基于FastICA-SVM的光伏并网逆变器故障诊断

张磊，赵涟漪，夏远洋

（1.安徽水利水电职业技术学院机电工程学院，安徽合肥 231603；2.雅砻江流域水电开发有限公司，四川成都 610051）

以煤炭、石油为代表的常规能源都是不可再生的，而以太阳能为代表的可再生能源，具有普遍性、无害性、持久性及潜在的经济性等优点，在可持续发展和碳中和发展战略中极具发展潜力[1]。

国内外分布式光伏发电能源占比逐渐升高，其主要包括太阳能电池板组件、光伏并网逆变器、直流汇流装置、双向电表、直流配电柜、交流配电柜等设备，其中并网逆变器是能量转换枢纽。通过对逆变器中开关管的高频通断控制，实现直流电向交流电的转换。开关管工作时，需要同时承受较高的电流应力和电压应力，是整个发电系统中容易发生故障的器件之一。目前，常采用智能芯片实现对开关管的通断控制，一旦开光管发生短路故障，芯片会立即锁定控制信号，实现开关管的短路故障保护。但开关管开路时，逆变器仍能继续工作，且不易察觉，具有较大的故障隐患[2]，需要对逆变器进行开路故障诊断。

文献[3]和[4]对三相逆变器开路故障诊断方法做了全面介绍：文献[3]分别从基于电流的逆变器故障诊断方法和基于电压的逆变器故障诊断方法做了详细的介绍；文献[4]从故障类型、逆变器类型和故障诊断方法3 个层面对现有的逆变器故障诊断方法进行了总结，并对未来逆变器诊断技术的研究方向进行了展望。文献[5]详细分析了分布式电源中逆变器的故障特征，这对故障诊断特征的提取有很大的参考价值，但没有对故障诊断方法做出研究。文献[6]~[8]采用小波包的方法，对故障情况下的输出电压或输出电流进行分解，提取故障特征值，以实现故障诊断。文献[9]以三相定子电流为故障特征提取对象，融合多种频域指标，提取故障特征，以实现故障诊断。文献[10]提出了通过分析三相逆变器在αβ 平面上的输出电压轨迹，以实现故障诊断的方法，该方法具有易于实现、测量参数少的特点。文献[11]~[13]选用不同的物理变量，实现故障特征的提取，在进行故障模型建立时均采用神经网络，这与文献[4]研究的逆变器诊断技术发展方向相一致，即采用人工智能实现诊断的智能化。

为了提高抗干扰能力和诊断效果，本文提出一种基于FastICA算法对故障进行判定，并融合多种时域指标，进行故障特征提取、支持向量机，以实现故障定位的诊断方法。通过FastICA 算法分析三相输出电流，故障时，该算法可以分离出单管开路故障波形特征，同时，噪声作为独立成分信号也被分离出来。提取电流Id时域下的故障特征，构成特征矩阵，采用SVM进行模型训练，实现故障管的定位。经过MATLAB 仿真验证表明，所提方法能够较好地实现故障管的诊断和定位。

1 光伏并网逆变器开路故障分析

三相两电平光伏并网逆变器双闭环控制策略框图如图1所示，主电路主要由光伏阵列、Boost变换器、三相两电平逆变器、滤波器和电网电源等组成。

图1 光伏并网逆变器双闭环控制策略框图

为了能够在光伏阵列遮荫情况下仍能输出最大功率，Boost 变换器采用粒子群算法实现MPPT功能。三相桥式逆变器控制策略较多，本文采用直流电压Udc经过调节器构成控制外环、旋转电流Id/Iq（给定参考电流Iq-ref=0）和旋转电压Vd/Vq构成控制内环、三相正弦波脉宽调制（SPWM）波为控制信号的控制策略。直流电压Udc作为外环，能够将直流侧电压稳定在光伏阵列的最大功率点对应的电压处；旋转电流Id/Iq作为控制外环，能够确保逆变器始终以单位功率因数向电网输送恒定功率的电能[14]。

