基于卷積神經(jīng)網(wǎng)絡(luò)的光伏逆變器故障診斷

陳旺斌，孟獻(xiàn)蒙，程凡永, ，徐 杰,

（1.安徽工程大學(xué) 高端裝備先進(jìn)感知與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000；2.安徽工程大學(xué) 電氣傳動(dòng)與控制安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000）

1 背景知識(shí)

隨著工業(yè)化的快速發(fā)展，電子設(shè)備早期故障檢測(cè)已成為一項(xiàng)必要技術(shù)，同時(shí)也是一項(xiàng)難點(diǎn)技術(shù)。近年來(lái)，隨著人工智能的發(fā)展，越來(lái)越多的基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)被運(yùn)用到設(shè)備故障診斷中，其中最典型的是深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型[1]。文獻(xiàn)[2]針對(duì)高速列車(chē)轉(zhuǎn)向架故障問(wèn)題提出一種利用一維CNN 提取高速列車(chē)故障信號(hào)深層特征模型，該模型能自動(dòng)完成原始數(shù)據(jù)的特征提取和選擇，進(jìn)而實(shí)現(xiàn)對(duì)不同工況下轉(zhuǎn)向架故障的分類(lèi)。文獻(xiàn)[3]提出一種基于二維CNN 的故障診斷方法。首先，設(shè)計(jì)了一種一維時(shí)間信號(hào)到二維圖像信號(hào)的轉(zhuǎn)換方法，在此基礎(chǔ)上提出了基于二維圖像信號(hào)的故障診斷算法，并在電機(jī)軸承數(shù)據(jù)集、自吸離心泵故障診斷數(shù)據(jù)集和軸向數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果顯示，CNN 在基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷領(lǐng)域具有良好潛力。文獻(xiàn)[4]針對(duì)軸承故障，利用CNN 對(duì)軸承信號(hào)故障數(shù)據(jù)進(jìn)行特征提取和故障檢測(cè)，實(shí)驗(yàn)結(jié)果表明，CNN 能可靠、有效地提取可分性強(qiáng)的故障特征，提高了系統(tǒng)故障診斷性能。

光伏逆變器是一種功率電子電路器件，其電路結(jié)構(gòu)如圖1 所示。光伏逆變器能將太陽(yáng)能電池板的直流電壓轉(zhuǎn)換為交流電壓，以驅(qū)動(dòng)家用電器或者升壓并入能源互聯(lián)網(wǎng)。圖1 中，絕緣柵雙極型晶體管（insulated gate bipolar transistor，IGBT）是光伏逆變器的核心部件。當(dāng)發(fā)生開(kāi)路故障時(shí)，盡管系統(tǒng)還能繼續(xù)運(yùn)行，但有著很大的隱患，沒(méi)有發(fā)生開(kāi)路故障的IGBT 會(huì)流過(guò)較大電流，對(duì)整個(gè)電路系統(tǒng)產(chǎn)生影響，進(jìn)而影響能源互聯(lián)網(wǎng)的穩(wěn)定運(yùn)行。因此，及時(shí)準(zhǔn)確地診斷開(kāi)路故障對(duì)能源互聯(lián)網(wǎng)的穩(wěn)定運(yùn)行具有重要意義。同時(shí)，使用逆變器輸出電壓或電流為特征量進(jìn)行故障診斷時(shí)，需要3 個(gè)傳感器進(jìn)行三相電壓或電流信號(hào)的檢測(cè)，但以直流側(cè)電流作為特征量時(shí)，則只需要1 個(gè)傳感器。

圖1 逆變器的電路結(jié)構(gòu)Fig.1 Inverter circuit structure

綜合以上因素，本研究擬從減少傳感器數(shù)目的角度出發(fā)，采用直流側(cè)電流作為檢測(cè)量，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)IGBT 開(kāi)路故障的診斷。

