基于小波分解和PSO-BP的逆变器故障诊断

第21卷第6期2016年12月新余学院学报
JOUＲNAL OF XINYU UNIVEＲSITY Vol．21，NO．6Dec．2016
基于小波分解和PSO －BP 的逆变器故障诊断
●李从飞，
田丽，凤志民，吴道林（安徽工程大学
电气工程学院，安徽
芜湖241000櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆
）
摘要：电力电子电路组成的光伏并网逆变器具有很强的非线性，
对其进行故障诊断比较困难。

将小波分解和粒子群算法PSO 相结合，以光伏逆变器AC 输出端的三相电压为特征信号，经过小波分解后的结果作为故障判别依据，再将分解后的离散平滑近似信号和离散细节信号相结合，作为诊断的特征向量，最后利用粒子群算法PSO 对神经网络寻优与神经网络的非线性分类能力，对故障特征向量分类，从而实现逆变器开关元件的故障诊断。

关键词：小波分解；粒子群算法（PSO ）；PSO 优化BP ；故障诊断
中图分类号：TP183文献标识码：A 文章编号：2095－3054（2016）櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆櫆
06－0022－04
收稿日期：2016－04－28
作者简介：李从飞（1990－），男，安徽六安人，
安徽工程大学2015级控制工程专业硕士研究生。

田丽（1962－），女，安徽芜湖人，教授，硕士研究生导师，主要从事复杂系统建模研究。

随着社会对清洁能源的不断追求，
光伏发电越来越受到人们的青睐，光伏逆变器是将光能转化为电能的重要部件，因此对光伏逆变器进行故障诊断
进而判别主控元件开关管的好坏具有重要的意义。

逆变器实际运行时，故障大多发生于逆变器主电路中的功率管开关管，功率开关管需要连续工作，且连续承受的电压、电流比较大，易损坏而出现某个或多个开关管断路现象。

本文通过对光伏逆变器的输出电压进行多频率的小波多层次分解，利用小波对正常信号和故障信号进行多分辨率的分解，得到多尺度上的信号幅值并通过计算得到表征各尺度的能量特征，再通过标准化处理后得到故障信号的特征向量，将其作为BP 神经网络的输入向量，最后利用粒
子群算法（PSO ）对BP 神经网络的初始权值和阈值进行寻优调整，从而得到比原来BP 神经网络更加快速、准确的训练结果和诊断效果。

1小波故障特征向量提取1．1小波多分辨分解
多分辨率分析本质是使用小波函数的二进制伸缩性和平移性侧重处理整体函数集，而非个体函数。

即利用小波的多分辨率分解能力将故障信号分解到不同的频段尺度上获得不同频段尺度上的C j （k ）为离散平滑近似信号，D j （k ）为离散细节信号，某一f （t ）∈L 2（Ｒ）信号的分解公式表示为：
f （t ）∈∑k
c j （k ）φj ，k （t ）+∑j
j =1
∑k
d j （k ）Ψj ，k （t ）
（1）
式中分解系数为：C j+1（k ）=∑m
h 0（m －2k ）C j （M ）（2）
D j+1（k ）=∑m h 1（m －2k ）C j （M ）（3）
式（1）右边前半部分是f （t ）在D 维空间尺度
v j （j =J ）的投影它是f （t ）的近似分量，
C j （k ）为离散平滑近似信号分量；后半是f （t ）在小波空间W j 的
投影，它是对f （t ）的细节部分信号的补充，
D j （k ）为离散细节信号分量。

式（1．2）、
（1．3）是小波多频率尺度分解系数推导公式。

现以一个三层的分解事例
进行分解说明，
其小波分解图1所示。

其中S 表示原始信号，A 表示低频分解量，D 表示高频分解量。

图1信号分解框图
1．2故障分析
研究表明逆变器的主要故障源来源于功率开关管，因此本文只以开关管的故障为研究对象。

在实际系统中，大于两个及以上功率开关管同时出现故障的情况较少，因此本文只针对最多具有2个开关管同时出现故障的情况进行诊断，并将电路正常运行
李从飞，
田丽，凤志民，吴道林：基于小波分解和PSO －BP 的逆变器故障诊断时作为一类故障类型可以分为5大类22种情况：
第一类：无故障，正常运行。

