孟獻(xiàn)蒙，郭興眾，程凡永 ，陳旺斌，方駿仁

1 研究背景

近年來(lái)，隨著石油、天然氣等不可再生資源的日益消耗，越來(lái)越多的國(guó)家開始進(jìn)行低碳能源轉(zhuǎn)型[1]。在可再生、低碳能源生產(chǎn)中，太陽(yáng)能光電技術(shù)顯現(xiàn)出小規(guī)模能源生產(chǎn)的巨大潛力[2]。2005年以來(lái)，中國(guó)光伏制造產(chǎn)業(yè)發(fā)展迅速，并于2007年超過(guò)日本，成為世界上最大的光伏組件制造國(guó)[3]。截至2017年，中國(guó)、美國(guó)、印度、德國(guó)、日本等國(guó)家積極部署太陽(yáng)能光伏產(chǎn)業(yè)，并已經(jīng)在光伏市場(chǎng)中占主導(dǎo)地位[4]。未來(lái)太陽(yáng)能光伏在全球各個(gè)國(guó)家低碳能源產(chǎn)業(yè)發(fā)展中繼續(xù)具有重要的戰(zhàn)略地位。而逆變器是光伏發(fā)電系統(tǒng)中的核心部件，其一旦發(fā)生故障，不僅會(huì)影響系統(tǒng)的正常運(yùn)行，而且可能會(huì)對(duì)設(shè)備造成不可估量的損失。因此，開展光伏逆變器的故障診斷研究在設(shè)備損耗和降低成本投入以及逆變器保護(hù)等方面有著至關(guān)重要的意義。

目前，關(guān)于逆變器的故障診斷方法大體上可以分為如下3 類：基于參數(shù)辨識(shí)的方法、基于物理信號(hào)分析的方法和基于人工智能的方法。文獻(xiàn)[5]通過(guò)對(duì)實(shí)測(cè)電流-電壓（I-V）曲線進(jìn)行參數(shù)辨識(shí)，以識(shí)別并且發(fā)現(xiàn)故障。文獻(xiàn)[6]通過(guò)采集三相電壓逆變器的輸出電流信號(hào)，然后根據(jù)電流矢量的瞬時(shí)頻率特征和瞬時(shí)角度特征的變化來(lái)進(jìn)行故障診斷。文獻(xiàn)[7-8]利用小波包分解和主成分分析法實(shí)現(xiàn)了故障診斷，其中，文獻(xiàn)[7]基于極端學(xué)習(xí)機(jī)實(shí)現(xiàn)了單器件及多器件開路等多種故障診斷，文獻(xiàn)[8]基于徑向基神經(jīng)網(wǎng)絡(luò)對(duì)NPC 三電平逆變器開路故障進(jìn)行了診斷。但是這些故障診斷方法都需要專業(yè)的物理知識(shí)和復(fù)雜的特征提取工程，不具備強(qiáng)的通用性。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，越來(lái)越多的深度學(xué)習(xí)技術(shù)被廣泛地應(yīng)用于逆變器的故障診斷中。文獻(xiàn)[9]針對(duì)光伏組件中各種類型的故障，采用多層感知器來(lái)識(shí)別發(fā)生故障的類型和位置，但由于特征區(qū)分能力的限制，該方法不能有效地診斷不顯著的故障類型。文獻(xiàn)[10]為提高特征區(qū)分能力，采集了電壓、電流和速度的變化信號(hào)，利用神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的結(jié)構(gòu)，對(duì)感應(yīng)電動(dòng)機(jī)電壓源逆變器故障進(jìn)行了診斷。盡管該方法提高了故障診斷率，但是需要3 個(gè)傳感器采集數(shù)據(jù)，增加了設(shè)備的投入。

