下载掌阅APP，畅读海量书库
立即打开
光伏并网逆变器是将光伏电池所输入的直流电转换成符合电网要求的交流电再接入电网的设备，是并网型光伏系统能量转换与控制的核心。光伏并网逆变器的性能不仅影响和决定整个光伏并网系统是否能够稳定、安全、可靠、高效运行，同时也是影响整个系统使用寿命的主要因素。相关研究显示，在光伏电站运行过程中逆变器系统故障比例占整体光伏电站常见故障的60% [66] 。因此，对于逆变器故障进行及时的诊断和故障预警，可以减少故障停机次数，避免逆变器长时间停机造成系统的功率损失。由于光伏并网逆变器一般处在户外环境，功率开关管长期处于高频率开关状态的切换，这使得逆变器故障中开关管故障占了很大比重，根据调查表明，38%的逆变器故障为功率器件故障 [67] 。目前的逆变器产品中，功率开关器件、续流二极管、驱动电路、保护电路集成在一个模块中，当短路故障出现时，模块内部的保护电路会触发并工作，使得短路故障被快速隔离。因此逆变器故障诊断技术大多聚焦于开关器件开路故障。
传统故障诊断方法主要依赖于人工参与，这就导致了对于很多故障难以快速诊断，需要人为逐渐排除，一方面增加了诊断时间，另一方面提高了安全风险。当系统中存在多种类型故障或未知原因故障时，传统诊断方法无法实现系统性的综合故障诊断。为了应对传统故障诊断方法的不足，越来越多的研究借助智能处理器和丰富的监测数据，开始采用智能化的故障诊断方法。
逆变器智能化故障诊断流程主要包括两部分：一是故障特征提取，利用传感器设备获取所能监测的故障信号，例如电流、电压、温度、磁场强度等，并记录故障波形，然后通过信号处理方式提取这些故障信号的特征值，例如幅值、相位、有效值、平均值、傅里叶系数、小波系数等；二是分析故障特征值，判断故障位置或原因，通过对先前提取的故障信号的特征值进行分析，并根据智能算法找到对应的故障位置或者故障原因，实现故障诊断。目前主流的逆变器故障特征提取方法包括状态观测器法、参数估计法、矢量分析法、频谱分析法、小波分析法、主元分析法、经验模态分解法等。现有的故障识别方法往往是结合人工智能实现故障特征的自动分类和识别。典型方法包括神经网络、贝叶斯网络、支持向量机、模糊逻辑推理、数据挖掘和专家经验等 [68] 。逆变器故障诊断方法的分类结构图如图1-13所示。
图1-13 故障诊断方法分类
基于状态观测器法的逆变器故障特征提取的基本思想是：基于数学模型设计逆变器的状态观测器，通过比较观测器输出与逆变器真实输出，生成残差变量，再对残差变量进行分析，实现逆变器的故障诊断。逆变器的控制系统及其状态观测器的结构如图1-14所示。设计故障检测观测器时，不仅要保证观测器的稳定性，还要求能够通过残差信号识别系统故障。对于含有噪声干扰的系统，还要考虑观测器具有抗干扰和鲁棒性。
图1-14 逆变器控制系统与观测器
设逆变器系统可表示为
由式（1-1）可得故障检测的观测方程为
状态残差变量可表示为
输出残差变量可表示为
由此可得状态误差方程为
输出误差方程为
在获得输出残差变量后，设定阈值（恒定值或者可变值），通过检测残差是否超过阈值进而判断系统是否发生了相应的故障。一般来说，系统无故障时残差为接近于零的数值；当系统发生故障时，残差会大幅度偏离零值。
目前常用的状态观测器有卡尔曼滤波器 [69] 、龙伯格观测器 [70] 以及滑模观测器 [71] 。卡尔曼滤波器是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。该方法已被广泛运用于工业控制和模式识别等领域。龙伯格观测器是一种误差线性反馈的观测器，理论相对成熟，也是工业应用中的常用观测器之一。滑模观测器是一种非线性观测器，在设计时考虑了系统的非线性和干扰因素，其应用前景十分可观。
状态观测器法能够快速提取逆变器的故障特征，但是其需要充分了解逆变器的运行机理，并且需要准确建立逆变器的数学模型。因此该方法难以应对多电平逆变器等复杂的非线性系统，具有一定的局限性。
参数估计法在逆变器故障诊断中的应用主要集中于电流平均值法 [72] 。首先通过式（1-7）求出每个基波周期内三相电流平均值 I x -av ，然后将三相电流平均值通过Clark变换得到α-β坐标系下平均值电流 I α-av 和 I β-av 。
