平码五不中公式规律
  • / 11
  • 下载费用:30 金币  

基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法.pdf

关 键 ?#21097;?/dt>
基于 隐马尔可夫 模型 NPC 逆变器 故障诊断 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201610875232.0

申请日:

2016.09.30

公开号:

CN106483405A

公开日:

2017.03.08

当前法律状态:

授权

?#34892;?#24615;:

有权

法?#19978;?#24773;: 授权|||实质审查的生效IPC(主分类):G01R 31/00申请日:20160930|||公开
IPC分类号: G01R31/00 主分类号: G01R31/00
申请人: 江苏大学
发明人: 郑宏; 王若隐; 朱文; 王一帆
地址: 212013 江苏省镇江市京口区学府路301号
优?#28909;ǎ?/td>
专利代理机构: 代理人:
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201610875232.0

授权公告号:

||||||

法律状态公告日:

2018.12.14|||2017.04.05|||2017.03.08

法律状态类型:

授权|||实质审查的生效|||公开

摘要

本发明公开了基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,属于电力电子运用与故障诊断技术领域,本发明基于NPC光伏逆变器拓扑结构,将在语音识别领域广泛应用的动态模式识别方法—隐马尔可夫模型引入到NPC光伏逆变器故障诊断上;采用左右型隐马尔可夫链进行建模,对NPC光伏逆变器进行故障诊断。对比现有的NPC光伏逆变器的故障诊断方法,本发明隐马尔可夫模型所需的训练样本少,迭代步数?#23545;?#23567;于常规NPC光伏逆变器故障诊断方法,模型训练时间短、故障识别率高、识别速度快;能很好地处理动态过程,可以在系统运行的动态过程中进行监测与诊断,及时NPC光伏逆变器的发现故障。

权利要求书

1.基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,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、输出电流I训练隐马尔可夫模型,具体过程
如下:
S1.1,获得用于训练隐马尔可夫模型的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时的NPC光伏逆变器的输出电压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进行处理;
S1.3,建立一个隐马尔可夫模型:λ=(π,A,B),确定λ模型中的参数初始值;
S1.4,用Viterbi算法求λ模型的状态序列;
S1.5,根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B;
S1.6,对λ模型进行参数重估?#26500;?#27979;序列的概?#39318;?#22823;,得到重估后的参数初始值;
S1.7,得到初始参数后,用Baum-Welch算法对参数进行迭代,直到参数收敛到设定的范
围内;
S2,由某一故障状态时的输出电压U和输出电流I,对NPC光伏逆变器的故障进行诊断,
具体过程如下:
S2.1,根据S1完成训?#27867;?#30340;参数,可以得到对应于NPC光伏逆变器各故障状态时的隐马
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
各故障状态时的隐马尔可夫模型;
S2.3,比较各故障状态时的隐马尔可夫模型的概率输出值;
S2.4,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。
2.根据权利要求1所述的基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,其特
征在于,S1.1中在训练隐马尔可夫模型时,使用对应状态的NPC光伏逆变器的输出电压U和
输出电流I。
3.根据权利要求1所述的基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,其特
征在于,S1.1中用于训练隐马尔可夫模型的输出电压U和输出电流I的数值,即可以是离线
的数据,也可以是在线监测的数据。
4.根据权利要求1所述的基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,其特
征在于,所述S1.2具体为:
将获得的输出电压U和输出电流I转化为离散数值:将输出电压U和输出电流I的幅?#26723;?br />分为多个区域并升序排列,将各区域?#25104;?#20026;各个离散值,在此基础上确定获得的输出电压U
和输出电流I对应的离散数值。
5.根据权利要求1所述的基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,其特
征在于,S1.3具体为:
基于电路的模型,选择无跳跃的左右型的隐马尔可夫模型,初始状态概率π设置为π=
[1 0 0 0],状态转移矩阵A设置为观测值概率矩阵B用混合高斯
概率密度函数来表示,即其中M是混合高斯概率密度函数的
混合数目,cjm是第j状态时第1个混合高斯的权,μ为正态高斯概率密度函数,Ot为每个故障
状态时的观测值,ujm为第j状态时第1个混合高斯元的均值矢量,Ujm表?#38236;趈个状态时第1个
混合高斯元的协方差矩阵。

