CN110133538B - 一种anpc三电平逆变器开路故障诊断方法及实验平台 - Google Patents
一种anpc三电平逆变器开路故障诊断方法及实验平台 Download PDFInfo
- Publication number
- CN110133538B CN110133538B CN201910408485.0A CN201910408485A CN110133538B CN 110133538 B CN110133538 B CN 110133538B CN 201910408485 A CN201910408485 A CN 201910408485A CN 110133538 B CN110133538 B CN 110133538B
- Authority
- CN
- China
- Prior art keywords
- wnn
- anpc
- level inverter
- wavelet
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/483—Converters with outputs that each can have more than two voltages levels
- H02M7/487—Neutral point clamped inverters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
- G01R31/42—AC power supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
Abstract
本发明涉及一种ANPC三电平逆变器开路故障诊断方法,包括:搭建ANPC三电平逆变器实验平台;实验平台的驱动模块产生驱动信号,经隔离放大,通过采集每相上、中、下桥臂电压,将采集到的信号输送到实验平台的上位机;上位机提取小波包能量谱熵,作为初始特征向量,再对数据进行降维处理,作为最终的特征向量,按2:1比例分为训练数据和测试数据;建立小波神经网络WNN,采用Adam算法对WNN训练算法进行优化,用训练样本训练WNN,将训练好的WNN模型进行保存;利用测试数据对WNN模型进行测试,分析诊断结果。本发明通过搭建ANPC三电平逆变器实验平台的诊断结果表明,本方法可以达到98.46%的准确度,性能优于传统神经网络和未优化小波神经网络。
Description
技术领域
本发明涉及三电平逆变器故障诊断技术领域,尤其是ANPC三电平逆变器开路故障诊断方法及系统。
背景技术
与传统两电平逆变器相比,三电平逆变器工作更加稳定、可靠,已经在工业设备中得到广泛应用。但因二极管钳位式(Neutral-Point Clamped,NPC)三电平逆变器功率器件损耗不平衡,T.Bruckner教授等人在2001年IEEE-PESC会议提出有源中性点钳位(ActiveNeutral-Point Clamped,ANPC)三电平逆变器的拓扑结构,其具有大功率、大容量及器件损耗平衡等特点,已经得到广泛认可。然而,三电平逆变器增加了开关器件IGBT的数量,使得电路结构复杂,其中任一IGBT故障都可能会使逆变器无法正常工作,甚至会发生二次故障,造成巨大经济损失。因此,及时、准确地定位逆变器的故障位置是非常必要的。
目前,国内针对NPC三电平逆变器的故障诊断已经有了广泛的研究,例如:陈丹江,叶银忠在电工技术学报提出的《基于多神经网络的三电平逆变器器件开路故障诊断方法》(2013,28(6):120-126)。通过分析单个器件和双器件故障种类,进而提出主神经网络和辅助神经网络相结合的方式对NPC三电平逆变器进行开路故障诊断,其方法具有一定的准确度。但该方法仅适用于器件数量较少的情况,当器件数量增加,神经网络模型不能很好的做出调整,通用性差。
又如:余运俊,裴石磊等人在电子测量与仪器学报提出的《NPC三电平光伏逆变器开路故障诊断》(2018(5):41-49)。通过测量输出端三相相电压信号作为故障特征,采用径向基神经网络的诊断方法,该方法比传统神经网络识别速度更快,但测量的输出端电压具有滞后性,很难实现在线监测。
又如Shao,Shuai,Watson,Alan J.等人在IEEE Transactions on PowerElectronics提出的《Robustness Analysis and Experimental Validation of a FaultDetection and Isolation Method for the Modular Multilevel Converter》(2016(5):3794-3805)。通过采用滑模观测器,监测循环电流,当观察到的循环电流与被测循环电流偏离时,认定发生开路故障。这种诊断方法具有一定实用性,但方法较为复杂,需要对电路建立准确的数学模型,电路稍加改动,该模型就不能再使用。
