[发明专利]基于隐马尔可夫模型的NPC光伏逆变器的故障诊断方法

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，迭代步数远远小于常规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。

主权项

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；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的幅值等分为多个区域并升序排列，将各区域映射为各个离散值，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；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模型进行参数重估使观测序列的概率最大，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完成训练后的参数，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。