CN109709411A - 一种光伏逆变器故障诊断方法和系统 - Google Patents

Abstract

本发明提供了一种光伏逆变器故障诊断方法和系统，包括：采集光伏逆变器的运行数据组成测试样本；将测试样本带入预先构建的多分类器模型得到测试样本对应的样本类型；根据样本类型得到逆变器的故障类型；多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器。该方法和系统实现基于支持向量机的光伏逆变器故障诊断；采用优秀的决策流程，决策导向无环图，改善决策路径，提高了诊断准确度；采用先进的算法，MCKD,有效提取故障特征，提高诊断准确度。

Description

一种光伏逆变器故障诊断方法和系统

技术领域

本发明属于新能源技术领域，具体讲涉及一种光伏逆变器故障诊断方法和系统。

背景技术

光伏逆变器能够将直流电能变为交流电能，是光伏发电系统的核心部件之一，关系到系统的安全、稳定和高效运行。三电平逆变器为光伏发电系统中常用的一种逆变器，其故障诊断技术研究具备重要意义。

当前智能诊断技术在三电平逆变器的故障诊断中得到广泛运用，比如BP神经网络、极限学习机、支持向量机等。此类智能故障诊断技术的难点在于：1.如何设置高效的分类器诊断流程；2.如何对样本进行有效的故障特征提取；3.分类器的参数设置问题。

发明内容

为克服上述现有技术的不足，本发明提出一种光伏逆变器故障诊断方法。

实现上述目的所采用的解决方案为：

一种光伏逆变器故障诊断方法，其改进之处在于：

采集光伏逆变器的运行数据组成测试样本；

将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；

根据所述样本类型得到逆变器的故障类型；

所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器。

本发明提供的第一优选技术方案，其改进之处在于，

所述多分类器模型的构建包括：

采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；

将所述采集到的历史数据生成样本训练集；

根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本；

采用SVM算法将所述特征样本中每两个样本类型训练生成一个二分类器，所述二分类器数目为样本类型数目取二的组合数，所述样本类型对应光伏逆变器正常情况和各类故障类型情况；

将所述多个二分类器进行组合生成多分类器，所述多分类器的每个输出结果对应一个样本类型。

本发明提供的第二优选技术方案，其改进之处在于，所述光伏逆变器为三电平逆变器；所述光伏逆变器的运行数据包括：桥壁电压值V_OA、上管电压值V_Sa1和下管电压值V_Sa4。

本发明提供的第三优选技术方案，其改进之处在于，所述将采集到的历史数据生成样本训练集，包括：

在所述三电平逆变器中采集正常情况和各类故障类型情况下多个周期多组的桥壁电压值V_OA、上管电压值V_Sa1和下管电压值V_Sa4组成的训练样本{V_OA,V_Sa1,V_Sa4}。

本发明提供的第四优选技术方案，其改进之处在于，所述根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本，包括：

根据预设的故障特征维数，采用最大相关峭度解卷积MCKD方法对样本{V_OA,V_Sa1,V_Sa4}进行投影，得到特征样本：F＝[f₁f₂…f_L]^T；

其中，F为特征样本，L为故障特征维数，f₁f₂…f_L为F在各维度上的分量。

本发明提供的第五优选技术方案，其改进之处在于，所述将所述多组二分类器进行组合生成多分类器，包括：

采用决策导向无环图DDAG法将多个二分类器SVM进行组合，生成多分类器。

本发明提供的第六优选技术方案，其改进之处在于，所述采集光伏逆变器的运行数据组成测试样本，包括：

采集待测三电平逆变器运行过程中连续多个周期的桥壁电压值V_{OA test}、上管电压值V_Sa1test和下管电压值V_Sa4test，并采用MCKD方法生成待测试样本{V_{OA test},V_Sa1test,V_Sa4test}。