在逆变器工作时，单管发生开路故障的概率最大，因此，仅对单管发生开路故障的情况进行讨论[15]。由于三相逆变电路对称，选择VT1进行开路故障原理的分析即可。开关管VT1正常工作和发生开路故障时，a 相电流的流通路径如图2 所示。图2中含有带箭头的实虚线，实线为VT1 正常时a相电流流通路径；虚线为VT1开路时a相电流的流通路径；箭头表示电流流向。取a相电流流出方向为正方向；Sa1=1 表示开关管VT1 导通，Sa1=0 表示开关管VT1断开；Sa2的取值表示开关管VT2的通断状态，定义与Sa1相同。

图2 VT1正常与故障时a相电流的流通路径

由图2可知：相电流ia>0时VT1若发生开路，相电流ia无法流过VT1，此时，相电流ia将通过二极管VD2实现续流，如图2（a）所示。此时，逆变器输出电流畸变：ia波形缺失正半波，ib、ic波形幅值增大。相电流ia＜0 时，相电流ia流经VD1 或VT2，跟VT1的状态无关，VT1若发生开路，并不会影响相电流波形。VT1 发生单管开路故障，三相电流输出波形如图3所示。

图3 VT1开路故障前后三相电流输出波形

由以上分析可知，三相两电平逆变器出现单个开关管开路时，开路开关管将会导致所在相电流波形缺失正弦半波，另外两相的电流波形仍为正弦波，但幅值会有所增加。此时，三相输出电流波形仅含正弦半波和正弦波2个成分。根据文献[16]对三相两电平逆变器发生各种故障时，三相输出电流波形特点的描述可知，仅在逆变器发生单管开路时，三相输出电流波形才会同时输出正弦半波和正弦波2个成分。因此，可对三相输出电流的波形进行成分分析，以此来判定逆变器是否发生单管开路故障。

2 光伏并网逆变器故障特征分析

2.1 故障判定方法

当逆变器发生单管开路故障时，故障相电流与非故障相电流波形特征不同，三相输出电流出现2 种独立成分。本文采用盲源分离算法对三相电流进行独立成分分析，以此判定是否发生单管开路故障。ICA 算法是盲源分离的经典应用。ICA 算法不依赖源信号，通过观测信号，就能估计出源信号。ICA算法已经在特征提取、信号分离等领域表现出很好的应用前景[17]。ICA 算法实现源信号估计的原理框图如图4所示。

图4 ICA算法的原理框图

观测信号X 是由具有n 个统计独立信号构成的盲源信号S，经过线性随机混合矩阵A得到的，即：

ICA算法的目的就是由观测信号X 估算得到A 的逆矩阵W ≈A-1(即分离矩阵)，以此求得盲源信号S 的估计信号Y ，即：

ICA 算法中应用较多的是FastICA 算法，该算法以最大化负熵作为目标函数，用牛顿迭代算法批量处理观测信号，大大提升了信号分离速度，同时，该算法具有神经网络算法的优点。适合处理各类非高斯类型的数据[17]。

选用工频正弦波信号s1、振荡衰减信号s2和噪声s3作为盲源信号S=[]s1,s2,s3，如图5 所示。源信号s1、s2、s3经过随机比例混合得到3个观测信号x1、x2、x3，如图6 所示。将观测信号X=[x1,x2,x3] 作为FastICA算法的输入，经算法分离得到估计信号Y=[]y1,y2,y3，如图7 所示。同时得到混合矩阵A 与分离矩阵W ：

图5 盲源信号S

图6 观测信号X

通过上述分离结果可以看出：FastICA 算法能够将观测信号X 的组成成分分离出来，得到估计信号Y ；同时，估计信号Y 具有盲源信号S 的波形特征，但分离信号与盲源信号的顺序不能保持一致；估计信号Y 将噪声信号作为一个独立信号源从观测信号中分离出来。仿真表明，FastICA 算法具有保持原有信号固有特征的分离信号的能力，同时具有抗干扰能力强的特点。

