本發(fā)明涉及電力電子裝置故障診斷領域，尤其是一種基于經驗模態(tài)分解和決策樹RVM的二極管中點箝位式三電平逆變器故障診斷方法。

背景技術：

隨著光伏發(fā)電技術的進步和光伏發(fā)電并網運行規(guī)模的增大，光伏發(fā)電系統(tǒng)的優(yōu)化、改善和運行成本等問題嚴重制約了光伏發(fā)電產業(yè)的發(fā)展。其中，光伏逆變器雖然成本不高，但由于逆變電路所用的電力電子器件本身具有脆弱性、逆變器電路控制復雜、通斷控制頻繁、外部環(huán)境較惡劣等原因，逆變器一直是整個系統(tǒng)中易發(fā)生故障的薄弱環(huán)節(jié)，其易出現過壓、過流、功率管短路和開路等故障，而這些情況都嚴重關系到整個光伏發(fā)電系統(tǒng)的安全運行。為了防止因故障造成更嚴重的事故，及時檢測故障設備，確定設備發(fā)生故障的原因和位置，不僅有利于降低經濟損失，也有利于維護人員工作的開展。同時，可以實現光伏發(fā)電系統(tǒng)穩(wěn)定、高效、安全地運行，對促進我國光伏發(fā)電的規(guī)模化發(fā)展具有及其重要的意義。

隨著不同類型和結構的逆變器在光伏發(fā)電系統(tǒng)的逐漸應用，其工作的可靠性、穩(wěn)定性、可維護性顯得愈發(fā)重要。據資料顯示，在所有并網逆變器故障中，38％來自逆變器主電路中功率管損壞。常見的逆變器故障主要有短路故障和開路故障，短路故障通常由硬件電路在微秒級的時間內進行保護處理；而短路故障，大多數不會立即導致系統(tǒng)停機，但會引起其他器件的二次故障，最終導致系統(tǒng)無法工作。當逆變器發(fā)生故障時，電路中的電壓、電流等物理量相對于正常狀態(tài)會發(fā)生變化，所以可以根據檢測信號的不同，將逆變器功率管開路故障診斷方法分為兩種：電流和電壓故障診斷法。采用電流的故障診斷方法不需要額外的傳感器，但很多時候，電流與負載是相關的，當其為空載或輕載時，電流法的診斷精度很低。電壓法通過考察逆變器相電壓、線電壓或橋臂電壓與正常狀態(tài)的偏差來進行故障診斷，需要增加傳感器，但這樣也有很多優(yōu)勢：對噪聲和負載的魯棒性更強、誤報率較低且診斷時間較少。

在電力電子裝置的故障診斷中，故障特征向量的選擇和提取一直是診斷的關鍵，它直接影響到故障診斷結果的準確性。而光伏三電平逆變器的開關器件較多，故障問題種類繁雜，其中所測得的大量信號為非穩(wěn)態(tài)信號。因此在故障診斷過程中有必要采用適合于處理非平穩(wěn)信號的特征提取方法，經驗模態(tài)分解法恰恰就是這樣一種方法。

另一方面，設計結構合理的分類器來進行狀態(tài)識別是故障診斷的又一關鍵步驟。目前，用于故障檢測與診斷的模式識別方法主要是統(tǒng)計模式識別和神經網絡識別，同時如極限學習機、支持向量機等智能診斷算法也顯示出了極大的應用潛力。但傳統(tǒng)的統(tǒng)計模式識別方法都有各自的局限性，神經網絡技術有很多重要的問題尚未從理論上得到解決，極限學習機需要大量的樣本進行訓練，支持向量機雖然適用于解決小樣本、非線性及高維模式識別，但仍有多種參數需要憑經驗選定，懲罰系數和核函數半徑等參數對診斷精度影響較大。相關向量機(relevant vector machine,RVM)是基于貝葉斯框架構建的學習機，它比不需對懲罰因子做出設置，不會出現像支持向量機因為設置參數不當而引起過學習的情況，且該算法同樣能解決高維、非線性及小樣本的模式識別問題，具有很好的應用前景。

