[发明专利]基于优化支持向量机的三电平逆变器开路故障诊断方法

说明书

本发明涉及一种基于优化支持向量机的三电平逆变器开路故障诊断方法，该方法包括以下顺序的步骤：(1)故障特征提取，样本分配；(2)核Fisher降维，优化核函数参数；(3)确定支持向量所属的区间；(4)KNN参考点提取；(5)测试样本分配；(6)测试样本分类。本发明采用固有模态分解和奇异值分解进行特征提取能够更好地提取时变非线性信号特征；利用核Fisher算法提取支持向量作为训练样本，能够有效提高支持向量机的训练速度；利用KNN算法对分类超平面附近的测试样本分类，能够提高分类超平面附近测试样本的分类准确度；利用核Fisher算法构建的SVM‑KNN分类器能够在较少的测试时间内以更高的精度正确分类三电平逆变器开路故障。

技术领域

本发明涉及光伏逆变器电路故障诊断技术领域，尤其是基于优化支持向量机的三电平逆变器开路故障诊断方法。

背景技术

近年来，高铁、电动汽车和光伏发电的快速发展，刺激了对谐波低、效率高、体积小、重量轻、功率密度高的高性能电力转换器的需求。三电平逆变器因具有这样的优势，将取代两电平逆变器在该领域的应用。然而三电平逆变器也有它自身的缺点，相对于两电平逆变器，它使用了更多的功率管。而功率管作为逆变器的关键器件，承载大电压、高电流、较高的温度以及频繁地开关操作等，任何一个功率器件故障都会导致电路工作状态不正常，甚至危害系统安全。由于逆变器电路的高度对称性，少量功率器件发生开路故障后，电路任然能够输出，设备也能够运转，但是工作于不正常状态，长此以往将对设备造成严重的损伤，因此功率管的开路故障诊断成为逆变电路可靠性研究的热点。

目前众多学者对二极管钳位三电平逆变器的开路故障诊断进行了不少研究，例如：有人以上、中、下三种桥臂电压作为测量信号，采用小波多尺度分解法提取信号特征，再利用粒子群聚类算法生成决策树，实现对三电平逆变器开路的多模式故障诊断；有人以变换器输出电压为测试信号，利用变采样频率的小波包分析方法提取特征信号，再用PCA进行降维，最后用神经网络进行故障分类；也有人以箝位二极管桥臂上两端电压作为测试信号，利用小波变换提取信号特征，再以SVM进行故障分类，并运用布谷鸟优化算法进行支持向量机的参数寻优等等。虽然小波变换在信号特征提取方面具有很大的优势，但是，实际使用起来需要尝试使用不同的小波基函数来达到最优的结果；传统支持向量机用于故障特征分类，虽然能够通过寻优算法优化参数来提高分类精度，但是解决不了其本身存在的固有缺陷：1.训练样本数量决定训练时长，而实际有价值的样本点仅仅是那些少量的支持向量；2.分类超平面附近训练点的分类准确率不高，无法从根本上提升分类精度，从而导致分类器训练时间长，测试精度难以提高。

发明内容

本发明的目的在于提供一种减小SVM训练时的无用样本点数，从而降低训练时间，同时与KNN算法相结合提高了故障诊断的准确度的基于优化支持向量机的三电平逆变器开路故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于优化支持向量机的三电平逆变器开路故障诊断方法，该方法包括以下顺序的步骤：

(1)故障特征提取，样本分配：将箝位二极管两端电压信号进行经验模态分解，得到10个固有模态分量imf_i(t)，i＝1,2,…,10和1个残余分量，利用所有固有模态分量imf_i(t)构造矩阵S＝[imf₁(t),imf₂(t),…,imf₁₀(t)]_m×10，其中m为采样点数，对矩阵S进行奇异值分解，得到1行10列的特征向量X，改变三电平逆变器输入电压，获得一组不同故障模式下的特征向量作为样本，按7:3的比例将样本分为训练样本和测试样本，将多分类问题转化为个二分类问题，把训练样本分成组训练样本X_ij,i＝1,2,j∈1,2,…,N，其中，c为样本总类别数，i表示样本类别，j表示样本序列，N表示样本点数；