海鷗算法優(yōu)化DBN的光伏逆變器故障診斷方法

梁家琦，帕孜來·馬合木提

（新疆大學 電氣工程學院，新疆 烏魯木齊 830047）

0 引言

三電平中性點鉗位型逆變器在中高壓和大功率光伏發(fā)電領域得到了廣泛的應用[1]，但多電平逆變器內部開關器件數量較多、電路結構復雜，且長時間處于高頻通斷狀態(tài)，導致逆變器故障概率增加。多數情況下，三電平逆變器故障與功率器件的短路或開路相關，當功率器件出現短路故障時，逆變電路中的保護裝置會迅速斷開開關管，將短路故障轉化為開路故障[2]。

逆變器故障診斷技術主要包括故障特征提取和故障辨識兩個環(huán)節(jié)。故障特征提取首先去除原始信號的噪聲，并分析其時域或頻域狀態(tài)，然后從中選取能夠表達故障特征的有效信息。目前故障特征提取常選擇小波變換（WT）、經驗模態(tài)分解（EMD）和變分模態(tài)分解（VMD）等方法。文獻[2]利用小波包變換實現對二重電壓型逆變器發(fā)生開路故障的時域和頻域分析，但是主要依賴經驗選取基函數和分解層數，缺少自適應性。文獻[3]利用EMD方法，自適應地將逆變器電壓信號分解為一系列相對平穩(wěn)的IMF分量，在時、頻域也有很好的特性，但是遞歸式分解存在模態(tài)混疊的缺點。文獻[4]利用VMD方法處理信號，可以避免端點效應和模態(tài)混疊的問題，但模態(tài)數K和懲罰因子α的選擇存在不確定性，容易產生誤差。故障分類通過挖掘特征數據的內在性質和規(guī)律，實現分類識別，多數情況下采用人工神經網絡、專家系統和支持向量機的方法。文獻[6]采用概率神經網絡完成逆變器開路故障辨識，雖然淺層神經網絡具有較強的泛化和非線性逼近能力，在解決故障分類問題中取得了一定的成效，但存在收斂速度慢和易陷入局部最優(yōu)的缺點。文獻[7]提出了一種基于故障樹的專家系統故障診斷方法，但在復雜的逆變電路中構建完備的專家知識庫相對困難，影響診斷結果的準確性。文獻[8]選擇SVM對高壓斷路器進行故障診斷研究，雖然SVM屬于一種二分類模型，具有分類性能好、對樣本數據輸入要求低的優(yōu)點，但是不適用于大規(guī)模訓練樣本，且計算量較大。

本文提出了一種基于自適應噪聲完備經驗模態(tài) 分 解 （Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）和SOA算法優(yōu)化改進深度置信網絡（Deep Belief Network，DBN）中相關超參數的光伏逆變器故障診斷方法。通過CEEMDAN自適應分解和Hilbert變換提取三相線電壓故障信號的多特征融合向量，采用SOA優(yōu)化深度置信網絡隱含層神經元數量和反向微調學習率以構建最優(yōu)模型，最后將特征向量作為分類器模型輸入，完成光伏逆變器故障診斷的研究，仿真實驗結果證明該方法的有效性。

1 故障類型分析及特征提取

1.1 光伏逆變器工作原理及故障類型分析

NPC型三電平光伏逆變器主要由直流側電源、穩(wěn)壓電容和3個結構相同的橋臂組成。每相橋臂包括4個IGBT（Si1～Si4）及反向并聯的續(xù)流二極管和2個鉗位二極管，拓撲結構如圖1所示。

