CN110068776A - 基于优化支持向量机的三电平逆变器开路故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于优化支持向量机的三电平逆变器开路故障诊断方法，该方法包括以下顺序的步骤：(1)故障特征提取，样本分配；(2)核Fisher降维，优化核函数参数；(3)确定支持向量所属的区间；(4)KNN参考点提取；(5)测试样本分配；(6)测试样本分类。本发明采用固有模态分解和奇异值分解进行特征提取能够更好地提取时变非线性信号特征；利用核Fisher算法提取支持向量作为训练样本，能够有效提高支持向量机的训练速度；利用KNN算法对分类超平面附近的测试样本分类，能够提高分类超平面附近测试样本的分类准确度；利用核Fisher算法构建的SVM‑KNN分类器能够在较少的测试时间内以更高的精度正确分类三电平逆变器开路故障。

Description

基于优化支持向量机的三电平逆变器开路故障诊断方法

技术领域

本发明涉及光伏逆变器电路故障诊断技术领域，尤其是基于优化支持向量机的三电平逆变器开路故障诊断方法。

背景技术

近年来，高铁、电动汽车和光伏发电的快速发展，刺激了对谐波低、效率高、体积小、重量轻、功率密度高的高性能电力转换器的需求。三电平逆变器因具有这样的优势，将取代两电平逆变器在该领域的应用。然而三电平逆变器也有它自身的缺点，相对于两电平逆变器，它使用了更多的功率管。而功率管作为逆变器的关键器件，承载大电压、高电流、较高的温度以及频繁地开关操作等，任何一个功率器件故障都会导致电路工作状态不正常，甚至危害系统安全。由于逆变器电路的高度对称性，少量功率器件发生开路故障后，电路任然能够输出，设备也能够运转，但是工作于不正常状态，长此以往将对设备造成严重的损伤，因此功率管的开路故障诊断成为逆变电路可靠性研究的热点。

目前众多学者对二极管钳位三电平逆变器的开路故障诊断进行了不少研究，例如：有人以上、中、下三种桥臂电压作为测量信号，采用小波多尺度分解法提取信号特征，再利用粒子群聚类算法生成决策树，实现对三电平逆变器开路的多模式故障诊断；有人以变换器输出电压为测试信号，利用变采样频率的小波包分析方法提取特征信号，再用 PCA进行降维，最后用神经网络进行故障分类；也有人以箝位二极管桥臂上两端电压作为测试信号，利用小波变换提取信号特征，再以SVM进行故障分类，并运用布谷鸟优化算法进行支持向量机的参数寻优等等。虽然小波变换在信号特征提取方面具有很大的优势，但是，实际使用起来需要尝试使用不同的小波基函数来达到最优的结果；传统支持向量机用于故障特征分类，虽然能够通过寻优算法优化参数来提高分类精度，但是解决不了其本身存在的固有缺陷：1.训练样本数量决定训练时长，而实际有价值的样本点仅仅是那些少量的支持向量；2.分类超平面附近训练点的分类准确率不高，无法从根本上提升分类精度，从而导致分类器训练时间长，测试精度难以提高。

发明内容

本发明的目的在于提供一种减小SVM训练时的无用样本点数，从而降低训练时间，同时与KNN算法相结合提高了故障诊断的准确度的基于优化支持向量机的三电平逆变器开路故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于优化支持向量机的三电平逆变器开路故障诊断方法，该方法包括以下顺序的步骤：

(1)故障特征提取，样本分配：将箝位二极管两端电压信号进行经验模态分解，得到10个固有模态分量imf_i(t)，i＝1,2,…,10和1个残余分量，利用所有固有模态分量imf_i(t)构造矩阵S＝[imf₁(t),imf₂(t),…,imf₁₀(t)]_m×10，其中m为采样点数，对矩阵S 进行奇异值分解，得到1行10列的特征向量X，改变三电平逆变器输入电压，获得一组不同故障模式下的特征向量作为样本，按7:3的比例将样本分为训练样本和测试样本，将多分类问题转化为个二分类问题，把训练样本分成组训练样本 X_ij,i＝1,2,j∈1,2,…,N，其中，c为样本总类别数，i表示样本类别，j表示样本序列，N 表示样本点数；

