CN111091094B - 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法 - Google Patents

基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法 Download PDF

Info

Publication number
CN111091094B
CN111091094B CN201911309531.8A CN201911309531A CN111091094B CN 111091094 B CN111091094 B CN 111091094B CN 201911309531 A CN201911309531 A CN 201911309531A CN 111091094 B CN111091094 B CN 111091094B
Authority
CN
China
Prior art keywords
classification
fault
similar
svm
fault diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911309531.8A
Other languages
English (en)
Other versions
CN111091094A (zh
Inventor
王天真
袁文一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201911309531.8A priority Critical patent/CN111091094B/zh
Publication of CN111091094A publication Critical patent/CN111091094A/zh
Application granted granted Critical
Publication of CN111091094B publication Critical patent/CN111091094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Photovoltaic Devices (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种基于PCA‑SVM二次分类的光伏级联型并网逆变器的故障诊断方法，包括：步骤一：对级联型输出电压信号进行数据标准化和降维处理；步骤二：第一次分类，通过SVM多分类器对步骤一中预处理的数据进行分类，初步得出故障诊断结果；步骤三：根据步骤二分类结果判断是否需要进行二次分类，如需要，执行步骤四。不需要则执行步骤五；步骤四：第二次分类，根据步骤二的诊断结果将相似故障样本选出，对其单独进行PCA数据降维，利用SVM二次分类器对相似故障进行进一步的诊断；步骤五：输出诊断结果。对于级联型并网逆变器的开路故障，本发明具有准确率高、计算简单和成本低廉等优点。