式中， x = a , b , c ； N 为一个基波周期内电流采样点总个数。
定义平均电流矢量为
式中，平均电流矢量的模和相角可表示为
当逆变器处于健康状况时，一个基波周期内电流平均值接近于0，所以平均电流矢量为零矢量。当某一功率开关管发生开路故障时，可以通过检测平均电流矢量模的值判断逆变器是否发生故障，再通过平均电流矢量相角值判断开关管开路故障位置，特征判断表见表1-2。
表1-2 平均电流矢量特征定位表
参数估计法无需建立逆变器的数学模型，只需要获取三相电流信号，算法实现较为方便。但是易受负载扰动和噪声的影响，并且没有滤波环节，抗干扰性差，在实际工程中容易出现误诊情况。
矢量分析法在逆变器故障诊断中的应用主要为电流矢量轨迹分析法 [73] 。首先将三相电流经过Clark变换得到电流矢量如下：
电流矢量的模和相角可表示为
定义电流矢量轨迹斜率为
式中， i α ( k )、 i β ( k )分别为 i α 和 i β 在 k 时刻的采样值。
当逆变器为正常状态时，α-β坐标系下的电流矢量轨迹形状为圆形，此时，其斜率值是一个变化量，当逆变器在不同开路故障状态下时，电流矢量轨迹呈现出不同形式的半圆，正常和故障状态下的电流矢量轨迹如图1-15所示。因此结合电流矢量轨迹斜率和极性就可以准确定位功率开关管开路故障的位置。
图1-15 电流矢量轨迹图
矢量分析法也无需建立逆变器的数学模型，只需要获取三相电流信号，算法实现较为方便。但同样易受负载扰动和噪声的影响，抗干扰性差，在实际工程中容易出现误诊情况，并且只能针对单个功率开关管故障进行诊断。
频谱分析法主要指将逆变器系统输出的物理量从时域状态变换到频域状态，获得故障信号在频域下的各次频率分量，其主要特征为各次频率分量的幅值和相角。通过提取不同故障下故障信号的频谱特征，从而实现逆变器的故障诊断。目前运用于逆变器故障诊断的频谱分析法主要为傅里叶变换法 [74,75] 。图1-16是故障电流及其傅里叶变换结果。
频谱分析法应用于故障特征提取有利于获取故障信号的频域特征，适合对平稳信号进行处理。但是实际工程中逆变器在故障状态下输出的故障信号多为非平稳信号，因此用频谱分析法作为特征提取方法无法完整有效提取故障特征。并且原始故障信号经过傅里叶变换后舍弃了信号的时域特征，时域分辨率差会造成故障信息的损失。因此小波分析法逐渐取代频谱分析法成为目前主要的特征提取方法。
图1-16 三相故障电流及其傅里叶变换结果
小波分析因能同时提供故障信号的时域和频域局部化信息，弥补了傅里叶变换不能同时描述故障信号时域和频域信息以及短时傅里叶变换在整个时频平面分辨率相同的缺点，在故障特征提取领域得到广泛应用 [76,77] 。
小波分析是一种时-频分析方法，其采用小波基函数通过尺度因子和平移因子的变化识别并分离出信号的近似成分（低频）和细节成分（高频），其原理与窗口宽度自适应变化的加窗傅里叶变换相同。而基于多分辨率的小波分析是指不断变化尺度因子的大小实现对上一尺度因子下的近似成分（低频）进一步分解，得到本次尺度因子下的近似成分（低频）和细节成分（高频），可实现信号细节成分的尽限提取。图1-17所示为小波3层分析示意图，其中： a n 代表第 n 层的低频信号； d n 代表第 n 层的高频信号。
由于小波分析没有对信号的细节成分进行再分析和提取，而小波包分解弥补了这种缺陷。小波包分解在不同尺度因子下不仅对上一尺度因子下的近似成分进行分解，得到其在本次尺度因子下的近似成分和细节成分，还对上一尺度因子下的细节成分也进行分解，得到其在本次尺度因子下的近似成分和细节成分，这样实现了频域和时域分辨率的共同提高。图1-18所示为3层小波包分解原理图。
图1-17 3层小波分析原理图
图1-18 3层小波包分解原理图
如图1-19所示，将逆变器原始故障信号进行一维小波包分解，基于信号能量在各频带的分布特性，提取故障信号在各频带内的能量值作为特征信息，以此组成有效的故障特征向量作为故障分类器的输入向量，由故障分类器实现故障定位。
目前将小波包分解法运用于故障特征提取的主要步骤如下：
（1）采样一个基波周期的逆变器交流侧三相电流或电压作为故障信号。
