本發(fā)明屬于電力電子運用與故障診斷技術(shù)領(lǐng)域，具體涉及基于改進的隱馬爾可夫模型ghmm的npc光伏逆變器故障診斷方法。

背景技術(shù)：

由于當(dāng)前環(huán)境形勢日益嚴峻、資源日趨匿乏，開發(fā)和利用清潔型能源逐漸發(fā)展為世界各國能源戰(zhàn)略的重中之重。在對太陽能的各種開發(fā)利用中，以在光伏發(fā)電技術(shù)領(lǐng)域的應(yīng)用最為常見也最為有價值。

現(xiàn)代控制技術(shù)也在光伏發(fā)電領(lǐng)域中得到廣泛應(yīng)用。促使光伏發(fā)電控制技術(shù)發(fā)展的逐漸龐大起來，也越來越復(fù)雜。光伏發(fā)電系統(tǒng)的電源動力和控制系統(tǒng)一般有大功率逆變器擔(dān)當(dāng)，逆變器若出現(xiàn)故障而得不到技術(shù)的診斷與修復(fù)，定會造成無法挽回的經(jīng)濟損失和安全風(fēng)險。對其安全與平穩(wěn)運行的保證是光伏發(fā)電技術(shù)函需處理的重要問題，其在現(xiàn)實應(yīng)用中的意義非常重大。所以研究光伏逆變器的故障診斷技術(shù)就表現(xiàn)得尤為關(guān)鍵。

隱馬爾可夫模型(hmm)是一種統(tǒng)計模型,它用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。隱馬爾可夫模型創(chuàng)立于20世紀70年代,80年代得到了傳播和發(fā)展,成為信號處理的一個重要方向,現(xiàn)已成功地用于語音識別,行為識別,文字識別以及故障診斷等領(lǐng)域。

隱馬爾可夫模型則是雙重隨機過程，不僅狀態(tài)轉(zhuǎn)移之間是個隨機事件，狀態(tài)和輸出之間也是一個隨機過程。但是hmm有一個致命的缺陷，最終所得解依賴于初始值的選取,往往只是局部最優(yōu),影響了最終系統(tǒng)的識別率。

遺傳算法是模擬自然界的進化現(xiàn)象,把搜索空間映射為遺傳空間,把可能的解編碼成一個向量——染色體,向量的每個元素稱為基因。通過不斷計算各染色體的適應(yīng)值,選擇最好的染色體,獲得最優(yōu)解。設(shè)計遺傳算法時通常包括以下幾個方面內(nèi)容：確定編碼方案，確定適應(yīng)度函數(shù)，控制參數(shù)的選取，遺傳算子及選擇策略的選擇和確定算法的終止條件。由于遺傳算法中使用的是基于種群的全局搜索,非常容易獲得全局最優(yōu)解。

此外，當(dāng)前較為傳統(tǒng)的npc逆變器故障診斷方法有基于信號處理的方法和基于知識的方法等。其中基于信號處理的方法雖使用方便，但是其故障特征的判別參數(shù)需要根據(jù)專家的經(jīng)驗來設(shè)定，這個缺點降低了此方法的實用性；基于知識的方法雖提高了故障診斷的時效性，但識別正確率較低，有很大的局限性。

技術(shù)實現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的問題，本發(fā)明先用遺傳算法訓(xùn)練出了最優(yōu)觀測值概率矩陣b的初始值，然后訓(xùn)練模型，用訓(xùn)練出的模型進行故障診斷，改善了隱馬爾可夫模型的缺陷，并解決傳統(tǒng)逆變器故障診斷中識別率低及診斷速度慢的問題。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)上述技術(shù)目的的。

