一种基于小波时频图的光伏逆变器故障诊断方法与流程

1.本发明属于电力电子故障预测与健康管理领域，具体是一种基于小波时频图的光伏逆变 器故障诊断方法。


背景技术：

2.传统的化石燃料的大量使用对世界生态环境的破坏越来越大，造成了酸雨，温室效应， 海平面的上升，这些都开始慢慢的威胁到了人类的身心健康，也对世界经济带来了不好的影 响。世界各国也将发展可再生能源提上日程，目前利用最多的就是太阳能，风能、水能、地 热能、海洋能等。其中太阳能取之不尽用之不竭，在获取手段上相较其他可再生能源都简单 的多。
3.在目前太阳能的主要利用形式有四种：光热利用，光伏发电，光化利用和光生物利用。 光热利用分为三档：低温利用主要是太阳能热水器：中温利用主要是太阳灶；高温利用主要 是高温太阳炉。这些都是只能就地使用。光化利用是一种利用太阳辐射能直接分解水制氢的 光化学转换方式，目前还不能很好的利用，光生物利用通过植物的光合作用来实现将太阳能 转换成为生物质的过程。目前主要有速生植物(如薪炭林)、油料作物和巨型海藻。光伏发电， 未来太阳能主要就是用于发电，太阳能电池的原料硅的储量十分丰富，太阳能电池的转换效 率也在不断地提高，世界各国都看好光伏发电。
4.太阳能是21世纪以来最具有开发前景的新能源之一，它分布广泛、蕴含量大、无污染的 特点受到了全世界的认可。光伏发电成为高效利用太阳能的一种方式，将太阳能转化为电能 输送到千家万户，方便了居民的生活，促进人类走向清洁能源时代。光伏逆变器是光伏发电 系统中承担电能变换的电力电子装置，将光电效应产生的直流电转换为交流电后并入电网或 者直接供负载使用。在额定工况下，光伏逆变器故障不仅直接影响到光伏发电系统的效率， 还影响到能源互联网的稳定运行，为此对其进行及时的故障诊断及排除具有必要性。目前大 部分光伏逆变器核心器件金氧半场效晶体管(metal-oxide-semiconductor field-effecttransistor,mosfet)的开路状态故障都是利用交流侧的三相电压或者三相电流来进行诊断的。
5.本发明将测得的三相电流信号利用连续小波变换的方法，将一维的时域信号转换为由时 域和频域组成的时频图的形式，作为深度学习卷积神经网络的输入信号，利用alexnet的卷 积层与池化层自适应提取时频图中的故障特征信息，最后利用softmax分类器完成故障分类。