技術實現要素：

本發(fā)明的目的是提供一種基于經驗模態(tài)分解和決策樹RVM的二極管中點箝位式三電平逆變器故障診斷方法。

一種基于經驗模態(tài)分解和決策樹RVM的二極管中點箝位式三電平逆變器故障診斷方法，其特征包括：構建二極管中點箝位式三電平逆變電路模型并進行故障分類；提取三電平逆變電路開路故障特征向量；構建三電平逆變器故障診斷決策樹；構建相關向量機故障分類決策樹模型，最終實現光伏二極管中點箝位式三電平逆變器的故障診斷。

第一步：建立光伏二極管中點箝位式三電平逆變器電路的模型并進行故障分類。三電平逆變器主電路由三相橋臂構成，共有兩個鉗位電容、十二個主開關管、十二續(xù)流二極管和六個中點鉗位二極管。三電平逆變器電路有兩個顯著特點：由多個電平合成的輸出電壓波形，與傳統(tǒng)的兩電平相比，諧波含量大大減少，改善輸出電壓輸出波形；開關管的電壓額定值為直流母線上電壓的一半，使低壓開關管可以應用于高壓變換器中。

由于光伏二極管中點箝位式三電平逆變器電路的三相是對稱的，因此以A相為例，其他相類似。主要討論三電平逆變電路故障的開路故障，包括IGBT開路、串聯(lián)熔斷器熔斷和觸發(fā)脈沖丟失故障，同時還考慮中點鉗位二極管開路的情況，故障分類如下，共四大類十三小類。

1)系統(tǒng)無故障，共一小類。

2)單個鉗位二極管開路，共兩小類。

3)單個功率器件開路，即在四個功率管中任意一個開路，共四小類。

4)兩個器件開路，存在兩種情況：一是開路的兩個功率管不在同一橋臂，這種情況可以歸結為不同橋臂上的單個器件故障，可以參考第三種單個功率器件開路的故障分類；二是故障的兩個開關管在同一橋臂，即四個功率管中任意兩個功率管開路的情況，共六小類。

第二步：提取三電平逆變電路開路故障特征向量。在信號的分析過程中，時間尺度和隨時間尺度分布的能量是信號的兩個最主要參數。當逆變電路功率管開路時，其電壓信號與正常系統(tǒng)的電壓信號相比，相同頻帶內信號的能量會有較大差別。在信號各個頻率成分的能量中包含著豐富的故障信息，某種或幾種頻率成分能量的改變即代表了一種故障，因此可以根據各頻帶能量的變化進行故障分析。

對采用空間矢量脈寬調制(SVPWM)和中性點電位控制的二極管中點箝位式三電平逆變器主電路進行建模，建模后對各種故障發(fā)生時的橋臂電壓進行EMD分解，選取前n個IMF分量和殘留量，再計算各個IMF分量和殘留量的能量。設各個分量的能量E_i

式中，c_i,k(i＝1,2,…,n+1；k＝1,2,…,J)為前n個IMF分量和殘留量的J個離散點的幅值。得到各個橋臂電壓的能量后就可以構建特征向量，其中特征向量T₁為：

T₁＝[E₀ E₁ ... E_n+1] (2)

考慮到能量的數值往往較大，為便于后面分類，對歸一化處理過程進行改進

同時，在各個IMF能量的基礎上，計算相應的IMF能量熵

式中，p_i＝E_i/E_z為第i個分量的能量占整個信號能量的百分比

綜合以上參數，故障特征向量定義為：

T₁'＝[E₀/E E₁/E ... E_n+1/E H₁] (6)

采用同樣的方法再處理上、下橋臂，可以分別得到特征向量T₂′和T₃′，定義故障特征向量為：

T＝[T₁' T₂' T₃'] (7)

