一种三电平逆变器开路故障诊断方法及系统

本发明属于电力电子电路故障诊断，具体涉及一种三电平逆变器开路故障诊断方法及系统。

背景技术：

1、随着全球传统化石能源日益枯竭及用电需求不断增加，以太阳能、风能为代表的可再生能源并网发电已经成为新型电力系统的发展趋势。而逆变器广泛应用于这些发电系统中，是承担电力变换的电力电子装置，逆变器的故障与否直接关系到电能变换能否正常进行，甚至关乎到整个电网的安全可靠运行。随着高压、大功率发电场合的需求，多电平逆变器的应用也越来越广泛，特别是三电平逆变器。它产生的背景是为了克服传统两电平逆变器开关应力大，直流母线电压利用率低等缺点。三电平逆变器具有功率开关电压应力低、输出电压谐波含量低、直流母线电压利用率高、电磁干扰小和开关损耗小等优点。因此除了光伏发电和风能发电也被广泛应用于军事、航空航天的各个领域中。

2、但由于逆变器电平数的增加也导致开关管的数量增加，使得准确控制开关管变得复杂了起来，同时功率开关发生故障的概率增大。如何采取有效方法精准、快速的对三电平逆变器开关管的故障进行诊断定位是十分重要的。npc三电平逆变器的开关管故障分为开路故障和短路故障；当发生短路故障时，所设计的硬件保护电路会利用自身的熔断器转化为开路故障；当功率器件发生开路故障时，故障发生的早期不易被发现，但是在很短的时间内输出波形会发生很大的畸变从而导致直流侧电压不平衡，情况严重的话可能会停止工作甚至会给整个系统造成很大的影响。在开路故障类型中，三个及三个以上开关管同时发生开路故障的几率很小，所以本发明只研究单管开路故障及双管开路故障的类型。

3、当前逆变器开路故障诊断方法可概括为以下几种：①基于专家系统的诊断方法，该方法基于专家经验积累，归纳出规律建立知识库，当发生故障时只需观测故障现象，查询知识库即可判断故障类型，难点在于难以穷尽所有的故障现象。②基于解析模型的诊断方法，该方法需要建立精确的数学模型，但npc三电平逆变器所在的整个系统是个非常复杂的非线性系统，很难建立数学模型所以诊断有局限性。③基于智能算法的诊断方法，该方法选用可表征故障特征的信号进行处理后经智能算法进行学习或推理。本发明采用第三种方法，为了避免受负载扰动的影响采用电压信号进行处理，结合深度学习的方法进行故障诊断。

技术实现思路

1、本发明所为了解决背景技术中存在的技术问题，目的在于提供了一种三电平逆变器开路故障诊断方法及系统，基于dkelm的npc，以提高故障诊断精确度。

2、为了解决技术问题，本发明的技术方案是：

3、一种三电平逆变器开路故障诊断方法，所述方法包括：

4、s1：搭建npc三电平逆变器仿真模型模拟各种故障情况，采集输出的多组三相相电压和端电压即多组故障信号；

5、s2：对步骤s1采集到的多组故障信号预处理，得到预处理后的多组故障信号；

6、s3：对预处理后的相电压故障信号进行集合经验模态分解eemd并经希尔伯特变换求取边际谱，同时将预处理后的端电压快速傅里叶变换fft求取频谱，将所述边际谱、频谱以及相电压的电压正半周比例系数组合作为信号特征向量；

7、s4：将所述信号特征向量划分为有标签训练样本、无标签训练样本和测试样本，有标签训练样本和无标签训练样本组成总训练样本矩阵，同时对所有的故障类型用二进制标签分类；

8、s5：利用训练样本对深度核极限学习机进行训练，其中elm-ae的输出权值采用流行正则化框架替代最小二乘法来计算，顶层极限学习机的分类引入高斯核函数并用天鹰优化算法优化，基于训练完成的dkelm模型对测试样本进行测试，分析故障诊断结果。

9、进一步，在所述步骤s1中，对所述npc三电平逆变器一个采样周期内进行采样的步骤包括：

10、s11：将npc三电平逆变器开路故障分为单管开路故障12种，同相不同桥臂双管故障12种，不同相双管故障48种，加上无故障情况共73类型；

11、s12：每种故障类型对npc三电平逆变器输出的三相相电压和端电压同时进行采样，得到输出的三相相电压uih和端电压ujh；其中：i＝a,b,c，j＝ao,bo,co，h为第h次采样获得的样本，h＝1,2,...,n，n为一个采样周期内的最大采样次数，n为正整数。

12、进一步，所述步骤s2中，预处理的具体过程包括：

13、s21：将三相相电压uih和端电压ujh通过clark变换得到和公式为：

14、

15、s22：经归一化计算得到归一化矢量公式为：

16、

17、进一步，所述步骤s3中，计算频谱、边际谱及电压正半周比例系数的步骤包括：

18、s31：将步骤s2中得到的端电压的归一化矢量经快速傅里叶变换求得端电压的频谱，公式为：

19、

20、其中利用离散傅里叶变换的性质节省计算得到；

21、s32：将步骤s2中得到的相电压的归一化矢量求取边际谱，步骤如下：

22、s321：对求得的相电压的归一化矢量利用信号极值点信息将信号分解为若干本征模态分量和残余量；而由于经验模态分解emd存在模态混叠的问题，即同一个imf中混有不同频率成分的信号信息，或者不同的imf中混有相同成分的信号信息，为了抑制该现象的发生，在原始信号加入随机高斯白噪声用多次实验来抑制模态混叠，最后的imf为m次实验的平均，eemd之后原始信号便分成若干经验模态分量和一个残余信号：

