一种储能变流器的开路故障预判方法、设备及介质与流程

1.本发明涉及电气设备故障预判技术领域，具体涉及一种基于贝叶斯优化一维卷积神经网络(boa-cnn-1d)的储能变流器的开路故障预判方法、设备及介质。


背景技术：

2.在双碳目标和能源转型背景下，发展储能是支撑新型电力系统建设的重要举措。随着大规模电化学储能电站的并网运行，储能电站的运维任务压力日益骤增，科学智能的运维策略可提高运维效率、降低运营成本、提升发电收益。储能变流器是电化学电池储能系统中功率转换系统的重要组成部分，为电网与储能点电池之间提供充放电接口。其中三电平中点钳位型(npc)拓扑是当前储能系统中较为常用且稳定的变流器结构，然而由于三电平变流器结构复杂，故障问题频发。特别是发生开路故障时，会导致变流器性能迅速降低，如果未能及时识别故障位置和原因，甚至会导致直流侧电池等设备发生二次故障，引发储能重大事故，对社会安全造成极大威胁。
3.由此，非常有必要针对三电平npc储能变流器关键部件开展故障预判工作，即根据变流器igbt开路故障位置进行精准有效识别，及时排除故障以最大限度减少故障带来经济损失。传统故障识别方法主要是针对逆变器或整流器进行故障特征提取和识别过程，在面对模块化变流器的非侵入式监测、故障信号冗余等问题时，多电平变流器的复杂拓扑导致其开路故障识别面临体现诸多不足，主要包括：充放电工况下，由于复杂结构导致的故障模式过多；变流器并入电网后故障处电压变化微弱，仅可利用三相电流信号，导致故障原始特征信号单一；fft、emd等信号处理算法，需要更新不同参数提取故障特征，泛化能力较弱；针对变流器信号特征提取和深度学习的结合不足，传统信号特征提取结果维度较高，导致深度学习网络计算量过大、精度降低。
4.因此，基于以上问题，亟需开发适用于多电平变流器的多故障耦合及多状态综合识别技术，实现储能变流器igbt开路故障的有效诊断和精准定位，以配合储能电站安全、高效运维，助力电网削峰填谷，提升电网保送能力。


技术实现要素：

5.本发明所要解决的技术问题是，针对现有技术不足，提供一种储能变流器的开路故障预判方法、设备及介质，在测量信号包含复杂噪声干扰的情况下，储能变流器的多种开路故障可获得更高的预判准确率。
6.为实现上述技术目的，本发明采用如下技术方案：
7.一种储能变流器的开路故障预判方法，包括以下步骤：
8.s1，采集储能变流器在充放电两种状态下每种开路故障类型的三相输出电流，构成原始数据集；开路故障类型包括：正常以及储能变流器中任意1个igbt开路和任意2个igbt开路形成的开路故障；
9.s2，对原始数据集中的三相输出电流进行分帧等预处理，处理后每帧电流信号作
为1个开路故障信号样本，并提取每个样本的mfcc特征向量；
10.s3，采用核主成分分析法kpca对提取的mfcc特征向量进行降维，得到低维非线性的故障特征向量；
11.s4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络cnn-1d进行训练，得到开路故障预判模型；
12.s5，实时采集储能变流器当前状态的三相输出电流，按步骤s2提取mfcc特征向量，并提取出与步骤s3相同的低维非线性的故障特征向量，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个igbt开路或者某2个igbt开路。
13.进一步的，mfcc特征向量中的特征包括mfcc系数，mfcc系数的能量，以及三相输出电流的均值、方差、脉冲因子和峭度因子。
14.进一步的，步骤s2具体为：
15.s2.1，设原始数据集中的三相输出电流按周期分帧得到n个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；加窗可表示为：
16.w(t)＝0.54-0.46cos(2π
·
x(t)
·
t-1)#(1)
17.式中，t泛指采样点，t为窗口长度；
18.s2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波mel和倒谱分析处理，得到mfcc系数c：
[0019][0020][0021][0022][0023]
式中，dft表示离散傅立叶变换，x(k)为w(t)离散傅立叶变换得到的第k个频域信号；hm(k)为第m个mel的传递函数，其中f(m)为mel中心频率；s(m)为第m个mel的对数能量，m为mel的个数；
[0024]
s2.3，根据mel的对数能量s(m)计算mfcc系数能量s，以及根据开路故障信号x(t)
计算x(t)的均值方差x
var
、脉冲因子c
if
、裕度因子c
mf
和峭度因子c
kf
：
[0025][0026][0027][0028][0029][0030][0031]
式中，num为每个开路故障信号x(t)中的采样点数量，x
t
为其中第t个采样点的电流值；
[0032]
s2.4，综合s2.2～s2.3计算结果，将c、s、x