2 光伏逆變器故障仿真

2.1 逆變系統(tǒng)仿真

實(shí)驗(yàn)利用Matlab 軟件中的Simulink 仿真模塊，搭建了一個(gè)光伏逆變器仿真模型，如圖2 所示。

圖2 光伏逆變器故障仿真圖Fig.2 Photovoltaic inverter fault simulation diagram

實(shí)際光伏發(fā)電系統(tǒng)中，當(dāng)光照強(qiáng)度發(fā)生變化時(shí)，其輸入逆變系統(tǒng)中的電壓會(huì)發(fā)生變化。仿真系統(tǒng)的光照強(qiáng)度在0.25 s 時(shí)由0.7 kW/m2突變?yōu)?.0 kW/m2，為抑制由此引起的電壓波動(dòng)，加入了相應(yīng)的控制模塊，以實(shí)現(xiàn)對(duì)輸出電壓的穩(wěn)定控制[5]。

本研究的仿真電路圖，主要由光伏與Boost 電路模塊、逆變器、濾波電感、電壓電流雙閉環(huán)控制策略模塊以及驅(qū)動(dòng)信號(hào)模塊5 部分組成。該系統(tǒng)可以有效地在光照強(qiáng)度發(fā)生變化時(shí)快速地將輸出電壓調(diào)節(jié)到所需電壓，保證系統(tǒng)的穩(wěn)定性[6]。運(yùn)用這個(gè)仿真系統(tǒng)來(lái)模擬真實(shí)電路中的IGBT 開(kāi)路故障，選擇的做法是添加開(kāi)關(guān)來(lái)控制激勵(lì)信號(hào)，當(dāng)某個(gè)開(kāi)關(guān)斷開(kāi)時(shí)，相應(yīng)的橋臂就不會(huì)收到觸發(fā)脈沖，這樣該橋臂的IGBT 就不會(huì)導(dǎo)通，就相當(dāng)于IGBT 管開(kāi)路。在三相橋式逆變電路中有6 個(gè)IGBT 管（每個(gè)IGBT 反并聯(lián)1 個(gè)二極管），每個(gè)IGBT 管都是有可能發(fā)生故障的，但是發(fā)生故障時(shí)，1 個(gè)或者2 個(gè)IGBT 管故障的概率極高，很少有3 個(gè)或3 個(gè)以上IGBT 管同時(shí)發(fā)生故障[7]，所以本文中只分析IGBT 管1 個(gè)或者2 個(gè)發(fā)生開(kāi)路時(shí)的情形。根據(jù)三相橋式逆變電路的構(gòu)造，共有6 種單管故障情形。當(dāng)有2 個(gè)管子發(fā)生故障時(shí)：1）同一相兩個(gè)橋臂同時(shí)發(fā)生故障；2）上橋中兩個(gè)橋臂同時(shí)發(fā)生故障；3）下橋中兩個(gè)橋臂同時(shí)發(fā)生故障；4）上下橋臂交叉的同時(shí)發(fā)生故障，總計(jì)有15 種故障。因此，加上正常狀態(tài)，總計(jì)有22 種狀態(tài)類(lèi)別。

2.2 數(shù)據(jù)采集

每個(gè)故障在實(shí)驗(yàn)中的持續(xù)時(shí)間均為4.1 s，而前0.1 s系統(tǒng)剛剛通電，數(shù)據(jù)的波動(dòng)巨大，所以舍去這一部分?jǐn)?shù)據(jù)，故數(shù)據(jù)采集的時(shí)間為0.1～4.1 s。在正常工作狀態(tài)下，輸出電壓頻率為50 Hz，也就是0.02 s 為一個(gè)周期。通過(guò)設(shè)計(jì)的仿真模型采集正常工作和各種不同故障下的直流側(cè)電流數(shù)據(jù)，用作實(shí)驗(yàn)的訓(xùn)練和測(cè)試數(shù)據(jù)。所得的仿真電流圖顯示，雖然不同故障的運(yùn)行時(shí)間相同，但獲得的直流側(cè)電流數(shù)據(jù)數(shù)量是不一樣的。為了保證輸入數(shù)據(jù)的維度一致性，需要對(duì)電流進(jìn)行等時(shí)間采樣，采樣頻率為10 000 Hz，這樣可以保證數(shù)據(jù)的維度一致。且為了能更好地提取數(shù)據(jù)特征，需要加大數(shù)據(jù)集，同時(shí)輸入網(wǎng)絡(luò)的數(shù)據(jù)維度大小對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練也非常重要。因此，在數(shù)據(jù)輸入網(wǎng)絡(luò)模型之前對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理——數(shù)據(jù)移動(dòng)。數(shù)據(jù)檢測(cè)步長(zhǎng)的大小需要通過(guò)實(shí)驗(yàn)來(lái)確定一個(gè)最佳值，檢測(cè)步長(zhǎng)代表兩次檢測(cè)的時(shí)間差，在采樣頻率固定的情況下，就代表兩次檢測(cè)的樣本移動(dòng)長(zhǎng)度。數(shù)據(jù)移動(dòng)后，樣本集的數(shù)量會(huì)增加。例如，實(shí)驗(yàn)中采用了一種如圖3所示的移動(dòng)方法。