说明书

基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法

技术领域

本发明属于电力电子运用与故障诊断技术领域,具体涉及基于隐马尔可夫模型的
NPC光伏逆变器的故障诊断方法。

背景技术

在当前环境形势?#25214;?#20005;峻、资源日趋匿乏的情况下,调整能源比重、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。

现代控制技术在光伏发电领域?#26800;?#21040;了广泛应用,促使光伏发电控制技术的发展
逐渐庞大起来,越来越复杂。在对生产的费用进行?#26723;?#30340;同时提升了其效?#21097;?#21516;时自动化程
度的增长也加大了控制系统故障出现的概?#30465;?#20809;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。达到冗余与容错控制及平稳运行是光伏发电系统对其所用逆变器进
行考察的主要指标。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。

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?#26723;?#20102;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?#24335;系停?#26377;很大的局限性。

发明内容

为解决现有技术存在的问题,本发明提出了一种基于隐马尔可夫模型的NPC光伏
逆变器的故障诊断方法,解决传统逆变器故障诊断中识别?#23454;图?#35786;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。

基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法,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、输出电流I训练隐马尔可夫模型,具体
过程如下:

S1.1,获得用于训练隐马尔可夫模型的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时的NPC光伏逆变器的输出电压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进行处理;

S1.3,建立一个隐马尔可夫模型:λ=(π,A,B),确定λ模型中的参数初始值;

S1.4,用Viterbi算法求λ模型的状态序列;

S1.5,根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B;

S1.6,对λ模型进行参数重估?#26500;?#27979;序列的概?#39318;?#22823;,得到重估后的参数初始值;

S1.7,得到初始参数后,用Baum-Welch算法对参数进行迭代,直到参数收敛到设定
的范围内;

S2,由某一故障状态时的输出电压U和输出电流I,对NPC光伏逆变器的故障进行诊
断,具体过程如下:

S2.1,根据S1完成训?#27867;?#30340;参数,可以得到对应于NPC光伏逆变器各故障状态时的
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中各故障状态时的隐马尔可夫模型;

S2.3,比较各故障状态时的隐马尔可夫模型的概率输出值;

S2.4,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中在训练隐马尔可夫模型时,使用对应状态的NPC光伏逆变器的输出
电压U和输出电流I。

进一步,S1.1中用于训练隐马尔可夫模型的输出电压U和输出电流I的数值,即可
以是离线的数据,也可以是在线监测的数据。

进一步,所述S1.2具体为:

将获得的输出电压U和输出电流I转化为离散数值:将输出电压U和输出电流I的幅
?#26723;?#20998;为多个区域并升序排列,将各区域?#25104;?#20026;各个离散值,在此基础上确定获得的输出
电压U和输出电流I对应的离散数值。

进一步,S1.3具体为:

基于电路的模型,选择无跳跃的左右型的隐马尔可夫模型,初始状态概率π设置为
π=[1 0 0 0],状态转移矩阵A设置为观测值概率矩阵B用混合高
斯概率密度函数来表示,即其中M是混合高斯概率密度函数
的混合数目,cjm是第j状态时第1个混合高斯的权,μ为正态高斯概率密度函数,Ot为每个故
障状态时的观测值,ujm为第j状态时第1个混合高斯元的均值矢量,Ujm表?#38236;趈个状态时第1
个混合高斯元的协方差矩阵。

本发明的有益效果为:隐马尔可夫模型是含有隐藏状态和观测状态的模型,可以
解决NPC光伏逆变器故障诊断问题,能很好地处理动态过程;用Viterbi算法求λ模型的状态
序列并建立模型的速度较传统建模方式更为快捷,经过Baum-Welch算法对参数进行反复迭
代得到的是局部最优解,因此故障识别率非常高。

附图说明

图1为本发明使用的隐马尔可夫模型示意图;

图2为本发明基于隐马尔可夫模型的NPC光伏逆变器的故障诊断流程图;

图3为本发明隐马尔可夫模型参数训练流程图。

具体实施方式

下面结合附?#25216;?#20855;体实施例对本发明的技术方案进行详细说明,但本发明的保护
范围并不限于此。

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。

隐马尔可夫模型有五个基本要素,即一个五元组{N,M,π,A,B}:

其中,N:模型中隐含的状态个数,N个状态用θ1,θ2,…θN表示,某一时刻的状态qt∈
(θ1,θ2,…θN),如图1所示;

M:各状态对应的观测值数目,M个观测值可以用v1,v2,v3…vM表示,某一时刻的观
测值ot∈(v1,v2,v3…vM),如图1所示;

π:初始状态概率矩阵,?#23567;蕒πi},其中:πi=P(qt=θi)1≤i≤N;

A:转移概率矩阵,A={aij},其中:aij=P(qt+1=θj,qt=θi)1≤i,j≤N;

B:观测值概率矩阵,B={bj(k)},其中:bj(k)=P(ot=vk,qt=θj)1≤j≤N,1≤k≤
M。

为简便,HMM简记为λ=(π,A,B)。

HMM可以解决的三个基本问题:a)评估问题:给定观察序列o和模型λ,如何快速地
?#25169;?#32473;定模型的条件下观察序列的概?#21097;籦)解码问题:给定一个观察序列o和模型λ,怎样寻
找?#25345;?#24847;义上最优的隐状态序列;c)训练问题:即HMM的模型参数未知,如何调整这些参数
以?#26500;?#27979;序列的概率尽可能的大。

如图2所示,基于隐马尔可夫模型的NPC光伏逆变器的故障诊断流程图,包括步骤:

S1,由获得的NPC光伏逆变器的输出电压U、输出电流I训练隐马尔可夫模型,如图3
所示,具体过程如下:

S1.1,获得用于训练隐马尔可夫模型的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时的NPC光伏逆变器的输出电压U和输出电流I;在训
练隐马尔可夫模型时,使用对应状态的NPC光伏逆变器的输出电压U和输出电流I;用于训练
隐马尔可夫模型的输出电压U和输出电流I的数值,即可以是离线的数据,也可以是在线监
测的数据。

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进行处理;

将获得的输出电压U和输出电流I转化为离散数值:将输出电压U和输出电流I的幅
?#26723;?#20998;为多个区域并升序排列,将各区域?#25104;?#20026;各个离散值,在此基础上确定获得的输出
电压U和输出电流I对应的离散数值,即可得到每个故障状态的观测值ot=[U,I]。

S1.3,建立一个隐马尔可夫模型:λ=(π,A,B),确定λ模型中的参数初始值,即状态
数、初始状态概?#30465;?#29366;态转移矩阵;

基于电路的模型,选择无跳跃的左右型的隐马尔可夫模型,隐含状态设为4,初始
状态概率π设置为π=[1 0 0 0],状态转移矩阵A设置为:


确定观测值概率矩阵B:

参照设定的隐含状态个数,将NPC光伏逆变器的输出电压U和输出电流I值均匀分
割成N份,时间T=600s,观测值概率矩阵B用混合高斯概率密度函数来表示,即


其中M是混合高斯概率密度函数的混合数目,本发明M=2,cjm是第j状态第1个混合
高斯的权,μ为正态高斯概率密度函数,Ot为每个故障状态时的观测值,ujm为第j状态时第1
个混合高斯元的均值矢量,Ujm表?#38236;趈个状态时第1个混合高斯元的协方差矩阵。

S1.4,用Viterbi算法求λ模型的状态序列;

定义一个变量δt(i),它表示t时刻沿着路径q1,q2,q3,…qt,此时qt=θi(i=1,2,
3…N),生成观察序列O1,O2,O3…Ot的最大概?#21097;?br />

所以


求最优状态序列Q*的过程如下:

①初始化,t=1时:

δ1(i)=πibi(o1),1≤i≤N (4)


其中,bi=bj(k);是迭代次数,这里将其初始化;

②递归

δt(i)=max1≤i≤N([δt-1(i)aij])bj(ot),2≤t≤T,1≤j≤N (6)


其中,argmax表示:如果i=I,f(i)达到最大值,则定义
I是输出电流大小,f(i)=δt-i(i)aij;

③终结

P*=max1≤i≤N[δT(i)] (8)

qT*=argmax1≤i≤N[δT(i)] (9)

其中,P*是最大的δt(i),qT*是概率为δt(i)时的序列;

④最佳状态序列求解


其中,q均为状态序列,为迭代次数;

S1.5,根据S1.4求得的状态序列求取λ模型的观测值概率矩阵B。

S1.6,对λ模型中的?#23567;、B进行参数重估?#26500;?#27979;序列的概?#39318;?#22823;,得到重估后的参
数初始值

定义一个变量ξt(i,j),表示在观测序列O和模型λ存在的条件下,隐马尔可夫模型
在t时刻处于θi状态且在t+1时刻处于θj的概?#21097;?#21363;

ξt(i,j)=P(O,qt=θi,qt+1=θj|λ) (11)

进一步可得

ξt(i,j)=[αt(i)aijbj(ot+1)βt+1(j)]/P(O|λ) (12)

其中,bj(ot+1)=bj(k),αt(i)为定义的前向变量,

αt(i)=P(o1,o2,…,ot,qt=θt|λ) (13)

βt+1(j)是定义的后向变量

βt+1(j)=P(ot+1,ot+2,…,oT|qt=θt,λ) (14)

所以马尔可夫模型在t时刻处于状态θi的概率为


其中,表示状态由θi转移到θj的期望值数目,βt(i)为后向变量;

重估公式为:




得到重估后的初始参数

S1.7,得到初始参数后,用Baum-Welch算法对参数进行迭代,直到参数收敛到设定
的范围内;

由求不断用此算法迭代,直到预先设定的收敛范围,此时即为训练完成
的马尔可夫模型,求P(O|λ)得方法为:

定义一个向前变量:

αt(i)=P(O1,O2,O3…Ot,qt=θi|λ),1≤t≤T (19)

其中,αt(i)表示在t时刻隐含状态序列S=q1,q2,q3,…qT状态下,生成的部分观察
序列O={O1,O2,O3…Ot}的概?#21097;?br />

①初始化

αt(i)=πibi(o1) (20)

②递归


③终结


S2,由某一故障状态时的输出电压U和输出电流I,对NPC光伏逆变器的故障进行诊
断,具体过程如下:

S2.1,根据S1完成训?#27867;?#30340;参数,可以得到对应于NPC光伏逆变器各故障状态时的
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中各故障状态时的隐马尔可夫模型;

S2.3,比较各故障状态时的隐马尔可夫模型的概率输出值P(O|λ);

S2.4,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。

以上实施例仅用于说明本发明的设?#25169;?#24819;和特点,其目的在于使本领域内的技术
人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依
据本发明所揭示的原理、设?#25169;?#36335;所作的等同变化或修饰,均在本发明的保护范围之内。

关于本文
本文标题:基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法.pdf
链接地址:http://www.pqiex.tw/p-5994703.html
关于我们 - 网站声明 - 网?#38236;?#22270; - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 北京赛车pk十开奖助手 彩票分析软件 摩登财神 网络彩票平台出租 江西多乐彩直选三遗漏数据 混合过关计算器 辽宁11选5走势图软件 国际娱乐重庆时时彩 海南环岛赛车彩票控 腾讯分分彩开奖号码走势图