var
、c
if
、c
mf
和c
kf
构建开路故障信号的mfcc特征向量。
[0033]
进一步的，步骤s3具体为：
[0034]
s3.1，通过核函数计算矩阵其中元素k
ij
＝k(zi，zj)，k(
·
)是核函数，zi和zj为样本i和样本j的mfcc特征向量，ns为样本总数量；
[0035]
s3.2，计算矩阵k的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为α
l
；
[0036]
s3.3，计算原始mfcc特征向量的第l个非线性主成分z
l
(x)，以构建低维非线性的故障向量：
[0037][0038]
其中，xi为第i个样本的mfcc特征向量，α
l
的维数为ns。
[0039]
进一步的，采用贝叶斯优化方法对cnn-1d网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、批尺寸batchsize、第一层卷积层的核大小ker1_size和数量ker1_num、第二层卷积层的核大小ker2_size和数量ker2_num以及两个全连接层的神经元数量fc1_num、fc2_num。
[0040]
进一步的，所述储能变流器为三电平npc变流器。
[0041]
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的方法。
[0042]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项技术方案所述的方法。
[0043]
本发明的有益创新在于：
[0044]
1、首先，本发明可以为电池储能电站变流器多种故障耦合下的故障预判提供技术
支撑。
[0045]
2、其次，本发明通过对不同频率区间能量分布和包络特征的分析，实现了储能变流器多种开路故障特征的有效提取。
[0046]
3、再次，本发明利用高维故障特征的非线性降维技术，解决了储能变流器在不同工况状态下多种故障信号特征挖掘不充分的问题。
[0047]
4、另外，本发明通过构建贝叶斯优化深度神经网络模型，实现了网络参数的自动寻优，提升了变工况场景下变流器故障预判的准确率。
附图说明
[0048]
图文结合可以更形象介绍本发明的架构、路线及实施效果，下面对实施方式中的附图进行简单说明，可以方便了解本发明的目的、创新和效益。但下列附图仅属于本发明部分实施方式，基于本发明，本领域学者或技术人员可在没有创新性工作量的情况下获取其他的附图。
[0049]
图1为本发明的算法流程图。
[0050]
图2为本发明的三电平npc变流器结构拓扑图。
[0051]
图3为本发明的储能变流器的仿真电路结构。
[0052]
图4为本发明的故障特征挖掘流程。
[0053]
图5为本发明的cnn-1d神经网络示意图。
[0054]
图6为本发明实施例1中开路故障倒谱系数的特征分布。
[0055]
图7为本发明实施例1中各特征维度的贡献率。
[0056]
图8为本发明实施例1中kmfcc-boa-cnn-1d模型的损失值和准确率变化曲线。
具体实施方式
[0057]
结合以上本发明实施例中的附图，基于实施例对本发明的技术路线进行详细阐述，且所介绍实施例仅为本发明范畴内的部分实施例。基于本发明，本领域学者或技术人员可在没有创新性工作量的情况下获取其他的实施例，皆为本发明保护范畴。
[0058]
进一步地，下面以三电平npc变流器拓扑结构为例，对本发明基于kmfcc特征提取及boa-cnn-1d神经网络的储能变流器igbt开路故障预判方法进行验证和说明。
[0059]
实施例1
[0060]
本实施例提供一种储能变流器开路故障预判方法，其中的储能变流器为三电平npc变流器，如图2所示，主要由a、b、c三相桥臂构成，每相桥臂分别包括4个igbt晶体管，共计12个igbt晶体管；每相桥臂还各自包括2个钳位二极管和4个续流二极管，共计6个钳位二极管和12个续流二极管。其中，a相桥臂包括4个igbt晶体管(q
a1
、q
a2
、q
a3
、q
a4
)、2个钳位二极管(vd
a5
、vd
a6
)个和4个续流二极管(vd
a1
、vd
a2
、vd
a3
、vd
a4
)；b相桥臂包括4个igbt晶体管(q
b1
、q
b2
、q
b3
、q
b4
)、2个钳位二极管(vd
b5
、vd
b6
)个和4个续流二极管(db1、db2、db3、db4)；c相桥臂包括4个igbt晶体管(q
c1
、q
c2
、q
c3
、q
c4
)、2个钳位二极管(vg
c5
、vd
c6
)个和4个续流二极管(vd
c1
、vd
c2
、vd
c3
、vd
c4
)。
[0061]
考虑到变流器发生两个以上开路故障的概率极低，为了满足工程实用性，本发明针对变流器单个igbt故障或2个igbt同时故障的情况(同相同桥臂2个igbt故障、异相同桥
