基于DCM‑PCA和GA‑BP的逆变器故障诊断

针对光伏并网三相电压型逆变器开关管的开路故障,提出深度级联模型(deep cascade mode,DCM)‒主成分分析(principal component analysis,PCA)与遗传算法(genetic algorithm,GA)优化的BP神经网络结合的故障诊断方法。首先对逆变器的开路故障进行分析和仿真,确定三相电流作为故障信号,选择22类故障状态作为诊断对象,通过以稀疏表示分类(sparse representation based classififier,SRC)为基本操作单元的深度级联模型提取故障特征,DCM根据层次学习特性将故障特征分层,再由SRC部分得到不同故障的编码系数,并采用t分布—随机近邻嵌入(t⁃distributed stochastic neighbor embedding,t⁃SNE)方法验证了DCM具有较好的特征提取能力,通过PCA降低故障特征的冗余度、保留有价值的主成分提高网络映射能力,最后将故障特征向量作为GA⁃BP神经网络的输入信号实现对故障的诊断识别。通过仿真实验得到该方法的故障诊断准确率为95.64%,与DCM⁃PCA⁃BP、FFT⁃GA⁃BP和FFT⁃BP相比准确率分别提高8.71%、20.64%、51.70%,表明该方法有更好的故障特征提取能力和故障诊断效果。