50Hz；

(1.3)数据预处理：将步骤(2)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集，本发明采用常见的最大最小归一化法，其数学表达式为：

x_k＝(x_k-x_min)/(x_max-x_min)(k＝1,2,...,M)

其中，x_min为不同样本同一指标下的最小数，x_max为最大数，M为一条样本序列维度。

2.DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法ISOS对网络模型参数即隐含层层数与各层神经元节点数进行优化选择，得到一个ISOS-DBN模型与训练集特征数据。

3.故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库。一般采用平均值作为类中心，计算公式为：

由步骤(1.2)知，ω为故障类别号，i表示第ω故障下总的样本数。

4.将测试样本输入至训练好的ISOS-DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离。待测样本到ω故障类的中心点M^(ω)的距离为：

可知，待测样本与样本库中ω类故障样本集的夹角余弦距离越大，两者对应的夹角就越小，说明两者越相似。基于此思想，可以对待测样本进行分类。

5.对比样本故障库确定故障类型。

实例1：对光伏逆变进行仿真实验中收集数据1200组，构成1200*2640原始数据集矩阵(即输入为2640)，其中960组数据用于训练网络构成故障样本库；其余用于测试集。故障类含22种故障，为模拟实际工况，这里实验时为数据添加均值为0，方差为5的白噪声。得出下表：

从表中可以看出，DBN网络结构参数设置对最后诊断精度具有很大的影响，而目前对于隐含层层数与隐含层节点数的选取大都依靠经验选取，自动化程度低，因此本发明提出利用ISOS算法对DBN的训练过程进行优化训练，得到一个较为合适的网络结构。

ISOS是在SOS原有算法的基础上增加了Pareto最优解近邻搜索过程，(Pareto最优解指的是迭代过程中出现的最优的m个解，一般取m＝((0.1～0.5)*N))利用当前解寻找更优解，提高算法的局部搜索能力。具体方式是分别以Pareto最优解集中的每个个体为中心，在其周围的相应半径R内产生若干个点S，对每个点进行适应度值评价，若存在适应度值优于原个体的点，则将点替代原个体。

搜索半径和产生点数计算公式如下：

式中：y_min＝min(f(x_i))表示最小适应度函数值，即最优值；y_max＝max(f(x_i))表示最劣值；RC和H分别用来调整搜索半径和产生点数的大小；ε表示机器最小量，避免出现零操作。

进行邻域搜索的公式如下:

x′_i＝x_i+R(2s_i-1)

式中：x_i为群体中的第i个个体；i＝1,2,...,M；R为搜索半径；s_i为sobol低偏差序列，使用sobol低偏差序列的目的是在原有个体周围均匀产生新的点。pareto搜索示意图如图2所示(图中为3维空间，实际上为d维，d为寻优参数的个数。

实例2：为验证ISOS算法性能，选用常见的启发式算法进行比较，其中3种算法寻优代数均为500，种群数量为30。得出图3、图4和图5寻优迭代适应度曲线。

从图3、图4和图5中寻优迭代适应度曲线可以看出，ISOS提供了更快的收敛速度与更好的初始化极值。对于3种不同的复杂函数，ISOS算法在寻找全局最优解上都表现出更强的能力。

ISOS优化DBN主要步骤如下：

(1)参数初始化：搜索空间上下界，N个生物体组成的种群X＝(X₁,X₂,...,X_N)，设定Pareto最优解集规模M，最大迭代次数T_iter，预设精度为10-6,，令迭代步数t＝0，初始化生物体种群集P⁽⁰⁾；

(2)度量P⁽⁰⁾中N个生物体的适应度，得到实数值解S⁽⁰⁾，方法如下：

While k<＝N；

(2.1)当DBN各隐含层数为X_k＝[x_k1,x_k2,...,x_kD]^T时，训练DBN网络，得到训练样本集和测试样本集的特征量；

(2.2)构造训练样本集和测试样本集根据训练集特征数据计算各故障类别的类心，形成故障样本库，对测试样本故障类别进行判别，计算测试集故障诊断准确率；

(2.3)将测试集故障诊断准确率作为该生物体的适应度值；

(2.4)k＝k+1，判断是否满足终止条件，满足则跳出循环，不满足则返回至(2.1)。End

(3)对S⁽⁰⁾中的解进行排序，取前M个作为Pareto最优解集X⁽⁰⁾，取X⁽⁰⁾中最优值为最优解X_best；

(4)进入迭代优化过程：

While t<＝T_iter

(4.1)t＝t+1；

(4.2)互利阶段：生物体种群中随机选择两个不同生物体X_i和X_j，按照公式(c)产生两个生物体间的关系特征向量“Mutual_Vector”，根据公式(d)(e)分别产生两个新的个体X_inew和X_jnew，

