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(lái)·馬合木提

（新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830047）

0 引言

三電平中性點(diǎn)鉗位型逆變器在中高壓和大功率光伏發(fā)電領(lǐng)域得到了廣泛的應(yīng)用[1]，但多電平逆變器內(nèi)部開(kāi)關(guān)器件數(shù)量較多、電路結(jié)構(gòu)復(fù)雜，且長(zhǎng)時(shí)間處于高頻通斷狀態(tài)，導(dǎo)致逆變器故障概率增加。多數(shù)情況下，三電平逆變器故障與功率器件的短路或開(kāi)路相關(guān)，當(dāng)功率器件出現(xiàn)短路故障時(shí)，逆變電路中的保護(hù)裝置會(huì)迅速斷開(kāi)開(kāi)關(guān)管，將短路故障轉(zhuǎn)化為開(kāi)路故障[2]。

逆變器故障診斷技術(shù)主要包括故障特征提取和故障辨識(shí)兩個(gè)環(huán)節(jié)。故障特征提取首先去除原始信號(hào)的噪聲，并分析其時(shí)域或頻域狀態(tài)，然后從中選取能夠表達(dá)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(jīng)驗(yàn)?zāi)B(tài)分解（EMD）和變分模態(tài)分解（VMD）等方法。文獻(xiàn)[2]利用小波包變換實(shí)現(xiàn)對(duì)二重電壓型逆變器發(fā)生開(kāi)路故障的時(shí)域和頻域分析，但是主要依賴經(jīng)驗(yàn)選取基函數(shù)和分解層數(shù)，缺少自適應(yīng)性。文獻(xiàn)[3]利用EMD方法，自適應(yīng)地將逆變器電壓信號(hào)分解為一系列相對(duì)平穩(wěn)的IMF分量，在時(shí)、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(diǎn)。文獻(xiàn)[4]利用VMD方法處理信號(hào)，可以避免端點(diǎn)效應(yīng)和模態(tài)混疊的問(wèn)題，但模態(tài)數(shù)K和懲罰因子α的選擇存在不確定性，容易產(chǎn)生誤差。故障分類通過(guò)挖掘特征數(shù)據(jù)的內(nèi)在性質(zhì)和規(guī)律，實(shí)現(xiàn)分類識(shí)別，多數(shù)情況下采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)和支持向量機(jī)的方法。文獻(xiàn)[6]采用概率神經(jīng)網(wǎng)絡(luò)完成逆變器開(kāi)路故障辨識(shí)，雖然淺層神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化和非線性逼近能力，在解決故障分類問(wèn)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(diǎn)。文獻(xiàn)[7]提出了一種基于故障樹的專家系統(tǒng)故障診斷方法，但在復(fù)雜的逆變電路中構(gòu)建完備的專家知識(shí)庫(kù)相對(duì)困難，影響診斷結(jié)果的準(zhǔn)確性。文獻(xiàn)[8]選擇SVM對(duì)高壓斷路器進(jìn)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(duì)樣本數(shù)據(jù)輸入要求低的優(yōu)點(diǎn)，但是不適用于大規(guī)模訓(xùn)練樣本，且計(jì)算量較大。

本文提出了一種基于自適應(yīng)噪聲完備經(jīng)驗(yàn)?zāi)B(tài) 分 解 （Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）和SOA算法優(yōu)化改進(jìn)深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）中相關(guān)超參數(shù)的光伏逆變器故障診斷方法。通過(guò)CEEMDAN自適應(yīng)分解和Hilbert變換提取三相線電壓故障信號(hào)的多特征融合向量，采用SOA優(yōu)化深度置信網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)量和反向微調(diào)學(xué)習(xí)率以構(gòu)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(shí)驗(yàn)結(jié)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(cè)電源、穩(wěn)壓電容和3個(gè)結(jié)構(gòu)相同的橋臂組成。每相橋臂包括4個(gè)IGBT（Si1～Si4）及反向并聯(lián)的續(xù)流二極管和2個(gè)鉗位二極管，拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 NPC型三電平光伏逆變器拓?fù)浣Y(jié)構(gòu)Fig.1 NPC three-level photovoltaic inverter topology