技术实现要素：

6.本发明针对现有技术中的不足，提供一种基于小波时频图的光伏逆变器故障诊断方法。 首先利用信号采集器采集三相电流信号，选择合适的基小波函数对三相电流信号进行连续小 波变换得到包含故障信息的时频图。然后建立alexnet卷积神经网络模型，确定卷积核的数 量以及尺寸。最终利用softmax分类器进行故障检测。
7.为实现上述目的，本发明采用以下技术方案：
8.步骤1：采集不同工况下、不同故障模式下的三相电流信号作为初始故障样本；
9.步骤2：利用连续小波变换对初始故障样本进行数据预处理，得到包含故障信息的时频 图；
10.步骤3：建立alexnet卷积神经网络模型，确定卷积核的数量以及尺寸；
11.步骤4：利用softmax分类器进行故障检测。
12.为优化上述技术方案，采取的具体措施还包括：
13.进一步地，步骤1包括通过软件控制驱动信号以模拟不同功率开关管的开路故障，通过 软件工作于不同负载条件。
14.进一步地，基本小波是cmor小波，定义为：
[0015][0016]
其中t表示时间，i为虚数，fb是带宽因子，fc是中心频率因子。
[0017]
进一步地，cmor小波时频分析的精度有以下关系：
[0018]
δfiμfi/fc；δtiμfc/fi[0019]
其中fi是信号分析频率，δfi是频率分辨率，δti是时间分辨率；
[0020]
通过改变小波的中心频率fc来调整小波的时频分析精度。
[0021]
进一步地，对初始故障样本进行数据预处理包括：
[0022]
通过三相电流时域信号得到小波时频图；
[0023]
去除小波时频图中的冗余信息；
[0024]
然后将三相电流信号时频图拼接起来，压缩拼接后的图像。
[0025]
进一步地，alexnet卷积神经网络模型选用五个卷积层、三个池化层和两个全连接层组成。
[0026]
进一步地，经过特征提取后的故障特征平铺在全连接层中，然后与softmax分类器相连， 其定义为：
[0027][0028]
其中yi为全连接层中的第i个输出，softmax()是由softmax函数转换的第i个输出的相 应概率。
[0029]
本发明的有益效果是：本发明将测得的三相电流信号利用连续小波变换的方法，将一维 的时域信号转换为由时域和频域组成的时频图的形式，作为深度学习卷积神经网络的输入信 号，利用alexnet的卷积层与池化层自适应提取时频图中的故障特征信息，最后利用softmax 分类器完成故障分类，更好地完成故障识别，准确率高达90％以上。
附图说明
[0030]
图1为本发明一种基于小波时频图的光伏逆变器故障诊断方法流程图。
具体实施方式
[0031]
现在结合附图对本发明作进一步详细的说明。
[0032]
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语， 亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在 无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0033]
本发明旨在提供一种光伏逆变器中功率mosfet开路故障的故障检测方法，首先利用信 号采集器采集三相电流信号，选择合适的基小波函数对三相电流信号进行连续小波变换得到 包含故障信息的时频图。然后建立alexnet卷积神经网络模型，确定卷积核的数量以及尺寸。 最终利用softmax分类器进行故障检测。
[0034]
具体步骤如下：
[0035]
步骤1：利用数据采集模块采集不同工况下、不同故障模式下的三相电流信号作为初始 故障样本。
[0036]
通过软件控制驱动信号以模拟不同功率开关管的开路故障，同样，通过软件控制光伏逆 变器工作于不同负载条件，并分别记为负载情形c
load1
、c
load2
与c
load3
。每种负载条件下对每 种故障模式(包含正常工作状态)分别采样100次相电流ia、ib、ic，其中，电流信号采样采 用芯片acs712将其转换为电压信号，数据采集器采样频率设置为200khz，每次数据采样长 度为100k采样点。
[0037]
步骤2：利用连续小波变换对初始故障样本进行数据预处理。利用连续小波变换对三相 电流信号进行信号预处理。小波变换的思想与傅里叶变换类似，但在傅里叶分析中，复杂的 时间或空间信号被转换到频域中，用相对简单的频谱特性去分析和发现原始信号中的故障特 性，丢失了原始故障数据中时域信号的数据信息。为解决这个问题，短时傅里叶变换被提出， 其又称窗式傅里叶变换。由于其频谱是通过滑动时窗计算得到的，所有时频率分辨率会受到 heisenberg不确定准则的限制。即一旦确定了stft的窗函数，其形状不能再发生改变，则与 之相对应的时频分辨率也确定，说明了stft变换窗函数的时间与频率不能同时达到最优。 小波变换发展了短时傅里叶变换局部化的特点，同时又克服了窗口大小不随频率变化的缺点。 小波实际上是一个限制了时间周期的波形，又称基小波，它的平均值为0，其函数定义为：
