海鸥算法优化DBN的光伏逆变器故障诊断方法

梁家琦，帕孜来·马合木提

（新疆大学 电气工程学院，新疆 乌鲁木齐 830047）

0 引言

三电平中性点钳位型逆变器在中高压和大功率光伏发电领域得到了广泛的应用[1]，但多电平逆变器内部开关器件数量较多、电路结构复杂，且长时间处于高频通断状态，导致逆变器故障概率增加。多数情况下，三电平逆变器故障与功率器件的短路或开路相关，当功率器件出现短路故障时，逆变电路中的保护装置会迅速断开开关管，将短路故障转化为开路故障[2]。

逆变器故障诊断技术主要包括故障特征提取和故障辨识两个环节。故障特征提取首先去除原始信号的噪声，并分析其时域或频域状态，然后从中选取能够表达故障特征的有效信息。目前故障特征提取常选择小波变换（WT）、经验模态分解（EMD）和变分模态分解（VMD）等方法。文献[2]利用小波包变换实现对二重电压型逆变器发生开路故障的时域和频域分析，但是主要依赖经验选取基函数和分解层数，缺少自适应性。文献[3]利用EMD方法，自适应地将逆变器电压信号分解为一系列相对平稳的IMF分量，在时、频域也有很好的特性，但是递归式分解存在模态混叠的缺点。文献[4]利用VMD方法处理信号，可以避免端点效应和模态混叠的问题，但模态数K和惩罚因子α的选择存在不确定性，容易产生误差。故障分类通过挖掘特征数据的内在性质和规律，实现分类识别，多数情况下采用人工神经网络、专家系统和支持向量机的方法。文献[6]采用概率神经网络完成逆变器开路故障辨识，虽然浅层神经网络具有较强的泛化和非线性逼近能力，在解决故障分类问题中取得了一定的成效，但存在收敛速度慢和易陷入局部最优的缺点。文献[7]提出了一种基于故障树的专家系统故障诊断方法，但在复杂的逆变电路中构建完备的专家知识库相对困难，影响诊断结果的准确性。文献[8]选择SVM对高压断路器进行故障诊断研究，虽然SVM属于一种二分类模型，具有分类性能好、对样本数据输入要求低的优点，但是不适用于大规模训练样本，且计算量较大。

本文提出了一种基于自适应噪声完备经验模态 分 解 （Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）和SOA算法优化改进深度置信网络（Deep Belief Network，DBN）中相关超参数的光伏逆变器故障诊断方法。通过CEEMDAN自适应分解和Hilbert变换提取三相线电压故障信号的多特征融合向量，采用SOA优化深度置信网络隐含层神经元数量和反向微调学习率以构建最优模型，最后将特征向量作为分类器模型输入，完成光伏逆变器故障诊断的研究，仿真实验结果证明该方法的有效性。

1 故障类型分析及特征提取

1.1 光伏逆变器工作原理及故障类型分析

NPC型三电平光伏逆变器主要由直流侧电源、稳压电容和3个结构相同的桥臂组成。每相桥臂包括4个IGBT（Si1～Si4）及反向并联的续流二极管和2个钳位二极管，拓扑结构如图1所示。

图1 NPC型三电平光伏逆变器拓扑结构Fig.1 NPC three-level photovoltaic inverter topology

逆变器结构三相对称，本文以A相为例，通过IGBT的开关状态和逆变侧输出电压分析正常状态下各桥臂工作情况，如表1所示。

表1 输出电压与IGBT通断状态Table 1 Output voltage and states of IGBT

由于系统在实际工作过程中，3个及3个以上开关管同时发生故障的概率很小，因此只研究单个或两个开关管发生开路故障的情况。在考虑电路结构对称的前提下，NPC型三电平逆变器A相开关管共有27种开路故障。具体类型如表2所示。

表2 功率器件开路故障分类Table 2 Open fault classification of power devices

1.2 CEEMDAN原理分析

CEEMDAN算法基本原理是根据信号本身特性，在分解过程中自适应地添加高斯白噪声序列，通过集成平均求解固有模态分量，能够达到几乎为零的重构误差，具有很好的完备性，解决了EMD算法的模态混叠问题[8]。CEEMDAN信号分解步原始信号序列x（t）被分解为

式中：R（t）为残差分量；Ik为第k个IMF分量。

1.3 相关系数-能量值准则

CEEMDAN方法分解线电压故障信号可以得到一组从高频到低频分布的IMF分量，但是其中只包含了部分IMF分量与IGBT故障相关的特征信息，其余IMF分量为干扰成分[8]。为有效提取逆变器发生故障的特征信息，以提高故障诊断准确度，须要将虚假模态分量剔除。相关系数表达各阶IMF分量与原始信号的相似程度，IMF分量能量值会随着频率不同而改变，相关系数和能量值越大，说明IMF分量包含的故障信息越丰富。所以选择相关系数和能量值的判别方法获取包含逆变器故障特征的主要IMF分量，相关系数ρx，Ik和能量值Ek计算式分别为[9]

