基于模糊故障树的光伏并网微型逆变器故障识别方法研究
时间：2022-12-06 09:15:04 来源：雅意学习网 本文已影响 人 
潘启勇，张 磊
（常熟理工学院电子信息工程学院，常熟 215500）
作为当前开发前景最佳的新能源之一，太阳能的高效利用成为21 世纪的重要研究课题。光伏发电作为其中应用范围最广、最为高效的方式，其光伏并网微型逆变器则是太阳能发电中最重要的器件[1]。作为一种电力电子装置，光伏并网微型逆变器负责进行电能变换，能够实现面向负载提供优质电能。在光伏并网微型逆变器运行于额定工况下时，其运行效率会对光伏系统以及电网的运行效率产生直接影响[2]，一旦光伏并网微型逆变器发生故障，将会造成光伏发电系统稳定性的直线下降，甚至导致系统发生停转。而光伏并网微型逆变器在不断发展中，拓扑结构越来越复杂，工作状态越来越多样化，集成度也在不断提升，使得故障发生率大幅提升，解决故障的难度也在不断升高。因此，必须对光伏并网微型逆变器进行故障识别，从而降低光伏并网微型逆变器发生故障的几率[3]。对于光伏并网微型逆变器的故障识别，国内外均十分重视相关研究。国外对于光伏并网微型逆变器故障识别与诊断的研究起步较早，主要针对伏并网微型逆变器故障特征提取等方面进行研究。Sun C 等[3]利用励磁机电枢电流分析诊断旋转整流器开路故障。Berg M等[4]根据估计或测量的电网阻抗对PLL 角进行补偿，保证了光伏逆变器阻抗稳定。国内对于光伏并网微型逆变器故障识别的相关研究起步较晚，主要始于20 世纪70 年代末，但也已经取得了很大成果。陈丹江等[5]提出了一个多神经网络结构，包括一个主神经网络和2 个辅助神经网络，对逆变器的多种开路故障进行综合分析；
安学利等[6]采用支持向量机对多组不同故障信息进行分类，从而实现对机组故障的判断。除此之外，还有其他学者提出一种基于信号采集点的光伏并网微型逆变器故障识别方法[5]。
在利用以上方法进行光伏并网微型逆变器故障识别时，由于受特征信息具备差异性的影响而无法进行逆变器故障映射，并且传统方法在有功功率为3～6 kW 的范围内存在采样时间较长等问题，因此本文提出基于模糊故障树的光伏并网微型逆变器故障识别方法。基于模糊故障树对光伏并网微型逆变器进行故障映射，根据底事件到顶事件的映射对二者之间的隶属函数建立故障底事件与顶事件之间的联系，通过小波包变换提取光伏并网微型逆变器故障特征，采用基于SAE-SOFTMAX 的深度故障信息提取方法，构造SOFTMAX 分类器，实现光伏并网微型逆变器故障诊断识别。实验证明，本方法的采样时间较短，且采样精度、效率水平高，使用该方法可以进一步提高光伏系统的运行稳定性。
1.1 光伏并网微型逆变器故障映射
基于模糊故障树对光伏并网微型逆变器进行故障映射，即构建光伏并网微型逆变器故障中底事件到顶事件的映射，建立故障底事件与顶事件之间的联系，以便提取故障特征[6]。以扩张原理为依据，可知光伏并网微型逆变器故障顶事件中存在以下映射
式中：f 为光伏并网微型逆变器故障顶事件中存在的映射；
U、V 分别为光伏并网微型逆变器顶事件u和顶事件v 的故障论域；
f（u）为顶事件u 到顶事件v 的映射[7]。
则光伏并网微型逆变器顶事件故障论域集合F（U）到另一个顶事件故障论域集合F（V）的映射为
式中：A 为光伏并网微型逆变器顶事件故障论域集合F（U）中的顶事件故障论域；
B 为光伏并网微型逆变器顶事件故障论域集合F（V）中的顶事件故障论域，且A 与B 互为逆像；
f（A）为顶事件故障论域F（U）到顶事件故障论域F（V）的映射，其中f（A）的表达式为
由于光伏并网微型逆变器故障底事件中则存在较多故障元素，底事件论域为U1×U2×U3×…×Un，构建光伏并网微型逆变器故障底事件的映射，表达式为
式中，un为第n 个故障元素[8]。
利用映射f 将光伏并网微型逆变器故障底事件推导到光伏并网微型逆变器顶事件故障论域U中，获得的底事件到顶事件的映射表示为
式中：F（Un）为第un个底事件故障论域；