基于改進的隱馬爾可夫模型ghmm的npc光伏逆變器故障診斷方法，其特征在于，包括以下步驟：

s1，由獲得的npc光伏逆變器的輸出電壓u和輸出電流i訓(xùn)練ghmm，具體過程如下：

s1.1，獲得用于訓(xùn)練ghmm的npc光伏逆變器的輸出電壓u和輸出電流i,包括所有已明確故障類型及正常狀態(tài)的輸出電壓u和輸出電流i；

s1.2，對s1.1獲得的所有故障狀態(tài)時的輸出電壓u和輸出電流i的值進行處理；

s1.3，建立一個ghmm：λ＝(π,a,b)，確定λ模型中的參數(shù)初始值；

s1.4，用遺傳算法訓(xùn)練出最優(yōu)觀測值概率矩陣b的初始值，此時λ＝(π,a,b)的初始化完成；

s1.5，得到λ模型中參數(shù)π、a、b的初始值后，用baum-welch算法對參數(shù)π、a、b進行重估，得到重估后的模型重復(fù)此過程，直到參數(shù)π、a、b收斂到設(shè)定的范圍內(nèi)，此時的就是所求的改進的隱馬爾可夫模型；

s2，由某一故障狀態(tài)時的輸出電壓u和輸出電流i值，對npc光伏逆變器故障進行診斷，具體過程如下：

s2.1，根據(jù)步驟s1完成訓(xùn)練后得到的參數(shù)π、a、b，可以得到對應(yīng)于npc光伏逆變器各故障狀態(tài)的改進的隱馬爾可夫模型；

s2.2，將待測故障狀態(tài)中的輸出電壓u與輸出電流i用s1.2的方法處理后，帶入s2.1中各故障狀態(tài)的改進的隱馬爾可夫模型，用viterbi算法求出最大的概率輸出值p(o|λ)；

s2.3，概率輸出值最大的模型所對應(yīng)的狀態(tài)為當(dāng)前npc光伏逆變器所處的故障。

進一步，s1.1中在訓(xùn)練各個故障狀態(tài)的ghmm時使用對應(yīng)狀態(tài)的輸出電壓u和輸出電流i。

進一步，s1.1中用于訓(xùn)練ghmm的輸出電壓u和輸出電流i的數(shù)值，既可以是離線的數(shù)據(jù)，也可以是在線監(jiān)測數(shù)據(jù)。

進一步，所述s1.2具體為：將獲得的輸出電壓u和輸出電流i值轉(zhuǎn)化為離散數(shù)值,即把輸出電壓u和輸出電流i的幅值等分為多個區(qū)域并升序排列,將各區(qū)域映射為各個離散值,在此基礎(chǔ)上確定獲得的輸出電壓u和輸出電流i值對應(yīng)的離散數(shù)值。

進一步，所述s1.3具體為：基于npc光伏逆變器的電路模型，選擇無跳躍的左右型hmm，設(shè)其隱含狀態(tài)數(shù)為4，那么轉(zhuǎn)移狀態(tài)概率矩陣初始狀態(tài)概率矩陣π設(shè)置為π＝[1000]。

本發(fā)明的有益效果為：改進的隱馬爾可夫模型ghmm作為一種強有力的統(tǒng)計分析模型，是一種基于統(tǒng)計模式識別理論的方法，能很好地處理動態(tài)過程，本發(fā)明將改進的隱馬爾可夫模型ghmm與遺傳算法結(jié)合，用遺傳算法改善了hmm的固有缺陷，使訓(xùn)練模型達到全局最優(yōu)，大幅提高了故障識別率，識別速度比傳統(tǒng)逆變器快。

附圖說明

圖1為本發(fā)明使用的改進的隱馬爾可夫模型圖；

圖2為本發(fā)明改進的隱馬爾可夫模型ghmm模型訓(xùn)練流程圖；

圖3為本發(fā)明使用的遺傳算法的流程圖；

圖4為本發(fā)明遺傳算子采用的多點交叉圖；

圖5為本發(fā)明遺傳算子采用的多點變異圖；

圖6為本發(fā)明基于改進的隱馬爾可夫模型ghmm的npc光伏逆變器故障診斷流程圖。

具體實施方式

下面結(jié)合附圖及具體實施例對本發(fā)明的技術(shù)方案進行詳細說明，但本發(fā)明的保護范圍并不限于此。

隱馬爾可夫模型有五個基本要素，即一個五元組{n,m,π,a,b}：

其中，n：模型中隱含的狀態(tài)個數(shù)，n個狀態(tài)用θ1,θ2,…θn表示，某一時刻的狀態(tài)qt∈(θ1,θ2,…θn)，如圖1所示；

m：各狀態(tài)對應(yīng)的觀測值數(shù)目，m個觀測值可以用v1,v2,v3…vm表示，某一時刻的觀測值ot∈(v1,v2,v3…vm)，如圖1所示；