一种光伏逆变器故障诊断系统，其改进之处在于，包括数据采集模块、多分类模块和故障分类模块；

所述数据采集模块用于采集光伏逆变器的运行数据组成测试样本；

所述多分类模块用于将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器；

所述故障分类模块用于根据所述样本类型得到逆变器的故障类型

本发明提供的第七优选技术方案，其改进之处在于，还包括多分类器模型构建模块，所述多分类器模型构建模块用于预先构建多分类器模型。

本发明提供的第八优选技术方案，其改进之处在于，所述多分类器模型构建模块包括历史数据采集子单元、样本训练集生成子单元、特征样本生成子单元、二分类器生成子单元和多分类器生成子单元；

所述历史数据采集子单元用于采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；

所述样本训练集生成子单元用于将所述采集到的历史数据生成样本训练集；

所述特征样本生成子单元用于根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本；

所述二分类器生成子单元用于采用SVM算法将所述特征样本中每两个样本类型训练生成一个二分类器，所述二分类器数目为样本类型数目取二的组合数，所述样本类型对应光伏逆变器正常情况和各类故障类型情况；

将所述多个二分类器进行组合生成多分类器，所述多分类器的每个输出结果对应一个样本类型。

与最接近的现有技术相比，本发明具有的有益效果如下：

1.采用优秀的决策流程，决策导向无环图，改善决策路径，提高了诊断准确度；

2.采用先进的算法，MCKD,有效提取故障特征，提高诊断准确度；

3.实现基于支持向量机的光伏逆变器故障诊断。

附图说明

图1为本发明提供的一种光伏逆变器故障诊断方法流程示意图；

图2为本发明提供的一种光伏逆变器故障诊断方法原理示意图；

图3为本发明使用三电平逆变电器的经典电路图；

图4为本发明提供的一种光伏逆变器故障诊断方法中一个基于DDAG的SVM多分类扩展实施例示意图。

具体实施方式

本发明采用MCKD方法对样本进行故障特征提取，进而采用决策导向无环图对支持向量机进行多分类扩展，构建故障分类器，最终实现光伏逆变器的故障诊断。

下面结合附图对本发明的具体实施方式做进一步的详细说明。

一种光伏逆变器故障诊断方法流程示意图如图1所示。

该方法包括：

采集光伏逆变器的运行数据组成测试样本；

将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；

根据所述样本类型得到逆变器的故障类型；

所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器。

该方法的具体原理如图2所示包括：

采集多类别的训练样本集；

基于MCKD方法提取训练样本集特征，得到特征样本；

采用SVM算法将特征样本训练得到多个二分类器SVM；

采用DDAG法将多个二分类器SVM进行组合，生成多分类器；

采集待测光伏逆变器的运行数据；

经MCKD方法提取待测试运行数据得到测试样本；

将测试样本输入多分类器，得到测试样本对应的样本类型，该样本类型对应待测光伏逆变器的故障类型。

其中，本发明中的光伏逆变器为常用的三电平逆变器，其经典电路图如图3所示。

采集多类别的训练样本集包括：

采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；在三电平逆变器中采集正常情况和各类故障情况下多个周期各多组的桥壁电压值V_OA、上管电压值V_Sa1和下管电压值V_Sa4，组成样本{V_OA,V_Sa1,V_Sa4}；其中，可设置采集20个周期5组的样本。

将正常样本编为类别1，故障样本按照故障类型编号，当共有K类样本时，故障样本编号分别为2,3，…，K。

上管电压值V_Sa1为图3所示三电平逆变电路中IGBT开关管Sa1处电压值，开关管SA1与直流输入正极相连；

下管电压值V_Sa4为图3所示三电平逆变电路中IGBT开关管Sa4处电压值，开关管SA4与直流输入负极相连。

基于MCKD方法提取训练样本集特征，得到特征样本包括：

根据预设的故障特征维数，采用MCKD方法对样本{V_OA,V_Sa1,V_Sa4}进行投影，得到特征样本：F＝[f₁f₂…f_L]^T，其中，F为特征样本，L为故障特征维数，f₁f₂…f_L为F在各维度上的分量；L取值可为100。

基于MCKD的特征提取过程为：

给定信号模型如式(1)