Mutual_Vector＝(X_i+X_j)/2 (c)

X_inew＝X_i+α(X_best-Mutaual_Vector*BF₁) (d)

X_jnew＝X_j+β(X_best-Mutaual_Vector*BF₂) (e)

其中，αβ为[0,1]之间随机数，BF₁和BF₂为1或2表示互利程度，对于X_i若f(X_inew)＜f(X_i)，则接受新个体；同理对X_j也是；

(4.3)片利阶段：从种群中随机选择两个不同生物体X_i和X_j，根据公式(f)产生新个体X_inew，其中δ为[-1，1]之间随机数，

X_inew＝X_i+rand(X_best-X_j) (f)

若对于X_i若f(X_inew)＜f(X_i)，则接受新个体；

(4.4)寄生阶段：根据公式(g)(h)产生变异载体“parasite_vector”，

parasite_vector＝X_i (g)

parasite_vector(pick)＝rand(1,length(pick))*(ub(pick)-lb(pick))+lb(pick) (h)

pick为变异位，ub、lb为寻优范围上下界。

若对于X_i若f(parasite_vector)＜f(X_i)，则接受新个体parasite_vector。

(4.5)将更优解更新至Pareto解集X^(t)；

(4.6)近邻搜索：对Pareto解集X^(t)进行近邻搜索，根据式(a)(b)计算X^(t)中每个解对应的搜索半径和产生点数，对X^(t)中的每个解进行邻域搜索，将更优解更新至X^(t)，并更新最优解X_best；

(4.7)判断算法是否满足终止条件，不满足则返回至(4.1)，否则终止寻优。End

(5)输出全局最优解X_best。

得到的全局最优解X_best中，包含了最优参数，将各最优值重新赋给DBN网络训练，得到一个优化的网络结构，该ISOS-DBN输出的为训练集的最优特征数据。

实例3：使用ISOS_DBN模型方法

DBN参数：rbm训练次数maxepoch＝20，权重学习率＝0.01，隐层与显层偏置学习率均为0.01，权重衰减系数＝8e-4，初始动量＝0.5，确定动量为0.9。

ISOS参数：种群数N＝20，迭代数N_iter＝100，寻优边界[100 500]，Pareto参数m＝4。

仿真数据集：光伏逆变器含22种故障，对光伏逆变进行仿真实验收集数据1200组，其中960组训练数据用于训练网络构成故障样本库；其余240组为测试集。为模拟实际工况，为数据集添加不同强度白噪声。

从图6可以看出，通过100次迭代优化之后，适应度曲线稳定在97.5％。在适应度下得到一个4层网络，节点数为[455 166 635 120]。重新训练一个[455 166 635 120]的DBN网络。

带入960组训练集获得故障特征样本集，根据公式(3)获得各故障类心M^(ω)，ω∈(1，2，...,22)；

带入240组测试集获得待测样本集x_i'，i∈(1,2,...,240)；

根据公式(4)，计算各待测样本集对应夹角余弦距离，D²(i,ω)＝cos(x_i',M^(ω))，若D²(i,j)＝max(D²(i,ω)|ω∈(1，...,22))，则第i个待测样本对应第j类故障，j∈ω。诊断结果与待测样本集原始标签进行比较计算诊断精度。