第二类：只有一个功电力开关管开路，包括6小类，即：T1，T2，T3，T4，T5，T6。

第三类：同一桥臂2只电力开关管开路，包括3
小类，即：T1＆T4、T2＆T5、T3＆T6。

第四类：同一半桥臂中相邻位置的2只电力开关
开路，包括6小类，即：T1＆T2、
T1＆T3、T2＆VT3、T4＆T5、T4＆T6、T5＆T6。

第五类：同一半桥中相对位置的2只电力开关管开路，包括6小类，即：T1＆T5、T1＆T6、T2＆T6、T2＆T4、T3＆T4、T3＆T5。

图2
三相DC －AC 逆变器拓扑结构图．1．3故障特征提取
（1）选取db3小波作为小波基函数，对并网逆变器输出电压多分辨率分解，可得到4个分解序列｛A3，D3，D2，D1｝。

（2）通过分解序列的小波能量值计算方程：E j =∑k
C j （k ）2计算分解序列的能量：E A 3，E
D 3，
E D 2，E D 1
（3）选取能量值标准化后的特征向量P 作为故障分类判别特征向量：P =｛E A 3、E D 3、E D 2、E D 1｝，作为诊断神经网络的输入。

图3仅有T3故障时AC 输出端电压波形
2基于PSO －BP 故障确定2．1粒子群算法基本原理假设有n 个这样的粒子组成一个种群X =（X 1，X 2，．．．，X n ）。

第i 个粒子的位置为X i =（x i 1，x i 1，．．．，x i 1），然后利用适应度函数计算和评价当前每一个粒子所处位置向量的好坏。

第i 粒子的速度为V i =（V i 1，V i 2，．．．，V id ），个体极值为P i =（P i 1，
P i 2，．．．，P id ），种群的集体极值为P g =（P g 1，
P g 2，．．．，P gd ），每经过一次迭代之后，粒子即可更新一次位置，由于每一个粒子相对应的运动轨迹和速度是不同的，
可用公式（4）和（5）更新种群中每一个粒子的位置X 变量与运动速度V 变量。

第k +1次迭
代寻优计算后，第i 个粒子所处的位置以及对应的速度为和位置分别为：
V k+1i =ωV k i +c 1r 1（P k i －X k i ）+c 2r 2（P k g －X k
i ）
（4）X k+1i =X k i +V k+1
i
（5）式中c 1、
c 2取非负常数，r 1、r 2为［0，1］之间的随机数常数，ω为惯性权重，同时设置位置和速度的
宽度［－X max ，
X max ］、［－V max ，V max ］来达到最好的搜索效果。

通过对粒子速度和位置的不断更新，粒子
群可以利用k 次迭代计算过程中的个体最优解P k
i 和种群最优解P k
g 所包含的信息寻找出全局最优解。

2．2基于PSO 算法的BP 网络学习算法
用PSO 算法优化BP 神经网络主要目的就是通过PSO 算法寻优获得更好的BP 网络初始权值和阈值，使故障诊断的训练结果更加逼近期望。

首先将
神经网络的各连接层之间的权值和阈值作为粒子群
算法中粒子的位置向量，
即每一个网络权值和阈值
新余学院学报
作为一个微粒子群，初始化位置向量X ，然后依照粒子群寻优算法过程，通过PSO 不断的迭代和无穷的逼近能力寻优找出全局最优位置向量T ，以此向量T 作为BP 神经网络的初始化权值w 和阈值θ，使得适应度函数F 小于目标误差ε。

F =1N ∑N t =1∑C j =1y d
j ，b －y j ，
()t 2式中，N 为样本集；y d j ，b 是样本理论化输出值；y j ，
t 是样本实际输出值；C 是网络输出神经元的个数。

由PSO 优化BP 神经网络获得初始权值w 和阈值θ之后，而BP 神经网络的本身采用梯度下降法，该算法
的学习过程主要为和“误差的逆传播”，即为权值和
阈值不断的优化过程。