(2)核Fisher降维，优化核函数参数：选取高斯核作为核函数，利用核Fisher算法对训练样本X_ij降维，得到训练样本X_ij在一维空间投影P_hq，类内投影最大值和最小值类内投影点之间的最大距离差以及核 Fisher系数α，以此优化高斯核宽度参数σ,其中分别表示第1类和第2类样本投影的最大值，分别表示第1类和第2类样本投影的最小值，d₁,d₂分别表示第 1类和第2类样本投影的类内距离差；

(3)确定支持向量所属的区间：利用上述步骤(1)中的和d₁,d₂计算样本点选取指标参数ξ及初始区间D，其中ξ∈[0,1]，当ξ＝0为选取两个类中投影距离最近的两个样本点，ξ＝1为选取两个类的所有样本点，选取投影P_hq落在初始区间D 内的点对映的训练样本V_s ⁱ训练支持向量机，以获得的支持向量总数Z，计算支持向量所在区间D₁；

(4)KNN参考点提取：利用上述步骤(1)中的d₁,d₂和上述步骤(2)获得的ξ，计算KNN参考点所在区间D₂，若则若则获取投影P_hq落在区间D₂内的点对应的训练样本记为

(5)测试样本分配：利用上述步骤(1)获得的高斯核宽度参数σ和核Fisher系数α，计算测试样本的高斯核矩阵K_t和测试样本的一维投影P_t＝α·K_t，获取投影P_t落在D₁区间内的点对应的测试样本记为P_t落在D₁区间外的点对应的测试样本记为其中x₁,…,x_N∈x_ij，k(x_i,x_j)为核函数，M为测试样本点数；

(6)测试样本分类：重复步骤(2)，(3)，(4)，(5)共次，利用获取的所有支持向量训练支持向量机并对分类，利用KNN算法以为参考点对分类。

所述步骤(2)中，利用Fisher算法优化高斯核宽度参数σ的特征如下：

(2a)初始化高斯宽度参数σ和判据指标参数CR_max：σ＝0.01，CR_max＝0；

(2b)核Fisher降维：计算核Fisher系数α和训练样本核矩阵K_r，计算训练样本一维空间投影P_hq＝α·K_r；

(2c)计算一维空间投影P_hq的类内投影最大值和最小值

(2d)计算类内投影点之间的最大距离差

(2e)比较：

若则

若则

若则

若则

(2f)判断：

若|CR_max-CR|＞0.1，

比较：

若CR_max＜CR，则CR_max＝CR，σ＝σ+0.05；

若CR_max≥CR，则σ＝σ-0.04；

返回步骤(2b)；

若|CR_max-CR|<0.1，则结束，进入步骤(3)。

所述步骤(3)中，样本点选取指标参数ξ的确定如下：

(3a)初始化样本点选取指标参数ξ和判据指标参数Z_max：ξ＝0，Z_max＝0；

(3b)计算初始区间D：

若则

若则

(3c)利用训练支持向量机，获得Z；

(3d)判断：

若Z_max＜Z，则Z_max＝Z，ξ＝ξ+0.05，返回步骤(3b)；

若Z_max＝Z，则ξ＝ξ-0.05，

判断：

若则

若则

结束，进入步骤(4)。

由上述技术方案可知，本发明的优点在于：第一，采用固有模态分解和奇异值分解进行特征提取能够更好地提取时变非线性信号特征；第二，利用核Fisher算法提取支持向量作为训练样本，能够有效提高支持向量机的训练速度；第三，利用KNN算法对分类超平面附近的测试样本分类，能够提高分类超平面附近测试样本的分类准确度；第四，利用核Fisher算法构建的SVM-KNN分类器能够在较少的测试时间内以更高的精度正确分类三电平逆变器开路故障。