上表为数据集在不同白噪声下的测试集诊断精度。从表中可以看出，在低噪情况下，本发明提供的方法保持着较高的诊断精度。

为验证ISOS_DBN在故障特征提取上的优势，采用未经ISOS优化的DBN网络、主成分分析(PCA)对原始数据进行特征提取，最后诊断对比得出下表。

从表中可以看出，ISOS_DBN优势明显，并且在加入不同噪声之后的对比结果显示，相比于DBN、PCA来说，ISOS_DBN的抗噪特征提取依旧具有优势。

所述ISOS优化算法流程如图7所示，具体程序为：

(1)初始化种群X，获得种群适应度f；

(2)Pareto search，获得初始极值f_best和初始极值个体X_best；

(3)互利阶段：随机选择两个不同生物体X_i和X_j计算Mutual_Vector，X_inew和X_jnew；

(4)判断f(X_inew)与f(X_jnew)是否更优，是则接受新产生的个体，否则保留已有个体；

(5)片利阶段：随机选择两个不同生物体X_i和X_j产生一个新个体X_new；

(6)判断f(X_new)是否更优，是则接受新产生的个体，否则保留已有个体；

(7)寄生阶段：随机选择两个不同生物体，X_i和X_j产生变异载体“parasite_vector”；

(8)判断f(parasite_vector)是否更优，是则接受变异载体，否则保留已有个体；

(9)Pareto search，获得近邻更优解X_best；

(10)判断是否满足终止条件，否则返回第(3)步；是则中止寻优输出全局最优解X_best。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，包括以下步骤：

(1)采集各种工作状态下逆变器交流测电流信号，并作归一化处理,以及划分训练样本集与测试样本集；

(2)DBN训练：利用训练样本对深度置信网络DBN进行训练，训练过程中采用改进的共生生物搜索算法ISOS对网络模型参数即隐含层层数与各层神经元节点数进行优化选择，得到一个ISOS-DBN模型与训练集特征数据；

(3)故障样本库建立：计算训练集特征数据集不同故障类别的类心，形成故障样本库；

(4)将测试样本输入至训练好的ISOS-DBN模型中计算出待测样本特征数据，并计算测试集样本与样本库中各故障类心的夹角余弦距离；

(5)对比样本故障库确定故障类型。

2.根据权利要求1所述的一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，所述步骤(1)具体为：

(1.1)全信号采集：通过电流传感器采集各种工作状态下逆变器交流测电流信号；

(1.2)原始数据合成：将每一次采集的三相交流电流按照设定长度进行截取并合成为一条数据，得到总样本X＝(x₁,x₂,...,x_ω)，ω为故障类别，假如每类故障下有i个样本，则总样本数量为i*ω，工频交流电一个周期为0.02s，假如采样频率为f_c，那么一条样本的数据总长度为：

N＝3f_c/f_网

其中，f_网为电网频率50Hz；

(1.3)数据预处理：将步骤(1.2)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集。

3.根据权利要求1所述的一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，所述ISOS-DBN模型为：DBN网络训练中加入ISOS算法，所述ISOS是在SOS原有算法的基础上增加了Pareto最优解近邻搜索过程，利用当前解寻找更优解，提高其局部搜索能力；具体方式是分别以Pareto最优解集中的每个个体为中心，在其周围的相应半径R内产生若干个点S，对每个点进行适应度值评价，若存在适应度值优于原个体的点，则将点替代原个体；

进行邻域搜索的公式如下:

x_i′＝x_i+R(2s_i-1)

式中：x_i为群体中的第i个个体；i＝1,2,...,M；R为搜索半径；s_i为sobol低偏差序列，使用sobol低偏差序列的目的是在原有个体周围均匀产生新的点。

4.根据权利要求3所述的一种基于ISOS-DBN模型的光伏并网逆变故障特征提取诊断方法，其特征在于，ISOS算法的主要步骤如下：

(4.1)参数初始化：搜索空间上下界，种群规模N,设定Pareto最优解集规模M，最大迭代次数T_iter，预设精度为10-6,，令迭代步数t＝0，初始化生物体种群集P⁽⁰⁾；

(4.2)度量P⁽⁰⁾中N个生物体的适应度，得到实数值解S⁽⁰⁾；

(4.3)对S⁽⁰⁾中的解进行排序，取前M个作为Pareto最优解集X⁽⁰⁾，取X⁽⁰⁾中最优值为最优解X_best；

(4.4)进入迭代优化过程。While t<＝T_iter，t＝t+1；通过互利阶段、片利阶段和寄生阶段更新最优解X^(t),在X^(t)的基础上利用Pareto近邻搜索判断是否具有更优解，并更新至X_best，判断是否满足终止条件以跳出循环；

(4.5)输出全局最优解X_best；

得到的全局最优解X_best中，包含了最优参数，将各最优值重新赋给DBN网络训练，得到一个优化的网络结构，该ISOS-DBN输出的为训练集的最优特征数据。