光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法与流程

技术特征：

1.一种光伏二极管箝位型三电平逆变器的决策树SVM故障诊断方法，其特征包括：建立光伏二极管箝位型三电平逆变器电路的模型；提取三电平逆变器主电路开路故障特征；构建粒子群聚类故障诊断决策树；训练和测试决策树支持向量机SVM故障分类模型，最终实现光伏二极管箝位型三电平逆变器的故障诊断；

第一步：建立光伏二极管箝位型三电平逆变器电路的模型

三电平逆变器主电路主要由A、B和C三相桥臂构成，每相桥臂由四个主开关管、四个续流二极管和两个中点钳位二极管组成，由于三电平逆变器电路本身的结构，每个开关管在工作过程中可能承受的最高电压只有两电平逆变器的一半，因此三电平逆变器可以大大降低开关器件的电压应力，满足高压逆变的要求；三电平逆变器主电路故障主要是开路故障，包括IGBT开路、串联熔断器熔断和触发脉冲丢失故障，同时还有中点钳位二极管开路的情况，因此根据实际运行的情况进行故障分类，以主电路A相为例，共三大类十三小类；

1)所有IGBT开关管都正常运行，逆变器无故障，共一小类；

2)单个器件发生故障，即在四个功率管和两个中点钳位二极管中任意一个发生故障，共六小类；

3)两个器件发生故障，这大类存在两种情况，一是故障的两个开关管不在同一桥臂，这种情况可以归结为不同桥臂上的单个器件故障，可以参考单个器件发生故障的情况；二是故障的两个开关管在同一桥臂，即四个开关管中任意两个开关管发生故障的情况，共六小类；

第二步：提取三电平逆变器主电路开路故障特征

三电平逆变器主电路不同故障的各个桥臂电压经分解后在各频带上的投影是不同的，即主电路故障时，会对各频带的能量发生影响，一般情况下，故障会对某些频率能量其增强作用，某些频率能量其抑制作用，故障输出和正常输出会有差异，所以可以采用不同频带的能量作为故障特征，对采用空间矢量脉宽调制SVPWM控制的二极管箝位型三电平逆变器主电路进行建模，建模后对各种故障发生时的桥臂电压进行j层小波多尺度分解，分别提取j+1个信号特征，再对小波多尺度分解系数进行重构，提取各个频带的能量，计算频带信号的能量，设E_n为第n个分解系数序列S_n的能量，则

$E_n=\underset{k=1}{\overset{N}{\Σ}}|X_n{|}^2---\left(1\right)$

式中，X_n，n＝0,1,…,j为重构信号序列S_n的离散点幅值，进而得到各个桥臂电压的能量后就可以构建特征向量，其中特征向量T₁为：

T₁＝[E₀ E₁ ... E_j] (2)

进一步统一量纲，归一化处理特征向量得到：

T₁'＝[E₀/E E₁/E ... E_j/E] (3)

其中，E为信号的总能量，T₁′中各个元素对应各个频带能量的百分比，采用同样的方法再处理上、下桥臂，可以分别得到特征向量T₂′和T₃′，定义故障特征向量为：

T＝[T₁' T₂' T₃'] (4)

将各个故障情况下的桥臂电压按照上述过程进行特征提取，最后构建数据样本；

第三步：构建粒子群聚类故障诊断决策树

由于三电平逆变器共有13种故障小类，若要构建决策树将故障完全区分，就需要用到粒子群聚类算法将故障不断地划分成两类；粒子群聚类算法需要先进行初始化，随机初始化粒子群，设置聚类数目、粒子数目、迭代次数等参数，再将每个样本随机分类，并作为最初的聚类划分后计算聚类中心、适应度等参数，设置粒子初速度为零；这样就可以根据初始粒子群得到的粒子个体的最优位置p_id和全局最优位置p_gd，并利用公式

$\mathrm{\ω}={\mathrm{\ω}}_{max}-\frac{iter}{itermax}({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min})---\left(5\right)$

$c_1=R_1+\frac{iter}{itermax}{R}_2---\left(6\right)$

$c_2=R_3-\frac{iter}{itermax}{R}_4---\left(7\right)$

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t)) (8)

x_id(t+1)＝x_id(t)+v_id(t+1) (9)

更新所有粒子的速度和位置；其中ω为惯性权重；v_id为粒子的速度；c₁和c₂为加速度因子；r₁和r₂是分布于[0，1]之间的随机数；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter为当前迭代次数；itermax为最大的迭代次数；依据粒子的聚类中心编码，按照最近邻法则，确定每个样本的聚类划分，并按照新的聚类划分，计算新的聚类中心，更新适应度，再一次比较适应度，若其优于个体最优位置p_id，则更新p_id；若其优于全局最优位置p_gd，则更新p_gd，如果达到最大迭代次数，则算法结束，否则继续迭代；

决策树结构的生成需要先将全部训练样本集作为初始节点，利用粒子群聚类算法，将其划分成两类，形成两个子节点，判断子节点是否只包含一类故障样本，若是则算法结束，否则继续采用粒子群聚类算法进行处理，划分成两个新的子节点，这样不断划分，直到所有子节点只包含一类故障样本，算法结束，这样将所有的故障样本进行聚类划分，就可以反向构建故障诊断决策树；

第四步：训练和测试决策树支持向量机SVM故障分类模型

按照4:1的比例将故障数据样本划分成训练集和测试集，训练集按照决策树结构上故障的分布训练支持向量机SVM分类模型；支持向量机SVM分类模型均采用径向基核函数，并各自优化支持向量机SVM的参数，训练完成后，利用测试集测试决策树支持向量机SVM故障诊断模型，得到诊断精度等指标，最终实现光伏二极管箝位型三电平逆变器的故障诊断。