附图说明

图1为本发明的方法流程图；

图2为NPC三电平逆变器电路拓扑图；

图3为A相电路拓扑图；

图4为无故障时串联箝位二极管两端电压波形图；

图5为Q_A1开路时串联箝位二极管两端电压波形图；

图6为Q_A2开路时串联箝位二极管两端电压波形图；

图7为Q_A3开路时串联箝位二极管两端电压波形图；

图8为Q_A4开路时串联箝位二极管两端电压波形图；

图9为VD_A5开路时串联箝位二极管两端电压波形图；

图10为VD_A6开路时串联箝位二极管两端电压波形图；

图11为Q_A1和Q_A2开路时串联箝位二极管两端电压波形图；

图12为Q_A1和Q_A3开路时串联箝位二极管两端电压波形图；

图13为Q_A1和Q_A4开路时串联箝位二极管两端电压波形图；

图14为Q_A2和Q_A3开路时串联箝位二极管两端电压波形图；

图15为Q_A2和Q_A4开路时串联箝位二极管两端电压波形图；

图16为Q_A3和Q_A4开路时串联箝位二极管两端电压波形图；

图17为无故障时串联箝位二极管两端电压经验模态分解波形图；

图18为Q_A1开路时串联箝位二极管两端电压经验模态分解波形图；

图19为Q_A2开路时串联箝位二极管两端电压经验模态分解波形图；

图20为Q_A3开路时串联箝位二极管两端电压经验模态分解波形图；

图21为Q_A4开路时串联箝位二极管两端电压经验模态分解波形图；

图22为VD_A5开路时串联箝位二极管两端电压经验模态分解波形图；

图23为VD_A6开路时串联箝位二极管两端电压经验模态分解波形图；

图24为Q_A1和Q_A2开路时串联箝位二极管两端电压经验模态分解波形图；

图25为Q_A1和Q_A3开路时串联箝位二极管两端电压经验模态分解波形图；

图26为Q_A1和Q_A4开路时串联箝位二极管两端电压经验模态分解波形图；

图27为Q_A2和Q_A3开路时串联箝位二极管两端电压经验模态分解波形图；

图28为Q_A2和Q_A4开路时串联箝位二极管两端电压经验模态分解波形图；

图29为Q_A3和Q_A4开路时串联箝位二极管两端电压经验模态分解波形图；

图30为核Fisher算法优化高斯核宽度参数σ流程图；

图31为样本点选取指标参数ξ的确定流程图。

图32为ξ与V_s、Z、X_k、X_s关系图。

具体实施方式

如图1所示，一种基于优化支持向量机的三电平逆变器开路故障诊断方法，该方法包括以下顺序的步骤：

(1)故障特征提取，样本分配：将箝位二极管两端电压信号进行经验模态分解，得到10个固有模态分量imf_i(t)，i＝1,2,…,10和1个残余分量，利用所有固有模态分量 imf_i(t)构造矩阵S＝[imf₁(t),imf₂(t),…,imf₁₀(t)]_m×10，其中m为采样点数，对矩阵S 进行奇异值分解，得到1行10列的特征向量X，改变三电平逆变器输入电压，获得一组不同故障模式下的特征向量作为样本，按7:3的比例将样本分为训练样本和测试样本，将多分类问题转化为个二分类问题，把训练样本分成组训练样本 X_ij,i＝1,2,j∈1,2,…,N，其中，c为样本总类别数，i表示样本类别，j表示样本序列，N 表示样本点数；

(2)核Fisher降维，优化核函数参数：选取高斯核作为核函数，利用核Fisher算法对训练样本X_ij降维，得到训练样本X_ij在一维空间投影P_hq，类内投影最大值和最小值类内投影点之间的最大距离差以及核Fisher系数α，以此优化高斯核宽度参数σ,其中分别表示第1类和第2类样本投影的最大值，分别表示第1类和第2类样本投影的最小值，d₁,d₂分别表示第 1类和第2类样本投影的类内距离差；

(3)确定支持向量所属的区间：利用上述步骤(1)中的和d₁,d₂计算样本点选取指标参数ξ及初始区间D，其中ξ∈[0,1]，当ξ＝0为选取两个类中投影距离最近的两个样本点，ξ＝1为选取两个类的所有样本点，选取投影P_hq落在初始区间D 内的点对映的训练样本训练支持向量机，以获得的支持向量总数Z，计算支持向量所在区间D₁；