逆變器結(jié)構(gòu)三相對(duì)稱，本文以A相為例，通過(guò)IGBT的開(kāi)關(guān)狀態(tài)和逆變側(cè)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(tǒng)在實(shí)際工作過(guò)程中，3個(gè)及3個(gè)以上開(kāi)關(guān)管同時(shí)發(fā)生故障的概率很小，因此只研究單個(gè)或兩個(gè)開(kāi)關(guān)管發(fā)生開(kāi)路故障的情況。在考慮電路結(jié)構(gòu)對(duì)稱的前提下，NPC型三電平逆變器A相開(kāi)關(guān)管共有27種開(kāi)路故障。具體類型如表2所示。

表2 功率器件開(kāi)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(jù)信號(hào)本身特性，在分解過(guò)程中自適應(yīng)地添加高斯白噪聲序列，通過(guò)集成平均求解固有模態(tài)分量，能夠達(dá)到幾乎為零的重構(gòu)誤差，具有很好的完備性，解決了EMD算法的模態(tài)混疊問(wèn)題[8]。CEEMDAN信號(hào)分解步原始信號(hào)序列x（t）被分解為

式中：R（t）為殘差分量；Ik為第k個(gè)IMF分量。

1.3 相關(guān)系數(shù)-能量值準(zhǔn)則

CEEMDAN方法分解線電壓故障信號(hào)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(guān)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(zhǔn)確度，須要將虛假模態(tài)分量剔除。相關(guān)系數(shù)表達(dá)各階IMF分量與原始信號(hào)的相似程度，IMF分量能量值會(huì)隨著頻率不同而改變，相關(guān)系數(shù)和能量值越大，說(shuō)明IMF分量包含的故障信息越豐富。所以選擇相關(guān)系數(shù)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(guān)系數(shù)ρx，Ik和能量值Ek計(jì)算式分別為[9]

1.4 Hilbert變換求取包絡(luò)譜

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

當(dāng)不考慮剩余分量R（t）時(shí)，原始信號(hào)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(yīng)分解逆變器發(fā)生各種故障情況的線電壓信號(hào)uk（t），得到k個(gè)IMF分量和1個(gè)殘差分量R（t）。

②按照式（2）和（3）計(jì)算各IMF分量與原信號(hào)的相關(guān)系數(shù)γ以及歸一化能量值e，根據(jù)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(jì)算敏感IMF＇分量的包絡(luò)譜h（ω），分別計(jì)算各階IMF＇分量和包絡(luò)譜歸一化能量值Ek和Hk。

④分別計(jì)算各階IMF＇分量和包絡(luò)譜能量熵值Dk和Sk。

⑤構(gòu)造IMF＇分量和包絡(luò)譜的故障多特征融合向量Fi（i=a，b，c）。

⑥重復(fù)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(wǎng)絡(luò)結(jié)構(gòu)

2.1 受限玻爾茲曼機(jī)

受限玻爾茲曼機(jī) （Restricted Boltzmann Machine，RBM）是一種基于能量模型的兩層神經(jīng)元結(jié)構(gòu)，由可視層v和隱含層h構(gòu)成[10]。RBM同一層神經(jīng)元之間相互獨(dú)立，不同層神經(jīng)元之間通過(guò)權(quán)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(jié)點(diǎn)狀態(tài)和偏置；ωij為可視層與隱含層的連接權(quán)重。

圖2 RBM模型Fig.2 RBM model

對(duì)于一組給定狀態(tài)的（v，h），RBM的能量函數(shù)定為

進(jìn)一步計(jì)算得到可視層和和隱含層神經(jīng)元的激活概率分別為

式中：σ（x）=1/（1+e-x）為激活函數(shù)。

訓(xùn)練RBM主要是利用吉布斯采樣對(duì)比散度算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，以達(dá)到提取數(shù)據(jù)特征的目的。

2.2 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)由多個(gè)RBM堆疊而成，本質(zhì)上是采用數(shù)據(jù)的方式學(xué)習(xí)特征，通過(guò)逐層調(diào)節(jié)神經(jīng)元之間的連接權(quán)重，使模型生成樣本的概率達(dá)到最大化，在處理非線性、高維度的復(fù)雜數(shù)據(jù)問(wèn)題上有明顯的優(yōu)勢(shì)[11]。本文所采用的DBN結(jié)構(gòu)由2個(gè)RBM和一個(gè)BP分類器組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