ANPC三电平逆变器相对于NPC逆变器又增加了功率器件,诊断难度进一步加大,已有的诊断方法难以在ANPC三电平逆变器运行。因此研发一种新型的故障检测方法就非常必要。
发明内容
本发明的首要目的在于提供一种诊断精度高、能够快速定位到单个器件故障位置或双器件故障位置,提高故障诊断效率的ANPC三电平逆变器开路故障诊断方法。
为实现上述目的,本发明采用了以下技术方案:一种ANPC三电平逆变器开路故障诊断方法,该方法包括下列顺序的步骤:
(1)搭建ANPC三电平逆变器的实验平台;
(2)上述实验平台的驱动模块产生驱动信号,经隔离放大,通过实验平台的电压传感器采集每相上、中、下桥臂电压,将采集到的信号输送到实验平台的上位机;
(3)上位机利用小波包分解和信息熵理论,提取小波包能量谱熵,作为初始特征向量,再利用核主成分分析对数据进行降维处理,作为最终的特征向量,按2:1比例分为训练数据和测试数据;
(4)建立小波神经网络WNN,采用Adam算法对WNN的训练算法进行优化,用训练样本训练WNN,将训练好的WNN模型进行保存;
(5)利用测试数据对WNN模型进行测试,分析诊断结果。
在所述步骤(3)中,提取小波包能量谱熵具体是指:
(3a)将原始采样信号S进行3层小波包分解,获dj,k,j=0,1,…2j-1;k=1,2,…,n,dj,k表示小波包分解后j节点所对应的第k个系数,再将该系数通过信息熵理论处理;
(3b)信息熵理论公式为:
式中:x={x1,x2,…xn},i=1,2,…n;
pi为xi所占的概率,H(x)为香农熵;
(3c)通过处理好的dj,k,求取各频带重构信号的能量,则对应的第j个频带小波包能量谱熵为:
式中,n表示原始信号长度,则每相三个桥臂电压构成的初始特征向量为:
EA=[Eu,0,…Eu,7,Ea,0,…Ea,7,Ed,0,…Ed,7]
式中,Eu,r、Ea,r、Ed,r分别表示上管电压、桥臂电压、下管电压的小波包分解后子频带,r=0,1…7;
(3d)采用核主成分分析法进行数据降维,减少WNN计算量,最终获得降维后的能量谱熵。
在所述步骤(4)中,采用Adam算法对WNN训练算法进行优化,所需要优化的参数有小波神经网络的伸缩因子a,平移因子b,以及权值w,按如下步骤:
(4a)使用Python建立WNN,创建Adam算法,输入层为降维后的特征向量,节点数为6,隐含层节点数为15,输出层节点数为故障总数,隐含层采用MexicanHat小波基函数,其定义式为:
x为隐含层输入,ψ(x)为隐含层输出;
(4b)采用均方误差MSE作为性能指标,其计算公式为:
式中:N为总的输入输出对数,dn是第n个结点的期望输出,yn是小波神经网络WNN的实际输出;E是均方误差性能指标;
(4c)Adam算法是从牛顿法优化中推导出来的,Adam算法的最终目的是找到均方误差MSE最优点,使其梯度为零,Adam算法的计算规则定义如下:
mt=β1mt-1+(1-β1)gt
式中:β1取0.9,β2取0.999,mt和vt分别是梯度的一阶矩和二阶矩的估计,提供了参数和梯度变化的历史,通过计算未知参数;将WNN未知参数代入到训练算法中进行迭代,得到最优值,获得WNN模型,gt为梯度的一阶矩,E为4b中的误差性能指标。
本发明的另一目的在于提供一种ANPC三电平逆变器开路故障诊断方法的实验平台,包括:
主控制器,产生脉冲宽度调制PWM信号,并能根据监测故障情况,自动改变控制策略;
辅助控制器,增加PWM信号的死区时间,能够更加准确的实现脉冲调制,将PWM信号输入到ANPC三电平逆变器主控开关;
ANPC三电平逆变器主控开关,通过输入到的PWM信号,实现正弦波的输出;
电压传感器,监测三桥臂电压信号,将采集到的信号输送到上位机;
上位机,通过电压传感器采集到的数据,将数据通过能量谱熵及数据降维处理,输送到小波神经网络模型进行对比,得出诊断结果;
负载模块,采用RCL网络替代并网侧负载。
所述主控制器和辅助控制器组成驱动模块产生驱动信号,用来驱动ANPC三电平逆变器主控开关;ANPC三电平逆变器主控开关由18只IGBT组成,分为A、B、C三相,每相6只,用来产生正弦波;电压传感器采集桥臂电压信号,将采集信号传送到上位机,通过故障诊断模块,完成故障诊断;上位机负责训练小波神经网络模型,并将训练好的模型进行保存,同时接收来自电压传感器的数据,完成特征处理,并进行故障诊断,根据诊断结果,修改控制策略。
由上述技术方案可知,本发明的优点在于:第一,通过搭建ANPC三电平逆变器实验平台的诊断结果表明,本方法可以达到98.46%的准确度,性能优于传统神经网络和未优化小波神经网络;第二,本发明利用A-WNN的伸缩性、平移性以及良好的自适应性,在2s内完成1千次故障种类的分类,单次诊断时间小于2ms,减少了故障处理时间,适用于在线诊断;第三,本发明将小波包能量谱与信息熵相结合,形成小波包能量谱熵,更好的保留了原始故障信息。
