張磊，趙漣漪，夏遠(yuǎn)洋

（1.安徽水利水電職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院，安徽合肥 231603；2.雅礱江流域水電開發(fā)有限公司，四川成都 610051）

以煤炭、石油為代表的常規(guī)能源都是不可再生的，而以太陽能為代表的可再生能源，具有普遍性、無害性、持久性及潛在的經(jīng)濟(jì)性等優(yōu)點(diǎn)，在可持續(xù)發(fā)展和碳中和發(fā)展戰(zhàn)略中極具發(fā)展?jié)摿1]。

國(guó)內(nèi)外分布式光伏發(fā)電能源占比逐漸升高，其主要包括太陽能電池板組件、光伏并網(wǎng)逆變器、直流匯流裝置、雙向電表、直流配電柜、交流配電柜等設(shè)備，其中并網(wǎng)逆變器是能量轉(zhuǎn)換樞紐。通過對(duì)逆變器中開關(guān)管的高頻通斷控制，實(shí)現(xiàn)直流電向交流電的轉(zhuǎn)換。開關(guān)管工作時(shí)，需要同時(shí)承受較高的電流應(yīng)力和電壓應(yīng)力，是整個(gè)發(fā)電系統(tǒng)中容易發(fā)生故障的器件之一。目前，常采用智能芯片實(shí)現(xiàn)對(duì)開關(guān)管的通斷控制，一旦開光管發(fā)生短路故障，芯片會(huì)立即鎖定控制信號(hào)，實(shí)現(xiàn)開關(guān)管的短路故障保護(hù)。但開關(guān)管開路時(shí)，逆變器仍能繼續(xù)工作，且不易察覺，具有較大的故障隱患[2]，需要對(duì)逆變器進(jìn)行開路故障診斷。

文獻(xiàn)[3]和[4]對(duì)三相逆變器開路故障診斷方法做了全面介紹：文獻(xiàn)[3]分別從基于電流的逆變器故障診斷方法和基于電壓的逆變器故障診斷方法做了詳細(xì)的介紹；文獻(xiàn)[4]從故障類型、逆變器類型和故障診斷方法3 個(gè)層面對(duì)現(xiàn)有的逆變器故障診斷方法進(jìn)行了總結(jié)，并對(duì)未來逆變器診斷技術(shù)的研究方向進(jìn)行了展望。文獻(xiàn)[5]詳細(xì)分析了分布式電源中逆變器的故障特征，這對(duì)故障診斷特征的提取有很大的參考價(jià)值，但沒有對(duì)故障診斷方法做出研究。文獻(xiàn)[6]~[8]采用小波包的方法，對(duì)故障情況下的輸出電壓或輸出電流進(jìn)行分解，提取故障特征值，以實(shí)現(xiàn)故障診斷。文獻(xiàn)[9]以三相定子電流為故障特征提取對(duì)象，融合多種頻域指標(biāo)，提取故障特征，以實(shí)現(xiàn)故障診斷。文獻(xiàn)[10]提出了通過分析三相逆變器在αβ 平面上的輸出電壓軌跡，以實(shí)現(xiàn)故障診斷的方法，該方法具有易于實(shí)現(xiàn)、測(cè)量參數(shù)少的特點(diǎn)。文獻(xiàn)[11]~[13]選用不同的物理變量，實(shí)現(xiàn)故障特征的提取，在進(jìn)行故障模型建立時(shí)均采用神經(jīng)網(wǎng)絡(luò)，這與文獻(xiàn)[4]研究的逆變器診斷技術(shù)發(fā)展方向相一致，即采用人工智能實(shí)現(xiàn)診斷的智能化。