[0038][0039]
其中a为缩放参数，决定了母小波的伸缩程度；b为移动参数，决定了母小波的位置。 其满足：
[0040][0041]
其中是ψ(t)的傅里叶变换。已知信号h(t)的连续小波变换定义为：
[0042][0043]
其反变换定义为：
[0044][0045]
选择合适的基小波函数，针对不同的参数ab，生成小波系数值，按顺序排列好，不仅可 以获得原始信号的频率成分，还可以对应其在时域上存在的具体位置，即可得到小波变换的 时频谱。
[0046]
不同的失效模式对应一种特殊的振动信号波形，也对应一种特定的时频图。本文的基本 小波是cmor小波，它是复小波morlet的缩写；定义为：
[0047][0048]
其中fb是带宽因子，fc是中心频率因子。cmor小波可以通过改变fb和fc来调整时 频分析的精度。cmor小波的时域和频域形式具有高斯函数的某些性质，能够对目标信号进 行自适应分解。在heisenberg测不准定理下，cmor小波时频分析的精度有以下关系：
[0049]
δfi∝fi
/fc；δti∝
fc/fi[0050]
其中fi是信号分析频率，δfi是频率分辨率。δti是时间分辨率。上述公式表明，可以通过改 变小波的中心频率fc来调整小波的时频分析精度。
[0051]
将处理好的故障样本划分为不同比例的训练集与测试集，训练集用于训练卷积神经网络 的网络参数，测试集用于验证模型的可行性。
[0052]
步骤3：建立alexnet卷积神经网络模型。alexnet模型的主要参数是结构参数和训练参 数。结构参数直接影响其自适应特征提取能力，包括卷积核的大小和数目等。alexnet的结构 参数如表1所示。
[0053]
表1 alexnet结构参数
[0054]
层数卷积核尺寸卷积核数量步长conv111124maxpool132conv25361maxpool232conv33481conv43481conv53361maxpool332fc12048fc22048fc37
[0055]
为了提高模型的训练速度，卷积核的数目是经典alexnet模型的四分之一。训练参数影 响网络模型的质量，直接影响故障诊断的准确性。参数通常包括优化器、优化器学习率、批 号、迭代次数等，alexnet的训练参数如表2所示。
[0056]
表2 alexnet训练参数
[0057]
optimizeradam
learning rate0.001epoch100batch size16loss functioncross entropy
[0058]
本发明实施例中模型选用五个卷积层、三个池化层和两个全连接层组成。
[0059]
卷积层的作用是自适应提取三相电流信号的故障特征，同时还可以消除噪声。选择合适 的卷积核对三相电流信号依次进行卷积处理，一个卷积核即为一个权重矩阵。不同的卷积核 代表电流信号中不同的故障特征，卷积神经网络通常通过增加不同的卷积核以提高模型的特 征提取能力，随后获得带有故障特征的多层矩阵数据。具体的卷积公式为：
[0060][0061]
f(z)＝max[0,z]
[0062]
其中l表示网络层数，y
l-1,i
表示卷积层的输入，y
l,j
表示卷积层的输出，为卷积核矩 阵，表示偏置。f为激活函数，选用的是校正线性单元(rectified linear unit，relu)。
[0063]
池化层与卷积层类似，也称降采样层，池化层常用的有最大池化和均值池化，即卷积核 依次滑过目标数据并提取相应区域的最大值或平均值。所以池化层的作用是提取从卷积层输 出的数据的主要特征，同时降低其维度。本模型选择的是最大池化函数。其表达式为:
[0064]yl,j
＝max(y
l-1,j
)
[0065]
输入的图像经过多个卷积层与池化层交替处理后，提取的特征信息在全连接层平铺，全 连接层定义如下：
[0066]yl
＝f(w
l
x
l-1
b
l
)
[0067]
步骤4：经过步骤3训练之后，模型参数已经迭代至最优，利用测试集故障样本验证整 个模型的可行性。
[0068]
经过特征提取后的故障特征平铺在全连接层中，然后与softmax分类器相连，其定义为：
[0069][0070]
其中yi为全连接层中的第i个输出，softmax()是由softmax函数转换的第i个输出的相 应概率。
[0071]
最终提取的特征与全连接层连接完成故障诊断。
[0072]
本发明将测得的三相电流信号利用连续小波变换的方法，将一维的时域信号转换为由时 域和频域组成的时频图的形式，作为深度学习卷积神经网络的输入信号，利用alexnet的卷 积层与池化层自适应提取时频图中的故障特征信息，最后利用softmax分类器完成故障分类， 更好地完成故障识别，准确率高达90％以上。
[0073]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，
凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。