附图说明
图1是本实验平台的硬件结构图;
图2是本实验平台的软件结构图;
图3是ANPC三电平逆变器的开路故障诊断流程图;
图4是ANPC三电平逆变器拓扑结构示意图;
图5是ANPC三电平逆变器A相电路监测示意图;
图6a是正常情况下桥臂电压波形图;
图6b是Ta1故障时桥臂电压波形图;
图6c是Ta2故障时桥臂电压波形图;
图6d是Ta5故障时桥臂电压波形图;
图7a是Ta1和Ta2故障时桥臂电压波形图;
图7b是Ta1和Ta3故障时桥臂电压波形图;
图7c是Ta2和Ta3故障时桥臂电压波形图;
图7d是Ta2和Ta5故障时桥臂电压波形图;
图8是3层小波包分解示意图;
图9是小波神经网络拓扑图;
图10是四种诊断方法的损失函数率对比示意图。
具体实施方式
如图3所示,一种ANPC三电平逆变器开路故障诊断方法,该方法包括下列顺序的步骤:
(1)搭建ANPC三电平逆变器的实验平台;
(2)上述实验平台的驱动模块产生驱动信号,经隔离放大,通过实验平台的电压传感器采集每相上、中、下桥臂电压,将采集到的信号输送到实验平台的上位机;
(3)上位机利用小波包分解和信息熵理论,提取小波包能量谱熵,作为初始特征向量,再利用核主成分分析对数据进行降维处理,作为最终的特征向量,按2:1比例分为训练数据和测试数据;
(4)建立小波神经网络WNN,采用Adam算法对WNN的训练算法进行优化,用训练样本训练WNN,将训练好的WNN模型进行保存;
(5)利用测试数据对WNN模型进行测试,分析诊断结果。
小波包分解如图8所示,采用小波包分解和信息熵理论对原始信号进行处理,形成小波包能量谱熵,再利用核主成分分析法进行数据降维,形成最终的特征向量。
在所述步骤(3)中,提取小波包能量谱熵具体是指:
(3a)将原始采样信号S进行3层小波包分解,获dj,k,j=0,1,…2j-1;k=1,2,…,n,dj,k表示小波包分解后j节点所对应的第k个系数,再将该系数通过信息熵理论处理;
(3b)信息熵理论公式为:
式中:x={x1,x2,…xn},i=1,2,…n;
pi为xi所占的概率,H(x)为香农熵;
(3c)通过处理好的dj,k,求取各频带重构信号的能量,则对应的第j个频带小波包能量谱熵为:
式中,n表示原始信号长度,则每相三个桥臂电压构成的初始特征向量为:
EA=[Eu,0,…Eu,7,Ea,0,…Ea,7,Ed,0,…Ed,7]
式中,Eu,r、Ea,r、Ed,r分别表示上管电压、桥臂电压、下管电压的小波包分解后子频带,r=0,1…7;
(3d)采用核主成分分析法进行数据降维,减少WNN计算量,最终获得降维后的能量谱熵。由于形成24维特征向量,维数较大,采用核主成分分析法进行数据降维,使得减少WNN计算量。
如图9是WNN,其本质上是一种增强的感知器。通过将神经网络的隐含层替换为小波基函数,充分利用小波函数的伸缩性和平移性,避免神经网络的固有缺陷。但传统WNN梯度训练算法速度慢,准确度不高。
在所述步骤(4)中,采用Adam算法对WNN训练算法进行优化,所需要优化的参数有小波神经网络的伸缩因子a,平移因子b,以及权值w,按如下步骤:
(4a)使用Python建立WNN,创建Adam算法,输入层为降维后的特征向量,节点数为6,隐含层节点数为15,输出层节点数为故障总数,隐含层采用MexicanHat小波基函数,其定义式为:
x为隐含层输入,ψ(x)为隐含层输出;
(4b)采用均方误差MSE作为性能指标,其计算公式为:
式中:N为总的输入输出对数,dn是第n个结点的期望输出,yn是小波神经网络WNN的实际输出;E是均方误差性能指标;
(4c)Adam算法是从牛顿法优化中推导出来的,Adam算法的最终目的是找到均方误差MSE最优点,使其梯度为零,Adam算法的计算规则定义如下:
mt=β1mt-1+(1-β1)gt
式中:β1取0.9,β2取0.999,mt和vt分别是梯度的一阶矩和二阶矩的估计,提供了参数和梯度变化的历史,通过计算未知参数;将WNN未知参数代入到训练算法中进行迭代,得到最优值,获得WNN模型,gt为梯度的一阶矩,E为4b中的误差性能指标。
表1是不同诊断方法的训练准确率和诊断准确率,图10是改进小波神经网络与小波神经网络、BP神经网络、RBF神经网络迭代1000次的函数损失率。优化的小波神经网络损失函数下降明显比其它三种快,相同情况下,训练时间最少,损失函数最小,适用于在线诊断。由表1可以看出,优化的小波神经网络在训练准确度和诊断准确度明显高于其它三种情况,作为分类器效果最好。
表1四种诊断方法比较
如图1所示,本实验平台包括:
