[发明专利]基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法

权利要求书

1.基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，包括以下步骤：

S1，由获得的NPC光伏逆变器的输出电压U和输出电流I训练GHMM，具体过程如下：

S1.1，获得用于训练GHMM的NPC光伏逆变器的输出电压U和输出电流I,包括所有已明确故障类型及正常状态的输出电压U和输出电流I；

S1.2，对S1.1获得的所有故障状态时的输出电压U和输出电流I的值进行处理；

S1.3，建立一个GHMM：λ＝(π,A,B)，确定λ模型中的参数初始值；

S1.4，用遗传算法训练出最优观测值概率矩阵B的初始值，此时λ＝(π,A,B)的初始化完成；

S1.5，得到λ模型中参数π、A、B的初始值后，用Baum-Welch算法对参数π、A、B进行重估，得到重估后的模型重复此过程，直到参数π、A、B收敛到设定的范围内，此时的就是所求的改进的隐马尔可夫模型；

S2，由某一故障状态时的输出电压U和输出电流I值，对NPC光伏逆变器故障进行诊断，具体过程如下：

S2.1，根据步骤S1完成训练后得到的参数π、A、B，可以得到对应于NPC光伏逆变器各故障状态的改进的隐马尔可夫模型；

S2.2，将待测故障状态中的输出电压U与输出电流I用S1.2的方法处理后，带入S2.1中各故障状态的改进的隐马尔可夫模型，用Viterbi算法求出最大的概率输出值P(O|λ)；

S2.3，概率输出值最大的模型所对应的状态为当前NPC光伏逆变器所处的故障。

2.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，S1.1中在训练各个故障状态的GHMM时使用对应状态的输出电压U和输出电流I。

3.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，S1.1中用于训练GHMM的输出电压U和输出电流I的数值，既可以是离线的数据，也可以是在线监测数据。

4.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，所述S1.2具体为：将获得的输出电压U和输出电流I值转化为离散数值,即把输出电压U和输出电流I的幅值等分为多个区域并升序排列,将各区域映射为各个离散值,在此基础上确定获得的输出电压U和输出电流I值对应的离散数值。

5.根据权利要求1所述的基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，其特征在于，所述S1.3具体为：基于NPC光伏逆变器的电路模型，选择无跳跃的左右型HMM，设其隐含状态数为4，那么转移状态概率矩阵初始状态概率矩阵π设置为π＝[1 0 0 0]。