[发明专利]一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法

权利要求书

1.一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，包括以下步骤：

(Ⅰ)对每一相的上、下桥臂的电压进行采样；

(Ⅱ)建立MMC关于环流和交流侧线电流的微分方程，得出每一相的环流及交流侧每一相的线电流；

(Ⅲ)将离散化后的环流和交流侧线电流方程，用卡尔曼滤波的形式表示，并计算得到MMC的状态变量及环流和交流侧线电流的量测值，得出卡尔曼滤波器的5个基本方程；

(Ⅳ)将通过卡尔曼滤波得到的环流和交流侧线电流的预测估计值和量测值进行比较，得到残差；

(Ⅴ)将残差代入残差估计函数，若残差估计函数大于无故障发生时残差估计函数的上确界，则说明有故障产生；若残差估计函数小于无故障发生时残差估计函数的上确界，则说明没有故障产生；

(Ⅵ)检测到故障发生后，用卡尔曼滤波得到环流交流侧线电流的最优估计值，用环流交流侧线电流的量测值与最优估计值比较得残差；

(Ⅶ)利用最优估计与量测值的残差，采用卡尔曼滤波方法与支持向量机算法，定位得到具体的故障桥臂。

2.根据权利要求1所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅶ)中，卡尔曼滤波方法与支持向量机算法相结合对MMC进行故障定位包括以下步骤：

(Ⅶa)利用故障后环流和交流侧线电流的量测值与最优估计值比较得的残差，作为支持向量机的训练集；

(Ⅶb)创建支持向量机算法的故障定位模型；

(Ⅶc)仿真测试；

(Ⅶd)输出故障定位标签，当不同位置故障时输出不同标签。

3.根据权利要求1所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，该模块化多电平换流器由三相六个桥臂构成，每相包含上下两个桥臂，每个桥臂由一个电感和至少1个结构相同的子模块级联而成，每个子模块包括两个绝缘栅双极型晶体管，两个反并联二极管和一个电容。

4.根据权利要求3所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅱ)中，MMC关于环流和交流侧线电流的微分方程如下：

式中，U_dc是直流母线电压。

5.根据权利要求4所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅲ)中，MMC的状态变量及环流和交流侧线电流的量测值如下：

式中，k代表MMC所在时刻，是MMC在k时刻的状态变量，F、G、J是系统参数，由所述步骤(Ⅱ)中的微分方程求出，w(k-1)是MMC的过程噪声，假设为高斯白噪声；y(k)是MMC在k时刻的量测值，H为量测系统的参数，v(k)是MMC的量测噪声，假设为高斯白噪声。

6.根据权利要求1所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅲ)中，卡尔曼滤波器的5个基本方程按照如下步骤求出：

(Ⅲa)基于系统的最优状态变量预测下一状态的状态变量；

(Ⅲb)更新预测状态变量的协方差：

(Ⅲc)计算卡尔曼增益；

(Ⅲd)通过卡尔曼增益和MMC在k时刻的预测状态变量，计算MMC在k时刻的最优化估算值；

(Ⅲe)更新MMC在k时刻的最优化估算值的协方差。

7.根据权利要求1所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅴ)中，残差估计函数如下：

式中，k₀是采样开始的时刻，L是采样时刻的总长度。

8.根据权利要求1所述的一种基于卡尔曼滤波和支持向量机的MMC故障诊断方法，其特征在于，所述步骤(Ⅵ)中，环流交流侧线电流的量测值由simulink采集得到。