主控制器,产生脉冲宽度调制PWM信号,并能根据监测故障情况,自动改变控制策略;
辅助控制器,增加PWM信号的死区时间,能够更加准确的实现脉冲调制,将PWM信号输入到ANPC三电平逆变器主控开关;
ANPC三电平逆变器主控开关,通过输入到的PWM信号,实现正弦波的输出;
电压传感器,监测三桥臂电压信号,将采集到的信号输送到上位机;
上位机,通过电压传感器采集到的数据,将数据通过能量谱熵及数据降维处理,输送到小波神经网络模型进行对比,得出诊断结果;
负载模块,采用RCL网络替代并网侧负载。
所述主控制器和辅助控制器组成驱动模块产生驱动信号,用来驱动ANPC三电平逆变器主控开关;ANPC三电平逆变器主控开关由18只IGBT组成,分为A、B、C三相,每相6只,用来产生正弦波;电压传感器采集桥臂电压信号,将采集信号传送到上位机,通过故障诊断模块,完成故障诊断;上位机负责训练小波神经网络模型,并将训练好的模型进行保存,同时接收来自电压传感器的数据,完成特征处理,并进行故障诊断,根据诊断结果,修改控制策略。
如图2所示,中断模块、神经网络模型存储模块、主监控模块、看门狗模块、信息采集模块、故障诊断模块、调整策略控制模块均嵌入在上位机内,中断模块是上位机重要组成部分,保证上位机与外部设备间的数据传送;神经网络模型存储模块主要是根据神经网络训练结果进行保存,并保存不同故障的特征,建立故障字典;主监控模块保证整个故障诊断系统的平稳运行;看门狗模块监控程序运行状况,防止程序发生死循环;信息采集模块主要用来处理电压传感器传送来的数据,将处理完的数据作为特征向量发送到故障诊断模块;故障诊断模块是通过调用神经网络模型与故障字典进行对比,判断运行状况;调整策略控制模块根据故障诊断结果,调整控制策略,实行容错运行。
以下结合图1至10对本发明作进一步的说明。
搭建ANPC三电平逆变器实验平台,主电路如图4所示,每个桥臂标记为Tx1,Tx2,Tx3,Tx4,Tx5,Tx6(x代表a,b或c,a,b,c代表三相电路),直流线上有两个电容C1和C2,提供中性点o。IGBT的故障模式可以分为单管故障和多管故障,多管研究常见于双管故障,故本发明只考虑单管故障和双管故障。单管故障有Tx1,Tx2,Tx3,Tx4,Tx5,Tx6,共计18种故障,双管故障共计有153种故障,考虑到跨桥臂的双管故障可以依据单管故障情况处理,故只考虑单桥臂双管故障,共计有45种故障状态。如图5所示,以A相为例,本发明采用测量上、中、下桥臂电压测量值,A相上桥臂电压为au和中性点电压o之间的电压,记为Vauo,中桥臂和下桥臂与此类似,分别记作Vao和Vado(B、C相与此类似)。通过搭建的硬件平台模拟各种故障情况,完成原始信号的采集,将处理好的特征向量分为两部分,按2:1比例分为训练数据和测试数据。
单器件故障包括正常状况在内,四种典型故障如图6a至图6d中所示。在图6a中,正常的情况下,桥臂电压信号平稳,几乎没有杂波信号干扰。在图6b中,当Ta1故障时,正向电压被完全阻隔,故上桥臂电压正半周期为零,但在负半周期时,由于电感电流突变,产生脉冲电压,通过Ta2,在上桥臂及中桥臂产生短时大脉冲电压,具有较高危害性。在图6c中,当Ta2故障时,上下桥臂电压几乎不受影响,中桥臂电压在负半周期,因电感电流突变,产生脉冲电压。在图6d中当Ta5故障时,正半周期不受影响,负半周期钳制作用失效,中桥臂电压呈现出正负、正负交替的情况。
四种典型双器件故障如图7a至图7d中所示。在图7a中,当Ta1和Ta2同时故障时,与单器件Ta1故障波形类似,主要区别在于单器件故障时上桥臂负半周期有脉冲电压,造成的主要原因是正负周期交替时产生脉冲电压,通过Ta2到上桥臂,故上桥臂产生较大脉冲电压。两种故障信息熵如表2和表3所示,上桥臂小波能量谱熵有显著区别,实验证明,可以较好区分两种故障。在图7b中,正半周期因Ta1故障,上桥臂及中桥臂电压几乎为零,负半周期因Ta3故障,上桥臂及中桥臂电压也几乎为零。在图7c中,Ta2和Ta3都无法正常工作,所以也就无法接通负载,但在交替时产生了脉冲电压,是因为故障时死区时间不足造成的脉冲电压。在图7d中,因Ta2故障,导致正半周期中桥臂电压为零,在负半周期,因Ta5故障,造成钳制电压失效,出现中桥臂电压在负半周期全导通。
表2 Ta1故障小波包能量谱熵
表3 Ta1和Ta2故障小波包能量谱熵
不同故障时,桥臂电压信号不同,各频带内所携带的故障信息不同。因此本发明采用能量谱熵对故障信息进行采集,能够分辨出不同的故障种类。
综上所述,本发明通过搭建ANPC三电平逆变器实验平台的诊断结果表明,本方法可以达到98.46%的准确度,性能优于传统神经网络和未优化小波神经网络;本发明利用A-WNN的伸缩性、平移性以及良好的自适应性,在2s内完成1千次故障种类的分类,单次诊断时间小于2ms,减少了故障处理时间,适用于在线诊断;本发明将小波包能量谱与信息熵相结合,形成小波包能量谱熵,更好的保留了原始故障信息。
