一种逆变器异常状态识别方法和系统与流程

本发明属于逆变器状态识别，特别涉及一种逆变器异常状态识别方法和系统。

背景技术：

1、在实际的光伏电站的运维过程中，工作人员不仅需要判断光伏电站是否正常运行，并且需要对光伏电站的异常隐患进行定位与排除。光伏电站的异常预警，由于预警的对象为光伏电站，而光伏电站中负责产生并网电流的核心器件为逆变器，所以逆变器能否正常工作是影响并网电流电能质量的核心因素，故而研究电站的电能质量异常状态预警，也就是研究逆变器的异常工作状态诊断的问题。

2、由于近年来随着技术的发展，三电平逆变器因为具备开关应力小，损耗低的特点越来越多的应用于大功率光伏电站之中。逆变器在实际运行的过程中，由于igbt等开关管长时间的处于高频开关状态，容易发生开关管故障，当开关管发生短路故障时，逆变器内部的保护机制便会将短路器件切除，从而将短路故障转为了开路故障。与开关管短路故障不同的是，开路故障发生后逆变器并不会立即停机，而是在异常状态下继续运行。在这种特殊情况下，逆变器所输出并网电流的电能质量会发生极大恶化，从而危害电网的稳定运行。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种逆变器异常状态识别方法和系统。可有效判别逆变器异常状态类别，以指导光伏电站运维人员快速定位电能质量异常的源头，提高运维靶向性和运维效率。

2、为实现上述目的，本发明采用以下技术方案：

3、一种逆变器异常状态识别方法，包括以下步骤：

4、从逆变器输出的三相并网电流波形中提取出逆变器异常信号；

5、将所述逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数；提取各个频段的重构信号作为子频带，计算各子频带信号能量；将所述各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量；

6、将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别。

7、进一步的，对所述逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数的详细过程为：对逆变器异常信号进行j层小波包分解，将频率从小到大提取出2j个小波包分解系数，其中j为自然数。

8、进一步的，提取各个频段的重构信号作为子频带，计算各子频带信号能量的过程为：

9、对于小波包j层分解，若原始信号s归一化后最高频成分为1，低频成分为0，其中sjk表示第j层第k个子频带；其中j∈(0，j]；

10、sjk对应的能量xkm表示子频带sjk的幅值。

11、进一步的，将所述各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量的过程包括：

12、各子频带信号能量组合起来得到组合向量表示为t＝[ej0，ej1，...ejj]；

13、将所述组合向量进行归一化处理得特征向量t′，其中t′用于异常状态识别；总能量：

14、则

15、进一步的，所述方法中特征向量作为逆变器异常状态识别的表现为：

16、逆变器发生开关管断路故障时，逆变器输出电流体现为低次谐波的叠加；

17、逆变器的滤波器产生谐振时，逆变器输出电流体现为中频处谐波的叠加；

18、逆变器发生共模干扰时，输出电流体现于叠加了高频的干扰信号。

19、进一步的，所述将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别的详细过程包括：

20、设置种群规模为n，n个粒子随机散布在bp神经网络阈值和连接权重组成的m维解空间中寻找最优解，粒子i的随机初始位置分量和速度分量分别为粒子通过计算所在位置的适应度值比较进行移动，通过粒子的移动过程中得到全局最优和局部最优；

21、其中，为粒子i在1维空间中的位置分量；为粒子i在2维空间中的位置分量；为粒子i在m维空间中的位置分量；为粒子i在1维空间中的速度分量；为粒子i在2维空间中的速度分量；为粒子i在m维空间中的位置分量。

22、进一步的，所述方法还包括：粒子i第d+1次的位置分量和速度分量更新公式为：

23、

24、其中，w是粒子的惯性权重；w∈[0，1]，c1和c2均为学习因子；c1∈[0，2]；c2∈[0，2]；r1和r2均为随机数；r1∈[0，1]；r2∈[0，1]；是粒子i所在维度中搜寻到的个体最优值；是在所有解空间中的全局最优值。