Description

基于PCA-SVM二次分类的光伏级联型并网逆变器的故障诊断 方法
技术领域：
本发明涉及光伏发电技术，级联型并网逆变器，智能信息处理及故障诊断等领域，具体涉及一种基于PCA-SVM二次分类的光伏级联型并网逆变器的故障诊断方法。
背景技术：
随着不可再生能源储量的减少以及资源环境的日益严峻，清洁型能源的开发和利用逐渐成为了世界各国能源战略的重点，其中，太阳能作为最清洁、最现实、储量最大的新能源之一，得到了广泛的开发和利用，尤以光伏并网发电为主。在光伏并网发电系统中，伴随着现代控制技术的提高，其控制方法越来越复杂，自动化程度也越来越高，但同时也增加了系统发生故障的概率。光伏发电系统的控制系统主要由大功率逆变器担当，实践表明，逆变器工作在高频开关状态时损耗大，发热严重，易发生故障。因此，出于对光伏系统安全性和可靠性的考虑，对逆变器的故障诊断研究具有十分重要的意义。
当前主要是通过对电路的快速采样来实现对逆变器发生故障时的报警，将采集得到的系统运行状态通过微处理器进行处理，以此来判断系统是否出现故障，同时发出对应的报警信号。但是，此种方法需要较长时间处理且无法实现精确报警。随着光伏发电系统对可靠性和安全性的日益增加，及时诊断和定位出逆变器故障将是一个亟待解决的问题，因此受到了广泛的关注。
针对以上问题，本发明基于PCA-SVM二次分类的方法设计了一种级联型光伏并网逆变器的故障诊断方法。
发明内容：
本发明的目的在于克服传统的故障诊断方法在设计时并没有考虑级联型逆变器中存在的相似故障难以区分的问题。为了实现上述目的，本发明采用了如下设计方案，主要包括以下步骤：
1.对数据进行标准化处理。
根据逆变器的输出电压，对其进行标准化处理，使输出电压数据消除由于量纲不同、自身变异或者数值相差较大所引起的误差，使其更好的进行接下来的主元提取和故障分类。
标准化级联型并网逆变器的输出电压IN，由下式计算：
Figure BDA0002324137650000021
式中
Figure BDA0002324137650000022
为每列数据的平均值，σ为每列数据的标准差，X为得到的标准化之后的矩阵数据，之后对标准化的数据利用PCA进行降维。
2.对所研究的故障进行第一次分类。
针对所研究的级联型多电平逆变器的IGBT单双开路故障，首先通过PCA进行主元特征提取和数据降维，然后再经过SVM多分类器进行第一次的故障初步分类。
3.对第一次的分类结果进行相似故障的选择。
对第一次SVM的分类结果进行判断和选择，选择的标准为：
(1)如果结果属于相似故障的标签，则将其对应的样本挑选出来准备进行第二次的故障诊断；
(2)如果第一次分类结果不属于相似故障标签，则直接输出诊断结果，作为最终的故障诊断结果。
4.对相似故障进行第二次故障诊断。
针对步骤3所挑选出的相似故障，对每组相似故障分别进行第二次的故障分类。其步骤为：
(1)对每一组的相似故障分别进行PCA主元提取，得到只属于这一组相似故障的数据特征；
(2)采用SVM分类器对每一组的相似故障进行分类；
(3)将SVM的输出结果作为相似故障的诊断结果。
附图说明：
图1为级联型光伏并网逆变器系统拓扑图。
图2为基于PCA-SVM二次分类的故障诊断方法流程图。
图3为第一组相似故障的输出电压波形图及其差值。
图4为第一次分类后和第二次分类后的故障诊断结果图。
具体实施方式：
根据图1的系统结构示意图搭建单项级联五电平光伏并网逆变系统模型，其中，每个光伏阵列的输出电压为330V，滤波电感为380mH，电阻为10Ω，公共电网的电压频率为50Hz。逆变器的开关频率为5kHz，采样频率为50kHz。总体的故障诊断算法流程图如图2所示，具体的实施方案由下面的五个步骤组成。
步骤一：对数据进行标准化处理：根据所采样的逆变器输出电压数据，对其进行标准化处理，使输出电压数据消除由于量纲不同、自身变异或者数值相差较大所引起的误差，使其更好的进行接下来的主元提取和故障分类。
标准化级联型并网逆变器的输出电压IN，由下式计算：
Figure BDA0002324137650000041
式中
Figure BDA0002324137650000042
为每列数据的平均值，σ为每列数据的标准差，X为得到的标准化之后的矩阵数据，之后对标准化的数据利用PCA进行降维。
步骤二：对所研究的故障进行第一次分类：由于本方法针对的是光伏并网逆变器的IGBT的单双管开路故障，其故障时通过断开IGBT的门极驱动信号来达到电路实现开路故障的目的。本模型的单管开路故障通过单独断开8个IGBT来实现，共有8种情况；而双管开路故障通过同时断开8个IGBT中的任意两个来实现，共有28种情况；外加一种无故障的情况，所以共有37种开路故障类型。针对所研究的级联型多电平逆变器的IGBT单双开路故障，首先通过PCA进行主元特征提取和数据降维，主元贡献率选择前95％的主元，剩余舍去，然后再经过SVM多分类器进行第一次的故障初步分类，其核函数选择RBF函数，惩罚因子c＝1,g＝2。
图4(a)展示了第一次基于PCA-SVM的故障诊断结果，由图可以看出，存在两组相似的故障难以被区分开，而其他类型的故障则可以有很好的诊断效果。
步骤三：对第一次的分类结果进行相似故障的选择：对步骤二中SVM分类后得到的结果进行判断和选择，其选择标准为：
(1)如果结果属于相似故障的标签，则将其对应的样本挑选出来准备进行第二次的故障诊断；
(2)如果第一次分类结果不属于相似故障标签，则直接输出诊断结果，作为最终的故障诊断结果。
步骤四：对相似故障进行第二次故障诊断：针对步骤三所挑选出的相似故障，对每组相似故障分别进行第二次的故障分类。其过程为：
(1)对每一组的相似故障分别进行PCA主元提取，得到只属于这一组相似故障的数据特征，其中主元贡献率为95％；
(2)采用SVM分类器对每一组的相似故障进行分类，SVM的核函数选择线性核函数，惩罚因子为c＝2,g＝2；
步骤五：输出诊断结果。图4(b)展示了经过第二次基于PCA-SVM分类后的故障诊断效果，从图中可以发现之前被难以区分的相似故障在经过第二次分类后，绝大部分可以被区分开，故障诊断的准确率也从第一次分类的94.59％提升到了99.03％，由此，体现了所提发明的有效性及故障诊断优势。

Claims (4)