通过实际输出值与期望值相类比比较，不断的对网络输入层与中间层，中间层与输出层之间的神经元连接权值与阈值的不断修正，最终使误差值最小从而达到期望误差目标值。

3故障确定
本文通过对光伏逆变器中主要故障源电力开关管进行模拟故障，从而获得光伏并网DC －AC 逆变器故障输出电压波形，并通过小波多分辨率分解变换获得离散细节变量信号D j （k ）和离散近似变量信号C j （k ）通过量化处理提取特征变量，将所提取特征变量分为两个部分训练样本和测试样本，并用经过粒子群算法（PSO ）优化过的BP 神经网络对训练样本和测试样本进行故障分类并与实际故障比较。

以下是利用小波多分辨分解和PSO －BP 网络对并网逆变器故障分类的具体流程：
Step1通过仿真并人为制造电力开关管故障（开路）获取光伏逆变器输出的故障电流波形。

Step2通过db3小波作为基波对故障电流信号多分辨分解获得离散的细节变量信号D j （k ）和离散的平滑近似变量信号C j （k ）。

Step3
使用小波的能量换算公式E j
=
∑k
C j ()k 2
分别计算出分解序列的能量值，并将获
得的能量值标准归一化处理后获得故障特征向量P 。

Step4通过使用粒子群算法（PSO ）对BP 神经网络寻优，通过PSO 不间断迭代获得BP 网络初始最优权值阈值。

Step5将特征向量P 作为神经网络输入端的输入变量送入神经网络进行故障分类识别。

图4
故障确定整体流程示意图
图5
基于PSO －BP 算法的流程图
4
结论
图6BP
网络训练结果
图7PSO －BP 训练结果
针对光伏逆变器中的电力电子器件具有较强的非线性，
本文利用小波变的多分辨率分析能力将故
李从飞，田丽，凤志民，吴道林：基于小波分解和PSO－BP的逆变器故障诊断
障信号在不同尺度上分解开，用各频率尺度上的能量值作为故障特征信号，并使用PSO算法优化出一个最优权值和阈值作为BP神经网络的初始值。

通过比较（见图6、图7），证明使用PSO－BP算法能大幅度提高网络训练的准确性，同时也使训练时间明显缩短，从而有效提高了神经网络对光伏逆变器的故障诊断效果。

参考文献：
［1］兰琴丽，章乐多．BP神经网络在光伏发电系统故障诊断中的应用［J］．通信电源技术，2011（4）：38－40．
［2］闵月梅，韩伟，王宏华．电力电子技术中故障诊断特征提取方法的研究［J］．电工电气，2013（4）：3－4．
［3］樊京路，易韵岚．基于小波分析的光伏并网逆变器故障诊断［J］．大功率变流技术，2014（5）：13－15．
［4］段艳明．基于PSO算法和BP神经网络的PID控制研究［J］．计算机技术与发展，2014（8）：240－241．［5］何朝辉．基于小波变换和人工神经网络的电能质量扰动分类［D］．长沙：湖南大学，2009．
［6］史峰，王辉，郁磊，等．MATLAB智能算法30个案例分析［M］．北京：北京航空航天大学出版社，2011．
［7］飞思科技产品研发中心．神经网络理论与MATLAB7实现［M］．北京：电子工业出版社，2005．
［8］陈坚，康勇．电力电子学［M］．北京：高等教育出版社，2011．
［9］陈道炼．DC－AC逆变技术及其应用［M］．北京：机械工业出版社，2003．
［10］Gonzalez M．Ｒaison B，Bacha S．Fault diagnosis in a grid－connected photovoltaic system by applying a signal approach ［J］．IEEE Industrial Electronics Society，2011（6）：1354－1359．
（责任编校：任华）
Fault diagnosis of grid inverter based on wavelet decomposition and PSO－BP
LI Cong－fei，TIAN Li，FENG Zhi－min，WU Dao－lin
（Anhui Polytechnic University，Wuhu241000China）
Abstract：The photovoltaic grid－connected inverter constituted by power electronic circuits has strong nonlinearity．Usually it is diffi-cult to diagnose the fault．In this paper，the wavelet decomposition is combined with particle swarm optimization．With three－phase voltage values of AC output as characteristic signal，and the result of wavelet decomposition as the fault judgment，the discrete smooth approximation signals is combined with discrete detail signals as a diagnostic feature vector．The particle swarm optimization combination of neural network and neural network nonlinear classification ability was used to classify fault feature vector，realizing the fault diagnosis of the inverter switch components．
Key words：wavelet decomposition；particle swarm optimization；PSO－BP；fault diagnosis。