圖1 NPC型三電平光伏逆變器拓撲結構Fig.1 NPC three-level photovoltaic inverter topology

逆變器結構三相對稱，本文以A相為例，通過IGBT的開關狀態(tài)和逆變側輸出電壓分析正常狀態(tài)下各橋臂工作情況，如表1所示。

表1 輸出電壓與IGBT通斷狀態(tài)Table 1 Output voltage and states of IGBT

由于系統在實際工作過程中，3個及3個以上開關管同時發(fā)生故障的概率很小，因此只研究單個或兩個開關管發(fā)生開路故障的情況。在考慮電路結構對稱的前提下，NPC型三電平逆變器A相開關管共有27種開路故障。具體類型如表2所示。

表2 功率器件開路故障分類Table 2 Open fault classification of power devices

1.2 CEEMDAN原理分析

CEEMDAN算法基本原理是根據信號本身特性，在分解過程中自適應地添加高斯白噪聲序列，通過集成平均求解固有模態(tài)分量，能夠達到幾乎為零的重構誤差，具有很好的完備性，解決了EMD算法的模態(tài)混疊問題[8]。CEEMDAN信號分解步原始信號序列x（t）被分解為

式中：R（t）為殘差分量；Ik為第k個IMF分量。

1.3 相關系數-能量值準則

CEEMDAN方法分解線電壓故障信號可以得到一組從高頻到低頻分布的IMF分量，但是其中只包含了部分IMF分量與IGBT故障相關的特征信息，其余IMF分量為干擾成分[8]。為有效提取逆變器發(fā)生故障的特征信息，以提高故障診斷準確度，須要將虛假模態(tài)分量剔除。相關系數表達各階IMF分量與原始信號的相似程度，IMF分量能量值會隨著頻率不同而改變，相關系數和能量值越大，說明IMF分量包含的故障信息越豐富。所以選擇相關系數和能量值的判別方法獲取包含逆變器故障特征的主要IMF分量，相關系數ρx，Ik和能量值Ek計算式分別為[9]

1.4 Hilbert變換求取包絡譜

包絡譜能夠更好地描述故障信號的幅頻信息，而且可以避免模態(tài)泄露的問題，所以通過Hilbert變換求取各階有效IMF分量包絡譜為

當不考慮剩余分量R（t）時，原始信號x（t）的Hilbert譜為

1.5 故障特征提取

CEEMDAN-Hilbert變換方法提取逆變器多特征融合向量的步驟如下。

①自適應分解逆變器發(fā)生各種故障情況的線電壓信號uk（t），得到k個IMF分量和1個殘差分量R（t）。

②按照式（2）和（3）計算各IMF分量與原信號的相關系數γ以及歸一化能量值e，根據虛假模態(tài)分量判別方法，得到敏感IMF＇分量。

③采用Hilbert變換計算敏感IMF＇分量的包絡譜h（ω），分別計算各階IMF＇分量和包絡譜歸一化能量值Ek和Hk。

④分別計算各階IMF＇分量和包絡譜能量熵值Dk和Sk。

⑤構造IMF＇分量和包絡譜的故障多特征融合向量Fi（i=a，b，c）。

⑥重復上述步驟，得到三相線電壓故障特征向量F=（FaFbFc）。

2 深度置信網絡結構

2.1 受限玻爾茲曼機

受限玻爾茲曼機 （Restricted Boltzmann Machine，RBM）是一種基于能量模型的兩層神經元結構，由可視層v和隱含層h構成[10]。RBM同一層神經元之間相互獨立，不同層神經元之間通過權重ω和偏置b連接。模型如圖2所示。圖中：vi，ai和hj，bj分別為可視層和隱含層結點狀態(tài)和偏置；ωij為可視層與隱含層的連接權重。

圖2 RBM模型Fig.2 RBM model

對于一組給定狀態(tài)的（v，h），RBM的能量函數定為

進一步計算得到可視層和和隱含層神經元的激活概率分別為

式中：σ（x）=1/（1+e-x）為激活函數。

訓練RBM主要是利用吉布斯采樣對比散度算法進行網絡學習，以達到提取數據特征的目的。

2.2 深度置信網絡

深度置信網絡由多個RBM堆疊而成，本質上是采用數據的方式學習特征，通過逐層調節(jié)神經元之間的連接權重，使模型生成樣本的概率達到最大化，在處理非線性、高維度的復雜數據問題上有明顯的優(yōu)勢[11]。本文所采用的DBN結構由2個RBM和一個BP分類器組成，網絡結構如圖3所示。