(4)KNN参考点提取：利用上述步骤(1)中的d₁,d₂和上述步骤(2)获得的ξ，计算KNN参考点所在区间D₂，若则若则获取投影P_hq落在区间D₂内的点对应的训练样本记为

(5)测试样本分配：利用上述步骤(1)获得的高斯核宽度参数σ和核Fisher系数α，计算测试样本的高斯核矩阵K_t和测试样本的一维投影P_t＝α·K_t，获取投影P_t落在D₁区间内的点对应的测试样本记为P_t落在D₁区间外的点对应的测试样本记为其中x₁,…,x_N∈x_ij，k(x_i,x_j)为核函数，M为测试样本点数；

(6)测试样本分类：重复步骤(2)，(3)，(4)，(5)共次，利用获取的所有支持向量训练支持向量机并对分类，利用KNN算法以为参考点对分类。

所述步骤(2)中，利用Fisher算法优化高斯核宽度参数σ的特征如下：

(2a)初始化高斯宽度参数σ和判据指标参数CR_max：σ＝0.01，CR_max＝0；

(2b)核Fisher降维：计算核Fisher系数α和训练样本核矩阵K_r，计算训练样本一维空间投影P_hq＝α·K_r；

(2c)计算一维空间投影P_hq的类内投影最大值和最小值

(2d)计算类内投影点之间的最大距离差

(2e)比较：

若则

若则

若则

若则

(2f)判断：

若|CR_max-CR|＞0.1，

比较：

若CR_max＜CR，则CR_max＝CR，σ＝σ+0.05；

若CR_max≥CR，则σ＝σ-0.04；

返回步骤(2b)；

若|CR_max-CR|<0.1，则结束，进入步骤(3)。

所述步骤(3)中，样本点选取指标参数ξ的确定如下：

(3a)初始化样本点选取指标参数ξ和判据指标参数Z_max：ξ＝0，Z_max＝0；

(3b)计算初始区间D：

若则

若则

(3c)利用训练支持向量机，获得Z；

(3d)判断：

若Z_max＜Z，则Z_max＝Z，ξ＝ξ+0.05，返回步骤(3b)；

若Z_max＝Z，则ξ＝ξ-0.05，

判断：

若则

若则

结束，进入步骤(4)。

以下结合图1至图32对本发明作进一步的说明。

实施例一

(1)NPC三电平逆变器开路故障诊断流程如附图1所示，三电平逆变器拓扑图如附图2所示，由于三电平逆变器具有高度对称性，以A相为例，单功率器件开路和多功率器件开路总共有13中故障模式如表1所示，图3为A相拓扑图，采集串联箝位二极管两端电压V_ud作为故障信号。图4-图16为不同故障发生时采集的对应故障信号波形图。从图4-图16中可以看出，不同故障发生时，对应的箝位二极管两端电压波形不同，因此该信号可以作为故障检测信号。

表1故障模式

(2)故障特征提取：将采集到的串联二极管两端电压V_ud进行经验模态分解，得到10个固有模态分量imf_i(t)和一个残余分量r_n(t)。由图17-图29，可以看出每一级IMF 分量的幅值、频率随着不同的故障信号而改变，而相同故障的同级IMF的变化趋势是相同的，因此故障信号进行EMD分解过后能够有效地表征故障信息。利用所有固有模态函数构造矩阵A_m×n＝[imf₁(t),imf₂(t),…,imf₁₀(t)]，对A_m×n奇异值分解得到一个1行10列的奇异值向量S_r＝(σ₁,σ₂,…,σ_r)^T，该低维的奇异值向量就能够包含对应的故障特征信息，将奇异值向量作为支持向量机的输入。

(3)样本分配：改变逆变器直流端电压和负载，得到650组箝位二极管故障信号，经过故障特征提取后得到650组10维的总样本集，将样本集按照7:3的比例随机分为训练样本和测试样本。将训练样本中的13个类别的样本两两配对，形成78对二分类样本集记每个样本集记为X_ij(i＝1,2,j∈1,2,…,N)其中i表示样本类别，j表示样本序列，N 是样本点数；