為減少傳感器的使用數(shù)量和提高特征區(qū)分能力，本文提出一種基于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓╡mpirical mode decomposition，EMD）和二維卷積神經(jīng)網(wǎng)絡(luò)（twodimensional convolutional neural network，2D-CNN）結(jié)合的故障診斷方法。該方法首先使用一個(gè)傳感器采集光伏逆變器的直流側(cè)電流信號(hào)，采用EMD 提取電流中的多個(gè)本征模函數(shù)與原始數(shù)據(jù)組成的二維特征圖作為2D-CNN 的輸入；然后，利用2D-CNN 進(jìn)行特征提??；最后，用2D-CNN 模型對(duì)多類開路故障進(jìn)行診斷和分類。

2 光伏發(fā)電系統(tǒng)分析

2.1 光伏發(fā)電系統(tǒng)

光伏發(fā)電系統(tǒng)利用電池組件將太陽(yáng)能直接轉(zhuǎn)變?yōu)殡娔?。在光照條件下，太陽(yáng)電池組件產(chǎn)生一定的電動(dòng)勢(shì)，通過(guò)組件的串并聯(lián)形成太陽(yáng)能電池方陣，使得光伏陣列的電壓達(dá)到系統(tǒng)輸入電壓的要求。光伏發(fā)電系統(tǒng)的主電路拓?fù)浣Y(jié)構(gòu)如圖1 所示，左側(cè)由光伏陣列產(chǎn)生直流輸入，經(jīng)過(guò)逆變器輸出三相電流和電壓。圖中R、L分別是電阻和電感，C是電容，T1～T6 為6 個(gè)絕緣柵雙極型晶體管（insulated gate bipolar transistors，IGBT），S1～S6 是6 個(gè)開關(guān)，系統(tǒng)通過(guò)調(diào)制電路來(lái)控制IGBT 的導(dǎo)通。

圖1 光伏發(fā)電系統(tǒng)主電路拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of main circuit of the photovoltaic power generation system

2.2 常見故障類型

逆變器的故障可以分為IGBT 短路故障和IGBT開路故障兩類[11]。IGBT 短路因時(shí)間短暫可以在電路上直接進(jìn)行處理，目前已經(jīng)有相當(dāng)成熟的解決方法[12]。當(dāng)一個(gè)或兩個(gè)IGBT 發(fā)生開路時(shí)，會(huì)導(dǎo)致逆變器不能正常導(dǎo)通。如果同一時(shí)間內(nèi)有更多的IGBT開路，則此時(shí)逆變器早已不能正常工作，對(duì)于研究已無(wú)意義。因此文中的研究對(duì)象為一個(gè)或兩個(gè)IGBT 開路故障。如圖1 所示，當(dāng)電路中一個(gè)開關(guān)斷開的情況下，將會(huì)出現(xiàn)單管故障，共6 種情況（T1～T6 分別開路）。當(dāng)電路中兩個(gè)開關(guān)斷開情況下，將會(huì)出現(xiàn)兩管故障，而兩管故障又分3 種情況：同一相的兩個(gè)功率管開路故障，例如T1 和T4，共3 種；同一半橋的兩個(gè)功率管開路故障，例如T1 和T3，共6 種；交叉的兩個(gè)功率管開路故障，例如T1 和T6，共6 種。把正常情況歸為一類，則IGBT開路故障的類型為22種。

3 多模態(tài)信號(hào)分解與特征提取

3.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸?/h3>

經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD），又可以稱為Hilbert-Huang 變換（Hilbert-Huang transform，HHT）[13]，它是一種新型自適應(yīng)信號(hào)時(shí)頻處理方法。經(jīng)驗(yàn)?zāi)Ｊ椒纸饽軌驈膯蝹€(gè)信號(hào)中提取多尺度特征，特別適用于非線性、非平穩(wěn)信號(hào)的分析處理之中[14]。EMD 能夠使復(fù)雜信號(hào)分解為有限個(gè)本征模函數(shù)（intrinsic mode function，IMF）和一個(gè)殘余項(xiàng)（res）之和，所分解出來(lái)的各IMF 分量包含了原信號(hào)的不同時(shí)間尺度的局部特征信號(hào)。

EMD 的基本分解流程如下：

1）獲取原始時(shí)間序列x(t)的極值點(diǎn)；

2）采用三次樣條插值函數(shù)擬合形成原數(shù)據(jù)的上包絡(luò)x1(t)和下包絡(luò)x2(t)，計(jì)算包絡(luò)均值m(t)，