將各個故障情況下的橋臂電壓按照上述過程進行特征提取，最后構建數據樣本。

第三步：構建粒子群聚類故障診斷決策樹。如前所述，三電平逆變器共有13種故障類型，若要構建決策樹，就需要采用聚類算法將故障不斷地劃分成兩類，直到子類只包含一種樣本類型為止，其具體為：

先處理初始類，將全部訓練樣本作為初始類，利用聚類算法，將其劃分成兩個子類；再判斷子類，如果子類只包含一種樣本類型，則算法結束，否則繼續(xù)利用聚類算法進行聚類劃分，直到所有子類只包含一種樣本類型。

構建決策樹的關鍵就在于聚類算法的選擇，這里采用粒子群聚類算法。粒子群聚類算法需要先進行初始化，隨機初始化粒子群，設置相關參數，再進行隨機分類，將每個樣本隨機分類，計算適應度、聚類中心等參數，將粒子初速度設為零。這樣就可以根據初始粒子群，得到的粒子個體最優(yōu)位置p_id和全局最優(yōu)位置p_gd。依據粒子的聚類中心編碼，按照最近鄰法則，確定每個樣本的聚類劃分，并按照新的聚類劃分，計算新的聚類中心，更新適應度。再一次比較適應度，若其優(yōu)于個體最優(yōu)位置p_id，則更新p_id；若其優(yōu)于全局最優(yōu)位置p_gd，則更新p_gd。如果達到最大迭代次數，則算法結束，否則繼續(xù)迭代。

這樣將聚類的結果進行匯總就可以構建故障診斷決策樹的結構，為后面RVM的訓練對象提供依據。

第四步：構建相關向量機故障分類決策樹模型。按照3:7的比例將數據樣本劃分成訓練集和測試集，訓練集按照上一步得到的決策樹結構進行訓練。訓練完成后，利用測試集進行測試，得到診斷精度、平均訓練時間和平均測試時間等指標，最終實現光伏二極管中點箝位式三電平逆變器的故障診斷。

本發(fā)明的有益效果是：

1)本發(fā)明所提出的基于經驗模態(tài)分解和決策樹RVM的三電平逆變器故障診斷方法，是基于數據驅動的思想，將經驗模態(tài)分解、粒子群聚類和相關向量機算法結合起來，實現光伏逆變器，尤其是光伏二極管中點箝位式三電平逆變器的故障診斷。

2)本發(fā)明通過經驗模態(tài)分解算法進行特征提取，它是一種自適應的算法，十分適合對非平穩(wěn)、非線性信號進行分析。同時，不需要像小波分析那樣根據經驗選擇參數值，并能通過提取各個IMF分量的能量和信號的能量熵作為故障特征向量，表征故障信息。

3)本發(fā)明采用決策樹RVM的故障診斷模型結構，決策樹結構只需要構建較少的分類模型就能完成故障診斷任務，同時RVM算法相比于SVM算法，其具有使用的向量更少、測試時間更短、稀疏性更強、對于訓練樣本和特征較少的分類更魯棒性更強、不需要設置參數等優(yōu)點。

附圖說明

圖1為二極管中點箝位式三電平逆變器的故障診斷流程

圖2為二極管中點箝位式三電平逆變器主電路拓撲結構

圖3為逆變器主電路的A相拓撲

圖4為單個器件故障時的橋臂電壓

圖5為兩個器件同時開路時的橋臂電壓

圖6為單個鉗位二極管開路時的橋臂電壓

圖7為逆變器正常時的EMD分解結果

圖8為逆變器正常時的故障特征向量直方圖

圖9為聚類劃分后的決策樹結構圖

具體實施方式

下面結合附圖對本發(fā)明做進一步說明。

本發(fā)明的基于經驗模態(tài)分解和決策樹RVM的三電平逆變器故障診斷流程圖如圖1所示，本發(fā)明方法的具體實施包括以下步驟：

如圖2所示為二極管中點箝位式三電平逆變器主電路拓撲結構圖，為簡化分析，只研究逆變器逆變狀態(tài)下A相的工作狀態(tài)，其電路拓撲如圖3所示。圖中實線為電流正方向，虛線為電流的負方向，忽略功率器件導通壓降后，P狀態(tài)A點電位始終等于P點電位，O狀態(tài)A點電位始終等于O點電位，N狀態(tài)A點電位始終等于N點電位。