由圖3可以看出，DBN訓(xùn)練過(guò)程主要分為兩個(gè)階段：由低層到高層多個(gè)RBM通過(guò)貪婪學(xué)習(xí)算法的無(wú)監(jiān)督正向預(yù)訓(xùn)練過(guò)程；由高層到低層BP分類器通過(guò)交叉熵共軛梯度下降算法的有監(jiān)督反向微調(diào)學(xué)習(xí)過(guò)程[12]。DBN網(wǎng)絡(luò)在正向訓(xùn)練和反向微調(diào)過(guò)程中更新參數(shù)的計(jì)算式分別為

圖3 DBN網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 DBN network structure

式中：m為動(dòng)量系數(shù)；n為RBM更新的次數(shù)；η為學(xué)習(xí)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(jiǎn)單、計(jì)算復(fù)雜度低的優(yōu)點(diǎn)，用于求解最優(yōu)問(wèn)題有明顯的優(yōu)勢(shì)[13]。在遷徙階段，算法模擬海鷗群從一個(gè)地方移動(dòng)到其他地方覓食，實(shí)現(xiàn)全局搜索。SOA算法優(yōu)化DBN各隱含層神經(jīng)元數(shù)量和反向微調(diào)學(xué)習(xí)率，以消除依賴經(jīng)驗(yàn)公式造成對(duì)診斷結(jié)果的影響，選擇訓(xùn)練集預(yù)測(cè)誤差作為適應(yīng)度函數(shù)，即：

式中：F為適應(yīng)度值；k為正確分類樣本數(shù)；n1為樣本總量。

具體實(shí)現(xiàn)步驟如圖4所示。

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

4 仿真實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)采集

為驗(yàn)證本文提出的改進(jìn)DBN網(wǎng)絡(luò)的光伏逆變器故障診斷方案的優(yōu)勢(shì)，以NPC型三電平逆變器為研究對(duì)象，在Matlab/Simulink仿真平臺(tái)上搭建電路模型。實(shí)驗(yàn)過(guò)程中選擇SPWM控制方式，調(diào)制比為0.9，直流側(cè)電壓分別選取600，700 V，阻感性負(fù)載取2Ω，5Ω，1 mH，2 mH以模擬實(shí)際多種工作情況。分別針對(duì)逆變器正常工作以及不同開(kāi)關(guān)器件發(fā)生開(kāi)路故障時(shí)，進(jìn)行仿真以獲取原始數(shù)據(jù)，每種故障選取80組樣本數(shù)據(jù)，按一定比例劃分為訓(xùn)練集和測(cè)試集。當(dāng)逆變器功率器件出現(xiàn)開(kāi)路故障情況時(shí)，檢測(cè)到Uab線電壓信號(hào)波形如圖5所示。

由圖5可以看出，當(dāng)IGBT發(fā)生開(kāi)路故障時(shí)，逆變側(cè)輸出線電壓波形會(huì)發(fā)生畸變，并且不同故障類型情況的輸出端線電壓信號(hào)波形存在差異。可以從三相線電壓輸出信號(hào)中，提取出表達(dá)故障特征的有效信息，然后選取相應(yīng)的故障辨識(shí)方法實(shí)現(xiàn)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(cè)信號(hào)，采用CEEMDAN方法分解得到一組IMF分量序列，通過(guò)虛假模態(tài)分量判別法選擇敏感IMF＇分量；然后通過(guò)Hilbert變換求取各階敏感IMF＇分量包絡(luò)譜，構(gòu)造敏感IMF＇分量和包絡(luò)譜的復(fù)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(hào)采集：在仿真平臺(tái)上搭建NPC型三電平逆變器模型，模擬單個(gè)和兩個(gè)開(kāi)關(guān)器件發(fā)生開(kāi)路故障情況，獲取不同故障情況下的三相線電壓原始數(shù)據(jù)。

②故障特征提?。鹤赃m應(yīng)分解線電壓故障信號(hào)，提取各敏感IMF＇分量和包絡(luò)譜的多特征融合向量，構(gòu)建高維特征向量數(shù)據(jù)集。

③故障分類：將特征向量樣本數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，用訓(xùn)練集數(shù)據(jù)訓(xùn)練SOA-DBN模型，使網(wǎng)絡(luò)參數(shù)達(dá)到最優(yōu)；最后，把測(cè)試集數(shù)據(jù)輸入到診斷模型中進(jìn)行分類識(shí)別。