1.一种基于二次分类的级联型光伏并网逆变器故障诊断方法，其特征在于包括以下步骤：
步骤一：标准化级联型并网逆变器的输出电压IN，由下式计算：
Figure FDA0004029012970000011
式中
Figure FDA0004029012970000012
为每列数据的平均值，σ为每列数据的标准差，X为得到的标准化之后的矩阵数据，对标准化的数据利用PCA进行降维；
步骤二：第一次分类：通过SVM多分类器对步骤一中处理的数据进行分类，初步得出故障诊断结果；
步骤三：根据步骤二分类结果判断是否需要进行二次分类，如需要，执行步骤四；
步骤四：第二次分类：结合步骤二得出的诊断结果将相似故障样本选出，对其单独进行PCA的数据降维，利用SVM二次分类器对相似故障进行进一步的诊断；
步骤五：输出诊断结果。
2.根据权利要求1所述的基于二次分类的级联型光伏并网逆变器故障诊断方法，其特征在于：在第一次分类时，针对的是所研究的所有IGBT的开路故障进行诊断。
3.根据权利要求1所述的基于二次分类的级联型光伏并网逆变器故障诊断方法，其特征在于：当第一次分类结束后，对第一次分类的结果进行判断和选择的标准为：
(1)将结果为相似故障类别的样本挑选出来准备进行第二次分类；
(2)将不属于相似故障类别的结果直接输出，作为最终的故障诊断结果。
4.根据权利要求3所述的基于二次分类的级联型光伏并网逆变器故障诊断方法，其特征在于：第二次分类针对所述的相似故障样本，对相似故障样本进行再一次的故障诊断，从而使故障诊断结果更为精确，步骤为：
(1)对每一组的相似故障分别进行PCA主元提取，得到只属于这一组相似故障的数据特征；
(2)采用SVM分类器对每一组的相似故障进行分类；
(3)将SVM的输出结果作为相似故障的诊断结果。
CN201911309531.8A 2019-12-18 2019-12-18 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法 Active CN111091094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911309531.8A CN111091094B (zh) 2019-12-18 2019-12-18 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911309531.8A CN111091094B (zh) 2019-12-18 2019-12-18 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法

Publications (2)

Publication Number Publication Date
CN111091094A CN111091094A (zh) 2020-05-01
CN111091094B true CN111091094B (zh) 2023-02-24

Family

ID=70396124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911309531.8A Active CN111091094B (zh) 2019-12-18 2019-12-18 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法

Country Status (1)

Country Link
CN (1) CN111091094B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093058A (zh) * 2021-03-02 2021-07-09 南京理工大学 一种npc三电平逆变器开路故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761372A (zh) * 2014-01-06 2014-04-30 上海海事大学 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
WO2017190480A1 (zh) * 2016-05-06 2017-11-09 上海海事大学 多电平逆变器的参考电压信号重构的容错控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10539602B2 (en) * 2016-04-05 2020-01-21 Siemens Energy, Inc. Active shaft grounding system with diagnostic waveform analysis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761372A (zh) * 2014-01-06 2014-04-30 上海海事大学 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
WO2017190480A1 (zh) * 2016-05-06 2017-11-09 上海海事大学 多电平逆变器的参考电压信号重构的容错控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于PCA-SVM模型的多电平逆变系统故障诊断;刘远等;《电力系统保护与控制》;20130201(第03期);全文 *
基于PCA-SVM集成阀门故障诊断方法研究;杨海荣等;《流体机械》;20090731(第07期);全文 *

Also Published As

Publication number Publication date
CN111091094A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
WO2018120077A1 (zh) 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
US10234495B2 (en) Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter
CN113159077B (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
CN110008628B (zh) 一种光伏阵列故障参数辨识方法
CN109660206B (zh) 一种基于Wasserstein GAN的光伏阵列故障诊断方法
CN109581085B (zh) 一种集电线和联络线故障方向判别方法
CN110058111B (zh) 基于相电压残差的t型三电平逆变器故障诊断方法
CN106230378B (zh) 一种光伏电站组串故障的诊断方法
CN102567783A (zh) 并联混合型电能质量调节器专家故障分析与诊断方法
CN105978487B (zh) 基于内部等效参数的光伏组件故障诊断方法
CN113159601B (zh) 一种基于dbscan聚类算法的光伏电站运行状态分析方法
CN111091094B (zh) 基于pca-svm二次分类的光伏级联型并网逆变器的故障诊断方法
CN112994429A (zh) 一种输入并联输出串联型boost变换器的故障容错控制方法
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
CN111859812A (zh) 天气影响下的海上风电场及柔直并网系统可靠性评估方法
CN113901993A (zh) 基于PCCs二次特征优选的故障诊断方法
CN105954616A (zh) 基于外特性电气参数的光伏组件故障诊断方法
CN113537080A (zh) 一种级联h桥多电平逆变器的故障诊断方法
CN113702767B (zh) 基于小波滑窗能量的孤岛直流微电网故障诊断方法
KR20230108485A (ko) 발전 시스템의 고장 진단 장치, 발전 시스템의 고장 진단 시스템, 및 고장 진단 방법
CN106019117A (zh) 级联型statcom系统igbt的开路故障诊断方法
CN116436405A (zh) 一种光伏组串的热斑故障诊断方法
Xing et al. An online open-switch fault diagnosis method for the DAB converter based on multimodal fusion neural controlled differential equations
CN113311364B (zh) 基于多核svm的永磁同步电机逆变器开路故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant