基于FastICA-SVM的光伏并網逆變器故障診斷

張磊，趙漣漪，夏遠洋

（1.安徽水利水電職業技術學院機電工程學院，安徽合肥 231603；2.雅礱江流域水電開發有限公司，四川成都 610051）

以煤炭、石油為代表的常規能源都是不可再生的，而以太陽能為代表的可再生能源，具有普遍性、無害性、持久性及潛在的經濟性等優點，在可持續發展和碳中和發展戰略中極具發展潛力[1]。

國內外分布式光伏發電能源占比逐漸升高，其主要包括太陽能電池板組件、光伏并網逆變器、直流匯流裝置、雙向電表、直流配電柜、交流配電柜等設備，其中并網逆變器是能量轉換樞紐。通過對逆變器中開關管的高頻通斷控制，實現直流電向交流電的轉換。開關管工作時，需要同時承受較高的電流應力和電壓應力，是整個發電系統中容易發生故障的器件之一。目前，常采用智能芯片實現對開關管的通斷控制，一旦開光管發生短路故障，芯片會立即鎖定控制信號，實現開關管的短路故障保護。但開關管開路時，逆變器仍能繼續工作，且不易察覺，具有較大的故障隱患[2]，需要對逆變器進行開路故障診斷。

文獻[3]和[4]對三相逆變器開路故障診斷方法做了全面介紹：文獻[3]分別從基于電流的逆變器故障診斷方法和基于電壓的逆變器故障診斷方法做了詳細的介紹；文獻[4]從故障類型、逆變器類型和故障診斷方法3 個層面對現有的逆變器故障診斷方法進行了總結，并對未來逆變器診斷技術的研究方向進行了展望。文獻[5]詳細分析了分布式電源中逆變器的故障特征，這對故障診斷特征的提取有很大的參考價值，但沒有對故障診斷方法做出研究。文獻[6]~[8]采用小波包的方法，對故障情況下的輸出電壓或輸出電流進行分解，提取故障特征值，以實現故障診斷。文獻[9]以三相定子電流為故障特征提取對象，融合多種頻域指標，提取故障特征，以實現故障診斷。文獻[10]提出了通過分析三相逆變器在αβ 平面上的輸出電壓軌跡，以實現故障診斷的方法，該方法具有易于實現、測量參數少的特點。文獻[11]~[13]選用不同的物理變量，實現故障特征的提取，在進行故障模型建立時均采用神經網絡，這與文獻[4]研究的逆變器診斷技術發展方向相一致，即采用人工智能實現診斷的智能化。

為了提高抗干擾能力和診斷效果，本文提出一種基于FastICA算法對故障進行判定，并融合多種時域指標，進行故障特征提取、支持向量機，以實現故障定位的診斷方法。通過FastICA 算法分析三相輸出電流，故障時，該算法可以分離出單管開路故障波形特征，同時，噪聲作為獨立成分信號也被分離出來。提取電流Id時域下的故障特征，構成特征矩陣，采用SVM進行模型訓練，實現故障管的定位。經過MATLAB 仿真驗證表明，所提方法能夠較好地實現故障管的診斷和定位。

1 光伏并網逆變器開路故障分析

三相兩電平光伏并網逆變器雙閉環控制策略框圖如圖1所示，主電路主要由光伏陣列、Boost變換器、三相兩電平逆變器、濾波器和電網電源等組成。

圖1 光伏并網逆變器雙閉環控制策略框圖

為了能夠在光伏陣列遮蔭情況下仍能輸出最大功率，Boost 變換器采用粒子群算法實現MPPT功能。三相橋式逆變器控制策略較多，本文采用直流電壓Udc經過調節器構成控制外環、旋轉電流Id/Iq（給定參考電流Iq-ref=0）和旋轉電壓Vd/Vq構成控制內環、三相正弦波脈寬調制（SPWM）波為控制信號的控制策略。直流電壓Udc作為外環，能夠將直流側電壓穩定在光伏陣列的最大功率點對應的電壓處；旋轉電流Id/Iq作為控制外環，能夠確保逆變器始終以單位功率因數向電網輸送恒定功率的電能[14]。

在逆變器工作時，單管發生開路故障的概率最大，因此，僅對單管發生開路故障的情況進行討論[15]。由于三相逆變電路對稱，選擇VT1進行開路故障原理的分析即可。開關管VT1正常工作和發生開路故障時，a 相電流的流通路徑如圖2 所示。圖2中含有帶箭頭的實虛線，實線為VT1 正常時a相電流流通路徑；虛線為VT1開路時a相電流的流通路徑；箭頭表示電流流向。取a相電流流出方向為正方向；Sa1=1 表示開關管VT1 導通，Sa1=0 表示開關管VT1斷開；Sa2的取值表示開關管VT2的通斷狀態，定義與Sa1相同。

圖2 VT1正常與故障時a相電流的流通路徑

由圖2可知：相電流ia>0時VT1若發生開路，相電流ia無法流過VT1，此時，相電流ia將通過二極管VD2實現續流，如圖2（a）所示。此時，逆變器輸出電流畸變：ia波形缺失正半波，ib、ic波形幅值增大。相電流ia＜0 時，相電流ia流經VD1 或VT2，跟VT1的狀態無關，VT1若發生開路，并不會影響相電流波形。VT1 發生單管開路故障，三相電流輸出波形如圖3所示。

圖3 VT1開路故障前后三相電流輸出波形

由以上分析可知，三相兩電平逆變器出現單個開關管開路時，開路開關管將會導致所在相電流波形缺失正弦半波，另外兩相的電流波形仍為正弦波，但幅值會有所增加。此時，三相輸出電流波形僅含正弦半波和正弦波2個成分。根據文獻[16]對三相兩電平逆變器發生各種故障時，三相輸出電流波形特點的描述可知，僅在逆變器發生單管開路時，三相輸出電流波形才會同時輸出正弦半波和正弦波2個成分。因此，可對三相輸出電流的波形進行成分分析，以此來判定逆變器是否發生單管開路故障。

2 光伏并網逆變器故障特征分析

2.1 故障判定方法

當逆變器發生單管開路故障時，故障相電流與非故障相電流波形特征不同，三相輸出電流出現2 種獨立成分。本文采用盲源分離算法對三相電流進行獨立成分分析，以此判定是否發生單管開路故障。ICA 算法是盲源分離的經典應用。ICA 算法不依賴源信號，通過觀測信號，就能估計出源信號。ICA算法已經在特征提取、信號分離等領域表現出很好的應用前景[17]。ICA 算法實現源信號估計的原理框圖如圖4所示。

圖4 ICA算法的原理框圖

觀測信號X 是由具有n 個統計獨立信號構成的盲源信號S，經過線性隨機混合矩陣A得到的，即：

ICA算法的目的就是由觀測信號X 估算得到A 的逆矩陣W ≈A-1(即分離矩陣)，以此求得盲源信號S 的估計信號Y ，即：

ICA 算法中應用較多的是FastICA 算法，該算法以最大化負熵作為目標函數，用牛頓迭代算法批量處理觀測信號，大大提升了信號分離速度，同時，該算法具有神經網絡算法的優點。適合處理各類非高斯類型的數據[17]。

選用工頻正弦波信號s1、振蕩衰減信號s2和噪聲s3作為盲源信號S=[]s1,s2,s3，如圖5 所示。源信號s1、s2、s3經過隨機比例混合得到3個觀測信號x1、x2、x3，如圖6 所示。將觀測信號X=[x1,x2,x3] 作為FastICA算法的輸入，經算法分離得到估計信號Y=[]y1,y2,y3，如圖7 所示。同時得到混合矩陣A 與分離矩陣W ：

圖5 盲源信號S

圖6 觀測信號X

通過上述分離結果可以看出：FastICA 算法能夠將觀測信號X 的組成成分分離出來，得到估計信號Y ；同時，估計信號Y 具有盲源信號S 的波形特征，但分離信號與盲源信號的順序不能保持一致；估計信號Y 將噪聲信號作為一個獨立信號源從觀測信號中分離出來。仿真表明，FastICA 算法具有保持原有信號固有特征的分離信號的能力，同時具有抗干擾能力強的特點。

2.2 故障特征分析

通過FastICA進行故障判定，但無法實現故障管定位。旋轉電流Id是由三相電流經過坐標變換得到的，當發生開路故障時，電流Id也會發生變化。因此，選擇電流Id進行故障特征的提取理論上是可行的。

時域下的特征參數是從時間維度描繪信號的波形特征，具有直觀、便于理解的特點。時頻域下特征參數指標主要有平均值、標準差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因數、波形因數、沖擊因數、裕度因數合能量等，其各自的計算公式如表1所示。

表1 時域特征指標計算公式

有時為了更深地發掘信號特征，還應對信號進行傅里葉變換，以實現頻域下特征提取。提取用于反映頻域振動能量強弱的均值頻率、頻譜集中程度情況的標準差、主頻帶位置的頻率中心和均方根頻率等，計算公式依次為公式（3）~（6），式中f 表示采集時刻，s 表示采集信號。

選用表1 所示的參數和公式（1）~（4）進行特征提取。

2.3 支持向量機

支持向量機（Support Vector Machine，SVM）是一種基于統計學習理論和結構風險最小原理的機器學習方法，該方法廣泛應用在解決小樣本、非線性及高維模式識別場合中。

二維空間中SVM實現過程如圖8所示。最優分類超平面為一條直線。這條直線實現2 類點的分離，并在以后有了新的點，這條線也能做出很好的分類。該直線與2 類樣本的支持向量確定的直線（圖8 中2 條虛線）距離相同。這樣尋求的分類直線不僅能夠實現兩類點的分離，同時能使間隔最大，樣本局部擾動對它的影響最小、產生的分類結果最魯棒、對未見示例的泛化能力最強[18-19]。

圖8 SVM分類原理

當旋轉電流Id將表1計算得到的時域值作為SVM 的樣本數據輸入量時，樣本數據是非線性、多維的數據，最優分類超平面不再是一條直線。根據核函數存在性定理可知，對非線性樣本必定存在一個非線性映射，把非線性樣本數據從原始空間映射到一個高維特征空間，再在高維特征空間中求最優分類面。在最優分類面中選擇合適的內積核函數就可以實現某一非線性變換后的線性分類。

基于內積函數的SVM求解學習算法如下：

（1） 準 備 訓 練 樣 本 集 數 據{(x1,y1),(x2,y2),...,(xn,yn)}，i=1,2,...,n，xi∈Rd，yi為類別值；

2.4 故障診斷方法

根據上述分析，基于FastICA、時域特征和SVM的光伏并網逆變器單管開路故障診斷方法表述如下：

（1）用FastICA算法對采集的三相輸出電流進行獨立成分分解，得到輸出電流的獨立分量；

（2）根據分解得到的獨立分量圖形特征，判斷是否發生單管開路；

（3）改變光伏陣列的光照強度，得到不同功率下的電流Id值；

（4）根據時域特征計算公式計算電流Id的特征值；

（5）將特征值和故障編碼作為樣本進行SVM模型訓練；

（6）檢驗模型效果。

3 仿真分析

3.1 仿真模型

根據圖1 搭建MATLAB 仿真模型。模型中采用4 組光伏組，額定輸出功率時光伏電池板的光照強度為[1 000,1 000,1 000,1 000]；Boost 電路輸出電壓800 V；逆變器主電路為三相兩電平結構，輸出功率100 kW，電力電子器件的開關頻率10 kHz；LCL 濾波器取值：逆變器側濾波電感0.8 mH，電網側濾波電感0.2 mH，濾波電容100 μF，阻尼電阻3 Ω；電網采用50 Hz、線電壓380 V 的對稱三相交流電。

沒有開路故障時，三相并網輸出電壓波形、三相輸出電流波形和旋轉電流Id波形如圖9~11 所示。從圖中可以看出，三相輸出電壓電流同步，波形對稱且光滑，旋轉電流Id波形運行穩定，模型運行正常。

