孫 權(quán),殷磊磊,黃家才

(1. 南京工程學(xué)院自動化學(xué)院, 江蘇 南京 211167;2. 南京工程學(xué)院工業(yè)中心、創(chuàng)新創(chuàng)業(yè)學(xué)院, 江蘇 南京 211167)

二極管中點(diǎn)箝位型(neutral point clamped,NPC)三電平逆變器相比傳統(tǒng)兩電平逆變器具有電壓應(yīng)力小、輸出電壓諧波分量少、開關(guān)損耗低等諸多優(yōu)點(diǎn),已廣泛應(yīng)用于太陽能光伏發(fā)電系統(tǒng)[1].然而,由于功率開關(guān)器件的增多,導(dǎo)致光伏逆變器結(jié)構(gòu)復(fù)雜,其故障率也隨之增加,逆變器性能狀態(tài)直接影響光伏發(fā)電系統(tǒng)產(chǎn)能效率與成本、系統(tǒng)可利用率以及全生命周期維護(hù)費(fèi)用[2].文獻(xiàn)[3]通過調(diào)查研究表明,在電力電子系統(tǒng)中功率開關(guān)器件故障率高達(dá)34%.因此,為保障NPC型三電平光伏逆變器安全可靠運(yùn)行,對其功率開關(guān)器件進(jìn)行有效故障檢測與準(zhǔn)確定位具有重要意義.

光伏逆變器開關(guān)管的主要故障模式為開路和短路.短路故障發(fā)生時間短暫,其電路信號變化較大,而開路故障相對較難察覺,因此,逆變器開路故障診斷具有重要意義.目前,開路故障診斷策略主要分為基于信號處理、基于解析模型以及基于人工智能與深度學(xué)習(xí)幾類方法[4-13].文獻(xiàn)[5-6]分析了不同開關(guān)管開路故障模式下相電流解析模型的變化特性,實(shí)現(xiàn)單個開關(guān)管的故障檢測；基于解析模型的故障檢測方法需對電路拓?fù)浣Y(jié)構(gòu)具有深入了解,且當(dāng)電路結(jié)構(gòu)復(fù)雜時將造成建模困難等問題,文獻(xiàn)[8]對不同單功率管開路故障模式下的故障信號進(jìn)行頻譜分析,基于諧波分量判別各故障類別；文獻(xiàn)[14-15]通過對逆變器電流、電壓和功率信號進(jìn)行小波變換分析,從而實(shí)現(xiàn)單開關(guān)管的故障檢測.近年來,隨著深度學(xué)習(xí)與人工智能的快速發(fā)展,智能故障診斷方法已廣泛應(yīng)用于電力電子系統(tǒng)故障檢測與健康評估[13].常用的智能故障診斷算法主要有神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)(ELM)、支持向量機(jī)(SVM)等,通常對監(jiān)測信號進(jìn)行時域分析或頻域分析以人工提取故障特征信息,并借助智能分類模型實(shí)現(xiàn)不同故障類型判別.然而,這些方法難以有效保證所提取特征與故障間的敏感程度,并且特征降維可能存在繁重計算量.

由此可見,目前針對NPC型三電平逆變器故障診斷研究主要集中于單管開路故障模式的檢測,開關(guān)管復(fù)合故障診斷方法研究較少.針對上述問題,本文開展基于深度學(xué)習(xí)的NPC型三電平光伏逆變器復(fù)合故障診斷方法研究,采用四層深度信念網(wǎng)絡(luò)(deep belief network,DBN)進(jìn)行故障特征信息挖掘,采用softmax分類模型判別雙開關(guān)管開路故障,從而實(shí)現(xiàn)光伏逆變器復(fù)合故障的特征提取與準(zhǔn)確判別,保障新能源光伏發(fā)電系統(tǒng)長期可靠安全運(yùn)行.