Claims (3)
1.一种ANPC三电平逆变器开路故障诊断方法,其特征在于:该方法包括下列顺序的步骤:
(1)搭建ANPC三电平逆变器的实验平台;
(2)上述实验平台的驱动模块产生驱动信号,经隔离放大,通过实验平台的电压传感器采集每相上、中、下桥臂电压,将采集到的信号输送到实验平台的上位机;
(3)上位机利用小波包分解和信息熵理论,提取小波包能量谱熵,作为初始特征向量,再利用核主成分分析对数据进行降维处理,作为最终的特征向量,按2:1比例分为训练数据和测试数据;
(4)建立小波神经网络WNN,采用Adam算法对WNN的训练算法进行优化,用训练样本训练WNN,将训练好的WNN模型进行保存;
(5)利用测试数据对WNN模型进行测试,分析诊断结果;
在所述步骤(3)中,提取小波包能量谱熵具体是指:
(3a)将原始采样信号S进行3层小波包分解,获dj,k,j为l层节点,l=1,2,3,j=0,1,…,2l-1,n表示原始信号长度,k=1,2,…,n,dj,k表示小波包分解后j节点所对应的第k个系数,再将该系数通过信息熵理论处理;
(3b)信息熵理论公式为:
式中:x={x1,x2,…xn},i=1,2,…n;
pi为xi所占的概率,H(x)为香农熵;
(3c)通过处理好的dj,k,求取各频带重构信号的能量,则对应的第j个频带小波包能量谱熵为:
式中,n表示原始信号长度,则每相三个桥臂电压构成的初始特征向量为:
EA=[Eu,0,…Eu,7,Ea,0,…Ea,7,Ed,0,…Ed,7]
式中,Eu,r、Ea,r、Ed,r分别表示上管电压、桥臂电压、下管电压的小波包分解后子频带,r=0,1…7;
(3d)采用核主成分分析法进行数据降维,减少WNN计算量,最终获得降维后的能量谱熵;
在所述步骤(4)中,采用Adam算法对WNN训练算法进行优化,所需要优化的参数有小波神经网络的伸缩因子a,平移因子b,以及权值w,按如下步骤:
(4a)使用Python建立WNN,创建Adam算法,输入层为降维后的特征向量,节点数为6,隐含层节点数为15,输出层节点数为故障总数,隐含层采用Mexican Hat小波基函数,其定义式为:
x为隐含层输入,ψ(x)为隐含层输出;
(4b)采用均方误差MSE作为性能指标,其计算公式为:
式中:N为总的输入输出对数,dn是第n个节点的期望输出,yn是小波神经网络WNN的实际输出;E是均方误差性能指标;
(4c)Adam算法是从牛顿法优化中推导出来的,Adam算法的最终目的是找到均方误差MSE最优点,使其梯度为零,Adam算法的计算规则定义如下:
mt=β1mt-1+(1-β1)gt
2.实现权利要求1所述的ANPC三电平逆变器开路故障诊断方法的实验平台,其特征在于:包括:
主控制器,产生脉冲宽度调制PWM信号,并能根据监测故障情况,自动改变控制策略;
辅助控制器,增加PWM信号的死区时间,能够更加准确的实现脉冲调制,将PWM信号输入到ANPC三电平逆变器主控开关;
ANPC三电平逆变器主控开关,通过输入到的PWM信号,实现正弦波的输出;
电压传感器,监测三桥臂电压信号,将采集到的信号输送到上位机;
上位机,通过电压传感器采集到的数据,将数据通过能量谱熵及数据降维处理,输送到小波神经网络模型进行对比,得出诊断结果;
负载模块,采用RCL网络替代并网侧负载。
3.根据权利要求2所述的实验平台,其特征在于:所述主控制器和辅助控制器组成驱动模块产生驱动信号,用来驱动ANPC三电平逆变器主控开关;ANPC三电平逆变器主控开关由18只IGBT组成,分为A、B、C三相,每相6只,用来产生正弦波;电压传感器采集桥臂电压信号,将采集信号传送到上位机,通过故障诊断模块,完成故障诊断;上位机负责训练小波神经网络模型,并将训练好的模型进行保存,同时接收来自电压传感器的数据,完成特征处理,并进行故障诊断,根据诊断结果,修改控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408485.0A CN110133538B (zh) | 2019-05-16 | 2019-05-16 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408485.0A CN110133538B (zh) | 2019-05-16 | 2019-05-16 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133538A CN110133538A (zh) | 2019-08-16 |
CN110133538B true CN110133538B (zh) | 2021-03-12 |
Family