(4)核Fisher降维，优化核函数参数：选取高斯核作为核函数，利用核Fisher算法对两类样本X_ij降维，得到训练样本X_ij在一维空间的投影P_hq，类内投影最大值和最小值类内投影点之间的最大距离差以及核 Fisher系数α，以此优化高斯核宽度参数σ,其中分别表示第1类和第2类样本投影的最大值，分别表示第1类和第2类样本投影的最小值，d₁,d₂分别表示第 1类和第2类样本投影的类内距离差；

参照图30，利用Fisher算法优化高斯核宽度参数σ的步骤如下：

(4a)初始化高斯宽度参数σ和判据指标参数CR_max：σ＝0.01，CR_max＝0；

(4b)核Fisher降维：计算核Fisher系数α和训练样本核矩阵K_r，计算训练样本一维空间投影P_hq＝α·K_r；

(4c)计算一维空间投影P_hq的类内投影最大值和最小值

(4d)计算类内投影点之间的最大距离差

(4e)比较：

若则

若则

若则

若则

(4f)判断：

若|CR_max-CR|＞0.1，

比较：

若CR_max＜CR，则CR_max＝CR，σ＝σ+0.05；

若CR_max≥CR，则σ＝σ-0.04；

返回步骤(4b)；

若|CR_max-CR|<0.1，则结束，进入步骤(5)。

(5)确定支持向量所属的区间：利用上述实施例一的步骤(4)中的和d₁,d₂计算样本点选取指标参数ξ及初始区间D，其中ξ∈[0,1]，当ξ＝0为选取两个类中投影距离最近的两个样本点，ξ＝1为选取两个类的所有样本点，选取投影P_hq落在区间 D内的点对映的训练样本训练支持向量机，以获得的支持向量总数Z，计算支持向量所在区间D₁；

参照图31，样本点选取指标参数ξ的确定步骤如下：

(5a)初始化样本点选取指标参数ξ和判据指标参数Z_max：ξ＝0，Z_max＝0；

(5b)计算初始区间D：

若则

若则

(5c)利用训练支持向量机，获得Z；

(5d)判断：

若Z_max＜Z，则Z_max＝Z，ξ＝ξ+0.05，返回步骤(5b)；

若Z_max＝Z，则ξ＝ξ-0.05，

判断：

若则

若则

结束，进入步骤(6)。

(6)KNN参考点提取:利用上述实施例一的步骤(4)中的d₁,d₂和上述具体实施例的步骤(5)获得的ξ，计算KNN参考点所在区间D₂，若则若则获取投影P_hq落在区间D₂内的点对应的训练样本记为

(7)测试样本分配：利用上述实施例一的步骤(4)获得的高斯核宽度参数σ和核Fisher 系数α，计算测试样本的高斯核矩阵K_t和测试样本的一维投影P_t＝α·K_t，获取投影P_t落在D₁区间内的点对应的测试样本记为P_t落在D₁区间外的点对应的测试样本记为其中x₁,…,x_N∈x_ij，k(x_i,x_j)为核函数，M为测试样本总数；

(8)测试样本分类：将多个类的分类问题转化为个二分类问题，重复实施例一的步骤(4)，(5)，(6)，(7)共次，利用获取的所有支持向量训练支持向量机并对分类，利用KNN 算法以为参考点对分类，其中c为样本总类别数。

(9)附图32为样本点选取指标参数ξ取[0,1]内不同数值时提取的支持向量V_s数、实际支持向量Z、提取的KNN测试样本X_k与SVM测试样本X_s变化曲线图，本文选取ξ＝0.25，选取102个支持向量V_s，106个KNN参考点V_k，23个X_k，172个X_s。表2 为不同方法诊断结果；

表2不同方法诊断结果

综上所述，本发明采用固有模态分解和奇异值分解进行特征提取能够更好地提取时变非线性信号特征；利用核Fisher算法提取支持向量作为训练样本，能够有效提高支持向量机的训练速度；利用KNN算法对分类超平面附近的测试样本分类，能够提高分类超平面附近测试样本的分类准确度；利用核Fisher算法构建的SVM-KNN分类器能够在较少的测试时间内以更高的精度正确分类三电平逆变器开路故障。

Claims (3)