AN为第N个顶事件故障论域；
An为第n 个顶事件故障论域[9]。
根据底事件到顶事件的映射对二者之间的隶属函数进行推导，该隶属函数即为故障底事件与顶事件之间的联系，具体表达式为
式中：f-1（v）为顶事件v 到顶事件u 之间映射的逆向映射；
α 为隶属阈值。
实际故障环境中，存在很多不确定因素，根据上述模糊故障树对光伏并网微型逆变器故障映射分析，获得模糊数据，对于一些不够清晰的时间系统，可以降低处理过程中对故障识别的难度，根据底事件到顶事件的映射建立故障底事件与顶事件之间的联系，减少故障识别时间。在此基础上，结合小波包变换方法提取故障特征。
1.2 提取故障特征
通过小波包变换提取光伏并网微型逆变器故障特征。具体提取步骤如下：
步骤1将光伏并网微型逆变器的三相电流中的电感信号当做故障特征提取中的特征信号，将1 kHz 作为采样周期，即一个周期采样的实际点数为20，选择一个周期并对其进行分析，能够获得特征信号对应的20 个数据[10]。
步骤2针对特征信号实施小波三层包分解，将整个频带由低频到高频分成8 个频带，并依次提取对应的分解系数，该分解系数用dphj来表示，其中ph=a，b，c，代表3 层小波；
j=0，1，2，…，8。
步骤3对小波包分解的对应系数进行重构，获取各频带对应的重构信号[11]。利用Sphj为dphj的重构信号，利用该重构信号表示特征信号，具体表示为
步骤4获取各个频带对应的重构信号能量，将Sphj所对应的能量设为Ephj，则有
式中：t 为各个频带对应的重构信号；
n、k 均为正整数，其中k=1，2，…，n；
xphjk为Sphj的对应离散点幅值[12]。
将总能量设为Eph，则其表达式为
步骤5对特征向量进行构造。对各个频带对应的能量值进行构造，使其形成故障特征向量，将构造的特征向量设为Tph，则有
对Tph进行进一步处理，即实施归一化处理，具体表达式为
式中，Tph-1为对Tph实施归一化处理的处理结果[13]。
组合三相电流中的电感信号可以得到
式中：Ta-1、Tb-1、Tc-1分别为3 层小波的故障特征向量；
Ea、Eb、Ec分别为3 层小波的总能量；
Ea7、Eb7、Ec7分别为3 层小波的dphk重构信号所对应的能量；
T为提取的光伏并网微型逆变器故障特征。
基于小波包变换实现对光伏并网微型逆变器故障特征的提取，结合模糊故障树分析方法，对光伏并网微型逆变器故障发生的模糊概率进行判断，设计光伏并网微型逆变器故障识别系统。
1.3 光伏并网微型逆变器故障识别
建立光伏并网微型逆变器模糊故障树定向分析模型，确定故障发生的概率，并通过求出最小割集找出各个故障原因之间的联系。依次确定主要顶事件，去掉中间事件，更换底层事件。重复上述过程，直至到达故障树底层事件，分析各底事件是否存在着故障联系，并对相应事件作出处理，最终获得最小割集。割集中的变量数量降低时，事件发生的概率却会随之增加，利用树形图将模糊故障树以及各个部件之间的故障关系具体描述出来，如图1所示。
根据图1 所示的模糊故障树分析方法，对故障因素发生的频率进行判断，得出故障因素发生的模糊概率为
图1 模糊故障树Fig.1 Fuzzy fault tree
式中：P（）为模糊概率；
Ki为故障条件概率；
n 为故障因素上限。基于以上算法，采用基于SAESOFTMAX 的深度故障信息提取方法，构造SOFTMAX 分类器，通过分类器提供的有监督学习的训练方式对故障系统进行反向微调。其具体构造的多分类器如图2 所示。
图2 构造的多分类器Fig.2 Constructed multiple classifiers
图2 中构造的多分类器属于一对一组合的形式，具体做法为在两类任意样本中对一个子SVM 进行设计，则类别中共K 个的样本，共需设计子SVM的个数为。对第j 类与第i 类的子SVM_ij进行训练时，需要将第i 类样本当做正样本，将第j类样本当做负样本。对于测试样本x，当SVM_ij 将其认为是第i 类，那么第i 类获得的票数将加1，反之，当SVM_ij 将其认为是第j 类，那么第j 类获得的票数将加1。个子SVM 完成其投票后，对各类别获得的票数进行统计，测试样本x 即属于票数最多的类别。
结合模糊故障树计算的模糊可能性信息与SOFTMAX 分类器的训练方式对光伏并网微型逆变器进行故障识别，故障识别系统如图3 所示。
图3 故障识别系统Fig.3 Fault diagnosis system
其输入端是特征信号的对应特征向量，即各个频带信号的对应能量值，而输出端则是故障类型的对应标签，对各种故障类型进行标签设置，选择C4.5 算法，利用与采集分类存在相关性的信息建立决策树，用l 表示故障集合，ci表示故障类型标号（i=1，2，…，n），可得故障采集信息熵公式为
式中，|l|与F（ci，l）分别为故障集合l 故障数量以及故障集合l 内属于ci类的故障数量。
依据训练集合获取各个故障发生的概率，当所选择属性Y 内存在数量为k 时，形成决策树故障数量条件熵公式为
式中，|li|为属性Y 内子树各类故障数量，获取互信息信息增益公式为
C4.5 算法选取启发式搜索扩展属性分值，扩展属性选取存在最大信息增益的属性。启发式方法可有效应用于标准化处理程序以及存在不同属性值的情况。信息增益率方法可选取体现高质量信息增益属性，获取故障属性信息增益率公式为
通过属性Y 的分枝储能装置数据获取故障集Z（Y）即为多分类的基本结构，然后把数据样本分成测试样本与训练样本，通过训练样本获取学习过程中的多分类模型，以该模型为基础，通过测试样本实现对光伏并网微型逆变器故障进行识别。
2.1 实验方法
为了验证在有功功率为3～12 kW 的范围内，设计的模糊故障树的光伏并网微型逆变器故障识别性能，对其进行实验验证。设计仿真实验，在Matlab 环境中对采样时间、采样精度和采样效率进行测试。为避免本次实验结果过于单一，将传统的2 种故障识别方法作为实验中的对比方法，具体包括基于输出节点故障特征提取和基于信号采集点的光伏并网微型逆变器故障识别方法。实验中光伏并网微型逆变器的具体参数如表1 所示，实验中光伏并网微型逆变器的具体类型如图4 所示。
表1 实验中光伏并网微型逆变器的具体参数Tab.1 Specific parameters of photovoltaic gridconnected micro-inverter in experiment
图4 实验中光伏并网微型逆变器的具体类型Fig.4 Specific types of photovoltaic grid-connected micro-inverter in experiment
获取该光伏并网微型逆变器三相电流中的电感信号对应的故障特征信息，具体如表2 所示。
表2 三相电流中的电感信号的对应特征信息Tab.2 Corresponding characteristic information of inductance signal in three-phase current
基于获取的该光伏并网微型逆变器三相电流中电感信号对应的故障特征信息，利用设计的基于模糊故障树的光伏并网微型逆变器故障识别方法，对该光伏并网微型逆变器进行故障识别实验。获取有功功率为3～12 kW 范围内的采样时间数据作为实验数据，同样获取传统方法下逆变器的有功功率在3～12 kW 范围内的采样时间数据作为对比实验数据，比较几种实验方法的采样时间实验结果。
2.2 结果分析
在有功功率为3～6 kW 的范围内，获取的基于模糊故障树的光伏并网微型逆变器故障识别方法与基于输出节点故障特征提取、基于信号采集点的光伏并网微型逆变器故障识别方法的采样时间实验对比结果如表3 所示。
根据表3 的采样时间实验对比结果可知，有功功率为3～6 kW 时，设计的模糊故障树的光伏并网微型逆变器故障诊断系统的采样时间远低于基于输出节点故障特征提取和基于信号采集点的光伏并网微型逆变器故障识别方法。
表3 采样时间实验对比结果（3～6 kW）Tab.3 Comparison results of sampling time experiment（3～6 kW）
有功功率为6～12 kW 时，设计的模糊故障树的光伏并网微型逆变器故障诊断系统与基于输出节点故障特征提取、基于信号采集点的光伏并网微型逆变器故障诊断方法的采样时间实验对比结果具体如表4 所示。
综合表3 和表4 的采样时间实验对比结果可知，在有功功率为3～12 kW 的范围内，设计的模糊故障树的光伏并网微型逆变器故障诊断系统的采样时间远低于基于输出节点故障特征提取、基于信号采集点的光伏并网微型逆变器故障识别方法，这是由于本文系统基于模糊故障树对光伏并网微型逆变器进行故障映射，根据底事件到顶事件的映射对二者之间的隶属函数建立故障底事件与顶事件之间的联系，在采样时可以进一步缩短时间。
表4 采样时间实验对比结果（6～12 kW）Tab.4 Comparison results of sampling time experiment（6～12 kW）
为了进一步分析本文方法的可行性，对3 种方法在3～12 kW 有功功率条件下的故障诊断效率和精度进行对比，故障诊断效率=（单个故障样本诊断时长/检验样本个数）×100%，故障诊断精度=（故障样本个数/检验样本个数）×100%，对比结果分别如图5、图6 所示。
图5 3 种方法的故障诊断效率对比结果Fig.5 Results of comparison of fault diagnosis efficiency among three methods
图6 3 种方法的故障诊断精度对比结果Fig.6 Results of comparison of fault diagnosis accuracy among three methods
由图5 和图6 可知，在3～12 kW 有功功率范围内，利用本文方法进行光伏并网微型逆变器故障识别的效率和精度都明显高于另外2 种对比方法，且本文方法的故障识别效率和精度最高点都在95%以上，这是由于本文系统在完成多分类器的构造后对光伏并网微型逆变器进行故障识别，其输入端是特征信号的对应特征向量，输出端则是故障类型的对应标签，对各种故障类型进行标签设置可以进一步提高故障识别效率和精度。通过以上实验可以证明本文方法不仅故障识别时间低于另外两种方法，而且识别效率和精度都较高，有效验证了本文方法的优越性。
随着光伏发电的大规模利用，提升光伏并网微型逆变器故障识别效率和精度、缩小识别故障的时间至关重要。为此本文提出的基于模糊故障树的光伏并网微型逆变器故障识别方法研究。首先通过模糊故障树对光伏并网微型逆变器进行故障映射，提取故障特征，然后利用SOFTMAX 光伏并网微型逆变器故障多分类器，实现光伏并网微型逆变器故障识别。实验证明，在有功功率为3～12 kW 的范围内该方法的采样时间较短，且采样效率、精度较高，性能稳定，实现了采样性能的突破，对于提升光伏发电系统稳定性具有一定的参考价值。
猜你喜欢 分类器故障诊断样本 比亚迪秦EV充电系统故障诊断与排除汽车实用技术(2022年16期)2022-08-31少样本条件下基于K-最近邻及多分类器协同的样本扩增分类现代电子技术(2022年15期)2022-07-28基于神经网络的船舶电力系统故障诊断方法舰船科学技术(2022年11期)2022-07-15迈腾B81.8T起动机无法启动故障诊断分析汽车实用技术(2022年9期)2022-05-20学贯中西（6）:阐述ML分类器的工作流程电子产品世界(2022年4期)2022-04-21基于朴素Bayes组合的简易集成分类器①计算机系统应用(2021年2期)2021-02-23规划·样本领导决策信息(2018年16期)2018-09-27人大专题询问之“方城样本”人大建设(2017年10期)2018-01-23基于AdaBoost算法的在线连续极限学习机集成算法软件导刊(2017年4期)2017-06-20随机微分方程的样本Lyapunov二次型估计数学学习与研究(2017年3期)2017-03-09
