本發明涉及電力電子裝置故障診斷領域，尤其是一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法。

背景技術：

全球范圍的能源危機和環境危機促使人們尋求更加清潔、綠色的新型能源，在清潔型能源中太陽能憑借其：無污染、可持續、普遍性、靈活性和可靠性等優點，受到了廣泛關注。在光伏系統越來越多并入電網運行的情況下，光伏逆變器作為光伏系統中最為核心的部件，關系著整個系統的安全、穩定和高效運行。與傳統的兩電平逆變器相比，三電平逆變器因其開關器件串聯均壓、開關損耗小、輸出電壓諧波含量低和工作效率高等優點，在光伏發電系統中得到廣泛的應用。然而三電平逆變器增加了開關器件的數量，電路的可靠性也相應地降低，任意一個器件發生故障就可能導致電路非正常運行，甚至會導致二次故障，造成巨大的經濟損失。

光伏三電平逆變器故障診斷的問題主要在三個方面：一是在電路故障模式方面，僅考慮單個器件開路的故障，近些年才開始討論多器件同時故障的多故障模式診斷，但這方面的研究還較少，分析問題還不夠全面，而現有的2個開關器件同時開路的故障診斷方法算法結構都較為復雜；二是檢測信號多為輸出電壓和輸出電流，由于輸出端存在感性負載，電流變化緩慢，這往往會增加故障診斷時間；三是診斷算法方面，智能診斷算法逐漸運用到逆變器故障診斷領域，如人工神經網絡、支持向量機、極限學習機等等。其中，神經網絡的應用較多，而神經網絡自身存在較多缺陷：需要設置的參數較多、收斂速度慢、易陷入局部最優等等，這些都嚴重阻礙著神經網絡的應用。

光伏三電平逆變器的開關器件較多，故障問題種類繁雜，同時為了滿足系統的實時性要求，傳統的方法已經不能滿足實際需求。這里利用數據驅動的思想，利用逆變器系統運行過程中不斷產生并反映系統運行機理和狀態的數據，通過合適的特征提取和分析方法，實現光伏逆變器的故障診斷和識別。

小波分析是一種信號時頻域分析方法，它可以同時描述信號的時域和頻域，并且可以獲得信號的局部化信息，是近年來故障特征提取的熱點。粒子群聚類算法是在粒子群優化算法的基礎上推廣得到的，粒子群優化算法是一種基于群智能的新興進化計算技術，通過群體中個體的合作和競爭而產生的群體智能指導優化搜索，具有較強的通用性。支持向量機是一種基于統計學習理論的機器學習算法，它在解決高維、非線性及小樣本為特點的模式識別中，具有獨特的優勢，在電力電子的故障診斷領域也有很好的實用價值和應用前景。

技術實現要素：

本發明的目的是提供一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法。

一種光伏二極管箝位型三電平逆變器的決策樹SVM故障診斷方法，其特征包括：建立光伏二極管箝位型三電平逆變器電路的模型；提取三電平逆變器主電路開路故障特征；構建粒子群聚類故障診斷決策樹；訓練和測試決策樹支持向量機SVM故障分類模型，最終實現光伏二極管箝位型三電平逆變器的故障診斷。

第一步：建立光伏二極管箝位型三電平逆變器電路的模型

三電平逆變器主電路主要由A、B和C三相橋臂構成，每相橋臂由四個主開關管、四個續流二極管和兩個中點鉗位二極管組成。由于三電平逆變器電路本身的結構，每個開關管在工作過程中所可能承受的最高電壓只有兩電平逆變器的一半，因此三電平逆變器可以大大降低開關器件的電壓應力，滿足高壓逆變的要求。三電平逆變器主電路故障主要是開路故障，包括IGBT開路、串聯熔斷器熔斷和觸發脈沖丟失故障，同時還有中點鉗位二極管開路的情況，因此根據實際運行的情況進行故障分類，以主電路A相為例，共三大類十三小類。