1.4 Hilbert变换求取包络谱

包络谱能够更好地描述故障信号的幅频信息，而且可以避免模态泄露的问题，所以通过Hilbert变换求取各阶有效IMF分量包络谱为

当不考虑剩余分量R（t）时，原始信号x（t）的Hilbert谱为

1.5 故障特征提取

CEEMDAN-Hilbert变换方法提取逆变器多特征融合向量的步骤如下。

①自适应分解逆变器发生各种故障情况的线电压信号uk（t），得到k个IMF分量和1个残差分量R（t）。

②按照式（2）和（3）计算各IMF分量与原信号的相关系数γ以及归一化能量值e，根据虚假模态分量判别方法，得到敏感IMF＇分量。

③采用Hilbert变换计算敏感IMF＇分量的包络谱h（ω），分别计算各阶IMF＇分量和包络谱归一化能量值Ek和Hk。

④分别计算各阶IMF＇分量和包络谱能量熵值Dk和Sk。

⑤构造IMF＇分量和包络谱的故障多特征融合向量Fi（i=a，b，c）。

⑥重复上述步骤，得到三相线电压故障特征向量F=（FaFbFc）。

2 深度置信网络结构

2.1 受限玻尔兹曼机

受限玻尔兹曼机 （Restricted Boltzmann Machine，RBM）是一种基于能量模型的两层神经元结构，由可视层v和隐含层h构成[10]。RBM同一层神经元之间相互独立，不同层神经元之间通过权重ω和偏置b连接。模型如图2所示。图中：vi，ai和hj，bj分别为可视层和隐含层结点状态和偏置；ωij为可视层与隐含层的连接权重。

图2 RBM模型Fig.2 RBM model

对于一组给定状态的（v，h），RBM的能量函数定为

进一步计算得到可视层和和隐含层神经元的激活概率分别为

式中：σ（x）=1/（1+e-x）为激活函数。

训练RBM主要是利用吉布斯采样对比散度算法进行网络学习，以达到提取数据特征的目的。

2.2 深度置信网络

深度置信网络由多个RBM堆叠而成，本质上是采用数据的方式学习特征，通过逐层调节神经元之间的连接权重，使模型生成样本的概率达到最大化，在处理非线性、高维度的复杂数据问题上有明显的优势[11]。本文所采用的DBN结构由2个RBM和一个BP分类器组成，网络结构如图3所示。

由图3可以看出，DBN训练过程主要分为两个阶段：由低层到高层多个RBM通过贪婪学习算法的无监督正向预训练过程；由高层到低层BP分类器通过交叉熵共轭梯度下降算法的有监督反向微调学习过程[12]。DBN网络在正向训练和反向微调过程中更新参数的计算式分别为

图3 DBN网络结构Fig.3 DBN network structure

式中：m为动量系数；n为RBM更新的次数；η为学习率。

3 海鸥优化法

海鸥优化算法（SOA）是受自然界海鸥的迁徙和攻击行为启发而提出的一种群体智能算法。该算法具有原理简单、计算复杂度低的优点，用于求解最优问题有明显的优势[13]。在迁徙阶段，算法模拟海鸥群从一个地方移动到其他地方觅食，实现全局搜索。SOA算法优化DBN各隐含层神经元数量和反向微调学习率，以消除依赖经验公式造成对诊断结果的影响，选择训练集预测误差作为适应度函数，即：

式中：F为适应度值；k为正确分类样本数；n1为样本总量。

具体实现步骤如图4所示。

图4 海鸥算法优化过程Fig.4 Optimization process of SOA

4 仿真实验与结果分析

4.1 实验数据采集

为验证本文提出的改进DBN网络的光伏逆变器故障诊断方案的优势，以NPC型三电平逆变器为研究对象，在Matlab/Simulink仿真平台上搭建电路模型。实验过程中选择SPWM控制方式，调制比为0.9，直流侧电压分别选取600，700 V，阻感性负载取2Ω，5Ω，1 mH，2 mH以模拟实际多种工作情况。分别针对逆变器正常工作以及不同开关器件发生开路故障时，进行仿真以获取原始数据，每种故障选取80组样本数据，按一定比例划分为训练集和测试集。当逆变器功率器件出现开路故障情况时，检测到Uab线电压信号波形如图5所示。

由图5可以看出，当IGBT发生开路故障时，逆变侧输出线电压波形会发生畸变，并且不同故障类型情况的输出端线电压信号波形存在差异。可以从三相线电压输出信号中，提取出表达故障特征的有效信息，然后选取相应的故障辨识方法实现光伏逆变器故障诊断的研究。