3）計(jì)算新序列h(t)，

4）判斷h(t)是否滿足IMF 的兩個(gè)條件；

5）如果不是，則以h(t)代替x(t)，重復(fù)以上步驟，直到h(t)滿足判據(jù)，則h(t)就是需要提取的IMF；

6）每得到一階IMF，就從原信號(hào)中去除它，重復(fù)以上步驟，直到信號(hào)最后剩余部分就只是單調(diào)序列或者常值序列。

這樣，經(jīng)過(guò)EMD 分解，將原始信號(hào)x(t)分解成高頻到低頻的IMF 分量的線性組合和殘余項(xiàng)r(t)；

式中：ci(t)為第i個(gè)IMF 分量；

r(t)為殘余項(xiàng)，不包含信號(hào)的震蕩模態(tài)，只反映信號(hào)的變化趨勢(shì)。

前面幾個(gè)高頻的IMF 分量包含了原始信號(hào)中顯著且重要的特征信息。

3.2 卷積神經(jīng)網(wǎng)絡(luò)

3.2.1 卷積層

卷積層用到了數(shù)學(xué)運(yùn)算-卷積，卷積是一種特殊的線性運(yùn)算，用來(lái)替代一般的矩陣乘法運(yùn)算。卷積運(yùn)算的數(shù)學(xué)公式如下：

式中：X為二維矩陣；

W為權(quán)重參數(shù)，它可以是一個(gè)或多個(gè)二維矩陣；

y(i,j)為卷積運(yùn)算的輸出；

*為卷積運(yùn)算符號(hào)。

在CNN 中，除了權(quán)重參數(shù)，還存在偏置。濾波器的參數(shù)就對(duì)應(yīng)之前的權(quán)重。具體的卷積層運(yùn)算如圖2 所示，有一個(gè)3*3 的卷積核，卷積核都與輸入信號(hào)進(jìn)行卷積運(yùn)算。卷積核滑動(dòng)步長(zhǎng)為1，卷積核為3*3，輸入數(shù)據(jù)為4*4，經(jīng)過(guò)卷積運(yùn)算后，加上相對(duì)應(yīng)的偏置，經(jīng)過(guò)激活函數(shù)激活后就得到了大小為2*2的輸出特征圖。

圖2 卷積運(yùn)算示例Fig.2 Illustration of convolution operation

3.2.2 池化層

理論上來(lái)說(shuō)，所有經(jīng)過(guò)卷積層獲取的特征都可以直接輸入到分類器中，但是巨大的計(jì)算量是一個(gè)難題。為了解決這個(gè)問(wèn)題，一般會(huì)使用池化層來(lái)減少卷積計(jì)算中的冗余特征。池化層會(huì)將平面內(nèi)某一位置及其相鄰位置的特征值進(jìn)行聚合統(tǒng)計(jì)（降采樣），并且將聚合后的結(jié)果作為這一位置在該平面內(nèi)的值。假設(shè)第l-1 層為池化層的上一層卷積層，第l層為池化層，則可以得到從第l-1 層到第l層的最大池化傳播公式如下：

式中：down(·)為一個(gè)下采樣方法，可以采用最大池化或平均池化；

σ(·)是激活函數(shù)。

圖3 所示為最大池化層處理結(jié)果示意圖，其中左側(cè)圖是原始的二維矩陣網(wǎng)格數(shù)據(jù)（深度為2，寬度和高度各為4），池化核的大小是2*2，并且池化核每次移動(dòng)的步長(zhǎng)是2。右側(cè)圖給出了網(wǎng)格數(shù)據(jù)經(jīng)過(guò)最大池化之后的輸出結(jié)果。

圖3 最大池化層處理結(jié)果示意圖Fig.3 Schematic diagram of the treatment results of the maximum pooling layer