1 深度信念網(wǎng)絡(luò)原理

深度信念網(wǎng)絡(luò)是由Hinton等人在2006年提出的一種深度學(xué)習(xí)方法,其基本單元為受限玻爾茲曼機(jī)(restricted botlzmann machine,RBM),即DBN網(wǎng)絡(luò)通常是由多個RBM單元進(jìn)行堆疊而構(gòu)成[12].DBN可通過貪婪學(xué)習(xí)獲得高層抽象特征,實(shí)現(xiàn)自動提取特征,以避免人工提取特征帶來的復(fù)雜性.

圖1所示為由兩個RBM單元構(gòu)成的四層DBN網(wǎng)絡(luò).假設(shè)RBM單元可視層和隱含層分別表示為v和h,則RBM的能量函數(shù)E可表示為：

E(v,h;θ)=-aTv-bTh-vTwh

(1)

式中:θ={w,a,b};vi為可視層第i個神經(jīng)元的狀態(tài);hj為隱含層第j個神經(jīng)元的狀態(tài);ai為可視層第i個神經(jīng)元的偏置;bj為第j個隱含層神經(jīng)元的偏置;wij為可視層第i個神經(jīng)元與隱含層第j個神經(jīng)元之間的連接權(quán)重.

圖1 四層DBN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

RBM的聯(lián)合概率分布P為：

(2)

依據(jù)聯(lián)合概率分布可得可視層和隱含層的獨(dú)立分布分別為：

(3)

為獲取參數(shù)θ最優(yōu)值,通常采用隨機(jī)梯度下降法,但其計算過程復(fù)雜.采用對比散列(contrastive divergence,CD)的快速算法,RBM的權(quán)值和偏置更新規(guī)則為：

(4)

式中,ε為學(xué)習(xí)率.

DBN網(wǎng)絡(luò)訓(xùn)練過程為:1) 通過貪婪無監(jiān)督學(xué)習(xí)方法進(jìn)行逐層提取網(wǎng)絡(luò)輸入信息深層特征,該過程稱為DBN模型預(yù)訓(xùn)練;2) 采用反向傳播(back propagation,BP)有監(jiān)督算法對DBN網(wǎng)絡(luò)進(jìn)行微調(diào).為實(shí)現(xiàn)光伏逆變器不同故障類型的判別,通常在BP網(wǎng)絡(luò)的最后一層連接一個具備判別能力的softmax非線性分類器作為輸出層來進(jìn)行不同故障模式識別.

2 基于BAO-DBN的逆變器復(fù)合故障診斷方法

深度學(xué)習(xí)網(wǎng)絡(luò)可有效自動提取特征并進(jìn)行模式分類,然而,其網(wǎng)絡(luò)分類性能對參數(shù)(網(wǎng)絡(luò)層數(shù)、隱含層節(jié)點(diǎn)數(shù)等)的敏感程度會受到參數(shù)變化的影響.有研究指出隱含層節(jié)點(diǎn)數(shù)比網(wǎng)絡(luò)層數(shù)具有更重要影響[15],為此,本文選用四層深度信念網(wǎng)絡(luò)對逆變器故障檢測,即一層輸入層、兩層隱含層和一層輸出層,其中,隱含層神經(jīng)元個數(shù)采用蝙蝠優(yōu)化算法(bat optimization algorithm,BOA)進(jìn)行優(yōu)選后獲得.

NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)如圖2所示,定義NPC型逆變器輸入直流電壓為Ud;與負(fù)載中點(diǎn)N之間的電壓為負(fù)載相電壓(UaN,UbN,UcN).負(fù)載相電壓可表示為：

(5)

式中,Sa、Sb、Sc為三橋臂開關(guān)器件的開關(guān)函數(shù),且Sa、Sb、Sc∈{-1,0,1}.

由于電流信號易受負(fù)載變化影響,而電壓比電流信號具有更強(qiáng)的魯棒性,且負(fù)載相電壓比橋臂相電壓更便于監(jiān)測,因此文中以負(fù)載相電壓UaN、UbN、UcN作為監(jiān)測信號,并考慮如表1所示的13種復(fù)合故障模式,其中F0為正常工作狀態(tài),F1—F12為NPC三電平逆變器中同一橋臂的兩個功率開關(guān)管同時發(fā)生開路故障.