ID=67574652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408485.0A Active CN110133538B (zh) | 2019-05-16 | 2019-05-16 | 一种anpc三电平逆变器开路故障诊断方法及实验平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133538B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111555650B (zh) * | 2020-04-15 | 2022-02-25 | 中国地质大学(武汉) | 一种两电平逆变器开关管故障模拟的实验装置 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
DE102020122770B4 (de) * | 2020-09-01 | 2023-08-17 | Sma Solar Technology Ag | Verfahren zum testen eines wechselrichters |
CN112198458B (zh) * | 2020-09-07 | 2022-03-18 | 华中科技大学 | 一种三相电压源逆变器开路故障实时检测方法和系统 |
CN112327206B (zh) * | 2020-10-27 | 2023-06-27 | 河南理工大学 | 一种用于三电平逆变器的故障诊断方法 |
CN112731019B (zh) * | 2020-12-21 | 2022-10-14 | 合肥工业大学 | 一种anpc三电平逆变器故障诊断方法 |
CN113465924A (zh) * | 2021-06-21 | 2021-10-01 | 武汉理工大学 | 一种基于改进bp神经网络的轴承故障诊断方法及系统 |
CN114325380B (zh) * | 2021-11-25 | 2022-12-27 | 合肥工业大学 | 一种永磁同步电机驱动系统故障诊断方法 |
CN114757300B (zh) * | 2022-05-06 | 2023-04-28 | 西南交通大学 | 一种基于ga改进的wnn的igbt模块故障预测方法 |
CN116400264B (zh) * | 2023-06-09 | 2023-08-18 | 广东工业大学 | 一种逆变器开路故障诊断方法和系统 |
CN116976857B (zh) * | 2023-08-08 | 2024-03-12 | 中国铁建电气化局集团北方工程有限公司 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701470A (zh) * | 2016-01-13 | 2016-06-22 | 合肥工业大学 | 一种基于最优小波包分解的模拟电路故障特征提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2770336A2 (en) * | 2013-02-21 | 2014-08-27 | Samsung SDI Co., Ltd. | Apparatus for detecting faults in battery system |
US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
CN104616061B (zh) * | 2015-01-28 | 2017-05-31 | 合肥工业大学 | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 |
CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN107037314A (zh) * | 2017-04-19 | 2017-08-11 | 沈阳工业大学 | 一种电力变压器绕组变形故障在线诊断方法 |
CN108229544A (zh) * | 2017-12-22 | 2018-06-29 | 南昌大学 | 一种npc三电平光伏逆变器开路故障诊断方法 |
CN108983051B (zh) * | 2018-07-25 | 2021-02-09 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN109066587B (zh) * | 2018-08-01 | 2019-07-12 | 西南交通大学 | 基于小波能量熵的换流变压器差动保护故障判断方法 |
-
2019