為了提高抗干擾能力和診斷效果，本文提出一種基于FastICA算法對(duì)故障進(jìn)行判定，并融合多種時(shí)域指標(biāo)，進(jìn)行故障特征提取、支持向量機(jī)，以實(shí)現(xiàn)故障定位的診斷方法。通過FastICA 算法分析三相輸出電流，故障時(shí)，該算法可以分離出單管開路故障波形特征，同時(shí)，噪聲作為獨(dú)立成分信號(hào)也被分離出來。提取電流Id時(shí)域下的故障特征，構(gòu)成特征矩陣，采用SVM進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)故障管的定位。經(jīng)過MATLAB 仿真驗(yàn)證表明，所提方法能夠較好地實(shí)現(xiàn)故障管的診斷和定位。

1 光伏并網(wǎng)逆變器開路故障分析

三相兩電平光伏并網(wǎng)逆變器雙閉環(huán)控制策略框圖如圖1所示，主電路主要由光伏陣列、Boost變換器、三相兩電平逆變器、濾波器和電網(wǎng)電源等組成。

圖1 光伏并網(wǎng)逆變器雙閉環(huán)控制策略框圖

為了能夠在光伏陣列遮蔭情況下仍能輸出最大功率，Boost 變換器采用粒子群算法實(shí)現(xiàn)MPPT功能。三相橋式逆變器控制策略較多，本文采用直流電壓Udc經(jīng)過調(diào)節(jié)器構(gòu)成控制外環(huán)、旋轉(zhuǎn)電流Id/Iq（給定參考電流Iq-ref=0）和旋轉(zhuǎn)電壓Vd/Vq構(gòu)成控制內(nèi)環(huán)、三相正弦波脈寬調(diào)制（SPWM）波為控制信號(hào)的控制策略。直流電壓Udc作為外環(huán)，能夠?qū)⒅绷鱾?cè)電壓穩(wěn)定在光伏陣列的最大功率點(diǎn)對(duì)應(yīng)的電壓處；旋轉(zhuǎn)電流Id/Iq作為控制外環(huán)，能夠確保逆變器始終以單位功率因數(shù)向電網(wǎng)輸送恒定功率的電能[14]。

在逆變器工作時(shí)，單管發(fā)生開路故障的概率最大，因此，僅對(duì)單管發(fā)生開路故障的情況進(jìn)行討論[15]。由于三相逆變電路對(duì)稱，選擇VT1進(jìn)行開路故障原理的分析即可。開關(guān)管VT1正常工作和發(fā)生開路故障時(shí)，a 相電流的流通路徑如圖2 所示。圖2中含有帶箭頭的實(shí)虛線，實(shí)線為VT1 正常時(shí)a相電流流通路徑；虛線為VT1開路時(shí)a相電流的流通路徑；箭頭表示電流流向。取a相電流流出方向?yàn)檎较?；Sa1=1 表示開關(guān)管VT1 導(dǎo)通，Sa1=0 表示開關(guān)管VT1斷開；Sa2的取值表示開關(guān)管VT2的通斷狀態(tài)，定義與Sa1相同。

圖2 VT1正常與故障時(shí)a相電流的流通路徑

由圖2可知：相電流ia>0時(shí)VT1若發(fā)生開路，相電流ia無法流過VT1，此時(shí)，相電流ia將通過二極管VD2實(shí)現(xiàn)續(xù)流，如圖2（a）所示。此時(shí)，逆變器輸出電流畸變：ia波形缺失正半波，ib、ic波形幅值增大。相電流ia＜0 時(shí)，相電流ia流經(jīng)VD1 或VT2，跟VT1的狀態(tài)無關(guān)，VT1若發(fā)生開路，并不會(huì)影響相電流波形。VT1 發(fā)生單管開路故障，三相電流輸出波形如圖3所示。