圖2 NPC型三電平逆變器結(jié)構(gòu)示意圖

表1 NPC型三電平逆變器復(fù)合故障模式類型

2.1 蝙蝠優(yōu)化算法

為優(yōu)化DBN網(wǎng)絡(luò)分類性能、提高NPC三電平光伏逆變器復(fù)合故障診斷正確率,提出采用蝙蝠優(yōu)化算法優(yōu)選DBN隱含層神經(jīng)元數(shù)量.蝙蝠優(yōu)化算法是一種新型群體啟發(fā)式隨機(jī)搜索算法,其主要思想是基于蝙蝠超聲波搜索捕食獵物的生物學(xué)機(jī)理[16].BOA算法中,將每只蝙蝠類比為在當(dāng)前搜索范圍內(nèi)的一個可行解,而待捕獲的獵物為目標(biāo)函數(shù)優(yōu)化問題的最優(yōu)解.

(6)

當(dāng)蝙蝠搜索過程為局部搜索時,則對當(dāng)前最優(yōu)解進(jìn)行隨機(jī)擾動,獲得一個新的解,每只蝙蝠隨機(jī)游走產(chǎn)生的局部新解可表示為：

(7)

在尋優(yōu)迭代過程中,蝙蝠的聲波響度和發(fā)射速率不斷變化,當(dāng)發(fā)現(xiàn)待捕獲的獵物時,蝙蝠會減弱聲波響度并提高發(fā)射頻率.第i只蝙蝠發(fā)出的聲波響度和發(fā)射速率的更新方式為：

(8)

2.2 故障診斷流程

本文采用四層DBN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行逆變器監(jiān)測信號的自動特征提取及復(fù)合故障的分類判別,即一層輸入層、兩層隱含層及一層輸出層.假設(shè)DBN網(wǎng)絡(luò)中第一、二層隱含層神經(jīng)元數(shù)量分別為nm1和nm2,采用BOA優(yōu)化DBN網(wǎng)絡(luò)結(jié)構(gòu)的目的即為獲取最優(yōu)的隱含層節(jié)點(diǎn)數(shù)nm1和nm2使得NPC三電平逆變器復(fù)合故障分類準(zhǔn)確率最佳.若定義故障診斷準(zhǔn)確率為AR=g(nm1,nm2),由于診斷率最大值為100%,本文將f(nm1,nm2)=1-AR作為BOA優(yōu)化算法的適應(yīng)度函數(shù),且為目標(biāo)函數(shù)最小值尋優(yōu)問題.

基于BOA-DBN進(jìn)行NPC三電平逆變器復(fù)合故障診斷的基本流程如圖3所示,主要步驟為：

1) 選取三電平逆變器變換器測試信號點(diǎn)并采集負(fù)載相電壓信號;

2) 對采集的電壓信號進(jìn)行預(yù)處理,將負(fù)載相電壓信號經(jīng)快速傅里葉變換(fast fourier transform,FFT)得到其頻域特征并將其構(gòu)成故障特征向量;

3) 對故障特征向量進(jìn)行歸一化處理,并將故障樣本劃分為訓(xùn)練集和測試集;

4) 初始化BOA算法以及DBN網(wǎng)絡(luò)的基本參數(shù),采用劃分的訓(xùn)練樣本數(shù)據(jù)集對DBN網(wǎng)絡(luò)模型進(jìn)行無監(jiān)督訓(xùn)練,同時基于BOA算法求解適應(yīng)度函數(shù),獲取使得故障診斷率為最大值時的隱含層節(jié)點(diǎn)數(shù)nm1和nm2;

5) 采用優(yōu)化后的BOA-DBN網(wǎng)絡(luò)對測試樣本集進(jìn)行故障分類,最終達(dá)到逆變器復(fù)合故障診斷的準(zhǔn)確判別.