圖3 數(shù)據(jù)移動(dòng)示意圖Fig.3 Schematic diagram of data movement

由圖3 可知，一段原始采樣樣本總共有2 000個(gè)數(shù)據(jù)，首先將其前400 個(gè)數(shù)據(jù)劃為一個(gè)數(shù)據(jù)片段（1～400 個(gè)采樣數(shù)據(jù)），之后以步長(zhǎng)為200 向右移動(dòng)，對(duì)數(shù)據(jù)進(jìn)行劃分得到第二個(gè)數(shù)據(jù)片段（201～600 個(gè)采樣數(shù)據(jù)）。按照這種移動(dòng)方法，最后就可以將原始的長(zhǎng)度為2 000 的數(shù)據(jù)，劃分為9 個(gè)長(zhǎng)度為400 的數(shù)據(jù)片段。總共采集了352 段訓(xùn)練數(shù)據(jù)樣本，最后可以得到3 168（352×9）條訓(xùn)練數(shù)據(jù)片段。對(duì)測(cè)試樣本也采取相同的處理方法，總共采集了88 條訓(xùn)練數(shù)據(jù)片段，這樣移動(dòng)后就得到792（9×88）條測(cè)試數(shù)據(jù)片段。

從仿真模型中采集而來(lái)的數(shù)據(jù)不存在噪聲，為模擬實(shí)際的噪聲情況，后續(xù)處理中對(duì)數(shù)據(jù)都加入了不同信噪比的噪聲，通過(guò)觀察數(shù)據(jù)集可以發(fā)現(xiàn)，數(shù)據(jù)的最大最小值相差很大，為了提高模型的收斂速度，對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化預(yù)處理。標(biāo)準(zhǔn)化處理的目的是將數(shù)據(jù)按比例縮放，使之落入一個(gè)小的特定區(qū)間，則標(biāo)準(zhǔn)化公式如下：

3 一維卷積神經(jīng)網(wǎng)絡(luò)

3.1 卷積層

卷積神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用廣泛的前饋神經(jīng)網(wǎng)絡(luò)，已在很多領(lǐng)域中成功應(yīng)用[8]。通常情況下，卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層和輸出層[9]。數(shù)據(jù)進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)后，首先進(jìn)入卷積層進(jìn)行卷積運(yùn)算，也就是卷積核與輸入數(shù)據(jù)進(jìn)行局部加權(quán)求和[10]。在實(shí)際運(yùn)用中，往往是由多個(gè)輸入特征圖和多個(gè)卷積核組成，為方便理解，以圖4 展示一個(gè)輸入特征圖和一個(gè)卷積核時(shí)的運(yùn)算。在卷積運(yùn)算結(jié)束后，加上偏置項(xiàng)后選用ReLU 激活函數(shù)提升卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力和抑制梯度消失現(xiàn)象[11]。

圖4 一維卷積運(yùn)算過(guò)程示例Fig.4 Illustration of one-dimensional convolution operation process

在卷積層中，每一個(gè)輸出特征圖都是由多個(gè)輸入特征圖組合的卷積結(jié)果，例如，第l-1 層的特征圖經(jīng)過(guò)卷積和激活后輸出第l 層的特征圖，其前向傳播公式為