23、

24、其中每个imf为：

25、

26、式中di,m为第m次实验的第i个本征模态分量；

27、s322：对上述得到的每个本征模态进行希尔伯特变换，可得：

28、

29、幅值函数：

30、

31、相位函数：

32、

33、瞬时频率：

34、

35、计算得到的hht谱：

36、

37、s323：根据希尔伯特变换的结果求取边际谱：

38、

39、固定ω不变，对t积分；定积分在离散中可以近似分解为多个长方形的面积和；在离散信号中，h(ω,t)是时频谱矩阵h(ω,k)，长方形的长为第k个数据对应的h(ω,k),宽为时间间隔，即δt＝1/fs，因此积分公式可改为如下公式：

40、

41、s33：在特征信号中加上电压正半周比例系数，公式为：

42、

43、进一步，对步骤s3中得到的端电压的频谱、相电压的边际谱以及相电压的正半周比例系数构造成特征向量；将多组故障特征向量按5:3:2划分为有标签训练样本，无标签训练样本和测试样本；有标签训练样本和无标签训练样本组成总训练样本矩阵；同时对所有的73种故障类型用7位二进制标签分类。

44、进一步，所述步骤s5中深度核极限学习机可用于多分类问题，该方法的训练与测试的具体步骤包括：

45、首先利用半监督学习方法elm-ae对各隐含层训练，将训练样本x作为第1个elm-ae的目标输出(x1＝x),进而求取输出权值β1；输出权值β1可以通过如下公式得到：

46、

47、以此类推完成对特征向量的降维处理；

48、顶层分类层采用极限学习机；极限学习机的输入为第2个隐层的节点信息，输出为期望标签；同时引入高斯径向基核函数并用天鹰优化算法优化参数，极限学习机隐含层为所求的核矩阵，公式为：

49、

50、输出权值为正则化的最小二乘法所求得。

51、进一步，步骤s5中用深度核极限学习机的步骤如下：

52、s51：采用的深度核极限学习机与其它深度学习模型类似,dkelm刚开始利用半监督学习方法elm-ae对各隐含层训练,但dkelm不需要对网络进行微调。与其他深度学习算法相比,dkelm就不需要花费很长的时间对网络模型进行训练。

53、dkelm隐含层的信息是通过极限学习机自动编码器(elm-ae)提取的，elm-ae是将极限学习机与自动编码器相结合用来特征提取，而自动编码器本身就是一直无监督的神经网络模型，它可以学习到输入数据的隐含特征，这称为编码(coding)，同时用学习到的新特征可以重构原始输入数据，称之为解码(decoding)，所以可用于特征降维；elm-ae的输入权值和阈值均为随机单位正交化产生的，即ωtω＝i，btb＝1；为了有更好的特征提取效果，采用基于图算法的流行正则化框架替代最小二乘法来计算，原理是如果两个样本xi和xj接近,那么它们的标签yi和yj也应该彼此接近，流形正则化框架使以下代价函数最小化：

54、

55、应用到elm-ae的训练中，通过使以下代价函数最小化求出输出权值β：

56、

57、其中c是外部的正则化参数,λ是内在的正则化参数,y∈r(l+u)×m是由标记样本的标签yl和未标记样本的标签yu＝0组成,w是(l+u)×(l+u)的对角矩阵,前l个对角元素是wii＝1/ni，ni是第i隐层神经元的个数，其余为0。

58、对ldkelm求导等于0,则我们得到:

59、

60、输出权值β可以通过如下公式得到:

61、

62、其中,nk是dkelm中第k个隐层的节点数。

63、s52：在提取到隐含层信息后，顶层分类层采用极限学习机；极限学习机的输入为第k个隐层的节点信息，输出为用7位二进制编码好的标签；同时引入高斯径向基核函数，核矩阵为：

64、

65、这种在解决非线性分类问题时，将低维空间中线性不可分的分类问题通过核函数向高维空间映射，变为在高维空间中的线性可分问题，具有良好的分类效果。这样就得到了极限学习机隐含层的节点信息，输出层权值采用最小化最小二乘估计的正则化代价函数求得。

66、s53：为了提高分类正确率，上述分类层klem的输出权值的l2正则化参数和高斯核函数矩阵的惩罚系数σ采用天鹰优化算法寻优，适应度函数选为预测输出与期望输出的均方根误差函数，目的是使得适应度函数的值在全局中最小，适应度函数为：

67、

68、所采用的天鹰优化算法是一种新型智能优化算法，该算法具有多个探索和开发策略，与其他的元启发式算法相比，天鹰优化器算法具有明显的优越性。该算法具有四种群体行为，具体算法步骤如下：

