本发明涉及柔性直流输电故障诊断技术，具体为一种基于卡尔曼滤波和支持向量机的mmc故障诊断方法。
背景技术
模块化多电平换流器(modularmultilevelconverter，mmc)作为一种新型电压源换流器，具有很强的整体性和灵活性，其模块化程度高，开关频率低，扩展性强，运行损耗小，输出波形质量高，广泛运用于高压直流输电、静止无功补偿等领域
mmc拥有很多级联的子模块和功率开关器件，每个功率开关器件都是潜在的故障点，当功率开关器件发生开路故障时，子模块的电容，电压，桥臂间的环流，上、下桥臂电流，电压，都将偏离正常运行的值。当故障长时间没有被检测出来，并进行处理，会导致子模块电容电压过大，环流、桥臂电流过大。如果没有及时保护，还有可能造成设备或者组件的损坏。对于严重瞬时性故障或者永久性故障，不仅会强迫柔性直流输电退出运行，甚至会损坏换流站中最为昂贵的全控电力电子器件及其他重要部件，由此造成系统不能快速恢复运行，给用户造成巨大的经济损失。
现有的mmc故障诊断方法需要大量传感器，计算数据多，而且桥臂电流容易受突加负载的影响产生波动，影响故障检测的精度。
技术实现要素：
本发明的目的在于提供一种基于卡尔曼滤波和支持向量机的mmc故障诊断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于卡尔曼滤波和支持向量机的mmc故障诊断方法，包括以下步骤：
(ⅰ)对每一相的上、下桥臂的电压进行采样；
(ⅱ)建立mmc关于环流和交流侧线电流的微分方程，得出每一相的环流及交流侧每一相的线电流；
(ⅲ)将离散化后的环流和交流侧线电流方程，用卡尔曼滤波的形式表示，并计算得到mmc的状态变量及环流和交流侧线电流的量测值，得出卡尔曼滤波器的5个基本方程；
(ⅳ)将通过卡尔曼滤波得到的环流和交流侧线电流的预测估计值和量测值进行比较，得到残差；
(ⅴ)将残差代入残差估计函数，若残差估计函数大于无故障发生时残差估计函数的上确界，则说明有故障产生；若残差估计函数小于无故障发生时残差估计函数的上确界，则说明没有故障产生；
(ⅵ)检测到故障发生后，用卡尔曼滤波得到环流交流侧线电流的最优估计值，再用环流交流侧线电流的量测值与最优估计值比较得残差；
(ⅶ)利用最优估计与量测值的残差，采用卡尔曼滤波方法与支持向量机算法，定位得到具体的故障桥臂。
进一步的，所述步骤(ⅶ)中，卡尔曼滤波方法与支持向量机算法相结合对mmc进行故障定位包括以下步骤：
(ⅶa)利用故障后环流和交流侧线电流的量测值与最优估计值比较得的残差，作为支持向量机的训练集；
(ⅶb)创建支持向量机算法的故障定位模型；
(ⅶc)仿真测试；
(ⅶd)输出故障定位标签，当不同位置故障时输出不同标签。
进一步的，该模块化多电平换流器由三相六个桥臂构成，每相包含上下两个桥臂，每个桥臂由一个电感和至少1个结构相同的子模块级联而成，每个子模块包括两个绝缘栅双极型晶体管，两个反并联二极管和一个电容。
进一步的，所述步骤(ⅱ)中，mmc关于环流和交流侧线电流的微分方程如下：
式中，udc是直流母线电压；
进一步的，所述步骤(ⅲ)中，mmc的状态变量及环流和交流侧线电流的量测值如下：
式中，k代表mmc所在时刻，
进一步的，所述步骤(ⅲ)中，卡尔曼滤波器的5个基本方程按照如下步骤求出：
(ⅲa)基于系统的最优状态变量预测下一状态的状态变量；
(ⅲb)更新预测状态变量的协方差：
(ⅲc)计算卡尔曼增益；
(ⅲd)通过卡尔曼增益和mmc在k时刻的预测状态变量，计算mmc在k时刻的最优化估算值；
(ⅲe)更新mmc在k时刻的最优化估算值的协方差。
进一步的，所述步骤(ⅴ)中，残差估计函数如下：
式中，k0是采样开始的时刻，l是采样时刻的总长度。
进一步的，所述步骤(ⅵ)中，环流交流侧线电流的量测值由simulink采集得到。
与现有技术相比，本发明的有益效果是：
1.不需要额外的故障检测传感器，只需要采集环流和相电压的数据就可以对mmc的故障进行检测和定位。
2.可以对mmc的故障做出快速检测和精准定位。
附图说明
图1是三相模块化多电平换流器的等效电路图；
图2是三相模块化多电平换流器中子模块的电路结构图；
图3是本发明故障检测与故障定位的流程图；
图4是本发明故障检测过程中，残差估计函数值的变化曲线图；
