基于改进DBN的光伏逆变器复合故障识别方法

孙 权,殷磊磊,黄家才

(1. 南京工程学院自动化学院, 江苏 南京 211167;2. 南京工程学院工业中心、创新创业学院, 江苏 南京 211167)

二极管中点箝位型(neutral point clamped,NPC)三电平逆变器相比传统两电平逆变器具有电压应力小、输出电压谐波分量少、开关损耗低等诸多优点,已广泛应用于太阳能光伏发电系统[1].然而,由于功率开关器件的增多,导致光伏逆变器结构复杂,其故障率也随之增加,逆变器性能状态直接影响光伏发电系统产能效率与成本、系统可利用率以及全生命周期维护费用[2].文献[3]通过调查研究表明,在电力电子系统中功率开关器件故障率高达34%.因此,为保障NPC型三电平光伏逆变器安全可靠运行,对其功率开关器件进行有效故障检测与准确定位具有重要意义.

光伏逆变器开关管的主要故障模式为开路和短路.短路故障发生时间短暂,其电路信号变化较大,而开路故障相对较难察觉,因此,逆变器开路故障诊断具有重要意义.目前,开路故障诊断策略主要分为基于信号处理、基于解析模型以及基于人工智能与深度学习几类方法[4-13].文献[5-6]分析了不同开关管开路故障模式下相电流解析模型的变化特性,实现单个开关管的故障检测；基于解析模型的故障检测方法需对电路拓扑结构具有深入了解,且当电路结构复杂时将造成建模困难等问题,文献[8]对不同单功率管开路故障模式下的故障信号进行频谱分析,基于谐波分量判别各故障类别；文献[14-15]通过对逆变器电流、电压和功率信号进行小波变换分析,从而实现单开关管的故障检测.近年来,随着深度学习与人工智能的快速发展,智能故障诊断方法已广泛应用于电力电子系统故障检测与健康评估[13].常用的智能故障诊断算法主要有神经网络、极限学习机(ELM)、支持向量机(SVM)等,通常对监测信号进行时域分析或频域分析以人工提取故障特征信息,并借助智能分类模型实现不同故障类型判别.然而,这些方法难以有效保证所提取特征与故障间的敏感程度,并且特征降维可能存在繁重计算量.

由此可见,目前针对NPC型三电平逆变器故障诊断研究主要集中于单管开路故障模式的检测,开关管复合故障诊断方法研究较少.针对上述问题,本文开展基于深度学习的NPC型三电平光伏逆变器复合故障诊断方法研究,采用四层深度信念网络(deep belief network,DBN)进行故障特征信息挖掘,采用softmax分类模型判别双开关管开路故障,从而实现光伏逆变器复合故障的特征提取与准确判别,保障新能源光伏发电系统长期可靠安全运行.

1 深度信念网络原理

深度信念网络是由Hinton等人在2006年提出的一种深度学习方法,其基本单元为受限玻尔兹曼机(restricted botlzmann machine,RBM),即DBN网络通常是由多个RBM单元进行堆叠而构成[12].DBN可通过贪婪学习获得高层抽象特征,实现自动提取特征,以避免人工提取特征带来的复杂性.

图1所示为由两个RBM单元构成的四层DBN网络.假设RBM单元可视层和隐含层分别表示为v和h,则RBM的能量函数E可表示为：

E(v,h;θ)=-aTv-bTh-vTwh

(1)

式中:θ={w,a,b};vi为可视层第i个神经元的状态;hj为隐含层第j个神经元的状态;ai为可视层第i个神经元的偏置;bj为第j个隐含层神经元的偏置;wij为可视层第i个神经元与隐含层第j个神经元之间的连接权重.

图1 四层DBN网络结构示意图

RBM的联合概率分布P为：

(2)

依据联合概率分布可得可视层和隐含层的独立分布分别为：

(3)

为获取参数θ最优值,通常采用随机梯度下降法,但其计算过程复杂.采用对比散列(contrastive divergence,CD)的快速算法,RBM的权值和偏置更新规则为：

(4)

式中,ε为学习率.

DBN网络训练过程为:1) 通过贪婪无监督学习方法进行逐层提取网络输入信息深层特征,该过程称为DBN模型预训练;2) 采用反向传播(back propagation,BP)有监督算法对DBN网络进行微调.为实现光伏逆变器不同故障类型的判别,通常在BP网络的最后一层连接一个具备判别能力的softmax非线性分类器作为输出层来进行不同故障模式识别.

2 基于BAO-DBN的逆变器复合故障诊断方法

深度学习网络可有效自动提取特征并进行模式分类,然而,其网络分类性能对参数(网络层数、隐含层节点数等)的敏感程度会受到参数变化的影响.有研究指出隐含层节点数比网络层数具有更重要影响[15],为此,本文选用四层深度信念网络对逆变器故障检测,即一层输入层、两层隐含层和一层输出层,其中,隐含层神经元个数采用蝙蝠优化算法(bat optimization algorithm,BOA)进行优选后获得.

NPC三电平逆变器拓扑结构如图2所示,定义NPC型逆变器输入直流电压为Ud;与负载中点N之间的电压为负载相电压(UaN,UbN,UcN).负载相电压可表示为：

(5)

式中,Sa、Sb、Sc为三桥臂开关器件的开关函数,且Sa、Sb、Sc∈{-1,0,1}.

由于电流信号易受负载变化影响,而电压比电流信号具有更强的鲁棒性,且负载相电压比桥臂相电压更便于监测,因此文中以负载相电压UaN、UbN、UcN作为监测信号,并考虑如表1所示的13种复合故障模式,其中F0为正常工作状态,F1—F12为NPC三电平逆变器中同一桥臂的两个功率开关管同时发生开路故障.