（2）对故障信号进行 n 层小波包分解，在节点( j +1, p )处的小波包系数由式（1-13）给出。其中 h 0 ( k )和 h 1 ( k )为一对共轭正交滤波器，可由小波基函数计算获得。
图1-19 小波包分解结果
（3）对节点(
j
,
p
)处的小波包系数
进行重构，得到该节点重构后的小波包系数
D
j
，
p
(
k
)。
（4）根据式（1-14）求取第 n 层第 p 个节点处的能量值 E n ， p ，其中 l 为一个基波周期采样的数据点个数。
（5）根据式（1-15）获得每个频率区间能量值占总能量值的百分比 T n ， p ，选取第 n 层前 s 个节点（0＜ s ＜2 n ）的能量值百分比作为故障特征量。
通过以上步骤（1）～（5），对故障信号进行特征提取，获得的各频率区间的能量占比便可作为原始故障信号的特征值。
小波变换用于故障特征提取综合了时域分析和频域分析两种方法，能够有效提取故障信号的特征值，具有多分辨率分析、时频局部化等优良特性，其特征提取结果可信度高，数字实现容易，抗干扰性强，工程应用价值高。目前其存在的唯一缺点是小波基函数的选取较为困难，一般依靠经验进行确定。
主元分析法的主要思想是：寻找一组新变量来代替原变量，新变量相对于原变量不仅维度要小，且新变量中的数据点足够代表原变量的关键信息，即能体现原变量应有特征。目前将主元分析法运用于故障特征提取主要有两种方案：一种是直接对逆变器故障信号进行特征提取 [78] ，如图1-20所示（以某一功率开关管故障为例）；另一种是对已提取得到的特征向量进行PCA（Princial Component Analysis，主成分分析）降维处理 [79] ，从而在降低输入空间维数的同时相对保留原有波形的重要信息。
图1-20 主元分析结果
目前将主元分析法运用于故障特征提取的主要步骤如下：
（1）设故障信号的采样点为 r 个，则一个故障波形数据向量可表示为 x =( s 1 , s 2 ,…, s r ) T ，其中， s n 表示第 n 个采样点数据。
（2）设用于训练的故障信号样本总数为 N ，则总样本空间为（ x 1 , x 2 ,…, x N ），再根据式（1-16）求取全体样本的平均值向量 m 。
（3）根据全体样本的平均值向量 m ，计算样本的协方差 C X ，如式（1-17）所示。
（4）选取样本的协方差矩阵前 l 大的特征值和所对应的特征向量构成转换矩阵 A ，如式（1-18）所示。
（5）将每组故障波形数据向量通过式（1-19）获得新的降维向量 y ，实现对原始故障数据的降维处理。
通过以上步骤（1）～（5），对逆变器故障信号或已提取的特征向量分别进行降维，获得的新的降维向量便可作为新的特征向量。
主元分析法用于故障特征提取能够简化故障分类器的结构，降低诊断时间，数字实现容易。但是其为线性变换过程，无法有效应对非线性系统。且当逆变器系统存在负载波动以及噪声干扰时，其特征提取结果可信度较低，抗干扰性差。因此可结合主元分析法与其他特征提取方法，实现综合运用，以此提高诊断系统的可靠性。
从物理层面而言，如果瞬时频率有意义，那么函数必须是对称的，局部均值为零，并且具有相同的过零点和极值点数目，称之为本征模式量（Intrinsic Mode Func-tion，IMF）。理论上，任何信号都可以由多个不同的IMF组成，即任何信号都可以通过经验模态分解（Empirical Mode Decomposition，EMD）算法获得有限个本征模式分量，因此IMF可用于构建信号的特征值 [80] 。
目前将EMD算法运用于故障特征提取的主要步骤如下：
（1）确定信号所有的局部极值点，然后用三次样条线将左右的局部极大值点或极小值点连接起来形成上、下包络线。上、下包络线应该包络信号所有的数据点。
（2）上、下包络线的平均值记为 m 1 ( n )，通过式（1-20）得到 h 1 ( n )，其中 x ( n )为原始采样信号，如果 h 1 ( n )是一个IMF，则 h 1 ( n )为第一个IMF分量。
（3）如果 h 1 ( n )不满足IMF的条件，把 h 1 ( n )作为原始数据，重复步骤（1）得到上、下包络线的平均值 m 11 ( n )，再通过式（1-20）求得 h 11 ( n )，并判断是否满足IMF条件，如果不满足，则继续循环 k 次，得到 h 1 k ( n )，直至 h 1 k ( n )满足IMF条件。记 c 1 ( n )= h 1 k ( n )，则 c 1 ( n )为原始信号 x ( n )的第一个满足IMF条件的分量。