2.2 故障特征分析

通过FastICA进行故障判定，但无法实现故障管定位。旋转电流Id是由三相电流经过坐标变换得到的，当发生开路故障时，电流Id也会发生变化。因此，选择电流Id进行故障特征的提取理论上是可行的。

时域下的特征参数是从时间维度描绘信号的波形特征，具有直观、便于理解的特点。时频域下特征参数指标主要有平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因数、波形因数、冲击因数、裕度因数合能量等，其各自的计算公式如表1所示。

表1 时域特征指标计算公式

有时为了更深地发掘信号特征，还应对信号进行傅里叶变换，以实现频域下特征提取。提取用于反映频域振动能量强弱的均值频率、频谱集中程度情况的标准差、主频带位置的频率中心和均方根频率等，计算公式依次为公式（3）~（6），式中f 表示采集时刻，s 表示采集信号。

选用表1 所示的参数和公式（1）~（4）进行特征提取。

2.3 支持向量机

支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论和结构风险最小原理的机器学习方法，该方法广泛应用在解决小样本、非线性及高维模式识别场合中。

二维空间中SVM实现过程如图8所示。最优分类超平面为一条直线。这条直线实现2 类点的分离，并在以后有了新的点，这条线也能做出很好的分类。该直线与2 类样本的支持向量确定的直线（图8 中2 条虚线）距离相同。这样寻求的分类直线不仅能够实现两类点的分离，同时能使间隔最大，样本局部扰动对它的影响最小、产生的分类结果最鲁棒、对未见示例的泛化能力最强[18-19]。

图8 SVM分类原理

当旋转电流Id将表1计算得到的时域值作为SVM 的样本数据输入量时，样本数据是非线性、多维的数据，最优分类超平面不再是一条直线。根据核函数存在性定理可知，对非线性样本必定存在一个非线性映射，把非线性样本数据从原始空间映射到一个高维特征空间，再在高维特征空间中求最优分类面。在最优分类面中选择合适的内积核函数就可以实现某一非线性变换后的线性分类。

基于内积函数的SVM求解学习算法如下：

（1） 准 备 训 练 样 本 集 数 据{(x1,y1),(x2,y2),...,(xn,yn)}，i=1,2,...,n，xi∈Rd，yi为类别值；

2.4 故障诊断方法

根据上述分析，基于FastICA、时域特征和SVM的光伏并网逆变器单管开路故障诊断方法表述如下：

（1）用FastICA算法对采集的三相输出电流进行独立成分分解，得到输出电流的独立分量；

（2）根据分解得到的独立分量图形特征，判断是否发生单管开路；

（3）改变光伏阵列的光照强度，得到不同功率下的电流Id值；

（4）根据时域特征计算公式计算电流Id的特征值；

（5）将特征值和故障编码作为样本进行SVM模型训练；

（6）检验模型效果。

3 仿真分析

3.1 仿真模型

根据图1 搭建MATLAB 仿真模型。模型中采用4 组光伏组，额定输出功率时光伏电池板的光照强度为[1 000,1 000,1 000,1 000]；Boost 电路输出电压800 V；逆变器主电路为三相两电平结构，输出功率100 kW，电力电子器件的开关频率10 kHz；LCL 滤波器取值：逆变器侧滤波电感0.8 mH，电网侧滤波电感0.2 mH，滤波电容100 μF，阻尼电阻3 Ω；电网采用50 Hz、线电压380 V 的对称三相交流电。

没有开路故障时，三相并网输出电压波形、三相输出电流波形和旋转电流Id波形如图9~11 所示。从图中可以看出，三相输出电压电流同步，波形对称且光滑，旋转电流Id波形运行稳定，模型运行正常。