1)所有IGBT開關管都正常運行，逆變器無故障，共一小類。

2)單個器件發生故障，即在四個功率管和兩個中點鉗位二極管中任意一個發生故障，共六小類。

3)兩個器件發生故障，這大類存在兩種情況，一是故障的兩個開關管不在同一橋臂，這種情況可以歸結為不同橋臂上的單個器件故障，可以參考單個器件發生故障的情況；二是故障的兩個開關管在同一橋臂，即四個開關管中任意兩個開關管發生故障的情況，共六小類。

第二步：提取三電平逆變器主電路開路故障特征

三電平逆變器主電路不同故障的各個橋臂電壓經分解后在各頻帶上的投影是不同的，即主電路故障時，會對各頻帶的能量發生影響，一般情況下，故障會對某些頻率能量其增強作用，某些頻率能量其抑制作用，故障輸出和正常輸出會有差異，所以可以采用不同頻帶的能量作為故障特征。對采用空間矢量脈寬調制(SVPWM)控制的二極管箝位型三電平逆變器主電路進行建模，建模后對各種故障發生時的橋臂電壓進行j層小波多尺度分解，分別提取j+1個信號特征。再對小波多尺度分解系數進行重構，提取各個頻帶的能量，計算頻帶信號的能量。設E_n為第n個分解系數序列S_n的能量，則

式中，X_n，n＝0,1,…,j為重構信號的S_n的離散點幅值。進而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_j] (2)

統一量綱，歸一化處理特征向量：

T₁'＝[E₀/E E₁/E ... E_j/E] (3)

其中，E為信號的總能量，T₁′中各個元素對應各個頻帶能量的百分比。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'] (4)

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

三電平逆變器共有13種故障小類，若要構建決策樹將故障完全區分，就需要用到粒子群聚類算法將故障不斷地劃分成兩類。粒子群聚類算法需要先進行初始化，隨機初始化粒子群，設置聚類數目、粒子數目、迭代次數等參數，再將每個樣本隨機分類，并作為最初的聚類劃分后計算聚類中心、適應度等參數，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位置p_id和全局最優位置p_gd。并利用公式

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為慣性權重；v_id為粒子的速度；c₁和c₂為加速度因子；r₁和r₂是分布于[0，1]之間的隨機數；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter為當前迭代次數；itermax為最大的迭代次數。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，若其優于個體最優位置p_id，則更新p_id；若其優于全局最優位置p_gd，則更新p_gd。如果達到最大迭代次數，則算法結束，否則繼續迭代。

決策樹結構的生成需要先將全部訓練樣本集作為初始節點，利用粒子群聚類算法，將其劃分成兩類，形成兩個子節點。判斷子節點是否只包含一類故障樣本，若是則算法結束，否則繼續采用粒子群聚類算法進行處理，劃分成兩個新的子節點，這樣不斷劃分，直到所有子節點只包含一類故障樣本，算法結束。這樣將所有的故障樣本進行聚類劃分，就可以反向構建故障診斷決策樹。

第四步：訓練和測試決策樹支持向量機SVM故障分類模型

按照4:1的比例將故障數據樣本劃分成訓練集和測試集，訓練集按照決策樹結構上故障的分布訓練支持向量機SVM分類模型，支持向量機SVM分類模型均采用徑向基核函數，并各自優化支持向量機SVM的參數。訓練完成后，利用測試集測試決策樹支持向量機SVM故障診斷模型，得到診斷精度等指標，最終實現光伏二極管箝位型三電平逆變器的故障診斷。

本發明的有益效果是：

1)本發明所提出的二極管箝位型三電平逆變器的決策樹SVM故障診斷方法，是基于數據驅動的思想，核心是先聚類后分類，將小波多尺度分解、粒子群聚類和支持向量機算法結合起來，實現光伏二極管箝位型三電平逆變器的數據實時故障診斷。

2)本發明通過粒子群聚類算法，將二極管箝位型三電平逆變器的數據樣本進行聚類劃分，直到每個子類只包含一類故障信息，然后反向構建決策樹，這樣可以使各個子類之間的可分度盡可能地強，既提高診斷精度，又加強抗干擾能力。

3)本發明采用決策樹的故障診斷模型結構，構建的分類模型較少，大大提高故障診斷效率，采用徑向基作為核函數，進行各個參數的尋優，從而有效地實現三電平逆變器的故障診斷。