由圖3可以看出，DBN訓練過程主要分為兩個階段：由低層到高層多個RBM通過貪婪學習算法的無監(jiān)督正向預訓練過程；由高層到低層BP分類器通過交叉熵共軛梯度下降算法的有監(jiān)督反向微調學習過程[12]。DBN網絡在正向訓練和反向微調過程中更新參數的計算式分別為

圖3 DBN網絡結構Fig.3 DBN network structure

式中：m為動量系數；n為RBM更新的次數；η為學習率。

3 海鷗優(yōu)化法

海鷗優(yōu)化算法（SOA）是受自然界海鷗的遷徙和攻擊行為啟發(fā)而提出的一種群體智能算法。該算法具有原理簡單、計算復雜度低的優(yōu)點，用于求解最優(yōu)問題有明顯的優(yōu)勢[13]。在遷徙階段，算法模擬海鷗群從一個地方移動到其他地方覓食，實現全局搜索。SOA算法優(yōu)化DBN各隱含層神經元數量和反向微調學習率，以消除依賴經驗公式造成對診斷結果的影響，選擇訓練集預測誤差作為適應度函數，即：

式中：F為適應度值；k為正確分類樣本數；n1為樣本總量。

具體實現步驟如圖4所示。

圖4 海鷗算法優(yōu)化過程Fig.4 Optimization process of SOA

4 仿真實驗與結果分析

4.1 實驗數據采集

為驗證本文提出的改進DBN網絡的光伏逆變器故障診斷方案的優(yōu)勢，以NPC型三電平逆變器為研究對象，在Matlab/Simulink仿真平臺上搭建電路模型。實驗過程中選擇SPWM控制方式，調制比為0.9，直流側電壓分別選取600，700 V，阻感性負載取2Ω，5Ω，1 mH，2 mH以模擬實際多種工作情況。分別針對逆變器正常工作以及不同開關器件發(fā)生開路故障時，進行仿真以獲取原始數據，每種故障選取80組樣本數據，按一定比例劃分為訓練集和測試集。當逆變器功率器件出現開路故障情況時，檢測到Uab線電壓信號波形如圖5所示。

由圖5可以看出，當IGBT發(fā)生開路故障時，逆變側輸出線電壓波形會發(fā)生畸變，并且不同故障類型情況的輸出端線電壓信號波形存在差異。可以從三相線電壓輸出信號中，提取出表達故障特征的有效信息，然后選取相應的故障辨識方法實現光伏逆變器故障診斷的研究。

圖5 不同故障情況下Uab線電壓波形Fig.5 Uab line voltage signals under different fault conditions

4.2 故障診斷流程

本文以NPC型逆變器三相線電壓Uab，Ubc，Uca為檢測信號，采用CEEMDAN方法分解得到一組IMF分量序列，通過虛假模態(tài)分量判別法選擇敏感IMF＇分量；然后通過Hilbert變換求取各階敏感IMF＇分量包絡譜，構造敏感IMF＇分量和包絡譜的復合能量和能量熵作為故障特征向量；最后將特征向量輸入到SOA-DBN模型完成逆變器的故障診斷。

診斷流程如圖6所示。

圖6 基于SOA-DBN逆變器故障原理Fig.6 inverter fault diagnosis based on SOA-DBN

基于SOA-DBN算法的逆變器故障診斷步驟如下。

①故障信號采集：在仿真平臺上搭建NPC型三電平逆變器模型，模擬單個和兩個開關器件發(fā)生開路故障情況，獲取不同故障情況下的三相線電壓原始數據。

②故障特征提取：自適應分解線電壓故障信號，提取各敏感IMF＇分量和包絡譜的多特征融合向量，構建高維特征向量數據集。

③故障分類：將特征向量樣本數據劃分為訓練集和測試集，用訓練集數據訓練SOA-DBN模型，使網絡參數達到最優(yōu)；最后，把測試集數據輸入到診斷模型中進行分類識別。