69、天鹰种群初始位置为：

70、

71、式中，

72、xi,j＝rand(0,1)×(ub-lb)+lb,i＝1,2,...,n,j＝1,2,...,d     (20)

73、式中：xi,j为第i个天鹰第j维的位置；d表示维数；n为天鹰数；lb、ub表示给定问题的上界和下界；rand为在区间[0，1]上的随机数。

74、a.扩大搜索范围

75、天鹰识别猎物区域，并通过垂直弯腰的高飞选择最佳狩猎区域。此时ao让来自高空的探险者四处飞翔，以确定猎物所在的搜索空间区域。

76、

77、式中，

78、

79、式中：x(t+1)为下一次迭代的解，xbest(t)是当前位置的最优值；xm(t)表示第一次迭代到当前位置的均值。

80、b.缩小搜索范围

81、当从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆然后攻击，这种方法称为短滑翔攻击的等高线飞行。在这里ao狭窄地探索目标猎物的选定区域，为攻击做准备。

82、x2(t+1)＝xbest(t)×levy(d)+xr(t)+(y-x)×rand(0,1)      (23)

83、式中x2(t+1)为下一次迭代的解，levy(d)为levy飞行分布函数由公式(24)形成；xr(t)为第i次迭代时在[1,n]范围内的随机解；y、x为螺旋曲线函数如公式(26)所示。

84、

85、

86、式中，γ为伽马函数，β为固定值1.5，s为固定值0.01；u、v为取值为(0,1)的高斯分布随机数。

87、

88、式中，θ为螺旋角度，r为螺旋半径，其表达式为公式(27)所示。

89、r＝r1+u×d1                       (27)

90、θ＝-ω×d1+θ1                      (28)

91、式中u为固定常数u＝0.0265；d1为从1到搜索空间长度的整数矩阵，为初始螺旋角。

92、c.扩大开发范围

93、当天鹰准确地指定了猎物区域，并且准备好着陆和攻击时，天鹰垂直下降并进行初步攻击，以试探猎物反应。这种方法称为低空慢降攻击。在这里ao利用目标的选定区域接近猎物并进行攻击。

94、x3(t+1)＝α(xbest(t)-xm(t))-rand(0,1)+δ((ub-lb)×rand(0,1)+lb) (29)

95、式中x3(t+1)为下一次迭代的解；α、δ为固定值0.1。

96、d.缩小开发范围

97、当天鹰接近猎物时，它根据其随机运动在陆地上攻击猎物。这种方法称为行走并抓住猎物，ao在最后一个位置攻击猎物。

98、x4(t+1)＝qf(t)xbest(t)-(g2x(t)×rand(0,1))-g1levy(d)+g2×rand(0,1) (30)

99、

100、g1＝2(1-t/t)                        (32)

101、g2＝2rand(0,1)-1                      (33)

102、式中x4(t+1)为下一次迭代的解；qf(t)为用于均衡搜索策略的质量函数；g1表示天鹰的飞行斜率，g2表示用于跟踪猎物的天鹰的各种运动。

103、s54：基于上述天鹰优化算法用于dkelm顶层参数的训练后，这样就完成了dkelm用于故障诊断的所有训练，用于npc三电平逆变器开路故障诊断。

104、一种三电平逆变器开路故障诊断系统，所述系统包括：

105、故障信号采集模块：搭建npc三电平逆变器仿真模型模拟各种故障情况，采集输出的多组三相相电压和端电压即多组故障信号；

106、预处理模块：对步骤s1采集到的多组故障信号预处理，得到预处理后的多组故障信号；

107、边际谱及频谱求解模块：对预处理后的相电压故障信号进行集合经验模态分解eemd并经希尔伯特变换求取边际谱，同时将预处理后的端电压快速傅里叶变换fft求取频谱，将所述边际谱、频谱以及相电压的电压正半周比例系数组合作为信号特征向量；

108、样本划分模块：将所述信号特征向量划分为有标签训练样本、无标签训练样本和测试样本，有标签训练样本和无标签训练样本组成总训练样本矩阵，同时对所有的故障类型用二进制标签分类；

109、训练模块：利用训练样本对深度核极限学习机进行训练，其中elm-ae的输出权值采用流行正则化框架替代最小二乘法来计算，顶层极限学习机的分类引入高斯核函数并用天鹰优化算法优化；

110、测试模块：基于训练完成的dkelm模型对测试样本进行测试，分析故障诊断结果。

111、一种计算机存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述中任一项所述的方法。

112、与现有技术相比，本发明的优点在于：

113、本发明利用eemd分解避免了故障信号分解存在模态混叠的问题，结合希尔伯特变换对归一化矢量的每个imf进行计算，可以消除数据段之间的端点效应带来的误差；实现时间序列的连续光滑的频谱分析。

114、基于多个特征计算形成的特征向量，更加具有区分性，避免因部分故障特征相似造成的误诊断。

115、本发明不受网侧电压频率、幅值变化以及负载变换的影响；具有训练时间较短，诊断速度快，诊断精度高的优点。