式中：al-1是第l-1 層的輸出特征圖的集合，同時(shí)是第l 層的輸入特征圖的集合；

al為第l 層的輸出特征圖的集合；

Wl為第l-1 層到第l 層卷積核的集合；

bl為第l-1 層到第l 層的偏置項(xiàng)；

*表示卷積作用；

σ( · )為激活函數(shù)。

推導(dǎo)可得卷積層的反向傳播公式如下：

式中：zl為第l 層的卷積結(jié)果，且

δl-1為第l-1 層的梯度；

δl為第l 層的梯度；

rot180(·)表示將核旋轉(zhuǎn)180 度；

3.2 池化層

在卷積神經(jīng)網(wǎng)路中，池化層的作用是將卷積層輸出的特征圖縮小，有最大池化、最小池化、平均池化、隨機(jī)池化等[12]。圖5 列出了最大池化和平均池化的運(yùn)算結(jié)果，通常最大池化可以有效地提取特征，比較適用于分類(lèi)問(wèn)題。本文模型中采用了最大池化，從目標(biāo)區(qū)域中取出最大值，通過(guò)池化層的二次提取特征進(jìn)行降維，進(jìn)一步降低網(wǎng)絡(luò)的計(jì)算量。經(jīng)過(guò)多次的卷積和池化運(yùn)算后，即可獲得數(shù)據(jù)特征，最后連接到全連接層進(jìn)行分類(lèi)[13]。

圖5 一維池化運(yùn)算示例Fig.5 Illustration of one-dimensional pooling operation

從l 層到第l+1 層的池化前向傳播公式如下：

式中，down(·)是一個(gè)下采樣方法，池化層窗口大小為n×1，則對(duì)池化層窗口滑過(guò)的每一個(gè)n×1 塊中的元素進(jìn)行相對(duì)應(yīng)的池化運(yùn)算，得到一個(gè)1×1 的輸出特征圖，縮小為原來(lái)的1/n。

根據(jù)反向傳播方法，可推得池化層的反向傳播公式為

式中，upsample(δl)表示上采樣操作，即將每個(gè)元素在一個(gè)維度上展開(kāi)n 次，還原到池化之前的大小，n為down(·)下采樣時(shí)縮小的比例。

CNN 在池化層反向傳播時(shí)如圖6 所示，對(duì)于池化層的梯度δl，首先還原為池化前的長(zhǎng)度，然后根據(jù)池化類(lèi)型進(jìn)行數(shù)值分配，如果采用的是最大池化，就需要將δl中的數(shù)值分配到池化前的最大位置處，如果采用的是平均池化，就將δl等分為n 份再分配到各個(gè)位置處。

圖6 池化層的反向傳播示例Fig.6 Illustration of back-propagation in the pooling layer

通過(guò)上述卷積層和池化層的反向傳播，可以求得參數(shù)的梯度，這樣就可以利用梯度下降法來(lái)更新所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)中所有的參數(shù)，最后得到一個(gè)能實(shí)際運(yùn)用的模型。

4 實(shí)驗(yàn)結(jié)果和分析

4.1 檢測(cè)步長(zhǎng)

為驗(yàn)證所提方案的可靠性，將本文模型與支持向量機(jī)（support vector machines，SVM）和k 最近鄰（k-Nearest Neighbor，kNN）分類(lèi)算法進(jìn)行比較。

1）SVM 故障診斷方法。采用與CNN 模型相同的數(shù)據(jù)集，選用線性核函數(shù)，運(yùn)用間接法的多分類(lèi)器進(jìn)行故障診斷。

2）kNN 故障診斷方法。kNN 通過(guò)測(cè)量不同特征值之間的距離進(jìn)行分類(lèi)。如果一個(gè)樣本在特征空間中的k 個(gè)最鄰近的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也被劃分為這個(gè)類(lèi)別。在kNN 的參數(shù)設(shè)置中，k = 9。

