[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

说明书

技术领域

本发明属于电力电子运用与故障诊断技术领域，具体涉及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。

背景技术

由于当前环境形势日益严峻、资源日趋匿乏，开发和利用清洁型能源逐渐发展为世界各国能源战略的重中之重。在对太阳能的各种开发利用中，以在光伏发电技术领域的应用最为常见也最为有价值。

现代控制技术也在光伏发电领域中得到广泛应用。促使光伏发电控制技术发展的逐渐庞大起来，也越来越复杂。光伏发电系统的电源动力和控制系统一般有大功率逆变器担当，逆变器若出现故障而得不到技术的诊断与修复，定会造成无法挽回的经济损失和安全风险。对其安全与平稳运行的保证是光伏发电技术函需处理的重要问题，其在现实应用中的意义非常重大。所以研究光伏逆变器的故障诊断技术就表现得尤为关键。

隐马尔可夫模型(HMM)是一种统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。隐马尔可夫模型创立于20世纪70年代,80年代得到了传播和发展,成为信号处理的一个重要方向,现已成功地用于语音识别,行为识别,文字识别以及故障诊断等领域。

隐马尔可夫模型则是双重随机过程，不仅状态转移之间是个随机事件，状态和输出之间也是一个随机过程。但是HMM有一个致命的缺陷，最终所得解依赖于初始值的选取,往往只是局部最优,影响了最终系统的识别率。

遗传算法是模拟自然界的进化现象,把搜索空间映射为遗传空间,把可能的解编码成一个向量——染色体,向量的每个元素称为基因。通过不断计算各染色体的适应值,选择最好的染色体,获得最优解。设计遗传算法时通常包括以下几个方面内容：确定编码方案，确定适应度函数，控制参数的选取，遗传算子及选择策略的选择和确定算法的终止条件。由于遗传算法中使用的是基于种群的全局搜索,非常容易获得全局最优解。

此外，当前较为传统的NPC逆变器故障诊断方法有基于信号处理的方法和基于知识的方法等。其中基于信号处理的方法虽使用方便，但是其故障特征的判别参数需要根据专家的经验来设定，这个缺点降低了此方法的实用性；基于知识的方法虽提高了故障诊断的时效性，但识别正确率较低，有很大的局限性。

发明内容

为解决现有技术存在的问题，本发明先用遗传算法训练出了最优观测值概率矩阵B的初始值，然后训练模型，用训练出的模型进行故障诊断，改善了隐马尔可夫模型的缺陷，并解决传统逆变器故障诊断中识别率低及诊断速度慢的问题。

本发明是通过以下技术方案实现上述技术目的的。

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，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。

进一步，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。

进一步，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。