圖3 光伏逆變器復(fù)合故障診斷方法流程

3 試驗(yàn)結(jié)果與分析

采用Matlab 2016a/Simulink仿真軟件搭建NPC三電平光伏逆變器電路模型,輸入電壓為200 V,采樣頻率為1 MHz,仿真時間設(shè)置為0.1 s,設(shè)置三電平逆變器中電容容差為±10%,對13種故障模式進(jìn)行100次蒙特卡洛分析,得到每種故障模式包含100個故障樣本數(shù)據(jù).因此,13種故障模式下共1 300組故障特征,選取其中80%的樣本數(shù)據(jù)作為訓(xùn)練集,其余20%作為測試集.圖4為當(dāng)A相橋臂中功率開關(guān)管Qa1和Qa2故障時采集的負(fù)載相電壓信號經(jīng)FFT得到的幅值譜圖.為便于DBN網(wǎng)絡(luò)自動提取深層特征,截取每相負(fù)載相電壓幅值譜前500個分量進(jìn)行分析,并將其進(jìn)行拼接構(gòu)成長度為1 500的一維故障特征向量,即DBN網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為1 500,輸出層節(jié)點(diǎn)數(shù)為13,隱含層節(jié)點(diǎn)數(shù)由BOA優(yōu)化算法優(yōu)選獲得.

圖4 Qa1和Qa2故障時負(fù)載相電壓幅值譜圖

考慮BOA-DBN網(wǎng)絡(luò)的收斂性能、診斷正確率等因素,設(shè)定DBN網(wǎng)絡(luò)第一層隱含層節(jié)點(diǎn)數(shù)的范圍為[100,600],第二層隱含層節(jié)點(diǎn)數(shù)的范圍為[50,400],將1 040組訓(xùn)練數(shù)據(jù)集依據(jù)圖3所示流程進(jìn)行DBN網(wǎng)絡(luò)訓(xùn)練及優(yōu)化,得出DBN網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)nm1和nm2分別在462和86時所得故障分類準(zhǔn)確率最高.為驗(yàn)證本文所提方法有效性與可行性,對比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)SVM診斷方法,三電平逆變器各復(fù)合故障的分類準(zhǔn)確率結(jié)果如表2及圖5所示.BOA優(yōu)化DBN網(wǎng)絡(luò)過程中其適應(yīng)度函數(shù)隨迭代次數(shù)收斂曲線如圖6所示.

表2 逆變器各復(fù)合故障模式分類準(zhǔn)確率 %

圖5 基于不同故障診斷算法的結(jié)果對比

圖6 適應(yīng)度函數(shù)收斂曲線

由圖5可知,基于BPNN、SVM與BOA-DBN的逆變器復(fù)合故障分類準(zhǔn)確率分別為90.77%、95.38%和99.23%.從而可知所提BOA-DBN的NPC三電平逆變器復(fù)合故障診斷準(zhǔn)確率優(yōu)于傳統(tǒng)BPNN及SVM方法.由于三電平逆變器拓?fù)浣Y(jié)構(gòu)具有對稱性,當(dāng)兩個不同功率開關(guān)管發(fā)生故障時,故障特征可能存在相似性,導(dǎo)致傳統(tǒng)BPNN及SVM難以有效判別故障類型,而文中采用的深度學(xué)習(xí)方法BOA-DBN可進(jìn)一步提取深層特征,從而可準(zhǔn)確判別不同復(fù)合故障類型,提高電力電子系統(tǒng)的可靠性和安全性.

4 結(jié)語

本文針對NPC型三電平光伏逆變器復(fù)合故障特征難以有效提取、故障分類性能弱等難題,采用改進(jìn)優(yōu)化的深度信念網(wǎng)絡(luò)對其進(jìn)行自動提取深層特征,以挖掘不同復(fù)合故障間具備區(qū)分度的特征信息.同時,提出的BOA-DBN復(fù)合故障診斷思想也解決了DBN網(wǎng)絡(luò)隱含層節(jié)點(diǎn)選取難題.試驗(yàn)結(jié)果表明,基于BOA-DBN的診斷方法具有更優(yōu)的故障分類性能,所得分類準(zhǔn)確率優(yōu)于傳統(tǒng)BPNN及SVM方法,驗(yàn)證了所提方法的有效性及可行性.