3.2.3 全連接層

卷積層從輸入中提取特征，這些特征經(jīng)過(guò)池化層處理后被輸入到一個(gè)全連接層中進(jìn)行分類。全連接層的計(jì)算公式為

式中：yl為第l層的輸出；

bl為第l-1 層的所有神經(jīng)元到第l層的所有神經(jīng)元集合的偏置；

σ(·)為激活函數(shù)。

4 基于 EMD-CNN 的故障診斷方法

4.1 EMD 分解和2D-CNN 模型

為了確定IMF 的個(gè)數(shù)，本研究中對(duì)5 類開路故障中的一種故障數(shù)據(jù)分別進(jìn)行了EMD 分解，每一種故障數(shù)據(jù)的序列長(zhǎng)度為200，所得到的實(shí)驗(yàn)結(jié)果如圖4 所示。所設(shè)計(jì)的二維卷積神經(jīng)網(wǎng)絡(luò)模型（2D-CNN）如圖5 所示，由輸入層、3 個(gè)卷積-池化模塊、平鋪層、全連接層、Softmax 層和輸出層構(gòu)成。

圖4 5 類開路故障數(shù)據(jù)的EMD 分解Fig.4 EMD of five types of open-circuit fault data

圖5 2D-CNN 模型示意圖Fig.5 2D-CNN model diagram

4.2 診斷方法

基于EMD-CNN 的故障診斷方法如圖6 所示。

圖6 基于EMD-CNN 的故障診斷方法Fig.6 Fault diagnosis method based on EMD-CNN

基于EMD-CNN 的故障診斷的具體步驟如下：

1）控制開關(guān)的閉合來(lái)模擬光伏逆變器的IGBT開路故障，并利用傳感器采樣電流信號(hào)；

2）設(shè)置IMF 的個(gè)數(shù)，對(duì)電流信號(hào)進(jìn)行EMD 分解，得到各開路故障下的IMF 分量；

3）組合IMF 和原始數(shù)據(jù)，獲取不同開路故障下的特征向量樣本；

4）將故障數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，利用訓(xùn)練集訓(xùn)練EMD-CNN 故障診斷模型；

5）把測(cè)試集輸入訓(xùn)練的EMD-CNN 中進(jìn)行故障識(shí)別和診斷。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 數(shù)據(jù)的采集和分割

本研究中所設(shè)計(jì)的光伏發(fā)電系統(tǒng)的仿真模塊如圖7 所示。圖7 所示仿真模塊具有最大功率點(diǎn)跟蹤和電壓前饋控制功能。在仿真中，采樣頻率設(shè)置為104Hz，總運(yùn)行時(shí)間為4.1 s，電阻為0.1 Ω，電感為0.002 H，三相電流頻率為50 Hz。前0.1 s，系統(tǒng)剛剛通電，數(shù)據(jù)的波動(dòng)巨大，所以舍去這一部分的數(shù)據(jù)，數(shù)據(jù)采集的時(shí)間為0.1～4.1 s。此外，當(dāng)采樣過(guò)程執(zhí)行到0.25 s 時(shí)，系統(tǒng)的工作條件發(fā)生變化，光照強(qiáng)度從700 W/m2變?yōu)? 000 W/m2。這樣做的目的是更加符合光伏逆變器的實(shí)際工作環(huán)境。從圖中可以看出，6個(gè)IGBT 分別連接了一個(gè)開關(guān)。數(shù)據(jù)集的獲取方法如下：人為地控制不同開關(guān)的閉合，利用傳感器以數(shù)據(jù)段的形式等時(shí)間采樣每一種情況下（22 種）的直流側(cè)電流信號(hào)，每種故障的采樣數(shù)為2 000 個(gè)，總共收集了20 個(gè)數(shù)據(jù)段，最后經(jīng)EMD 分解后，匯總成440個(gè)樣本的數(shù)據(jù)集。