其中x_n是采样信号，u_n是未知类型的输入信号，d_n是故障信号，e_n是噪声；系数a_k、b_k和c_k分别代表x_n对过去的x_n值、u_n和d_n的依赖程度。其卷积形式可写成：

代表FIR滤波器对的拟合，代表FIR滤波器对的拟合，代表FIR滤波器对的拟合，，N1代表测试信号的数量，N2代表测试信号的数量，N3代表测试信号的数量。MCKD将故障信号采用式(3)进行重构：

为的重构波形，为所提取的特征信号。

采用SVM算法将所述特征样本训练得到多个二分类器SVM包括：

设共有K类样本，采用SVM算法每两类可训练生成一个二分类器SVM，共生成个SVM。采用i-a-j代表采用第i类和第j类样本训练所得SVM分类器。

采用DDAG法将多个二分类器SVM进行组合，生成多分类器包括：

采用DDAG法将多组SVM分类器进行组合，生成多分类器。以四分类为例，可采用图4的形式构建多分类器：

顶层有1、2、3和4共四个可能的类型，采用二分类器1-a-4，若非4类，得到第二层的【1,2,3】支；若非1类，得到第二层的【2,3,4】支；第二层共两个支系，每个支系有3个可能的类型。

对【1,2,3】支，有1、2和3共三种可能的类型，采用二分类器1-a-3，若非3类，得到第3层的【1,2】支；若非1类，得到第3层的【2,3】支；

对【2,3,4】支，有2、3和4共三种可能的类型，采用二分类器2-a-4，若非4类，得到第3层的【2,3】支；若非2类，得到第3层的【3,4】支；

第3层共3个支系，每个支系有两个可能的类型，采用相应的二分类器，得到底层的样本类型编号，即决策值。

应该说明的是，DDAG法具体的决策路径不唯一，其结构取决于最底层分类节点的排布顺序。

决策路径指的是待测样本送入分类器的先后顺序。以图4为例，假如待测样本实际的类别为4，则图中决策路径应该从分类器‘1‐a‐4’到分类器‘2‐a‐4’，再到分类器‘3‐a‐4’，最终会被分类器给出样本类型4。如果样本实际类别为1，则图中决策路径应该从分类器‘1‐a‐4’到分类器‘1‐a‐3’，再到分类器‘1‐a‐2’，最终会被分类器给出样本类型1。

采集待测光伏逆变器的运行数据包括：采集待测三电平逆变器运行过程中连续多个周期的桥壁电压值V_{OA test}、上管电压值V_Sa1test和下管电压值V_Sa4test，其中周期数目可取为20.

采用MCKD方法生成测试样本{V_{OA test},V_Sa1test,V_Sa4test}。

将测试样本输入多分类器，得到故障类型包括：将测试样本{V_{OA test},V_Sa1test,V_Sa4test}输入多分类器，得到样本类型编号i；根据样本类型编号，确定i对应的逆变器故障类型，实现故障诊断。

基于同一发明构思，本发明还提供了一种光伏逆变器故障诊断系统，由于这些设备解决技术问题的原理与光伏逆变器故障诊断方法相似，重复之处不再赘述。该系统包括数据采集模块、多分类模块和故障分类模块；

其中数据采集模块用于采集光伏逆变器的运行数据组成测试样本；

多分类模块用于将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器；

故障分类模块用于根据所述样本类型得到逆变器的故障类型。

进一步，该系统还包括多分类器模型构建模块，多分类器模型构建模块用于预先构建多分类器模型。

其中，多分类器模型构建模块包括历史数据采集子单元、样本训练集生成子单元、特征样本生成子单元、二分类器生成子单元和多分类器生成子单元；

历史数据采集子单元用于采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；

样本训练集生成子单元用于将所述采集到的历史数据生成样本训练集；

特征样本生成子单元用于根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本；

二分类器生成子单元用于采用SVM算法将所述特征样本中每两个样本类型训练生成一个二分类器，所述二分类器数目为样本类型数目取二的组合数，所述样本类型对应光伏逆变器正常情况和各类故障类型情况；