圖3 VT1開路故障前后三相電流輸出波形

由以上分析可知，三相兩電平逆變器出現(xiàn)單個(gè)開關(guān)管開路時(shí)，開路開關(guān)管將會(huì)導(dǎo)致所在相電流波形缺失正弦半波，另外兩相的電流波形仍為正弦波，但幅值會(huì)有所增加。此時(shí)，三相輸出電流波形僅含正弦半波和正弦波2個(gè)成分。根據(jù)文獻(xiàn)[16]對(duì)三相兩電平逆變器發(fā)生各種故障時(shí)，三相輸出電流波形特點(diǎn)的描述可知，僅在逆變器發(fā)生單管開路時(shí)，三相輸出電流波形才會(huì)同時(shí)輸出正弦半波和正弦波2個(gè)成分。因此，可對(duì)三相輸出電流的波形進(jìn)行成分分析，以此來判定逆變器是否發(fā)生單管開路故障。

2 光伏并網(wǎng)逆變器故障特征分析

2.1 故障判定方法

當(dāng)逆變器發(fā)生單管開路故障時(shí)，故障相電流與非故障相電流波形特征不同，三相輸出電流出現(xiàn)2 種獨(dú)立成分。本文采用盲源分離算法對(duì)三相電流進(jìn)行獨(dú)立成分分析，以此判定是否發(fā)生單管開路故障。ICA 算法是盲源分離的經(jīng)典應(yīng)用。ICA 算法不依賴源信號(hào)，通過觀測(cè)信號(hào)，就能估計(jì)出源信號(hào)。ICA算法已經(jīng)在特征提取、信號(hào)分離等領(lǐng)域表現(xiàn)出很好的應(yīng)用前景[17]。ICA 算法實(shí)現(xiàn)源信號(hào)估計(jì)的原理框圖如圖4所示。

圖4 ICA算法的原理框圖

觀測(cè)信號(hào)X 是由具有n 個(gè)統(tǒng)計(jì)獨(dú)立信號(hào)構(gòu)成的盲源信號(hào)S，經(jīng)過線性隨機(jī)混合矩陣A得到的，即：

ICA算法的目的就是由觀測(cè)信號(hào)X 估算得到A 的逆矩陣W ≈A-1(即分離矩陣)，以此求得盲源信號(hào)S 的估計(jì)信號(hào)Y ，即：

ICA 算法中應(yīng)用較多的是FastICA 算法，該算法以最大化負(fù)熵作為目標(biāo)函數(shù)，用牛頓迭代算法批量處理觀測(cè)信號(hào)，大大提升了信號(hào)分離速度，同時(shí)，該算法具有神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)。適合處理各類非高斯類型的數(shù)據(jù)[17]。

選用工頻正弦波信號(hào)s1、振蕩衰減信號(hào)s2和噪聲s3作為盲源信號(hào)S=[]s1,s2,s3，如圖5 所示。源信號(hào)s1、s2、s3經(jīng)過隨機(jī)比例混合得到3個(gè)觀測(cè)信號(hào)x1、x2、x3，如圖6 所示。將觀測(cè)信號(hào)X=[x1,x2,x3] 作為FastICA算法的輸入，經(jīng)算法分離得到估計(jì)信號(hào)Y=[]y1,y2,y3，如圖7 所示。同時(shí)得到混合矩陣A 與分離矩陣W ：

圖5 盲源信號(hào)S

圖6 觀測(cè)信號(hào)X

通過上述分離結(jié)果可以看出：FastICA 算法能夠?qū)⒂^測(cè)信號(hào)X 的組成成分分離出來，得到估計(jì)信號(hào)Y ；同時(shí)，估計(jì)信號(hào)Y 具有盲源信號(hào)S 的波形特征，但分離信號(hào)與盲源信號(hào)的順序不能保持一致；估計(jì)信號(hào)Y 將噪聲信號(hào)作為一個(gè)獨(dú)立信號(hào)源從觀測(cè)信號(hào)中分離出來。仿真表明，F(xiàn)astICA 算法具有保持原有信號(hào)固有特征的分離信號(hào)的能力，同時(shí)具有抗干擾能力強(qiáng)的特點(diǎn)。