图5是本发明的a相上桥臂故障时，输出标签的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于卡尔曼滤波和支持向量机的mmc故障诊断方法，如图1所示，该模块化多电平换流器由三相六个桥臂构成，每相包含上下两个桥臂，每个桥臂由一个电感l0和至少3个结构相同的子模块sm1、sm2、sm3串联而成，每个桥臂的等效电阻均为r0。如图2所示，每个子模块包括第一晶体管t1、第二晶体管t2、第一二极管d1、第二二极管d2及电容器csm组成；第一晶体管t1的发射极连接第二晶体管t2的集电极，电容器csm一端连接第一晶体管t1的集电极，另一端连接第二晶体管t2的发射极；第一二极管d1反相并联于第一晶体管t1；第二二极管d2反相并联于第二晶体管t2。
如图3所示，一种基于卡尔曼滤波和支持向量机的mmc故障诊断方法具体包括以下步骤：
(ⅰ)对每一相的上、下桥臂的电压upj、unj进行采样，其中j＝a，b，c，分别代表a，b，c三相，p表示上桥臂，n表示下桥臂。
(ⅱ)建立mmc关于环流和交流侧线电流的微分方程，得出每一相的环流电流idiffj及交流侧每一相的线电流ivj，微分方程如下：
式中，udc是直流母线电压。
(ⅲ)将离散化后的环流和交流侧线电流方程，用卡尔曼滤波的形式表示，并计算得到mmc的状态变量
式中，k代表mmc所在时刻，f、g、j是系统参数，由所述步骤(ⅱ)中的微分方程求出，w(k-1)是mmc的过程噪声，假设为高斯白噪声；h为测量系统的参数，v(k)是mmc的量测噪声，假设为高斯白噪声；
卡尔曼滤波器的5个基本方程按照如下步骤求出：
(ⅲa)基于系统在k-1时刻的最优状态变量
(ⅲb)更新预测状态变量
p(k|k-1)＝fp(k-1|k-1)ft+q(k-1)；
式中，p(k-1│k-1)是mmc在k-1时刻的最优状态变量
(ⅲc)计算卡尔曼增益k(k)：
k(k)＝p(k|k-1)ht[hp(k|k-1)ht+r(k)]-1；
式中，r(k)是mmc的量测噪声v(k)的协方差。
(ⅲd)通过卡尔曼增益k(k)和mmc在k时刻的预测状态变量
(ⅲe)更新mmc在k时刻的最优化估算值
p(k|k)＝[i-k(k)h]p(k|k-1)。
(ⅳ)将通过卡尔曼滤波得到的环流和交流侧线电流的预测状态变量
(ⅴ)将残差r(k)代入残差估计函数j(r)，若残差估计函数j(r)大于无故障发生时残差估计函数的上确界jth，则说明有故障产生；若残差估计函数j(r)小于无故障发生时残差估计函数的上确界jth，则说明没有故障产生；
残差估计函数如下：
式中，k0是采样开始的时刻，l是采样时刻的总长度；
无故障发生时残差估计函数的上确界jth如下：
f(k)是目前常用的故障检测函数，当无故障发生时，f(k)＝0。
(ⅵ)检测到故障发生后，将卡尔曼滤波得到的环流交流侧线电流的最优估计值，与环流交流侧线电流的量测值比较得残差；环流交流侧线电流的量测值由simulink采集得到。
(ⅶ)利用最优估计与量测值的残差，采用卡尔曼滤波方法与支持向量机算法，定位得到具体的故障桥臂，具体包括以下步骤：
(ⅶa)利用故障后环流和交流侧线电流的量测值与最优估计值比较得的残差，作为支持向量机的训练集；
(ⅶb)创建支持向量机算法的故障定位模型；
(ⅶc)仿真测试；
(ⅶd)输出故障定位标签；若a相上桥臂故障，输出的标签为1；若b相上桥臂故障，输出的标签为2；若c相上桥臂故障，输出的标签为3；若a相下桥臂故障，输出的标签为4；若b相下桥臂故障，输出的标签为5；若c相下桥臂故障，输出的标签为6。
当模块化多电平换流器的a相上桥臂在采样的第3000步，即k＝3000发生故障时，本发明基于卡尔曼滤波方法的mmc故障诊断方法的工作状态如图4及图5所示，图4是残差估计函数值的变化曲线图，图5是输出标签的示意图。如图3所示，在采样的第3000步时，残差估计函数的数值突然快速增大，且根据计算，
本发明通过构造关于mmc系统的卡尔曼滤波器，利用卡尔曼滤波与残差估计函数对mmc系统进行故障检测；当故障发生以后利用卡尔曼滤波与支持向量机相结合对故障进行定位。当故障发生时，环流和交流侧线电流的值会高于期望值，利用这种故障特性可以对模块化多电平换流器进行故障快速检测和精确定位。本发明不需要额外的故障检测传感器，只需要采集环流和相电压的数据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。