（4）通过式（1-21）将 c 1 ( n )从原始信号 x ( n )中分离出来得到新的原始数据 r 1 ( n )并重复步骤（1）～（3），得到 x ( n )的第2个满足IMF条件的分量 c 2 ( n )。重复循环 l 次，得到信号 x ( n )的 l 个满足IMF条件的分量。“筛选”过程的停止准则可以通过限制两个连续的IMF之间的标准差 S d 的大小来实现，一般当 S d ＜0.3时分解过程停止。
（5）依次计算 l 个IMF的样本熵，用以构成特征向量。
EMD算法用于故障特征提取能够有效应对非线性、非平稳系统，抗干扰能力强。但EMD算法需要截取更多的故障数据或需要采用周期拓展的方法来解决信号端点极值难以采集的问题，因此算法较为复杂。并且EMD属于递归式分解，易出现模态混叠，目前也有研究采用变分模态分解（Variational Mode Decomposition，VMD）代替EMD算法作为故障特征提取方法。
对7种故障特征提取方法从应用系统、诊断时间、算法实现难易度、抗干扰性、准确度和数据量需求6个方面进行比较，结果见表1-3。
表1-3 故障特征提取方法比较
对于光伏并网逆变器系统而言，由于故障后所能保存的实际有效数据较少，并且干扰信号较多，若想在最大程度上保证故障诊断的准确性，应优先选择抗干扰能力强的小波分析法作为故障特征提取方法。在已有故障数据量非常少，但逆变器数学模型可以准确建立的系统中，可优先选择观测器法。
神经网络因其具有良好的学习能力和泛化能力，并且无需事先了解其系统输入输出对应的逻辑关系，因此在故障诊断领域得到广泛应用。基于神经网络的故障诊断方法是指运用神经网络对已经提取完成的故障特征值样本库进行训练与学习，不断调整自身权值和阈值矩阵，建立故障特征和故障类型之间的映射关系，这种映射关系是类“黑箱”结构的输入输出对应关系。在神经网络模型建立完成后，便可以将实时故障信号的特征值作为模型的输入量，模型的输出为对应的故障类型，从而实现故障诊断。
BP神经网络模型具有良好的非线性映射能力，且具有一定程度的泛化能力，在实际工程中备受青睐。其结构图如图1-21所示。
采用BP神经网络作为故障特征识别模型，利用已经构建好的特征量样本数据库作为训练数据和测试数据，在训练并测试好神经网络模型后，将实时故障特征向量作为神经网络模型的输入向量，其输出为开关管开路故障位置编码，以此实现逆变器故障定位。但是BP神经网络对初始权值和阈值比较敏感且存在局部极小值问题，因此可以采用粒子群算法寻优获得更好的BP网络初始权值和阈值，使神经网络的训练结果更加逼近期望，同时减少了神经网络的训练时间，增加了其故障识别准确率 [81] 。另外，也可以利用遗传算法的全局优化性能对BP神经网络的权值和阈值进行优化，避免传统BP网络训练时容易陷入局部极小值和学习速度慢等问题，提高了诊断的速度和正确率，同时，解决了逆变器某些单管开路与双管同时开路时故障特征值几乎一致的难题 [82] 。
图1-21 BP神经网络结构
神经网络运用于故障识别无需了解逆变器的数学模型，能够通过学习准确映射故障特征与故障类型之间的对应关系，故障识别准确率高，抗干扰能力强。但是神经网络识别的准确率比较依赖样本数据库的准确性和完整性，也无法应对未知情形的发生，即不具有推理能力，因此在故障原因推理与分析领域具有一定局限性。
贝叶斯神经网络（Bayesian Neural Network，BNN）具有强大的不确定性问题处理能力。其用条件概率表达各个信息要素之间的相关关系，能在有限的、不完整的、不确定的信息条件下进行学习和推理。在故障诊断领域，贝叶斯神经网络能有效地进行多源信息表达与融合。贝叶斯神经网络可将故障诊断与维修决策相关的各种信息纳入网络结构中，按节点的方式统一进行处理，能有效地按信息的相关关系进行融合。图1-22所示为一个简单而典型的贝叶斯神经网络示例。