- 2019-05-16 CN CN201910408485.0A patent/CN110133538B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701470A (zh) * | 2016-01-13 | 2016-06-22 | 合肥工业大学 | 一种基于最优小波包分解的模拟电路故障特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110133538A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133538B (zh) | 一种anpc三电平逆变器开路故障诊断方法及实验平台 | |
Huang et al. | Multiple open-circuit fault diagnosis based on multistate data processing and subsection fluctuation analysis for photovoltaic inverter | |
CN111381188B (zh) | 一种两电平三相电压源逆变器桥臂开路故障诊断方法 | |
CN103837791A (zh) | 三电平逆变器多模式故障诊断电路及其诊断方法 | |
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
CN105790568B (zh) | 基于压缩感知的高频谐振软开关电路故障预测方法及装置 | |
CN111679226B (zh) | 一种mmc子模块开关管开路故障诊断与定位方法 | |
CN112310991B (zh) | 基于扰动观测的储能变换器改进有限集模型预测控制方法 | |
CN113159119A (zh) | 一种中压模块化多电平变流器故障诊断方法 | |
CN105807165A (zh) | Mmc换流站运行状态模糊综合评判方法 | |
CN112731193B (zh) | 基于滑模观测器的npc逆变器多类故障诊断方法 | |
Deng et al. | A High-Accuracy-Light-AI Data-Driven Diagnosis Method for Open-Circuit Faults in Single-Phase PWM Rectifiers | |
CN110334087B (zh) | 一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN114172401B (zh) | 基于降阶观测器的npc三电平逆变器多类故障诊断方法 | |
Tamissa et al. | Pattern recognition and diagnosis of short and open circuit faults inverter in induction motor drive using neural networks | |
CN112731103A (zh) | 一种双级矩阵变换器的故障诊断方法 | |
Li et al. | Inverter fault diagnosis algorithm based on midpoint voltage deviation polarity and topology reconstruction | |
CN113449771B (zh) | 基于人工神经网络的四象限变流器故障诊断方法及系统 | |
Kumar PK et al. | Comparative Analysis of Conventional and Artificial Intelligence-based Maximum Power Point Tracking Algorithms for Solar Photovoltaic Applications | |
Liu et al. | Fault Diagnosis Strategy of Four-Switch Buck-Boost Converter Based on BP Neural Network Optimized by Particle Swarm Optimization | |
CN110208721B (zh) | 一种级联三电平逆变器的故障诊断方法及装置 | |
CN118070216A (zh) | 基于多分支注意力机制网络的t型逆变器故障诊断方法 | |
CN116679131A (zh) | 一种电力电子变换器直流母线电容状态估算方法 | |
He et al. | Circuit Fault Detection System of Simulation and Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |