基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法研究

潘啟勇，張 磊

（常熟理工學(xué)院電子信息工程學(xué)院，常熟 215500）

作為當(dāng)前開(kāi)發(fā)前景最佳的新能源之一，太陽(yáng)能的高效利用成為21 世紀(jì)的重要研究課題。光伏發(fā)電作為其中應(yīng)用范圍最廣、最為高效的方式，其光伏并網(wǎng)微型逆變器則是太陽(yáng)能發(fā)電中最重要的器件[1]。作為一種電力電子裝置，光伏并網(wǎng)微型逆變器負(fù)責(zé)進(jìn)行電能變換，能夠?qū)崿F(xiàn)面向負(fù)載提供優(yōu)質(zhì)電能。在光伏并網(wǎng)微型逆變器運(yùn)行于額定工況下時(shí)，其運(yùn)行效率會(huì)對(duì)光伏系統(tǒng)以及電網(wǎng)的運(yùn)行效率產(chǎn)生直接影響[2]，一旦光伏并網(wǎng)微型逆變器發(fā)生故障，將會(huì)造成光伏發(fā)電系統(tǒng)穩(wěn)定性的直線下降，甚至導(dǎo)致系統(tǒng)發(fā)生停轉(zhuǎn)。而光伏并網(wǎng)微型逆變器在不斷發(fā)展中，拓?fù)浣Y(jié)構(gòu)越來(lái)越復(fù)雜，工作狀態(tài)越來(lái)越多樣化，集成度也在不斷提升，使得故障發(fā)生率大幅提升，解決故障的難度也在不斷升高。因此，必須對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障識(shí)別，從而降低光伏并網(wǎng)微型逆變器發(fā)生故障的幾率[3]。對(duì)于光伏并網(wǎng)微型逆變器的故障識(shí)別，國(guó)內(nèi)外均十分重視相關(guān)研究。國(guó)外對(duì)于光伏并網(wǎng)微型逆變器故障識(shí)別與診斷的研究起步較早，主要針對(duì)伏并網(wǎng)微型逆變器故障特征提取等方面進(jìn)行研究。Sun C 等[3]利用勵(lì)磁機(jī)電樞電流分析診斷旋轉(zhuǎn)整流器開(kāi)路故障。Berg M等[4]根據(jù)估計(jì)或測(cè)量的電網(wǎng)阻抗對(duì)PLL 角進(jìn)行補(bǔ)償，保證了光伏逆變器阻抗穩(wěn)定。國(guó)內(nèi)對(duì)于光伏并網(wǎng)微型逆變器故障識(shí)別的相關(guān)研究起步較晚，主要始于20 世紀(jì)70 年代末，但也已經(jīng)取得了很大成果。陳丹江等[5]提出了一個(gè)多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括一個(gè)主神經(jīng)網(wǎng)絡(luò)和2 個(gè)輔助神經(jīng)網(wǎng)絡(luò)，對(duì)逆變器的多種開(kāi)路故障進(jìn)行綜合分析；安學(xué)利等[6]采用支持向量機(jī)對(duì)多組不同故障信息進(jìn)行分類，從而實(shí)現(xiàn)對(duì)機(jī)組故障的判斷。除此之外，還有其他學(xué)者提出一種基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障識(shí)別方法[5]。

在利用以上方法進(jìn)行光伏并網(wǎng)微型逆變器故障識(shí)別時(shí)，由于受特征信息具備差異性的影響而無(wú)法進(jìn)行逆變器故障映射，并且傳統(tǒng)方法在有功功率為3～6 kW 的范圍內(nèi)存在采樣時(shí)間較長(zhǎng)等問(wèn)題，因此本文提出基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法?；谀：收蠘?shù)對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障映射，根據(jù)底事件到頂事件的映射對(duì)二者之間的隸屬函數(shù)建立故障底事件與頂事件之間的聯(lián)系，通過(guò)小波包變換提取光伏并網(wǎng)微型逆變器故障特征，采用基于SAE-SOFTMAX 的深度故障信息提取方法，構(gòu)造SOFTMAX 分類器，實(shí)現(xiàn)光伏并網(wǎng)微型逆變器故障診斷識(shí)別。實(shí)驗(yàn)證明，本方法的采樣時(shí)間較短，且采樣精度、效率水平高，使用該方法可以進(jìn)一步提高光伏系統(tǒng)的運(yùn)行穩(wěn)定性。

1 設(shè)計(jì)基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法

1.1 光伏并網(wǎng)微型逆變器故障映射

基于模糊故障樹(shù)對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障映射，即構(gòu)建光伏并網(wǎng)微型逆變器故障中底事件到頂事件的映射，建立故障底事件與頂事件之間的聯(lián)系，以便提取故障特征[6]。以擴(kuò)張?jiān)頌橐罁?jù)，可知光伏并網(wǎng)微型逆變器故障頂事件中存在以下映射

式中：f 為光伏并網(wǎng)微型逆變器故障頂事件中存在的映射；U、V 分別為光伏并網(wǎng)微型逆變器頂事件u和頂事件v 的故障論域；f（u）為頂事件u 到頂事件v 的映射[7]。

則光伏并網(wǎng)微型逆變器頂事件故障論域集合F（U）到另一個(gè)頂事件故障論域集合F（V）的映射為

式中：A 為光伏并網(wǎng)微型逆變器頂事件故障論域集合F（U）中的頂事件故障論域；B 為光伏并網(wǎng)微型逆變器頂事件故障論域集合F（V）中的頂事件故障論域，且A 與B 互為逆像；f（A）為頂事件故障論域F（U）到頂事件故障論域F（V）的映射，其中f（A）的表達(dá)式為

由于光伏并網(wǎng)微型逆變器故障底事件中則存在較多故障元素，底事件論域?yàn)閁1×U2×U3×…×Un，構(gòu)建光伏并網(wǎng)微型逆變器故障底事件的映射，表達(dá)式為

式中，un為第n 個(gè)故障元素[8]。

利用映射f 將光伏并網(wǎng)微型逆變器故障底事件推導(dǎo)到光伏并網(wǎng)微型逆變器頂事件故障論域U中，獲得的底事件到頂事件的映射表示為

式中：F（Un）為第un個(gè)底事件故障論域；AN為第N個(gè)頂事件故障論域；An為第n 個(gè)頂事件故障論域[9]。

根據(jù)底事件到頂事件的映射對(duì)二者之間的隸屬函數(shù)進(jìn)行推導(dǎo)，該隸屬函數(shù)即為故障底事件與頂事件之間的聯(lián)系，具體表達(dá)式為

式中：f-1（v）為頂事件v 到頂事件u 之間映射的逆向映射；α 為隸屬閾值。

實(shí)際故障環(huán)境中，存在很多不確定因素，根據(jù)上述模糊故障樹(shù)對(duì)光伏并網(wǎng)微型逆變器故障映射分析，獲得模糊數(shù)據(jù)，對(duì)于一些不夠清晰的時(shí)間系統(tǒng)，可以降低處理過(guò)程中對(duì)故障識(shí)別的難度，根據(jù)底事件到頂事件的映射建立故障底事件與頂事件之間的聯(lián)系，減少故障識(shí)別時(shí)間。在此基礎(chǔ)上，結(jié)合小波包變換方法提取故障特征。

1.2 提取故障特征

通過(guò)小波包變換提取光伏并網(wǎng)微型逆變器故障特征。具體提取步驟如下：

步驟1將光伏并網(wǎng)微型逆變器的三相電流中的電感信號(hào)當(dāng)做故障特征提取中的特征信號(hào)，將1 kHz 作為采樣周期，即一個(gè)周期采樣的實(shí)際點(diǎn)數(shù)為20，選擇一個(gè)周期并對(duì)其進(jìn)行分析，能夠獲得特征信號(hào)對(duì)應(yīng)的20 個(gè)數(shù)據(jù)[10]。

步驟2針對(duì)特征信號(hào)實(shí)施小波三層包分解，將整個(gè)頻帶由低頻到高頻分成8 個(gè)頻帶，并依次提取對(duì)應(yīng)的分解系數(shù)，該分解系數(shù)用dphj來(lái)表示，其中ph=a，b，c，代表3 層小波；j=0，1，2，…，8。

步驟3對(duì)小波包分解的對(duì)應(yīng)系數(shù)進(jìn)行重構(gòu)，獲取各頻帶對(duì)應(yīng)的重構(gòu)信號(hào)[11]。利用Sphj為dphj的重構(gòu)信號(hào)，利用該重構(gòu)信號(hào)表示特征信號(hào)，具體表示為

步驟4獲取各個(gè)頻帶對(duì)應(yīng)的重構(gòu)信號(hào)能量，將Sphj所對(duì)應(yīng)的能量設(shè)為Ephj，則有

式中：t 為各個(gè)頻帶對(duì)應(yīng)的重構(gòu)信號(hào)；n、k 均為正整數(shù)，其中k=1，2，…，n；xphjk為Sphj的對(duì)應(yīng)離散點(diǎn)幅值[12]。

將總能量設(shè)為Eph，則其表達(dá)式為

步驟5對(duì)特征向量進(jìn)行構(gòu)造。對(duì)各個(gè)頻帶對(duì)應(yīng)的能量值進(jìn)行構(gòu)造，使其形成故障特征向量，將構(gòu)造的特征向量設(shè)為T(mén)ph，則有

對(duì)Tph進(jìn)行進(jìn)一步處理，即實(shí)施歸一化處理，具體表達(dá)式為

式中，Tph-1為對(duì)Tph實(shí)施歸一化處理的處理結(jié)果[13]。

組合三相電流中的電感信號(hào)可以得到

式中：Ta-1、Tb-1、Tc-1分別為3 層小波的故障特征向量；Ea、Eb、Ec分別為3 層小波的總能量；Ea7、Eb7、Ec7分別為3 層小波的dphk重構(gòu)信號(hào)所對(duì)應(yīng)的能量；T為提取的光伏并網(wǎng)微型逆變器故障特征。

基于小波包變換實(shí)現(xiàn)對(duì)光伏并網(wǎng)微型逆變器故障特征的提取，結(jié)合模糊故障樹(shù)分析方法，對(duì)光伏并網(wǎng)微型逆變器故障發(fā)生的模糊概率進(jìn)行判斷，設(shè)計(jì)光伏并網(wǎng)微型逆變器故障識(shí)別系統(tǒng)。

1.3 光伏并網(wǎng)微型逆變器故障識(shí)別

建立光伏并網(wǎng)微型逆變器模糊故障樹(shù)定向分析模型，確定故障發(fā)生的概率，并通過(guò)求出最小割集找出各個(gè)故障原因之間的聯(lián)系。依次確定主要頂事件，去掉中間事件，更換底層事件。重復(fù)上述過(guò)程，直至到達(dá)故障樹(shù)底層事件，分析各底事件是否存在著故障聯(lián)系，并對(duì)相應(yīng)事件作出處理，最終獲得最小割集。割集中的變量數(shù)量降低時(shí)，事件發(fā)生的概率卻會(huì)隨之增加，利用樹(shù)形圖將模糊故障樹(shù)以及各個(gè)部件之間的故障關(guān)系具體描述出來(lái)，如圖1所示。

根據(jù)圖1 所示的模糊故障樹(shù)分析方法，對(duì)故障因素發(fā)生的頻率進(jìn)行判斷，得出故障因素發(fā)生的模糊概率為

圖1 模糊故障樹(shù)Fig.1 Fuzzy fault tree

式中：P（）為模糊概率；Ki為故障條件概率；n 為故障因素上限?；谝陨纤惴ǎ捎没赟AESOFTMAX 的深度故障信息提取方法，構(gòu)造SOFTMAX 分類器，通過(guò)分類器提供的有監(jiān)督學(xué)習(xí)的訓(xùn)練方式對(duì)故障系統(tǒng)進(jìn)行反向微調(diào)。其具體構(gòu)造的多分類器如圖2 所示。

圖2 構(gòu)造的多分類器Fig.2 Constructed multiple classifiers

圖2 中構(gòu)造的多分類器屬于一對(duì)一組合的形式，具體做法為在兩類任意樣本中對(duì)一個(gè)子SVM 進(jìn)行設(shè)計(jì)，則類別中共K 個(gè)的樣本，共需設(shè)計(jì)子SVM的個(gè)數(shù)為。對(duì)第j 類與第i 類的子SVM_ij進(jìn)行訓(xùn)練時(shí)，需要將第i 類樣本當(dāng)做正樣本，將第j類樣本當(dāng)做負(fù)樣本。對(duì)于測(cè)試樣本x，當(dāng)SVM_ij 將其認(rèn)為是第i 類，那么第i 類獲得的票數(shù)將加1，反之，當(dāng)SVM_ij 將其認(rèn)為是第j 類，那么第j 類獲得的票數(shù)將加1。個(gè)子SVM 完成其投票后，對(duì)各類別獲得的票數(shù)進(jìn)行統(tǒng)計(jì)，測(cè)試樣本x 即屬于票數(shù)最多的類別。

結(jié)合模糊故障樹(shù)計(jì)算的模糊可能性信息與SOFTMAX 分類器的訓(xùn)練方式對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障識(shí)別，故障識(shí)別系統(tǒng)如圖3 所示。

圖3 故障識(shí)別系統(tǒng)Fig.3 Fault diagnosis system

其輸入端是特征信號(hào)的對(duì)應(yīng)特征向量，即各個(gè)頻帶信號(hào)的對(duì)應(yīng)能量值，而輸出端則是故障類型的對(duì)應(yīng)標(biāo)簽，對(duì)各種故障類型進(jìn)行標(biāo)簽設(shè)置，選擇C4.5 算法，利用與采集分類存在相關(guān)性的信息建立決策樹(shù)，用l 表示故障集合，ci表示故障類型標(biāo)號(hào)（i=1，2，…，n），可得故障采集信息熵公式為

式中，|l|與F（ci，l）分別為故障集合l 故障數(shù)量以及故障集合l 內(nèi)屬于ci類的故障數(shù)量。

依據(jù)訓(xùn)練集合獲取各個(gè)故障發(fā)生的概率，當(dāng)所選擇屬性Y 內(nèi)存在數(shù)量為k 時(shí)，形成決策樹(shù)故障數(shù)量條件熵公式為

式中，|li|為屬性Y 內(nèi)子樹(shù)各類故障數(shù)量，獲取互信息信息增益公式為

C4.5 算法選取啟發(fā)式搜索擴(kuò)展屬性分值，擴(kuò)展屬性選取存在最大信息增益的屬性。啟發(fā)式方法可有效應(yīng)用于標(biāo)準(zhǔn)化處理程序以及存在不同屬性值的情況。信息增益率方法可選取體現(xiàn)高質(zhì)量信息增益屬性，獲取故障屬性信息增益率公式為

通過(guò)屬性Y 的分枝儲(chǔ)能裝置數(shù)據(jù)獲取故障集Z（Y）即為多分類的基本結(jié)構(gòu)，然后把數(shù)據(jù)樣本分成測(cè)試樣本與訓(xùn)練樣本，通過(guò)訓(xùn)練樣本獲取學(xué)習(xí)過(guò)程中的多分類模型，以該模型為基礎(chǔ)，通過(guò)測(cè)試樣本實(shí)現(xiàn)對(duì)光伏并網(wǎng)微型逆變器故障進(jìn)行識(shí)別。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)方法

為了驗(yàn)證在有功功率為3～12 kW 的范圍內(nèi)，設(shè)計(jì)的模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別性能，對(duì)其進(jìn)行實(shí)驗(yàn)驗(yàn)證。設(shè)計(jì)仿真實(shí)驗(yàn)，在Matlab 環(huán)境中對(duì)采樣時(shí)間、采樣精度和采樣效率進(jìn)行測(cè)試。為避免本次實(shí)驗(yàn)結(jié)果過(guò)于單一，將傳統(tǒng)的2 種故障識(shí)別方法作為實(shí)驗(yàn)中的對(duì)比方法，具體包括基于輸出節(jié)點(diǎn)故障特征提取和基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障識(shí)別方法。實(shí)驗(yàn)中光伏并網(wǎng)微型逆變器的具體參數(shù)如表1 所示，實(shí)驗(yàn)中光伏并網(wǎng)微型逆變器的具體類型如圖4 所示。

表1 實(shí)驗(yàn)中光伏并網(wǎng)微型逆變器的具體參數(shù)Tab.1 Specific parameters of photovoltaic gridconnected micro-inverter in experiment

圖4 實(shí)驗(yàn)中光伏并網(wǎng)微型逆變器的具體類型Fig.4 Specific types of photovoltaic grid-connected micro-inverter in experiment

獲取該光伏并網(wǎng)微型逆變器三相電流中的電感信號(hào)對(duì)應(yīng)的故障特征信息，具體如表2 所示。

表2 三相電流中的電感信號(hào)的對(duì)應(yīng)特征信息Tab.2 Corresponding characteristic information of inductance signal in three-phase current

基于獲取的該光伏并網(wǎng)微型逆變器三相電流中電感信號(hào)對(duì)應(yīng)的故障特征信息，利用設(shè)計(jì)的基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法，對(duì)該光伏并網(wǎng)微型逆變器進(jìn)行故障識(shí)別實(shí)驗(yàn)。獲取有功功率為3～12 kW 范圍內(nèi)的采樣時(shí)間數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，同樣獲取傳統(tǒng)方法下逆變器的有功功率在3～12 kW 范圍內(nèi)的采樣時(shí)間數(shù)據(jù)作為對(duì)比實(shí)驗(yàn)數(shù)據(jù)，比較幾種實(shí)驗(yàn)方法的采樣時(shí)間實(shí)驗(yàn)結(jié)果。

2.2 結(jié)果分析

在有功功率為3～6 kW 的范圍內(nèi)，獲取的基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法與基于輸出節(jié)點(diǎn)故障特征提取、基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障識(shí)別方法的采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果如表3 所示。

根據(jù)表3 的采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果可知，有功功率為3～6 kW 時(shí)，設(shè)計(jì)的模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障診斷系統(tǒng)的采樣時(shí)間遠(yuǎn)低于基于輸出節(jié)點(diǎn)故障特征提取和基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障識(shí)別方法。

表3 采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果（3～6 kW）Tab.3 Comparison results of sampling time experiment（3～6 kW）

有功功率為6～12 kW 時(shí)，設(shè)計(jì)的模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障診斷系統(tǒng)與基于輸出節(jié)點(diǎn)故障特征提取、基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障診斷方法的采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果具體如表4 所示。

綜合表3 和表4 的采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果可知，在有功功率為3～12 kW 的范圍內(nèi)，設(shè)計(jì)的模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障診斷系統(tǒng)的采樣時(shí)間遠(yuǎn)低于基于輸出節(jié)點(diǎn)故障特征提取、基于信號(hào)采集點(diǎn)的光伏并網(wǎng)微型逆變器故障識(shí)別方法，這是由于本文系統(tǒng)基于模糊故障樹(shù)對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障映射，根據(jù)底事件到頂事件的映射對(duì)二者之間的隸屬函數(shù)建立故障底事件與頂事件之間的聯(lián)系，在采樣時(shí)可以進(jìn)一步縮短時(shí)間。

表4 采樣時(shí)間實(shí)驗(yàn)對(duì)比結(jié)果（6～12 kW）Tab.4 Comparison results of sampling time experiment（6～12 kW）

為了進(jìn)一步分析本文方法的可行性，對(duì)3 種方法在3～12 kW 有功功率條件下的故障診斷效率和精度進(jìn)行對(duì)比，故障診斷效率=（單個(gè)故障樣本診斷時(shí)長(zhǎng)/檢驗(yàn)樣本個(gè)數(shù)）×100%，故障診斷精度=（故障樣本個(gè)數(shù)/檢驗(yàn)樣本個(gè)數(shù)）×100%，對(duì)比結(jié)果分別如圖5、圖6 所示。

圖5 3 種方法的故障診斷效率對(duì)比結(jié)果Fig.5 Results of comparison of fault diagnosis efficiency among three methods

圖6 3 種方法的故障診斷精度對(duì)比結(jié)果Fig.6 Results of comparison of fault diagnosis accuracy among three methods

由圖5 和圖6 可知，在3～12 kW 有功功率范圍內(nèi)，利用本文方法進(jìn)行光伏并網(wǎng)微型逆變器故障識(shí)別的效率和精度都明顯高于另外2 種對(duì)比方法，且本文方法的故障識(shí)別效率和精度最高點(diǎn)都在95%以上，這是由于本文系統(tǒng)在完成多分類器的構(gòu)造后對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障識(shí)別，其輸入端是特征信號(hào)的對(duì)應(yīng)特征向量，輸出端則是故障類型的對(duì)應(yīng)標(biāo)簽，對(duì)各種故障類型進(jìn)行標(biāo)簽設(shè)置可以進(jìn)一步提高故障識(shí)別效率和精度。通過(guò)以上實(shí)驗(yàn)可以證明本文方法不僅故障識(shí)別時(shí)間低于另外兩種方法，而且識(shí)別效率和精度都較高，有效驗(yàn)證了本文方法的優(yōu)越性。

3 結(jié)語(yǔ)

隨著光伏發(fā)電的大規(guī)模利用，提升光伏并網(wǎng)微型逆變器故障識(shí)別效率和精度、縮小識(shí)別故障的時(shí)間至關(guān)重要。為此本文提出的基于模糊故障樹(shù)的光伏并網(wǎng)微型逆變器故障識(shí)別方法研究。首先通過(guò)模糊故障樹(shù)對(duì)光伏并網(wǎng)微型逆變器進(jìn)行故障映射，提取故障特征，然后利用SOFTMAX 光伏并網(wǎng)微型逆變器故障多分類器，實(shí)現(xiàn)光伏并網(wǎng)微型逆變器故障識(shí)別。實(shí)驗(yàn)證明，在有功功率為3～12 kW 的范圍內(nèi)該方法的采樣時(shí)間較短，且采樣效率、精度較高，性能穩(wěn)定，實(shí)現(xiàn)了采樣性能的突破，對(duì)于提升光伏發(fā)電系統(tǒng)穩(wěn)定性具有一定的參考價(jià)值。