论文部分内容阅读
太阳能是21世纪以来最具有开发前景的新能源之一,光伏发电成为高效利用太阳能的一种方式。光伏逆变器属于光伏发电系统中的重要器件,一旦出现故障将会导致系统稳定性降低乃至停转。对光伏逆变器进行故障特征提取是提高光伏发电系统稳定性的关键,由元器件参数退化引起的软故障,特征不明显、区分度差,且传统的特征提取方法难以达到预期效果,故对光伏逆变器软故障特征提取方法的研究具有实用价值。本文具体研究内容如下:本文选择具有代表性的三电平中点钳位型(NPC)逆变器作为实验对象,首先在深入分析其工作原理的基础上对电容软故障类型分类,然后通过Matlab/Simulink建立电路模型,仿真得到不同软故障类型对应的三相桥臂中点间线电压信号作为故障信号,提出了两种软故障特征提取方法:基于VMD小波能量软故障特征提取,元器件参数发生退化时,故障信号的频带能量分布会发生较大波动,信号频带特征包含故障信息,故障信号的VMD小波能量可为故障特征。首先以排列熵算法优化VMD模态分量个数,提取故障信号VMD模态分量的小波能量构建故障特征向量,对获取的特征向量降维,最后结合支持向量机实现软故障的分类,经实验证明,与传统的小波、EMD小波特征提取方法相比,VMD小波特征提取法精度高,速度快,在软故障诊断方面优势突出;基于参数辨识的软故障特征提取,电容值是衡量电容健康状况最直接的指标,电容值可作为软故障特征。信号的统计学参数可以很好地反映信号时域的能量分布和状态波动,优选部分量纲系数和无量纲系数作为故障信号的统计学参数并构建参数向量,将参数向量作为极限学习机的输入,以电容值作为极限学习机的输出,通过分析预测误差和算法运行时间确定最优极限学习机隐层神经元数量,利用训练好的极限学习网络进行参数辨识获取电容值,实验表明,与传统BP算法相比,本文提出方法更适用于逆变器软故障特征提取。