圖9 正常情況下三相輸出電壓波形

圖10 正常情況下三相輸出電流波形

圖11 正常情況下旋轉電流波形

3.2 單管開路故障診斷

搭建仿真模型（見圖12）來模擬開關管VT1正常工作和開路故障。時鐘模塊clock 設定開路故障時刻，switch模塊實現開關管VT1控制信號的選擇。switch 模塊選擇“PWM1”時，VT1 正常工作；switch 模塊選擇“0”時，VT1 接收“低電平”而無法開通，實現VT1 的開路模擬。其他各個單管開路模擬也可以采用此方法實現。

圖12 VT1開路故障仿真模型

設定VT1 開路時刻為0.02 s，此時，三相輸出電流波形如圖13所示。當VT1發生開路時，a相電流缺失上半周波形，b、c 相電流仍是正弦波形狀，且兩相電流形狀類似，同時，電流幅值都有所增大。仿真結果與上述分析結論相同。

圖13 VT1開路故障時三相輸出電流波形

用FastICA 算法對VT1 開路后的三相電流值進行分析，得到信號波形，如圖14所示。

圖14 三相輸出電流經分離得到的信號波形

由圖14 可知，分離信號中含有近似正弦的波形和近似正弦半波的波形，同時，高頻噪音信號也被獨立分離出來?？梢?，FastICA 算法能夠將單管故障情形下的三相輸出電流2 個獨立成分實現分離，與圖13 波形特征相同，能判定三相兩電平逆變器發生單管開路故障，但無法實現開路管的定位。

3.3 時域特征提取

取VT1~VT6單管開路故障時電路的工作狀態編碼分別為1~6，同時，取電路正常工作時的編碼0，這樣共有7種工作狀態，如表2所示。

表2 逆變器工作狀態編碼

改變光伏電池板的光照強度，光伏發電系統傳送給電網的電功率將有所不同，以此，獲得各個工作狀態下電流Id值。為了獲得足夠的數據，改變4組光伏電池板的光照強度，每種工作狀態下生成40組不同數據，共產生280組數據。從這280組數據每種狀態中隨意選擇一組數據，繪制其電流Id波形，如圖15 所示。從圖15 可以看出，不同光照強度和工作狀態下，電流Id在時域中的特征有所不同。

圖15 7種工作狀態下電流Id 波形

對產生的280 組數據，使用表1 和公式（1）~（4）分別計算其特征值，生成特征數據矩陣，矩陣大小為280×17。

3.4 故障診斷模型

將生成的特征矩陣作為SVM 的輸入，280組數據對應的工作狀態編碼作為SVM 的目標輸出，對280 組樣本數據進行分類診斷。分別采用線性內積核函數（Linear kernel function）、二次內積核函數（Quadratic kernel function）、三次內積核函數（Cubic kernel function）、高斯內積核函數（Gaussion kernel function）構建SVM，不同比例交叉驗證下，獲得的診斷準確率如表3 所示。

表3 不同內積核函數和交叉驗證比例下的診斷準確率%

從表3可以看出，在不同交叉驗證比例下，采用二次內積核函數構建的SVM 診斷效果最優，準確率均在97%之上；采用高斯內積核函數構建的SVM效果最差。

采用二次內積核函數構建的SVM在25%交叉驗證比例下的AUC指標值如表4所示。

表4 25%交叉驗證比例下的AUC指標值

從表4 可以看出，各工作狀態下的AUC 指標值接近1，模型預測結果可信度較高。表3 和表4 仿真結果表明，用二次內積核函數構建SVM 目標函數，以旋轉電流Id時域下的特征值為SVM 的輸入，工作狀態編碼為輸出的診斷模型，診斷準確率較高，可用于逆變器單管開路故障的診斷。

4 結論

本文提出的一種基于FastICA-SVM 的故障診斷方法，能夠實現光伏并網逆變器開路故障診斷。FastICA 對三相電流進行獨立成分分析，能夠得到正弦半波和近似正弦波2 個獨立成分，以實現單管開路故障判定；以旋轉電流Id提取的特征值作為SVM 輸入、逆變器工作狀態編碼作為SVM 輸出、二次內積核函數構建的SVM 模型，能夠實現故障管定位。此方法為逆變器電力電子器件開路故障診斷提供了參考。