臂2个igbt故障、同相异桥臂2个igbt故障、异相异桥臂2个igbt故障、正常状态)，共计6大类故障类型。变流器开路故障模式如表1所示。
[0062]
表1变流器开路故障模式
[0063][0064]
本实施例提供的一种储能变流器的开路故障预判方法，参考图1所示，包括以下步骤：
[0065]
s1，采集储能变流器在充电状态和放电状态下正常情况、任意1个igbt开路、任意2个igbt开路时的三相输出电流。
[0066]
本发明搭建的仿真模型如图3所示，考虑到电流信号具有正弦函数周期变化特征，本发明利用每个周期的三相交流侧电流信号构建一个样本，同时储能变流器具有充电和放电两种工作状态，每个工作状态将采集共79种故障状态。每个故障状态采集样本数为n＝200个，因此共有2
×
79
×
200个样本。按7∶2∶1的比例将上述样本分别划分入训练集、验证集、测试集，即练集、验证集、测试集分别包括22120个、6320个、3160个样本。
[0067]
s2，对原始数据集中的三相输出电流进行分帧等预处理，处理后每帧电流信号作为1个开路故障信号样本，表示为x(t)，提取每个样本的mfcc特征向量。
[0068]
s2.1，设原始数据集中的三相输出电流按周期分帧得到n个开路故障信号样本，将每个开路故障样本表示为x(t)，对开路故障信号x(t)加窗和预加重处理，得到预处理后的开路故障信号w(t)；其中加窗可表示为：
[0069]
w(t)＝0.54-0.46cos(2π
·
x(t)
·
t-1)#(1)
[0070]
式中，t泛指采样点，t为窗口长度；
[0071]
s2.2，对预处理后的开路故障信号w(t)进行离散傅立叶变换、三角带通滤波mel和倒谱分析处理，得到mfcc系数c：
[0072][0073][0074]
[0075][0076]
式中，dft表示离散傅立叶变换，x(k)为w(t)离散傅立叶变换得到的第k个频域信号；hm(k)为第m个mel的传递函数，其中f(m)为mel中心频率；s(m)为第m个mel的对数能量，m为mel的个数；
[0077]
s2.3，根据mel的对数能量s(m)计算mfcc系数能量s，以及根据开路故障信号x(t)计算x(t)的均值方差x
var
、脉冲因子c
if
、裕度因子c
mf
和峭度因子c
kf
：
[0078][0079][0080][0081][0082][0083][0084]
式中，num为每个开路故障信号x(t)中的采样点数量，x
t
为其中第t个采样点的电流值；
[0085]
s2.4，综合s2.2～s2.3计算结果，将c、s、x
var
、c
if
、c
mf
和c
kf
共6类包络特征构建开路故障信号的mfcc特征向量。
[0086]
s3，采用核主成分分析法kpca对提取的mfcc特征向量进行降维，得到低维非线性的故障特征向量；
[0087]
s3.1，通过核函数计算矩阵其中元素k
ij
＝k(zi，zj)，k(
·
)是核函数，zi和zj为样本i和样本j的mfcc特征向量，ns为样本总数量；
[0088]
s3.2，计算矩阵k的特征值，并从大到小进行排序，计算各特征值对应的特征向量并归一化处理，将排序中的第l个特征值对应的特征向量归一化后表示为α
l
；
[0089]
s3.3，计算原始mfcc特征向量的第l个非线性主成分z
l
(x)，以构建低维非线性的故障特征向量：
[0090][0091]
其中，xi为第i个样本的mfcc特征向量，α
l
的维数为ns。
[0092]
上述步骤1-3如图4所示。
[0093]
s4，使用所有样本的故障特征向量和类型标签，对一维卷积神经网络cnn-1d进行训练，得到开路故障预判模型。
[0094]
一维卷积神经网络cnn-1d模型示意图如图5所示。所有样本的故障特征向量和对应标记的开路故障类型标签，分别作为一维卷积神经网络cnn-1d的训练输入和输出，故障特征向量经过卷积的权值共享和池化，来降低网络参数的数量级，最后通过boa进行网络参数的自适应寻优。
[0095]
本实施例中，采用贝叶斯优化方法对cnn-1d网络的以下超参数进行自动寻优：学习率lr、迭代次数iter、batchsize、第一层卷积层的核大小和数量(ker1_size、ker1_num)、第二层卷积层的核大小和数量(ker2_size、ker2_num)以及以及两个全连接层的神经元数量(fc1_num、fc2_num)。采用贝叶斯优化方法对cnn-1d网络超参数的步骤主要包括造黑盒函数、确定域空间、实例化对象、确定迭代次数和搜索最优结果。在确定域空间时，网络超参数的设置范围在本实施例中如表2所示：
[0096]
表2模型参数范围设置
[0097][0098]
s5，实时采集储能变流器当前状态的三相输出电流，按步骤s2提取mfcc特征，并提取出与步骤s3相同的低维非线性的故障特征，再输入到训练好的开路故障预判模型，输出即可预判得到储能变流器当前状态的故障类型：正常或者某1个igbt开路或者某2个igbt开路。
[0099]