π：初始狀態(tài)概率矩陣，π∈{πi}，其中：πi＝p(qt＝θi)1≤i≤n；

a：轉(zhuǎn)移概率矩陣，a＝{aij}，其中：aij＝p(qt+1＝θj,qt＝θi)1≤i,j≤n；

b：觀測值概率矩陣，b＝{bj(k)}，其中：bj(k)＝p(ot＝vk,qt＝θj)1≤j≤n,1≤k≤m。

為簡便，hmm簡記為λ＝(π,a,b)。

hmm可以解決的三個基本問題：a)評估問題：給定觀察序列o和模型λ，如何快速地計算給定模型的條件下觀察序列的概率；b)解碼問題:給定一個觀察序列o和模型λ，怎樣尋找某種意義上最優(yōu)的隱狀態(tài)序列；c)訓(xùn)練問題：即hmm的模型參數(shù)未知，如何調(diào)整這些參數(shù)以使觀測序列的概率盡可能的大。

基于改進的隱馬爾可夫模型ghmm的npc光伏逆變器故障診斷，包括步驟：

s1，如圖2所示，由獲得的npc光伏逆變器的輸出電壓u和輸出電流i訓(xùn)練ghmm，具體過程如下：

s1.1，獲得用于訓(xùn)練ghmm的npc光伏逆變器的輸出電壓u和輸出電流i(可以是離線的數(shù)據(jù)，也可以是在線監(jiān)測數(shù)據(jù))，包括所有已明確故障類型及正常狀態(tài)的輸出電壓u和輸出電流i，在訓(xùn)練各個故障狀態(tài)的ghmm時使用對應(yīng)狀態(tài)的輸出電壓u和輸出電流i。

s1.2，對s1.1獲得的所有故障狀態(tài)時的輸出電壓u和輸出電流i的值進行處理；

將獲得的輸出電壓u和輸出電流i值轉(zhuǎn)化為離散數(shù)值,即把輸出電壓u和輸出電流i的幅值等分為多個區(qū)域并升序排列,將各區(qū)域映射為各個離散值,在此基礎(chǔ)上確定獲得的輸出電壓u和輸出電流i值對應(yīng)的離散數(shù)值，即可得到每個故障狀態(tài)的觀測值ot＝[u,i]。

s1.3，建立一個ghmm：λ＝(π,a,b)，確定λ模型中的參數(shù)初始值；

基于npc光伏逆變器的電路模型，選擇無跳躍的左右型hmm，設(shè)其隱含的狀態(tài)個數(shù)n為4，那么轉(zhuǎn)移狀態(tài)概率矩陣a如(1)所示，初始狀態(tài)概率矩陣π設(shè)置為π＝[1000]。

s1.4，用遺傳算法訓(xùn)練出最優(yōu)觀測值概率矩陣b的初始值，如圖3所示。

a.編碼：對觀測值概率矩陣b的初始值進行編碼

本發(fā)明采用二進制編碼方法，觀測值概率矩陣b的初始值的取值范圍時[0，1]，如果用長度為64的二進制編碼符號串來表示它，則總共能產(chǎn)生2⁶⁴種不同的編碼，參數(shù)編碼時的對應(yīng)關(guān)系如下：

編碼精度為：

假設(shè)某一個體的編碼是：

x:a64a63a62…a2a1(3)

編碼對應(yīng)的解碼公式為：

觀測值概率矩陣b的初始值滿足以下約束條件：

適應(yīng)度函數(shù)反映的是各個染色體的優(yōu)劣，p(o|λ)是已知觀測序列o和模型λ產(chǎn)生每種狀態(tài)序列的概率，將其優(yōu)化目標(biāo)，p(o|λ)最大的染色體就是最好的染色體，通常用viterbi算法求得p(o|λ)；由于本發(fā)明的識別算法也是viterbi算法，所以算法的具體步驟將在識別階段加以介紹，此處將p(o|λ)作為優(yōu)化目標(biāo)，個體的適應(yīng)度用各個訓(xùn)練樣本的對數(shù)似然概率表示：

f(λ)＝ln(p(o^(k)|λ))(6)