以逆变器输出侧的三相电流和电压为故障信号，通过特征提取方法提取故障特征值，然后使用贝叶斯参数估计法融合故障特征量得到信息互补的新的特征向量，最后利用贝叶斯神经网络作为故障分类器对融合后的新的特征向量进行识别，对不同观测值情况下的最大后验概率估计结果进行信息融合并做出决策，进而完成故障诊断 [83] 。
图1-22 贝叶斯神经网络结构示例
由于贝叶斯神经网络是用条件概率表达网络输入量和输出量之间的关系，因此将其用作逆变器故障特征识别能够准确识别故障类型，并且其具有推理能力，能够表达不确定性故障。贝叶斯神经网络也可以用作信息融合，能够进一步提高故障诊断的准确性和可靠性。但是贝叶斯神经网络参数的设置需要相关领域的专家经验，也比较依赖故障集和特征集的完整性，表现出一定局限性。
支持向量机（Support Vector Machine，SVM）是一种基于统计学理论的机器学习算法，其学习原理同神经网络相似，通过对训练样本的学习进而掌握样本的特征，并对未知样本进行预测，图1-23所示为SVM示意图。与神经网络相比，SVM是专门针对小样本的学习算法，其本质是在有限样本中最大限度挖掘隐含在数据中的分类信息；并且SVM算法将分类问题转化为一个二次规划问题，从理论上保证通过分类得到的解是全局最优解；在非线性情况下，SVM也能巧妙地通过非线性变换将原空间中的非线性问题转化为高维空间中的线性问题，并且算法复杂度没有增加 [84] 。
图1-23 SVM示意图
SVM是专门针对小样本的学习算法，其对样本数据库的完整性依赖较小。但是SVM的核函数和参数的选择对其分类性能影响较大，因此其对模型参数较为敏感，这将直接影响其故障识别精度。
模糊逻辑可以实现清晰向模糊的转换，清晰概念代表着区间的两个端点，而模糊概念代表着区间的数值变化范围。人脑的思维总是包含着对待某种事物认知的可能性，而模糊逻辑最能代表人脑思维，因此在故障诊断领域模糊逻辑推理的应用价值很可观。模糊逻辑推理在故障诊断领域的应用主要通过专家经验设定隶属函数以及模糊规则建立故障识别模型。模糊逻辑推理模型如图1-24所示。其主要原理为：将已提取的特征量作为模型的输入量，并执行清晰向模糊的转换；通过模糊规则推理，其输出也为模糊量；最后将模型输出的模糊量经过模糊向清晰的转换形成故障编码。
图1-24 模糊逻辑推理模型结构
模糊逻辑推理用于故障识别能够有效解释故障特征和故障类型之间的对应关系，且具有语言表达的能力，数字化实现方便。但是其不具有学习能力，模糊规则和隶属函数的确立都依赖于专家经验，可以通过将模糊推理与聚类算法或神经网络相结合以解决这一问题 [85,86] 。
目前数据挖掘用于故障诊断的方法主要集中于聚类算法。聚类算法的主要原理是根据“最小化类间的相似性，最大化类内的相似性”原则，将数据项分组成多个类或簇。因此当不同故障之间的特征较为明显时，利用聚类算法可以有效理清故障特征，识别出故障位置。图1-25所示为聚类算法示意图。
图1-25 聚类算法示意图
目前聚类算法在逆变器故障诊断领域应用并不广泛，因为其需要海量的逆变器运行数据支持。在故障预测领域，该方法的应用前景更加广阔 [87] 。
基于专家系统故障诊断方法的基本思想是：依据专家在故障诊断领域积累的故障分析经验和知识，建立专家知识库。然后将专家知识库以计算机语言表述出来，根据提取的故障特征值，通过分析、推理与决策得到最终的诊断结果。
基于专家系统的故障诊断方法无需建立逆变器的精确数学模型，并且可用于故障隔离措施的决策，工程应用价值极高。但是该方法依托于大量的专家经验，并且无法通过机器学习获得模型。因此该方法只能在一些特定场合使用。
对6种故障特征识别方法从应用领域、诊断时间、算法实现难易度、抗干扰性、准确度和数据量需求6个方面进行比较，结果见表1-4。
表1-4 故障特征识别方法比较
在光伏并网逆变器系统中，若想快速准确地实现故障的定位，应优先选择支持向量机作为故障特征识别方法。在处理器内存和性能不足的情况下，若也想要对故障原因进行分析，则应优先选择模糊逻辑推理。
随着光伏产业的快速发展，对于逆变器故障诊断的需求越来越高，由于人力资源成本的增加，智能化成为了故障诊断领域的主要发展趋势。所谓智能化，便是从故障的检测到故障的诊断再到故障的隔离各环节都要实现无人工干预，在确保足够高的故障诊断正确率的基础上实现一定的故障预警功能，确保将故障带来的经济损失降到最低。