为了验证本发明所提方法的可行性，本发明搭建的储能系统仿真模型包括电池、三电平npc变流器、电感、电容以及三相电网等模块。
[0100]
1)控制开关的闭合来模拟储能变流器的igbt开路故障，并采集交流侧三相电流信号。
[0101]
2)考虑到数据特征的充裕度，将每个工频周期的时序采样信号作为故障特征集的1帧样本，设置分帧窗口t＝5，以实现滑动窗口重叠采样不同故障时刻周期信号。同时mel的个数m＝12，得到一个361
×2×
79组54维的mfcc特征向量集合。其中，当变流器发生q
a1
单体开路故障时倒谱系数1至12维的特征分布如图6所示。
[0102]
3)为了更好模拟实际环境，加入不同信噪比的白噪声，其中信噪比的计算公式如下：
[0103][0104][0105]
其中，e(s)和e(n)分别为信号和噪声的能量；rs为信噪比值，信噪比值越高代表噪声所占比例越小。
[0106]
4)在采用kpca进行降维时，如图7的各特征维度贡献率所示，随着维度增加，贡献率也不断提升，当特征维度为12维时，贡献率可达80％以上。因此，考虑到实用性及诊断的及时性，本实例以特征维度为12维的数据作为故障特征。
[0107]
5)在特征维度为12维的条件下的kmfcc特征数据输入boa-cnn-1d模型中，由图8的
损失值和准确率变化曲线可知：经kmfcc处理的低维特征数据作为模型的输入，可以减少计算量，提高了识别精度和识别效率。其中cnn-id模型参数优化结果如表3所示。
[0108]
表3神经网络参数优化结果
[0109][0110]
6)为了验证本发明模型的有效性，基于相同数据集与现有方法进行了对比验证，所对比的方法包括：
[0111]
①
支持向量机(svm)法。其使用单核线性svm进行故障预判，核函数为径向基函数。
[0112]
②
boa-svm法。其使用boa对svm模型中的惩罚系数c和核参数gamma进行自动寻优。
[0113]
③
cnn-1d法。其包含2个卷积层和2个全连接层，通过softmax层输出故障预判结果。
[0114]
④
本发明提出的boa-cnn-1d法。其网络结构为cnn-1d，并利用boa对神经网络的超参数进行自动寻优。
[0115]
7)各方法的故障预判结果如表4所示。
[0116]
表4不同噪声下不同方法的故障预判准确率
[0117][0118]
综合上述实验分析结果如表4，可以得出：
[0119]
①
在第一组实验中，对比了emd-svm、emd-boa-svm、emd-cnn-1d、emd-boa-cnn-1d四种故障预判方法，在信噪比值为-1、0、5、10及无噪声环境下，故障预判的准确率最高的方法分别是：emd-boa-cnn-1d、emd-cnn-1d、emd-boa-svm、emd-boa-cnn-1d、emd-boa-cnn-1d；由此可见，在第一组实验中emd-boa-cnn-1d结果优于其他方法，在低噪声情况下emd-boa-svm结果接近于emd-boa-cnn-1d。
[0120]
②
在第二组实验中，对比kmfcc-svm、kmfcc-boa-svm、kmfcc-cnn-1d、kmfcc-boa-cnn-1d四种故障预判方法，在信噪比值为-1、0、5、10及无噪声环境下，故障预判的准确率最高的方法分别是：kmfcc-boa-cnn-1d、kmfcc-boa-cnn-1d、kmfcc-boa-cnn-1d、kmfcc-boa-cnn-1d、kmfcc-boa-cnn-1d；由此可见，在第二组实验中kmfcc-boa-cnn-1d结果明显优于其他方法。
[0121]
③
与上述结果对比可知：kmfcc-boa-cnn-1d预判结果明显优于emd-boa-cnn-1d，而emd-boa-svm和emd-boa-cnn-1d的准确率相近。在不同噪声作用下boa-cnn-1d都具有较高精度，说明本文构建的boa-cnn-1d具有较好的准确率和鲁棒性，能够更好提高三电平逆变器故障预判准确率。因此结合mfcc和kpca在故障特征挖掘的优势，对故障数据进行不同频率区间能量分布和包络特征的分析，提升了boa-cnn-1d模型开路故障识别和预判的准确
率。综上，kmfcc-boa-cnn-1d在实现储能变流器的igbt开路故障预判中具有较好的效果。
[0122]
采用实验台进行多个对比试验，验证了本发明所提出的kmfcc-boa-cnn-1d的三电平npc储能变流器igbt开路故障预判方法可以提升变工况场景下变流器故障预判准确率。
[0123]
实施例2
[0124]
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现实施例1所述的方法。
[0125]
实施例3
[0126]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的方法。
[0127]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。