技術(shù)特征：

1.一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(gòu)建粒子群聚類故障診斷決策樹；訓(xùn)練和測試決策樹支持向量機(jī)SVM故障分類模型，最終實(shí)現(xiàn)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(gòu)成，每相橋臂由四個主開關(guān)管、四個續(xù)流二極管和兩個中點(diǎn)鉗位二極管組成，由于三電平逆變器電路本身的結(jié)構(gòu)，每個開關(guān)管在工作過程中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(guān)器件的電壓應(yīng)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(lián)熔斷器熔斷和觸發(fā)脈沖丟失故障，同時還有中點(diǎn)鉗位二極管開路的情況，因此根據(jù)實(shí)際運(yùn)行的情況進(jìn)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(guān)管都正常運(yùn)行，逆變器無故障，共一小類；

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

3)兩個器件發(fā)生故障，這大類存在兩種情況，一是故障的兩個開關(guān)管不在同一橋臂，這種情況可以歸結(jié)為不同橋臂上的單個器件故障，可以參考單個器件發(fā)生故障的情況；二是故障的兩個開關(guān)管在同一橋臂，即四個開關(guān)管中任意兩個開關(guān)管發(fā)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(jīng)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(fā)生影響，一般情況下，故障會對某些頻率能量其增強(qiáng)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(diào)制SVPWM控制的二極管箝位型三電平逆變器主電路進(jìn)行建模，建模后對各種故障發(fā)生時的橋臂電壓進(jìn)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(shù)進(jìn)行重構(gòu)，提取各個頻帶的能量，計(jì)算頻帶信號的能量，設(shè)E_n為第n個分解系數(shù)序列S_n的能量，則

$E_n=\underset{k=1}{\overset{N}{\Σ}}|X_n{|}^2---\left(1\right)$

式中，X_n，n＝0,1,…,j為重構(gòu)信號序列S_n的離散點(diǎn)幅值，進(jìn)而得到各個橋臂電壓的能量后就可以構(gòu)建特征向量，其中特征向量T₁為：

T₁＝[E₀ E₁ ... E_j] (2)

進(jìn)一步統(tǒng)一量綱，歸一化處理特征向量得到：

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(yīng)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(jìn)行特征提取，最后構(gòu)建數(shù)據(jù)樣本；

第三步：構(gòu)建粒子群聚類故障診斷決策樹

由于三電平逆變器共有13種故障小類，若要構(gòu)建決策樹將故障完全區(qū)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(jìn)行初始化，隨機(jī)初始化粒子群，設(shè)置聚類數(shù)目、粒子數(shù)目、迭代次數(shù)等參數(shù)，再將每個樣本隨機(jī)分類，并作為最初的聚類劃分后計(jì)算聚類中心、適應(yīng)度等參數(shù)，設(shè)置粒子初速度為零；這樣就可以根據(jù)初始粒子群得到的粒子個體的最優(yōu)位置p_id和全局最優(yōu)位置p_gd，并利用公式

$\mathrm{\ω}={\mathrm{\ω}}_{max}-\frac{iter}{itermax}({\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min})---\left(5\right)$

$c_1=R_1+\frac{iter}{itermax}{R}_2---\left(6\right)$

$c_2=R_3-\frac{iter}{itermax}{R}_4---\left(7\right)$

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(quán)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(jī)數(shù)；R₁＝1；R₂＝0.5；R₃＝4；R₄＝2；ω_max＝1.2；ω_min＝0.4；iter為當(dāng)前迭代次數(shù)；itermax為最大的迭代次數(shù)；依據(jù)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(jì)算新的聚類中心，更新適應(yīng)度，再一次比較適應(yīng)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(dá)到最大迭代次數(shù)，則算法結(jié)束，否則繼續(xù)迭代；

決策樹結(jié)構(gòu)的生成需要先將全部訓(xùn)練樣本集作為初始節(jié)點(diǎn)，利用粒子群聚類算法，將其劃分成兩類，形成兩個子節(jié)點(diǎn)，判斷子節(jié)點(diǎn)是否只包含一類故障樣本，若是則算法結(jié)束，否則繼續(xù)采用粒子群聚類算法進(jìn)行處理，劃分成兩個新的子節(jié)點(diǎn)，這樣不斷劃分，直到所有子節(jié)點(diǎn)只包含一類故障樣本，算法結(jié)束，這樣將所有的故障樣本進(jìn)行聚類劃分，就可以反向構(gòu)建故障診斷決策樹；

第四步：訓(xùn)練和測試決策樹支持向量機(jī)SVM故障分類模型

按照4:1的比例將故障數(shù)據(jù)樣本劃分成訓(xùn)練集和測試集，訓(xùn)練集按照決策樹結(jié)構(gòu)上故障的分布訓(xùn)練支持向量機(jī)SVM分類模型；支持向量機(jī)SVM分類模型均采用徑向基核函數(shù)，并各自優(yōu)化支持向量機(jī)SVM的參數(shù)，訓(xùn)練完成后，利用測試集測試決策樹支持向量機(jī)SVM故障診斷模型，得到診斷精度等指標(biāo)，最終實(shí)現(xiàn)光伏二極管箝位型三電平逆變器的故障診斷。