2.2 故障特征分析

通過FastICA進(jìn)行故障判定，但無法實(shí)現(xiàn)故障管定位。旋轉(zhuǎn)電流Id是由三相電流經(jīng)過坐標(biāo)變換得到的，當(dāng)發(fā)生開路故障時(shí)，電流Id也會(huì)發(fā)生變化。因此，選擇電流Id進(jìn)行故障特征的提取理論上是可行的。

時(shí)域下的特征參數(shù)是從時(shí)間維度描繪信號(hào)的波形特征，具有直觀、便于理解的特點(diǎn)。時(shí)頻域下特征參數(shù)指標(biāo)主要有平均值、標(biāo)準(zhǔn)差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因數(shù)、波形因數(shù)、沖擊因數(shù)、裕度因數(shù)合能量等，其各自的計(jì)算公式如表1所示。

表1 時(shí)域特征指標(biāo)計(jì)算公式

有時(shí)為了更深地發(fā)掘信號(hào)特征，還應(yīng)對(duì)信號(hào)進(jìn)行傅里葉變換，以實(shí)現(xiàn)頻域下特征提取。提取用于反映頻域振動(dòng)能量強(qiáng)弱的均值頻率、頻譜集中程度情況的標(biāo)準(zhǔn)差、主頻帶位置的頻率中心和均方根頻率等，計(jì)算公式依次為公式（3）~（6），式中f 表示采集時(shí)刻，s 表示采集信號(hào)。

選用表1 所示的參數(shù)和公式（1）~（4）進(jìn)行特征提取。

2.3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的機(jī)器學(xué)習(xí)方法，該方法廣泛應(yīng)用在解決小樣本、非線性及高維模式識(shí)別場(chǎng)合中。

二維空間中SVM實(shí)現(xiàn)過程如圖8所示。最優(yōu)分類超平面為一條直線。這條直線實(shí)現(xiàn)2 類點(diǎn)的分離，并在以后有了新的點(diǎn)，這條線也能做出很好的分類。該直線與2 類樣本的支持向量確定的直線（圖8 中2 條虛線）距離相同。這樣尋求的分類直線不僅能夠?qū)崿F(xiàn)兩類點(diǎn)的分離，同時(shí)能使間隔最大，樣本局部擾動(dòng)對(duì)它的影響最小、產(chǎn)生的分類結(jié)果最魯棒、對(duì)未見示例的泛化能力最強(qiáng)[18-19]。

圖8 SVM分類原理

當(dāng)旋轉(zhuǎn)電流Id將表1計(jì)算得到的時(shí)域值作為SVM 的樣本數(shù)據(jù)輸入量時(shí)，樣本數(shù)據(jù)是非線性、多維的數(shù)據(jù)，最優(yōu)分類超平面不再是一條直線。根據(jù)核函數(shù)存在性定理可知，對(duì)非線性樣本必定存在一個(gè)非線性映射，把非線性樣本數(shù)據(jù)從原始空間映射到一個(gè)高維特征空間，再在高維特征空間中求最優(yōu)分類面。在最優(yōu)分類面中選擇合適的內(nèi)積核函數(shù)就可以實(shí)現(xiàn)某一非線性變換后的線性分類。

基于內(nèi)積函數(shù)的SVM求解學(xué)習(xí)算法如下：

（1） 準(zhǔn) 備 訓(xùn) 練 樣 本 集 數(shù) 據(jù){(x1,y1),(x2,y2),...,(xn,yn)}，i=1,2,...,n，xi∈Rd，yi為類別值；

2.4 故障診斷方法

根據(jù)上述分析，基于FastICA、時(shí)域特征和SVM的光伏并網(wǎng)逆變器單管開路故障診斷方法表述如下：

（1）用FastICA算法對(duì)采集的三相輸出電流進(jìn)行獨(dú)立成分分解，得到輸出電流的獨(dú)立分量；

（2）根據(jù)分解得到的獨(dú)立分量圖形特征，判斷是否發(fā)生單管開路；

（3）改變光伏陣列的光照強(qiáng)度，得到不同功率下的電流Id值；

（4）根據(jù)時(shí)域特征計(jì)算公式計(jì)算電流Id的特征值；

（5）將特征值和故障編碼作為樣本進(jìn)行SVM模型訓(xùn)練；

（6）檢驗(yàn)?zāi)Ｐ托Ч?/p>

3 仿真分析

3.1 仿真模型

根據(jù)圖1 搭建MATLAB 仿真模型。模型中采用4 組光伏組，額定輸出功率時(shí)光伏電池板的光照強(qiáng)度為[1 000,1 000,1 000,1 000]；Boost 電路輸出電壓800 V；逆變器主電路為三相兩電平結(jié)構(gòu)，輸出功率100 kW，電力電子器件的開關(guān)頻率10 kHz；LCL 濾波器取值：逆變器側(cè)濾波電感0.8 mH，電網(wǎng)側(cè)濾波電感0.2 mH，濾波電容100 μF，阻尼電阻3 Ω；電網(wǎng)采用50 Hz、線電壓380 V 的對(duì)稱三相交流電。

沒有開路故障時(shí)，三相并網(wǎng)輸出電壓波形、三相輸出電流波形和旋轉(zhuǎn)電流Id波形如圖9~11 所示。從圖中可以看出，三相輸出電壓電流同步，波形對(duì)稱且光滑，旋轉(zhuǎn)電流Id波形運(yùn)行穩(wěn)定，模型運(yùn)行正常。

圖9 正常情況下三相輸出電壓波形

圖10 正常情況下三相輸出電流波形

圖11 正常情況下旋轉(zhuǎn)電流波形

3.2 單管開路故障診斷

搭建仿真模型（見圖12）來模擬開關(guān)管VT1正常工作和開路故障。時(shí)鐘模塊clock 設(shè)定開路故障時(shí)刻，switch模塊實(shí)現(xiàn)開關(guān)管VT1控制信號(hào)的選擇。switch 模塊選擇“PWM1”時(shí)，VT1 正常工作；switch 模塊選擇“0”時(shí)，VT1 接收“低電平”而無法開通，實(shí)現(xiàn)VT1 的開路模擬。其他各個(gè)單管開路模擬也可以采用此方法實(shí)現(xiàn)。

圖12 VT1開路故障仿真模型

設(shè)定VT1 開路時(shí)刻為0.02 s，此時(shí)，三相輸出電流波形如圖13所示。當(dāng)VT1發(fā)生開路時(shí)，a相電流缺失上半周波形，b、c 相電流仍是正弦波形狀，且兩相電流形狀類似，同時(shí)，電流幅值都有所增大。仿真結(jié)果與上述分析結(jié)論相同。

圖13 VT1開路故障時(shí)三相輸出電流波形

用FastICA 算法對(duì)VT1 開路后的三相電流值進(jìn)行分析，得到信號(hào)波形，如圖14所示。

圖14 三相輸出電流經(jīng)分離得到的信號(hào)波形

由圖14 可知，分離信號(hào)中含有近似正弦的波形和近似正弦半波的波形，同時(shí)，高頻噪音信號(hào)也被獨(dú)立分離出來?？梢?，F(xiàn)astICA 算法能夠?qū)喂芄收锨樾蜗碌娜噍敵鲭娏? 個(gè)獨(dú)立成分實(shí)現(xiàn)分離，與圖13 波形特征相同，能判定三相兩電平逆變器發(fā)生單管開路故障，但無法實(shí)現(xiàn)開路管的定位。

3.3 時(shí)域特征提取

取VT1~VT6單管開路故障時(shí)電路的工作狀態(tài)編碼分別為1~6，同時(shí)，取電路正常工作時(shí)的編碼0，這樣共有7種工作狀態(tài)，如表2所示。

表2 逆變器工作狀態(tài)編碼

改變光伏電池板的光照強(qiáng)度，光伏發(fā)電系統(tǒng)傳送給電網(wǎng)的電功率將有所不同，以此，獲得各個(gè)工作狀態(tài)下電流Id值。為了獲得足夠的數(shù)據(jù)，改變4組光伏電池板的光照強(qiáng)度，每種工作狀態(tài)下生成40組不同數(shù)據(jù)，共產(chǎn)生280組數(shù)據(jù)。從這280組數(shù)據(jù)每種狀態(tài)中隨意選擇一組數(shù)據(jù)，繪制其電流Id波形，如圖15 所示。從圖15 可以看出，不同光照強(qiáng)度和工作狀態(tài)下，電流Id在時(shí)域中的特征有所不同。

圖15 7種工作狀態(tài)下電流Id 波形

對(duì)產(chǎn)生的280 組數(shù)據(jù)，使用表1 和公式（1）~（4）分別計(jì)算其特征值，生成特征數(shù)據(jù)矩陣，矩陣大小為280×17。

3.4 故障診斷模型

將生成的特征矩陣作為SVM 的輸入，280組數(shù)據(jù)對(duì)應(yīng)的工作狀態(tài)編碼作為SVM 的目標(biāo)輸出，對(duì)280 組樣本數(shù)據(jù)進(jìn)行分類診斷。分別采用線性內(nèi)積核函數(shù)（Linear kernel function）、二次內(nèi)積核函數(shù)（Quadratic kernel function）、三次內(nèi)積核函數(shù)（Cubic kernel function）、高斯內(nèi)積核函數(shù)（Gaussion kernel function）構(gòu)建SVM，不同比例交叉驗(yàn)證下，獲得的診斷準(zhǔn)確率如表3 所示。

表3 不同內(nèi)積核函數(shù)和交叉驗(yàn)證比例下的診斷準(zhǔn)確率%

從表3可以看出，在不同交叉驗(yàn)證比例下，采用二次內(nèi)積核函數(shù)構(gòu)建的SVM 診斷效果最優(yōu)，準(zhǔn)確率均在97%之上；采用高斯內(nèi)積核函數(shù)構(gòu)建的SVM效果最差。

采用二次內(nèi)積核函數(shù)構(gòu)建的SVM在25%交叉驗(yàn)證比例下的AUC指標(biāo)值如表4所示。

表4 25%交叉驗(yàn)證比例下的AUC指標(biāo)值

從表4 可以看出，各工作狀態(tài)下的AUC 指標(biāo)值接近1，模型預(yù)測(cè)結(jié)果可信度較高。表3 和表4 仿真結(jié)果表明，用二次內(nèi)積核函數(shù)構(gòu)建SVM 目標(biāo)函數(shù)，以旋轉(zhuǎn)電流Id時(shí)域下的特征值為SVM 的輸入，工作狀態(tài)編碼為輸出的診斷模型，診斷準(zhǔn)確率較高，可用于逆變器單管開路故障的診斷。

4 結(jié)論

本文提出的一種基于FastICA-SVM 的故障診斷方法，能夠?qū)崿F(xiàn)光伏并網(wǎng)逆變器開路故障診斷。FastICA 對(duì)三相電流進(jìn)行獨(dú)立成分分析，能夠得到正弦半波和近似正弦波2 個(gè)獨(dú)立成分，以實(shí)現(xiàn)單管開路故障判定；以旋轉(zhuǎn)電流Id提取的特征值作為SVM 輸入、逆變器工作狀態(tài)編碼作為SVM 輸出、二次內(nèi)積核函數(shù)構(gòu)建的SVM 模型，能夠?qū)崿F(xiàn)故障管定位。此方法為逆變器電力電子器件開路故障診斷提供了參考。