根據拓撲結構，將故障分為四大類十三小類，即二極管中點箝位式三電平逆變器的故障分類。

1)逆變電路無故障，功率器件正常工作，共一小類。

2)單個鉗位二極管VD_a5和VD_a6中任意一個開路，共兩小類。

2)單個器件開路，即功率管S_a1、S_a2、S_a3、S_a4，共四小類。

3)兩個器件開路，這類存在兩種小類，一是開路的兩個功率管不在同一橋臂，可以參考第三類的開路情況，不計入故障分類；二是開路的兩個功率管在同一橋臂，即功率管(S_a1,S_a2)、(S_a1,S_a3)、(S_a1,S_a4)、(S_a2,S_a3)、(S_a2,S_a4)或(S_a3,S_a4)任意一組開路的情況，共六小類。綜上，故障分類和對應的標簽如表1所示。

表1故障分類

建立二極管中點箝位式三相三電平逆變器模型，采用SVPWM控制協(xié)同中點電位控制技術，控制逆變器三相的工作狀態(tài)，驅動三電平逆變器完成逆變工作。選取橋臂電壓為研究對象，可以得到各種故障情況下的橋臂電壓如圖4和圖5所示，對比圖4(c)和圖5(a)可以發(fā)現，S_a2和(S_a1,S_a2)兩者的電平邏輯相同，這是電路自身結構原因造成的，所以需要引入新的測點，即上橋臂電壓，如圖6所示。分別對各個橋臂電壓進行EMD分解，每個橋臂電壓被分解成4個IMF分量和1個殘余量，正常情況下橋臂電壓的EMD分解結果如圖7所示。分解后計算信號的能量，統(tǒng)一量綱后，再計算能量熵，最后構建單個橋臂電壓的故障特征向量。整合單個故障特征向量，按照中、上和下的順序構建總體故障特征向量，并按照不同的故障類型，構建數據樣本。逆變器正常工作時的故障特征向量的直方圖如圖8所示。

如前所述，采用粒子群聚類算法，進行故障樣本的劃分，如第一次劃分的結果是：標簽為0、1、4、5、6和14的數據樣本歸為一類；標簽是2、3、12、13、23、24和34的數據樣本歸為另一類。這樣決策樹第一層的結構和對應的分類模型RVM1的訓練樣本也得到確定，依此類推。劃分結束后構建決策樹，最終結果如圖9所示。從圖中可知，對于13種故障分類的問題，采用決策樹結構只需要構建12個分類模型，而如果采用一對一結構，則需要構建78個分類模型。同時，在測試模型方面，采用決策樹結構只需要進行2～6次分類運算，而一對一結構還是需要進行78次分類運算。綜上，采用決策樹結構無疑將大大減少模型構建數目，減少運算時間，提高運算效率。

將數據樣本分成訓練集和測試集，比例為3:7。按照構建的決策樹結構，分別訓練RVM1～RVM12，共12個相關向量機分類模型。為了驗證算法的抗干擾能力，對原始數據加入信號幅值10％和15％的白噪聲進行對比，同時還橫向比較了BP神經網絡(back propagation neural network,BPNN)、極限學習機(extreme learning machine,ELM)、一對一結構(1vs.1)的相關向量機和決策樹支持向量機(decision tree support vector machine,DT-SVM)的訓練、測試時間和診斷精度，最終的故障診斷結果匯總如表2和表3所示。

表2故障診斷結果(10％白噪聲)

表3故障診斷結果(15％白噪聲)

上述實施例僅僅是為清楚地說明本發(fā)明所做的舉例，而并非是對本發(fā)明的實施方式限定，對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其他不同形式的變化或變動。