附圖說明

圖1為二極管箝位型三電平逆變器的故障診斷流程

圖2為二極管箝位型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為逆變器正常時的故障特征向量直方圖

圖7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明做進一步說明。

本發明的二極管箝位型三電平逆變器的決策樹SVM故障診斷流程圖如圖1所示，本發明方法的具體實施包括以下步驟：

如圖2所示為二極管箝位型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下A相的工作狀態，其電路拓撲如圖3所示。A相橋臂有三種工作狀態：

P狀態：S_a1和S_a2導通，S_a3和S_a4關斷，電流方向為正時，電流從P點經S_a1和S_a2流進A點，忽略開關器件的正向導通壓降后，輸出端A點電位等于P點電位，即U_dc/2；當電流方向為負時，電流從A點經續流二極管VD_a1和VD_a2流進P點，輸出端A點電位仍等于P點電位。

O狀態：S_a2和S_a3導通，S_a1和S_a4關斷，電流方向為正時，電流從中性點O經VD_a5和S_a2流進A點，輸出端A點電位等于O點電位，即中性點電位；當電流方向為負時，電流從A點經S_a3和VD_a6流進O點，輸出端A點電位仍等于O點電位。

N狀態：S_a3和S_a4導通，S_a1和S_a2關斷，電流方向為正時，電流從N點經VD_a3和VD_a4流進A點，輸出端A點電位等于N點電位，即-U_dc/2；當電流方向為負時，電流從A點經S_a3和S_a4流進N點，輸出端A電位仍等于N點電位。

根據拓撲結構，將故障分為三大類十三小類，即二極管箝位型三電平逆變器的故障類型。

1)所有IGBT開關管都正常運行，逆變器無故障，共一小類。

2)單個器件發生故障，即功率管S_a1、S_a2、S_a3、S_a4和鉗位二極管VD_a5、VD_a6中任意一個發生故障，共六小類。

3)兩個器件發生故障，這大類存在兩種小類，一是故障的兩個開關管不在同一橋臂，可以參考單個器件發生故障的情況，不計入故障分類；二是故障的兩個開關管在同一橋臂，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)任意一組發生故障的情況，共六小類。

建立三相三電平SVPWM逆變器模型，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模型，如圖3和圖4所示?？紤]到輸出電壓的特點，選取sym4小波基函數，分別對中、上和下橋臂電壓進行三層多尺度分解，每個橋臂電壓被分解成4個小信號，經過重構后，計算信號的能量，統一量綱后，構建每個橋臂的故障特征向量。整合橋臂的故障特征向量，按照中、上和下的順序構建系統的故障特征向量，并按照不同的故障類型，構建數據樣本。其中，當逆變器正常工作時，其對應的故障特征向量的直方圖如圖5所示。

采用粒子群聚類算法，將獲得的全部數據樣本進行聚類劃分，判斷得到的子類，若該子類只包含一類故障樣本，則停止劃分，否則繼續進行聚類劃分，直到所有子類只包含一類故障信息。劃分結束后可以反向構建決策樹，最終構建的故障診斷決策樹結構如圖6所示。從圖中可以看出該方法對于13種故障的問題，只需要構建12個分類模型，而一對一結構的SVM需要構建N(N-1)/2個分類模型，即78個分類模型，采用決策樹結構無疑將大大減少模型構建數目，提高運算效率。

將數據樣本分成訓練集和測試集。按照構建的決策樹結構，分別訓練SVM1～SVM12，共12個支持向量機分類模型，均采用徑向基核函數，并優化各個支持向量機的參數。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(BPNN)、一對一結構的支持向量機(SVM)和決策樹支持向量機(DT-SVM)的診斷精度，最終的故障診斷結果匯總如表1所示。從表中可以看出隨著噪聲的增加，各個算法的診斷精度都有一定下降，但決策樹支持向量機算法的診斷精度下降較小，抗干擾能力較強。

表1故障診斷結果

上述實施例僅僅是為清楚地說明本發明所做的舉例，而并非是對本發明的實施方式限定，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。