25、进一步的，改进权重的自适应函数为：

26、

27、其中，wmax是预设权重上限；wmin是预设权重下限；k是当前迭代次数；kmax是当前迭代次数。

28、进一步的，所述神经网络采用bp神经网络，在进行输出计算时，按照从输入到输出的方向进行，而权值和阈值的修正均从输出向输入的方向进行。

29、本发明还提出了一种逆变器异常状态识别系统，包括：信号提取模块、信号处理模块和识别模块；

30、所述信号提取模块用于从逆变器输出的三相并网电流波形中提取出逆变器异常信号；

31、所述信号处理模块用于将所述逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数；提取各个频段的重构信号作为子频带，计算各子频带信号能量；将所述各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量；

32、所述识别模块用于将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别。

33、技术实现要素：中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

34、本发明提出了一种逆变器异常状态识别方法和系统，该方法包括以下步骤：从逆变器输出的三相并网电流波形中提取出逆变器异常信号；将所述逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数；提取各个频段的重构信号作为子频带，计算各子频带信号能量；将所述各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量；将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别。基于一种逆变器异常状态识别方法，还提出了一种逆变器异常状态识别系统。本发明针对不同异常状态下电能质量异常特征的不同，对电流信号的小波包能量特征进行重构，从而以较少的向量维数同时反映电流信号的高低频特性；将重构后的小波包能量作为改进优化神经网络的输入，并通过粒子群算法改进权重优化的神经网络进行电能质量异常源的识别，可有效判别逆变器异常状态类别，以指导光伏电站运维人员快速定位电能质量异常的源头，提高运维靶向性和运维效率。

技术特征：

1.一种逆变器异常状态识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的逆变器异常状态识别方法，其特征在于，对所述逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数的详细过程为：对逆变器异常信号进行j层小波包分解，将频率从小到大提取出2j个小波包分解系数，其中j为自然数。

3.根据权利要求2所述的逆变器异常状态识别方法，其特征在于，提取各个频段的重构信号作为子频带，计算各子频带信号能量的过程为：

4.根据权利要求3所述的逆变器异常状态识别方法，其特征在于，将所述各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量的过程包括：

5.根据权利要求1所述的逆变器异常状态识别方法，其特征在于，所述方法中特征向量作为逆变器异常状态识别的表现为：

6.根据权利要求1所述的逆变器异常状态识别方法，其特征在于，所述将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别的详细过程包括：

7.根据权利要求6所述的逆变器异常状态识别方法，其特征在于，所述方法还包括：粒子i第d+1次的位置分量和速度分量更新公式为：

8.根据权利要求7所述的逆变器异常状态识别方法，其特征在于，改进权重的自适应函数为：

9.根据权利要求1所述的逆变器异常状态识别系统，其特征在于，所述神经网络采用bp神经网络，在进行输出计算时，按照从输入到输出的方向进行，而权值和阈值的修正均从输出向输入的方向进行。

10.一种逆变器异常状态识别系统，其特征在于，包括：信号提取模块、信号处理模块和识别模块；

技术总结本发明提出了一种逆变器异常状态识别方法和系统，该方法包括：从逆变器输出的三相并网电流波形中提取出逆变器异常信号；将逆变器异常信号进行小波包分解，按照频率提取出小波包分解系数；提取各个频段的重构信号作为子频带，计算各子频带信号能量；将各子频带信号能量组合起来，作为逆变器异常状态识别的特征向量；将特征向量作为神经网络的输入，通过改进权重优化神经网络进行逆变器异常状态识别输出逆变器异常状态类别。基于该方法，还提出了一种逆变器异常状态识别系统。本发明将重构后的小波包能量作为改进优化神经网络的输入，并通过粒子群算法改进权重优化的神经网络进行电能质量异常源的识别，可有效判别逆变器异常状态类别。技术研发人员：杨会轩,夏倩倩,宋文民,苏明,于希彬,王金灿受保护的技术使用者：山东华科信息技术有限公司技术研发日：技术公布日：2024/7/29