1.一种基于优化支持向量机的三电平逆变器开路故障诊断方法，其特征在于：该方法包括以下顺序的步骤：

(1)故障特征提取，样本分配：将箝位二极管两端电压信号进行经验模态分解，得到10个固有模态分量imf_i(t)，i＝1,2,…,10和1个残余分量，利用所有固有模态分量imf_i(t)构造矩阵S＝[imf₁(t),imf₂(t),…,imf₁₀(t)]_m×10，其中m为采样点数，对矩阵S进行奇异值分解，得到1行10列的特征向量X，改变三电平逆变器输入电压，获得一组不同故障模式下的特征向量作为样本，按7:3的比例将样本分为训练样本和测试样本，将多分类问题转化为个二分类问题，把训练样本分成组训练样本X_ij,i＝1,2,j∈1,2,…,N，其中，c为样本总类别数，i表示样本类别，j表示样本序列，N表示样本点数；

(2)核Fisher降维，优化核函数参数：选取高斯核作为核函数，利用核Fisher算法对训练样本X_ij降维，得到训练样本X_ij在一维空间投影P_hq，类内投影最大值和最小值类内投影点之间的最大距离差以及核Fisher系数α，以此优化高斯核宽度参数σ,其中分别表示第1类和第2类样本投影的最大值，分别表示第1类和第2类样本投影的最小值，d₁,d₂分别表示第1类和第2类样本投影的类内距离差；

(3)确定支持向量所属的区间：利用上述步骤(1)中的和d₁,d₂计算样本点选取指标参数ξ及初始区间D，其中ξ∈[0,1]，当ξ＝0为选取两个类中投影距离最近的两个样本点，ξ＝1为选取两个类的所有样本点，选取投影P_hq落在初始区间D内的点对映的训练样本训练支持向量机，以获得的支持向量总数Z，计算支持向量所在区间D₁；

(4)KNN参考点提取：利用上述步骤(1)中的d₁,d₂和上述步骤(2)获得的ξ，计算KNN参考点所在区间D₂，若则若则获取投影P_hq落在区间D₂内的点对应的训练样本记为

(5)测试样本分配：利用上述步骤(1)获得的高斯核宽度参数σ和核Fisher系数α，计算测试样本的高斯核矩阵K_t和测试样本的一维投影P_t＝α·K_t，获取投影P_t落在区间D₁内的点对应的测试样本记为P_t落在区间D₁外的点对应的测试样本记为其中k(x_i,x_j)为核函数，M为测试样本点数；

(6)测试样本分类：重复步骤(2)，(3)，(4)，(5)共次，利用获取的所有支持向量训练支持向量机并对分类，利用KNN算法以为参考点对分类。

2.根据权利要求1所述的基于优化支持向量机的三电平逆变器开路故障诊断方法，其特征在于：所述步骤(2)中，利用Fisher算法优化高斯核宽度参数σ的特征如下：

(2a)初始化高斯宽度参数σ和判据指标参数CR_max：σ＝0.01，CR_max＝0；

(2b)核Fisher降维：计算核Fisher系数α和训练样本核矩阵K_r，计算训练样本一维空间投影P_hq＝α·K_r；

(2c)计算一维空间投影P_hq的类内投影最大值和最小值

(2d)计算类内投影点之间的最大距离差

(2e)比较：

若则

若则

若则

若则

(2f)判断：

若|CR_max-CR|＞0.1，

比较：

若CR_max＜CR，则CR_max＝CR，σ＝σ+0.05；

若CR_max≥CR，则σ＝σ-0.04；

返回步骤(2b)；

若|CR_max-CR|<0.1，则结束，进入步骤(3)。

3.根据权利要求1所述的基于优化支持向量机的三电平逆变器开路故障诊断方法，其特征在于：所述步骤(3)中，样本点选取指标参数ξ的确定如下：

(3a)初始化样本点选取指标参数ξ和判据指标参数Z_max：ξ＝0，Z_max＝0；

(3b)计算初始区间D：

若则

若则

(3c)利用训练支持向量机，获得Z；

(3d)判断：

若Z_max＜Z，则Z_max＝Z，ξ＝ξ+0.05，返回步骤(3b)；

若Z_max＝Z，则ξ＝ξ-0.05，

判断：

若则

若则

结束，进入步骤(4)。