其中：o^(k)是訓(xùn)練模型的第k個觀測序列，p(o^(k)|λ)用viterbi算法求得。

b.設(shè)計遺傳算子

遺傳算子包括雜交算子和變異算子，雜交算子相當(dāng)于一個局部搜索操作，長生父代附近的兩個子代，而變異算子則使個體能跳出當(dāng)前的局部搜索區(qū)域，兩者結(jié)合更能體現(xiàn)出遺傳算法的優(yōu)化，因此本發(fā)明采用的是多點交叉與多點變異如圖4和圖5。

c.終止準則，即最大進化代數(shù)，本發(fā)明設(shè)置為150；至此，遺傳算法完成，得到最優(yōu)觀測值概率矩陣b的初始值，所以模型λ＝(π,a,b)初始化完成。

s1.5，得到λ模型中參數(shù)π、a、b的初始值后，用baum-welch算法對參數(shù)π、a、b進行重估，得到重估后的模型方法如下：

首先，定義一個變量ξt(i,j)，表示在觀測序列o和模型λ存在的條件下，馬爾可夫模型hmm在t時刻處于θi狀態(tài)且在t+1時刻處于θj的概率，即

ξt(i,j)＝p(o,qt＝θi,qt+1＝θj|λ)(7)

定義αt(i)為在t時刻生成部分觀測序列o＝{o1,o2,...,ot}的概率，βt(i)為在t時刻生成部分觀測序列o＝{ot+1,ot+2,...,ot}(t為時間長度)的概率，則式(7)變形為：

ξt(i,j)＝[αt(i)aijbj(ot+1)βt+1(j)]/p(o|λ)(8)

所以馬爾可夫模型hmm在t時刻處于狀態(tài)θi的概率為:

其中：表示狀態(tài)由θi轉(zhuǎn)移到θj的期望值數(shù)目；

baum-welch算法重估公式為：

得到重估后的模型重復(fù)此過程，直到參數(shù)π、a、b收斂到設(shè)定的范圍內(nèi)，此時的就是所求的改進的隱馬爾可夫模型。

s2，如圖6所示，由某一故障狀態(tài)時的輸出電壓u和輸出電流i值，對npc光伏逆變器故障進行診斷，具體過程如下：

s2.1，根據(jù)步驟s1完成訓(xùn)練后得到的參數(shù)π、a、b，可以得到對應(yīng)于npc光伏逆變器各故障狀態(tài)的改進的隱馬爾可夫模型。

s2.2，將待測故障狀態(tài)中的輸出電壓u與輸出電流i用s1.2的方法處理后，帶入s2.1中各故障狀態(tài)的改進的隱馬爾可夫模型，用viterbi算法求出最大的概率輸出值p(o|λ)；

方法如下；

首先定義一個變量δt(i)：

表示在t時刻，沿著一條路徑抵達狀態(tài)si，并生成觀測序列{o1,o2,…ot}得最大概率；

δt(i)可以用迭代算法進行計算：

(1)初始化：

δt(i)＝πibi(o1)，1≤i≤n1(14)

初始化迭代步數(shù)ψ1(i)＝0；

(2)迭代計算

(3)最后計算

此處的p就是所要求的最大的概率輸出值p(o|λ)。

s2.3，概率輸出值最大的模型所對應(yīng)的狀態(tài)為當(dāng)前npc光伏逆變器所處的故障。

以上實施例僅用于說明本發(fā)明的設(shè)計思想和特點，其目的在于使本領(lǐng)域內(nèi)的技術(shù)人員能夠了解本發(fā)明的內(nèi)容并據(jù)以實施，本發(fā)明的保護范圍不限于上述實施例。所以，凡依據(jù)本發(fā)明所揭示的原理、設(shè)計思路所作的等同變化或修飾，均在本發(fā)明的保護范圍之內(nèi)。