4.3 故障特征提取

以逆變側Uab線電壓為例，CEEMDAN方法分解故障信號的結果如圖7所示。

圖7 故障信號分解Fig.7 Decomposition of fault signals

分別計算發(fā)生不同故障時各IMF分量自相 關系數和歸一化能量值，結果如圖8所示。

圖8 IMF分量相關系數及歸一化能量值Fig.8 Correlation coefficient and energy values

由圖8可以看出，4種故障狀態(tài)下的IMF1～IMF5相關系數γ＞0.1，但IMF2能量值較小，從IMF6開始相關系數值和能量值都逐漸減小，直到接近于0，所以選取IMF1，IMF3，IMF4，IMF5為有效分量來表征逆變器包含故障狀態(tài)主要信息。求取經過相關系數-能量值準則篩選的四階IMF分量包絡譜，分別計算三相線電壓的IMF分量、包絡譜的能量和能量熵作為多特征融合向量。

4.4 基于SOA-DBN的逆變器故障診斷

經過CEEMDAN和Hilbert變換得到的多特征融合向量維度較高，包含豐富的故障特征信息。采用傳統淺層學習方法難以對數據量較大、特征維度較高的樣本進行建模分析和學習訓練，所以本文選擇改進深度置信網絡建立故障診斷模型。

為減小人為選擇網絡結構超參數的不確定性誤差以及提高故障診斷準確率，選擇海鷗優(yōu)化算法優(yōu)化隱含層神經元數量和反向微調學習率，最大迭代次數為10，以訓練集損失誤差作為適應度函數。

圖9為迭代次數和適應度值關系曲線。

圖9 適應度曲線Fig.9 Fitness line

由圖9可知，經過5次迭代后，平均適應度和最佳適應度達到最小值，DBN最優(yōu)參數為學習率η=0.01，神經元數量n=[270 70 30 79]。圖10為SOA-DBN診斷模型測試集準確率。

圖10 測試集分類結果Fig.10 Test set classification results

為驗證所提方法的優(yōu)勢，將逆變器三相線電壓信號故障特征向量輸入到DBN、SVM及BP神經網絡模型中作對比分析，以測試集準確率作為性能評價指標。對比結果如表3所示。

表3 不同模型診斷性能比較Table 3 Comparison performance of different models

由表3可知，采用SOA-DBN的方法診斷性能均好于其他3種模型，說明海鷗優(yōu)化算法可以更好地尋找到DBN網絡結構的最佳參數，且深度置信網絡比一般淺層機器學習算法診斷結果準確率更高，選擇深度學習的方法能夠充分挖掘故障特征。

5 結論

本文提出了一種基于CEEMDAN故障信號分解和改進DBN網絡的光伏逆變器故障診斷方法，可以有效地解決多電平逆變器故障特征提取困難而造成分類準確率低的問題。以NPC型三電平逆變器輸出側三相線電壓作為檢測信號，通過CEEMDAN方法自適應地分解故障信號，并根據相關系數-能量值準則剔除虛假模態(tài)分量，構造能量和能量熵形式的故障多特征融合向量。針對傳統淺層分類器無法充分挖掘故障特征數據的深層信息，本文選擇深度置信網絡以增強診斷模型對高維度和大樣本數據的表征能力，并采用海鷗算法優(yōu)化網絡中的隱含層神經元數量和反向微調學習率以提高診斷效率。不同的仿真對比實驗驗證表明，本文所提方法比其他診斷模型具有明顯的優(yōu)勢，診斷準確率達到95.6%。