圖7 光伏逆變系統(tǒng)的仿真模塊Fig.7 Simulation of the photovoltaic inverter system

每個(gè)故障樣本數(shù)據(jù)序列長(zhǎng)度為2 000 個(gè)，它仍然是一個(gè)長(zhǎng)的一維時(shí)間序列數(shù)據(jù)。在2D-CNN 模型訓(xùn)練過(guò)程中，如果把這個(gè)長(zhǎng)的一維時(shí)間序列數(shù)據(jù)經(jīng)過(guò)EMD 處理后一次性輸入2D-CNN 模型中，會(huì)帶來(lái)很大的計(jì)算復(fù)雜度。為了解決這個(gè)問(wèn)題，對(duì)數(shù)據(jù)采用了分段分割[15]。根據(jù)采樣周期，長(zhǎng)的一維時(shí)間序列數(shù)據(jù)可以被分割成若干個(gè)等長(zhǎng)度的短一維時(shí)間序列數(shù)據(jù)段，并將短的一維時(shí)間序列數(shù)據(jù)段作為一個(gè)故障樣本。為了提高相鄰樣本之間的相關(guān)性，文中采用了滑動(dòng)窗口重疊采樣方法[16]。通過(guò)這種方法，可以獲得更多的故障樣本用于2D-CNN 診斷模型的訓(xùn)練和測(cè)試。

圖8 所示為數(shù)據(jù)分割的重疊采樣法示意圖。

圖8 數(shù)據(jù)分割的重疊采樣法Fig.8 Overlapping sampling method for data segmentation

在圖8 中，長(zhǎng)的一維時(shí)間序列數(shù)據(jù)段有2 000 個(gè)數(shù)據(jù)。采用滑動(dòng)窗口重疊采樣方法，即每一次向前移動(dòng)200 個(gè)數(shù)據(jù)，這樣就可以得到6 個(gè)新的樣本。每個(gè)新樣本的長(zhǎng)度為1 000 個(gè)數(shù)據(jù)。重疊樣本的數(shù)據(jù)點(diǎn)數(shù)量為800 個(gè)，重疊率為80%。重疊采樣的樣本量計(jì)算方法定義如下[17]：式中：Samplenum為利用重疊采樣法得到的新故障樣本量；

Ilength為原始數(shù)據(jù)段的數(shù)據(jù)點(diǎn)數(shù)量；

Wlength為滑動(dòng)窗口內(nèi)數(shù)據(jù)點(diǎn)的數(shù)量；

Slength為檢測(cè)步長(zhǎng)的數(shù)據(jù)點(diǎn)數(shù)量。

本研究中，Ilength為2 000 個(gè)數(shù)據(jù)，Wlength為1 000個(gè)數(shù)據(jù)，Slength為200 個(gè)數(shù)據(jù)。因此，根據(jù)公式可以計(jì)算出圖8 的Samplenum為6。

5.2 模型參數(shù)的設(shè)置

在仿真實(shí)驗(yàn)中，光伏逆變器的直流側(cè)電流信號(hào)是在理想狀態(tài)下獲取的，它不受外界因素的影響。為了保證數(shù)據(jù)的有效性，人為地在數(shù)據(jù)上加入了不同信噪比（signal noise ratio，SNR）的噪聲，SNR 的計(jì)算公式如下：SNR=10 lg(Ps/Pn)。 （8）

式中：Ps為信號(hào)的有效功率；Pn為噪聲的有效功率。

在模型訓(xùn)練過(guò)程中，參數(shù)設(shè)置對(duì)網(wǎng)絡(luò)模型的性能有重要影響。檢測(cè)步長(zhǎng)是網(wǎng)絡(luò)模型中的一個(gè)重要參數(shù)，它代表模型中數(shù)據(jù)的更新數(shù)量。5 dB 噪聲下不同檢測(cè)步長(zhǎng)的診斷準(zhǔn)確性以條形圖顯示，如圖9 所示。

圖9 不同檢測(cè)步長(zhǎng)的故障分類準(zhǔn)確率Fig.9 Fault classification accuracy rate ofdifferent detection steps

由圖9 可知，當(dāng)檢測(cè)步長(zhǎng)設(shè)置為200 個(gè)數(shù)據(jù)時(shí)，故障診斷的效果最佳，準(zhǔn)確度達(dá)到了0.987 4。同時(shí)，200 個(gè)數(shù)據(jù)的采樣時(shí)間正好為0.02 s，這與相電流的周期保持一致。因此，文中的后續(xù)實(shí)驗(yàn)將檢測(cè)步長(zhǎng)設(shè)置為200 個(gè)數(shù)據(jù)。

