基于GWO-ELM的逆变器开路故障诊断
中文关键词: 逆变器 故障诊断 时域分析 灰狼算法 极限学习机
作者 单位
姚芳 河北工业大学电气工程学院省部共建电工装备可靠性与智能化重点实验室, 天津 300130
河北工业大学电气工程学院河北省电磁场与电器可靠性重点实验室, 天津 300130
姜涛 河北工业大学电气工程学院省部共建电工装备可靠性与智能化重点实验室, 天津 300130
河北工业大学电气工程学院河北省电磁场与电器可靠性重点实验室, 天津 300130
刘明宇 中·国联合网络通信有限公司河北省分公司, 石家庄 050000
董超群 河北工业大学电气工程学院省部共建电工装备可靠性与智能化重点实验室, 天津 300130
河北工业大学电气工程学院河北省电磁场与电器可靠性重点实验室, 天津 300130
郑帅 河北工业大学电气工程学院省部共建电工装备可靠性与智能化重点实验室, 天津 300130
河北工业大学电气工程学院河北省电磁场与电器可靠性重点实验室, 天津 300130
中文摘要:
为提高三相光伏逆变器工作的稳定性和可靠性,针对其功率管单管或两管同时故障等多种故障类型,分析了逆变器开路故障的特性及故障后可能造成的影响,并提出了一种基于时域的故障特征提取技术。基于GWO-ELM的故障诊断模型,是利用灰狼算法优化极限学习机,实现隐含层神经元个数的最优设计,进而进行模型训练,最终实现故障诊断。仿真与实例验证表明,所提时域故障特征量提取方法和GWO-ELM故障诊断模型提高了故障诊断精度,对逆变器的故障诊断具有重要意义。
内容节选:
逆变技术广泛应用于新能源发电、特种电源等领域,以实现电能变换。在整个逆变系统中,逆变器故障率较高,其可靠性低于其它部分[1],其中IGBT故障占了较大比重[2]。为防止逆变器故障在系统中发展扩大,有必要进行逆变器开路故障诊断研究。
故障特征提取是故障诊断的基础。国内外学者针对逆变器开路故障特征提取方法展开多方研究,其中频谱分析法广为接受。文献[3]利用加窗傅里叶变换WFT(windowed Fourier transform)提取逆变器输出电压或电流的正序对称分量,以谱残差和谱相位为基础构造特征向量,但在处理非平稳信号时效果差;文献[4]利用频谱分析提取逆变器桥臂电压特征,以谐波幅值和相位作为逆变器故障特征向量;文献[5]利用提取逆变器得到的电压和电流做频谱分析和直流分量分析,进而进行诊断定位,但计算复杂。用频谱分析法提取逆变器输出电压或电流中的故障特征信息,因丢失了时域信息而对突变信号分析效果差。
故障诊断是连接逆变器故障特征提取与后续容错的重要环节。国内外关于逆变器开路故障诊断的研究成果主要涉及专家诊断法、故障字典法、神经网络法和深度学习法等。基于专家系统的逆变器故障诊断技术,诊断速度快,但依赖于知识经验,仅当故障类型存在于库中时才能正确诊断[6-7];故障字典法通过查表方式诊断逆变器故障,结构简单、性能稳定,但同样有一定的局限性[8];用神经网络法进行逆变器故障诊断,诊断精度高,但诊断精度取决于权值、阈值的设定,还存在收敛速度慢、陷入局部最优解等问题[9-12];基于深度学习理论的逆变器故障诊断,相比于传统神经网络,诊断精度更高、规避了收敛慢的问题,但算法依赖于神经元的个数[13-16]。
针对频谱分析法用于逆变器故障特征提取时的时域信息丢失问题,本文融合逆变器故障电流的峭度和脉冲指标,提出归一化的6维故障特征向量。针对神经网络法的局部最优和极限学习机对神经元个数的依赖问题,本文提出了基于灰狼算法GWO(grey wolf optimization)极限学习机ELM(ex-treme learning machine)优化方法,即GWO-ELM,用于逆变器开路故障诊断。
详情内容请戳☟ |