将所述多个二分类器进行组合生成多分类器，所述多分类器的每个输出结果对应一个样本类型。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (10)

1.一种光伏逆变器故障诊断方法，其特征在于：

采集光伏逆变器的运行数据组成测试样本；

将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；

根据所述样本类型得到逆变器的故障类型；

所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器。

2.如权利要求1所述的方法，其特征在于，所述多分类器模型的构建包括：

采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；

将所述采集到的历史数据生成样本训练集；

根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本；

采用SVM算法将所述特征样本中每两个样本类型训练生成一个二分类器，所述二分类器数目为样本类型数目取二的组合数，所述样本类型对应光伏逆变器正常情况和各类故障类型情况；

将所述多个二分类器进行组合生成多分类器，所述多分类器的每个输出结果对应一个样本类型。

3.如权利要求1所述的方法，其特征在于，所述光伏逆变器为三电平逆变器；所述光伏逆变器的运行数据包括：桥壁电压值V_OA、上管电压值V_Sa1和下管电压值V_Sa4。

4.如权利要求2或3所述的方法，其特征在于，所述将采集到的历史数据生成样本训练集，包括：

在所述三电平逆变器中采集正常情况和各类故障类型情况下多个周期多组的桥壁电压值V_OA、上管电压值V_Sa1和下管电压值V_Sa4组成的训练样本{V_OA,V_Sa1,V_Sa4}。

5.如权利要求4所述的方法，其特征在于，所述根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本，包括：

根据预设的故障特征维数，采用最大相关峭度解卷积MCKD方法对样本{V_OA,V_Sa1,V_Sa4}进行投影，得到特征样本：F＝[f₁f₂…f_L]^T；

其中，F为特征样本，L为故障特征维数，f₁f₂…f_L为F在各维度上的分量。

6.如权利要求2所述的方法，其特征在于，所述将所述多组二分类器进行组合生成多分类器，包括：

采用决策导向无环图DDAG法将多个二分类器SVM进行组合，生成多分类器。

7.如权利要求1或3所述的方法，其特征在于，所述采集光伏逆变器的运行数据组成测试样本，包括：

采集待测三电平逆变器运行过程中连续多个周期的桥壁电压值V_{OA test}、上管电压值V_Sa1test和下管电压值V_Sa4test，并采用MCKD方法生成待测试样本{V_{OA test},V_Sa1test,V_Sa4test}。

8.一种光伏逆变器故障诊断系统，其特征在于，包括数据采集模块、多分类模块和故障分类模块；

所述数据采集模块用于采集光伏逆变器的运行数据组成测试样本；

所述多分类模块用于将所述测试样本带入预先构建的多分类器模型得到所述测试样本对应的样本类型；所述多分类器模型包括由多个二分类器支持向量机SVM组合构成的多分类器；

所述故障分类模块用于根据所述样本类型得到逆变器的故障类型。

9.如权利要求8所述的系统，其特征在于，还包括多分类器模型构建模块，所述多分类器模型构建模块用于预先构建多分类器模型。

10.如权利要求9所述的系统，其特征在于，所述多分类器模型构建模块包括历史数据采集子单元、样本训练集生成子单元、特征样本生成子单元、二分类器生成子单元和多分类器生成子单元；

所述历史数据采集子单元用于采集光伏逆变器运行的历史数据，包括基于故障类型采集的历史数据和正常运行的历史数据；

所述样本训练集生成子单元用于将所述采集到的历史数据生成样本训练集；

所述特征样本生成子单元用于根据预设的故障特征维数，将所述样本训练集在所述特征维数上投影得到特征样本；

所述二分类器生成子单元用于采用SVM算法将所述特征样本中每两个样本类型训练生成一个二分类器，所述二分类器数目为样本类型数目取二的组合数，所述样本类型对应光伏逆变器正常情况和各类故障类型情况；

将所述多个二分类器进行组合生成多分类器，所述多分类器的每个输出结果对应一个样本类型。