滑動(dòng)窗口代表每一次輸入網(wǎng)絡(luò)模型的數(shù)據(jù)樣本個(gè)數(shù)，其數(shù)值的改變將會(huì)影響模型的故障診斷和分類。實(shí)驗(yàn)過(guò)程中設(shè)置了5 種滑動(dòng)窗口，其數(shù)據(jù)量分別為400, 600, 800, 1 000, 1 200。5 種噪聲下的故障診斷準(zhǔn)確率如圖10 所示。

圖10 不同噪聲下5 種滑動(dòng)窗口的故障分類準(zhǔn)確率Fig.10 Accuracy rate of the fault classification of five sliding windows under different noises

由圖10 可知，相較于另外4 種滑動(dòng)窗口，當(dāng)滑動(dòng)窗口為1 000 個(gè)數(shù)據(jù)時(shí)，5 種噪聲下的故障診斷準(zhǔn)確率均最高。因此，當(dāng)滑動(dòng)窗口為1 000 個(gè)數(shù)據(jù)時(shí)，故障的分類效果最好。

5.3 實(shí)驗(yàn)對(duì)比

選擇kNN（k-nearest neighbor）[18]、SVM（支持向量機(jī)）[19]和CNN 方法進(jìn)行對(duì)比實(shí)驗(yàn)。

1）kNN 方法。在實(shí)驗(yàn)中，kNN 的超參數(shù)n_neighbor 設(shè)置為7。

2）SVM 方法。實(shí)驗(yàn)中采用線性核支持向量機(jī)對(duì)逆變器數(shù)據(jù)進(jìn)行故障診斷。

3）CNN方法。將輸入數(shù)據(jù)變形為[400，1]的形狀，并輸入CNN 網(wǎng)絡(luò)，最后通過(guò)Softmax 層輸出故障診斷結(jié)果。

在實(shí)驗(yàn)中，批量大小設(shè)置為600 個(gè)數(shù)據(jù)，學(xué)習(xí)率設(shè)置為0.000 1。所得4 種方法的故障診斷結(jié)果如表1所示。從表1 中的數(shù)據(jù)可以得知，EMD-CNN 的診斷精度均優(yōu)于前3 種方法。最重要的是，EMD-CNN 在5 種不同級(jí)別的噪聲上均具有最佳性能。這主要是由于EMD 對(duì)故障數(shù)據(jù)進(jìn)行了多尺度分解，CNN 可以快速且精準(zhǔn)地對(duì)故障數(shù)據(jù)進(jìn)一步提取特征，最后實(shí)現(xiàn)故障的診斷和分類。因此，EMD-CNN 在處理光伏逆變器的IGBT 開路故障和獲得最佳故障診斷性能方面具有明顯的優(yōu)勢(shì)。

表1 不同噪聲下不同方法的故障診斷準(zhǔn)確率Table 1 Accuracy rate of different methods under different noises

6 結(jié)語(yǔ)

本文提出了一種結(jié)合EMD 和CNN 的光伏逆變器故障診斷方法，利用直流側(cè)電流對(duì)開路故障進(jìn)行監(jiān)測(cè)。并且對(duì)光伏逆變器系統(tǒng)進(jìn)行了Simulink 仿真，以驗(yàn)證所提出方法的性能。為了測(cè)試該方法的魯棒性和適用性，將不同強(qiáng)度的高斯噪聲人工添加到數(shù)據(jù)集中。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的分類方法相比，該方法在不同噪聲水平下可以獲得更高的故障診斷精度。

后續(xù)研究中，為了充分利用CNN 進(jìn)行直流側(cè)電流的深度特征提取能力和LSTM 在處理時(shí)間序列數(shù)據(jù)上的優(yōu)異性能，值得研究CNN-LSTM 的組合模型，以進(jìn)一步提高在較高噪聲水平下的故障診斷性能。