图5 不同故障情况下Uab线电压波形Fig.5 Uab line voltage signals under different fault conditions

4.2 故障诊断流程

本文以NPC型逆变器三相线电压Uab，Ubc，Uca为检测信号，采用CEEMDAN方法分解得到一组IMF分量序列，通过虚假模态分量判别法选择敏感IMF＇分量；然后通过Hilbert变换求取各阶敏感IMF＇分量包络谱，构造敏感IMF＇分量和包络谱的复合能量和能量熵作为故障特征向量；最后将特征向量输入到SOA-DBN模型完成逆变器的故障诊断。

诊断流程如图6所示。

图6 基于SOA-DBN逆变器故障原理Fig.6 inverter fault diagnosis based on SOA-DBN

基于SOA-DBN算法的逆变器故障诊断步骤如下。

①故障信号采集：在仿真平台上搭建NPC型三电平逆变器模型，模拟单个和两个开关器件发生开路故障情况，获取不同故障情况下的三相线电压原始数据。

②故障特征提取：自适应分解线电压故障信号，提取各敏感IMF＇分量和包络谱的多特征融合向量，构建高维特征向量数据集。

③故障分类：将特征向量样本数据划分为训练集和测试集，用训练集数据训练SOA-DBN模型，使网络参数达到最优；最后，把测试集数据输入到诊断模型中进行分类识别。

4.3 故障特征提取

以逆变侧Uab线电压为例，CEEMDAN方法分解故障信号的结果如图7所示。

图7 故障信号分解Fig.7 Decomposition of fault signals

分别计算发生不同故障时各IMF分量自相 关系数和归一化能量值，结果如图8所示。

图8 IMF分量相关系数及归一化能量值Fig.8 Correlation coefficient and energy values

由图8可以看出，4种故障状态下的IMF1～IMF5相关系数γ＞0.1，但IMF2能量值较小，从IMF6开始相关系数值和能量值都逐渐减小，直到接近于0，所以选取IMF1，IMF3，IMF4，IMF5为有效分量来表征逆变器包含故障状态主要信息。求取经过相关系数-能量值准则筛选的四阶IMF分量包络谱，分别计算三相线电压的IMF分量、包络谱的能量和能量熵作为多特征融合向量。

4.4 基于SOA-DBN的逆变器故障诊断

经过CEEMDAN和Hilbert变换得到的多特征融合向量维度较高，包含丰富的故障特征信息。采用传统浅层学习方法难以对数据量较大、特征维度较高的样本进行建模分析和学习训练，所以本文选择改进深度置信网络建立故障诊断模型。

为减小人为选择网络结构超参数的不确定性误差以及提高故障诊断准确率，选择海鸥优化算法优化隐含层神经元数量和反向微调学习率，最大迭代次数为10，以训练集损失误差作为适应度函数。

图9为迭代次数和适应度值关系曲线。

图9 适应度曲线Fig.9 Fitness line

由图9可知，经过5次迭代后，平均适应度和最佳适应度达到最小值，DBN最优参数为学习率η=0.01，神经元数量n=[270 70 30 79]。图10为SOA-DBN诊断模型测试集准确率。

图10 测试集分类结果Fig.10 Test set classification results

为验证所提方法的优势，将逆变器三相线电压信号故障特征向量输入到DBN、SVM及BP神经网络模型中作对比分析，以测试集准确率作为性能评价指标。对比结果如表3所示。

表3 不同模型诊断性能比较Table 3 Comparison performance of different models

由表3可知，采用SOA-DBN的方法诊断性能均好于其他3种模型，说明海鸥优化算法可以更好地寻找到DBN网络结构的最佳参数，且深度置信网络比一般浅层机器学习算法诊断结果准确率更高，选择深度学习的方法能够充分挖掘故障特征。

5 结论

本文提出了一种基于CEEMDAN故障信号分解和改进DBN网络的光伏逆变器故障诊断方法，可以有效地解决多电平逆变器故障特征提取困难而造成分类准确率低的问题。以NPC型三电平逆变器输出侧三相线电压作为检测信号，通过CEEMDAN方法自适应地分解故障信号，并根据相关系数-能量值准则剔除虚假模态分量，构造能量和能量熵形式的故障多特征融合向量。针对传统浅层分类器无法充分挖掘故障特征数据的深层信息，本文选择深度置信网络以增强诊断模型对高维度和大样本数据的表征能力，并采用海鸥算法优化网络中的隐含层神经元数量和反向微调学习率以提高诊断效率。不同的仿真对比实验验证表明，本文所提方法比其他诊断模型具有明显的优势，诊断准确率达到95.6%。