為了確定最佳檢測(cè)數(shù)據(jù)步長(zhǎng)，課題組采用了信噪比為10 dB 的數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試。逆變器正常工作時(shí)，輸出的三相電壓頻率為50 Hz，直流側(cè)電流的采樣頻率為10 000 Hz，因此在輸出電壓的一個(gè)周期（0.02 s）時(shí)間內(nèi)，可以采集到200 個(gè)電流值。為此，以200 為中心，分別將數(shù)據(jù)檢測(cè)步長(zhǎng)100, 150, 200,250, 300 輸入到已經(jīng)搭建好的網(wǎng)絡(luò)模型（CNN 參數(shù)設(shè)置如表1 所示）中進(jìn)行訓(xùn)練與測(cè)試，得到如圖7 所示的3 種方法下不同檢測(cè)步長(zhǎng)對(duì)應(yīng)的測(cè)試結(jié)果圖。

表1 CNN 網(wǎng)絡(luò)參數(shù)Table 1 CNN network parameters

圖7 不同檢測(cè)步長(zhǎng)下3 種方法的準(zhǔn)確率比較Fig.7 Accuracy comparison of three methods under different moving steps

由圖7 可以看出，不同的檢測(cè)步長(zhǎng)對(duì)最后的測(cè)試準(zhǔn)確率有一定的影響，當(dāng)檢測(cè)步長(zhǎng)為100，150，250，300 時(shí)，得到的結(jié)果都不理想，當(dāng)檢測(cè)步長(zhǎng)為200 時(shí)，得到的檢測(cè)效果最佳。因此，本文后續(xù)實(shí)驗(yàn)中將步長(zhǎng)200 設(shè)置為默認(rèn)檢測(cè)步長(zhǎng)。當(dāng)檢測(cè)步長(zhǎng)為200 時(shí)，可以得到3 168 條訓(xùn)練數(shù)據(jù)，每條包含400個(gè)樣本點(diǎn)。將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后輸入CNN 模型中，經(jīng)過(guò)相應(yīng)的卷積和池化后，將數(shù)據(jù)串聯(lián)并傳入全連接層，此外為防止過(guò)擬合對(duì)全連接層使用了Dropout[14]技術(shù)，最后接SoftMax 函數(shù)輸出，得到該條數(shù)據(jù)所對(duì)應(yīng)的故障類(lèi)別概率分布。

4.2 對(duì)比結(jié)果

為了驗(yàn)證CNN 模型的實(shí)用性，分別將信噪比為5,1, 0, -1 dB 的數(shù)據(jù)放入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和測(cè)試，所得實(shí)驗(yàn)結(jié)果如圖8 所示。

圖8 不同信噪比下3 種方法的準(zhǔn)確率比較Fig.8 Accuracy comparison of three methods under different SNR

由圖8 可以得知，kNN 在低信噪比故障數(shù)據(jù)分類(lèi)中的準(zhǔn)確率最低，這說(shuō)明kNN 方法的噪聲魯棒性比較弱。與kNN 相比，SVM 和CNN 的分類(lèi)準(zhǔn)確率均有顯著的提升，其中CNN 在三者中的準(zhǔn)確率最高，5, 1, 0, -1 dB 信噪比下的準(zhǔn)確率分別是0.992 4, 0.978 5,0.959 6, 0.945 9。這一結(jié)果說(shuō)明，在逆變器開(kāi)路故障診斷性能上，CNN 相對(duì)其他的算法效果更好。

5 結(jié)語(yǔ)

本文以光伏逆變器的直流側(cè)電流為研究對(duì)象，提出了一種基于CNN 的光伏逆變器故障診斷新方法。實(shí)驗(yàn)結(jié)果表明，在CNN 網(wǎng)絡(luò)結(jié)構(gòu)中，數(shù)據(jù)的檢測(cè)步長(zhǎng)為200 時(shí)，故障診斷效果最佳。另外，為了測(cè)試該實(shí)驗(yàn)方法的魯棒性和適用性，將5, 1, 0, -1 dB 的高斯白噪聲人工添加到數(shù)據(jù)集中。得到的實(shí)驗(yàn)結(jié)果表明，該方法在不同噪聲水平下仍然能獲得高于94%的故障診斷準(zhǔn)確率。

在后續(xù)研究中，準(zhǔn)備搭建一個(gè)基于Dspace 的逆變電路模型，獲取實(shí)際模型的故障數(shù)據(jù)，利用仿真模型和實(shí)際模型開(kāi)展遷移學(xué)習(xí)方面的研究。