4.3 故障特征提取

以逆變側(cè)Uab線電壓為例，CEEMDAN方法分解故障信號(hào)的結(jié)果如圖7所示。

圖7 故障信號(hào)分解Fig.7 Decomposition of fault signals

分別計(jì)算發(fā)生不同故障時(shí)各IMF分量自相 關(guān)系數(shù)和歸一化能量值，結(jié)果如圖8所示。

圖8 IMF分量相關(guān)系數(shù)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～I(xiàn)MF5相關(guān)系數(shù)γ＞0.1，但I(xiàn)MF2能量值較小，從IMF6開(kāi)始相關(guān)系數(shù)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(lái)表征逆變器包含故障狀態(tài)主要信息。求取經(jīng)過(guò)相關(guān)系數(shù)-能量值準(zhǔn)則篩選的四階IMF分量包絡(luò)譜，分別計(jì)算三相線電壓的IMF分量、包絡(luò)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(jīng)過(guò)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(tǒng)淺層學(xué)習(xí)方法難以對(duì)數(shù)據(jù)量較大、特征維度較高的樣本進(jìn)行建模分析和學(xué)習(xí)訓(xùn)練，所以本文選擇改進(jìn)深度置信網(wǎng)絡(luò)建立故障診斷模型。

為減小人為選擇網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)的不確定性誤差以及提高故障診斷準(zhǔn)確率，選擇海鷗優(yōu)化算法優(yōu)化隱含層神經(jīng)元數(shù)量和反向微調(diào)學(xué)習(xí)率，最大迭代次數(shù)為10，以訓(xùn)練集損失誤差作為適應(yīng)度函數(shù)。

圖9為迭代次數(shù)和適應(yīng)度值關(guān)系曲線。

圖9 適應(yīng)度曲線Fig.9 Fitness line

由圖9可知，經(jīng)過(guò)5次迭代后，平均適應(yīng)度和最佳適應(yīng)度達(dá)到最小值，DBN最優(yōu)參數(shù)為學(xué)習(xí)率η=0.01，神經(jīng)元數(shù)量n=[270 70 30 79]。圖10為SOA-DBN診斷模型測(cè)試集準(zhǔn)確率。

圖10 測(cè)試集分類結(jié)果Fig.10 Test set classification results

為驗(yàn)證所提方法的優(yōu)勢(shì)，將逆變器三相線電壓信號(hào)故障特征向量輸入到DBN、SVM及BP神經(jīng)網(wǎng)絡(luò)模型中作對(duì)比分析，以測(cè)試集準(zhǔn)確率作為性能評(píng)價(jià)指標(biāo)。對(duì)比結(jié)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(shuō)明海鷗優(yōu)化算法可以更好地尋找到DBN網(wǎng)絡(luò)結(jié)構(gòu)的最佳參數(shù)，且深度置信網(wǎng)絡(luò)比一般淺層機(jī)器學(xué)習(xí)算法診斷結(jié)果準(zhǔn)確率更高，選擇深度學(xué)習(xí)的方法能夠充分挖掘故障特征。

5 結(jié)論

本文提出了一種基于CEEMDAN故障信號(hào)分解和改進(jìn)DBN網(wǎng)絡(luò)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(zhǔn)確率低的問(wèn)題。以NPC型三電平逆變器輸出側(cè)三相線電壓作為檢測(cè)信號(hào)，通過(guò)CEEMDAN方法自適應(yīng)地分解故障信號(hào)，并根據(jù)相關(guān)系數(shù)-能量值準(zhǔn)則剔除虛假模態(tài)分量，構(gòu)造能量和能量熵形式的故障多特征融合向量。針對(duì)傳統(tǒng)淺層分類器無(wú)法充分挖掘故障特征數(shù)據(jù)的深層信息，本文選擇深度置信網(wǎng)絡(luò)以增強(qiáng)診斷模型對(duì)高維度和大樣本數(shù)據(jù)的表征能力，并采用海鷗算法優(yōu)化網(wǎng)絡(luò)中的隱含層神經(jīng)元數(shù)量和反向微調(diào)學(xué)習(xí)率以提高診斷效率。不同的仿真對(duì)比實(shí)驗(yàn)驗(yàn)證表明，本文所提方法比其他診斷模型具有明顯的優(yōu)勢(shì)，診斷準(zhǔn)確率達(dá)到95.6%。