图9 正常情况下三相输出电压波形

图10 正常情况下三相输出电流波形

图11 正常情况下旋转电流波形

3.2 单管开路故障诊断

搭建仿真模型（见图12）来模拟开关管VT1正常工作和开路故障。时钟模块clock 设定开路故障时刻，switch模块实现开关管VT1控制信号的选择。switch 模块选择“PWM1”时，VT1 正常工作；switch 模块选择“0”时，VT1 接收“低电平”而无法开通，实现VT1 的开路模拟。其他各个单管开路模拟也可以采用此方法实现。

图12 VT1开路故障仿真模型

设定VT1 开路时刻为0.02 s，此时，三相输出电流波形如图13所示。当VT1发生开路时，a相电流缺失上半周波形，b、c 相电流仍是正弦波形状，且两相电流形状类似，同时，电流幅值都有所增大。仿真结果与上述分析结论相同。

图13 VT1开路故障时三相输出电流波形

用FastICA 算法对VT1 开路后的三相电流值进行分析，得到信号波形，如图14所示。

图14 三相输出电流经分离得到的信号波形

由图14 可知，分离信号中含有近似正弦的波形和近似正弦半波的波形，同时，高频噪音信号也被独立分离出来。可见，FastICA 算法能够将单管故障情形下的三相输出电流2 个独立成分实现分离，与图13 波形特征相同，能判定三相两电平逆变器发生单管开路故障，但无法实现开路管的定位。

3.3 时域特征提取

取VT1~VT6单管开路故障时电路的工作状态编码分别为1~6，同时，取电路正常工作时的编码0，这样共有7种工作状态，如表2所示。

表2 逆变器工作状态编码

改变光伏电池板的光照强度，光伏发电系统传送给电网的电功率将有所不同，以此，获得各个工作状态下电流Id值。为了获得足够的数据，改变4组光伏电池板的光照强度，每种工作状态下生成40组不同数据，共产生280组数据。从这280组数据每种状态中随意选择一组数据，绘制其电流Id波形，如图15 所示。从图15 可以看出，不同光照强度和工作状态下，电流Id在时域中的特征有所不同。

图15 7种工作状态下电流Id 波形

对产生的280 组数据，使用表1 和公式（1）~（4）分别计算其特征值，生成特征数据矩阵，矩阵大小为280×17。

3.4 故障诊断模型

将生成的特征矩阵作为SVM 的输入，280组数据对应的工作状态编码作为SVM 的目标输出，对280 组样本数据进行分类诊断。分别采用线性内积核函数（Linear kernel function）、二次内积核函数（Quadratic kernel function）、三次内积核函数（Cubic kernel function）、高斯内积核函数（Gaussion kernel function）构建SVM，不同比例交叉验证下，获得的诊断准确率如表3 所示。

表3 不同内积核函数和交叉验证比例下的诊断准确率%

从表3可以看出，在不同交叉验证比例下，采用二次内积核函数构建的SVM 诊断效果最优，准确率均在97%之上；采用高斯内积核函数构建的SVM效果最差。

采用二次内积核函数构建的SVM在25%交叉验证比例下的AUC指标值如表4所示。

表4 25%交叉验证比例下的AUC指标值

从表4 可以看出，各工作状态下的AUC 指标值接近1，模型预测结果可信度较高。表3 和表4 仿真结果表明，用二次内积核函数构建SVM 目标函数，以旋转电流Id时域下的特征值为SVM 的输入，工作状态编码为输出的诊断模型，诊断准确率较高，可用于逆变器单管开路故障的诊断。

4 结论

本文提出的一种基于FastICA-SVM 的故障诊断方法，能够实现光伏并网逆变器开路故障诊断。FastICA 对三相电流进行独立成分分析，能够得到正弦半波和近似正弦波2 个独立成分，以实现单管开路故障判定；以旋转电流Id提取的特征值作为SVM 输入、逆变器工作状态编码作为SVM 输出、二次内积核函数构建的SVM 模型，能够实现故障管定位。此方法为逆变器电力电子器件开路故障诊断提供了参考。