图2 NPC型三电平逆变器结构示意图

表1 NPC型三电平逆变器复合故障模式类型

2.1 蝙蝠优化算法

为优化DBN网络分类性能、提高NPC三电平光伏逆变器复合故障诊断正确率,提出采用蝙蝠优化算法优选DBN隐含层神经元数量.蝙蝠优化算法是一种新型群体启发式随机搜索算法,其主要思想是基于蝙蝠超声波搜索捕食猎物的生物学机理[16].BOA算法中,将每只蝙蝠类比为在当前搜索范围内的一个可行解,而待捕获的猎物为目标函数优化问题的最优解.

(6)

当蝙蝠搜索过程为局部搜索时,则对当前最优解进行随机扰动,获得一个新的解,每只蝙蝠随机游走产生的局部新解可表示为：

(7)

在寻优迭代过程中,蝙蝠的声波响度和发射速率不断变化,当发现待捕获的猎物时,蝙蝠会减弱声波响度并提高发射频率.第i只蝙蝠发出的声波响度和发射速率的更新方式为：

(8)

2.2 故障诊断流程

本文采用四层DBN网络结构进行逆变器监测信号的自动特征提取及复合故障的分类判别,即一层输入层、两层隐含层及一层输出层.假设DBN网络中第一、二层隐含层神经元数量分别为nm1和nm2,采用BOA优化DBN网络结构的目的即为获取最优的隐含层节点数nm1和nm2使得NPC三电平逆变器复合故障分类准确率最佳.若定义故障诊断准确率为AR=g(nm1,nm2),由于诊断率最大值为100%,本文将f(nm1,nm2)=1-AR作为BOA优化算法的适应度函数,且为目标函数最小值寻优问题.

基于BOA-DBN进行NPC三电平逆变器复合故障诊断的基本流程如图3所示,主要步骤为：

1) 选取三电平逆变器变换器测试信号点并采集负载相电压信号;

2) 对采集的电压信号进行预处理,将负载相电压信号经快速傅里叶变换(fast fourier transform,FFT)得到其频域特征并将其构成故障特征向量;

3) 对故障特征向量进行归一化处理,并将故障样本划分为训练集和测试集;

4) 初始化BOA算法以及DBN网络的基本参数,采用划分的训练样本数据集对DBN网络模型进行无监督训练,同时基于BOA算法求解适应度函数,获取使得故障诊断率为最大值时的隐含层节点数nm1和nm2;

5) 采用优化后的BOA-DBN网络对测试样本集进行故障分类,最终达到逆变器复合故障诊断的准确判别.

图3 光伏逆变器复合故障诊断方法流程

3 试验结果与分析

采用Matlab 2016a/Simulink仿真软件搭建NPC三电平光伏逆变器电路模型,输入电压为200 V,采样频率为1 MHz,仿真时间设置为0.1 s,设置三电平逆变器中电容容差为±10%,对13种故障模式进行100次蒙特卡洛分析,得到每种故障模式包含100个故障样本数据.因此,13种故障模式下共1 300组故障特征,选取其中80%的样本数据作为训练集,其余20%作为测试集.图4为当A相桥臂中功率开关管Qa1和Qa2故障时采集的负载相电压信号经FFT得到的幅值谱图.为便于DBN网络自动提取深层特征,截取每相负载相电压幅值谱前500个分量进行分析,并将其进行拼接构成长度为1 500的一维故障特征向量,即DBN网络输入层神经元个数为1 500,输出层节点数为13,隐含层节点数由BOA优化算法优选获得.

图4 Qa1和Qa2故障时负载相电压幅值谱图

考虑BOA-DBN网络的收敛性能、诊断正确率等因素,设定DBN网络第一层隐含层节点数的范围为[100,600],第二层隐含层节点数的范围为[50,400],将1 040组训练数据集依据图3所示流程进行DBN网络训练及优化,得出DBN网络隐含层节点数nm1和nm2分别在462和86时所得故障分类准确率最高.为验证本文所提方法有效性与可行性,对比传统BP神经网络和支持向量机SVM诊断方法,三电平逆变器各复合故障的分类准确率结果如表2及图5所示.BOA优化DBN网络过程中其适应度函数随迭代次数收敛曲线如图6所示.

表2 逆变器各复合故障模式分类准确率 %

图5 基于不同故障诊断算法的结果对比

图6 适应度函数收敛曲线

由图5可知,基于BPNN、SVM与BOA-DBN的逆变器复合故障分类准确率分别为90.77%、95.38%和99.23%.从而可知所提BOA-DBN的NPC三电平逆变器复合故障诊断准确率优于传统BPNN及SVM方法.由于三电平逆变器拓扑结构具有对称性,当两个不同功率开关管发生故障时,故障特征可能存在相似性,导致传统BPNN及SVM难以有效判别故障类型,而文中采用的深度学习方法BOA-DBN可进一步提取深层特征,从而可准确判别不同复合故障类型,提高电力电子系统的可靠性和安全性.

4 结语

本文针对NPC型三电平光伏逆变器复合故障特征难以有效提取、故障分类性能弱等难题,采用改进优化的深度信念网络对其进行自动提取深层特征,以挖掘不同复合故障间具备区分度的特征信息.同时,提出的BOA-DBN复合故障诊断思想也解决了DBN网络隐含层节点选取难题.试验结果表明,基于BOA-DBN的诊断方法具有更优的故障分类性能,所得分类准确率优于传统BPNN及SVM方法,验证了所提方法的有效性及可行性.