CN110208721A - 一种级联三电平逆变器的故障诊断方法及装置 - Google Patents
一种级联三电平逆变器的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN110208721A CN110208721A CN201910612747.5A CN201910612747A CN110208721A CN 110208721 A CN110208721 A CN 110208721A CN 201910612747 A CN201910612747 A CN 201910612747A CN 110208721 A CN110208721 A CN 110208721A
- Authority
- CN
- China
- Prior art keywords
- level inverter
- neural network
- cascade
- fault
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 91
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 abstract description 4
- 238000009434 installation Methods 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Inverter Devices (AREA)
Abstract
一种级联三电平逆变器的故障诊断方法及装置,采集级联三电平逆变器的直流侧电流进行去噪处理后对其进行快速傅立叶变换,选取指定次傅里叶分析谐波幅值与相位作为故障特征量,利用级联三电平逆变器在正常工作和其中每个开关管故障时的故障特征量作为训练神经网络的样本对神经网络进行训练;然后利用训练好的神经网络进行实时故障诊断;只设置一个电流传感器即可完成,减小了故障诊断的硬件成本和体积,且电流传感器安装位置灵活;能够将故障定位到具体故障的器件级,对所有模块的所有开关管开路故障进行定位和诊断;本发明的诊断方法与级联模块数无关、也与负载大小无关,应用范围广,灵活性高,稳定度好。
Description
技术领域
本发明属于电力故障诊断领域,涉及一种级联三电平逆变器的故障诊断方法及装置。
背景技术
随着电力电子技术的发展,电力电子变换器被广泛应用于大功率场合,为了适应大功率场合的高压、大电流,多电平变换器技术应运而生。级联三电平逆变器是多电平电路拓扑结构的一种,其由于具有模块化、易拓展的优点,被广泛应用于光伏并网系统和贯通式牵引供电系统等领域。但多电平电路使用了数量较多的开关器件,任何一个器件故障都有可能导致整个电路停止工作,导致变换器可靠性降低,造成不可估量的经济损失,甚至造成灾难性事故。一般地,功率变换器的故障可分为开关管的开路故障和短路故障。短路故障存在的时间极短,可在硬件电路上进行处理,也可以将快速熔丝植入电路中,将短路故障转化为开路故障,利用开路故障诊断方法加以处理。因此,有必要研究级联逆变器的开路故障诊断技术,达到减少维护成本,减少意外停机的时间,提高系统运行可靠性的目的。
针对逆变器的故障诊断国内外已经有一些研究基础。主要分为两种:一种是对电路进行建模,分析总结故障特征,直接利用硬件电路实现故障诊断;另一种是额外增加所需要的传感器提取输出侧电压或者电流对其进行数学处理后作为故障特征量,再利用贝叶斯网络、支持向量机等方法来实现故障诊断。但是针对级联三电平逆变器,若仍采用普通逆变器的故障诊断方法,由于其模块数量大,开关状态多电路复杂,电路建模困难,使得故障诊断难度较大,成本较高。而且通常需要提取级联逆变器中每个级联模块的桥臂电压,每个模块需要两个电压传感器,额外增加太多传感器不仅增加系统的成本,也增加了系统本身的不可靠性。因此,针对级联逆变器,亟需研究一种低硬件成本、高诊断效率的故障诊断方法。
发明内容
针对上述传统诊断方法提取输出侧信息进行数学处理得到故障特征量存在的传感器数量需求高、系统成本高、诊断难度大和可靠性不高的问题,本发明提出一种级联三电平逆变器的故障诊断方法以及故障诊断装置,只需要在输入侧设置一个电流传感器,且可以将故障定位到具体模块中的具体开关器件并通过显示屏实时显示故障状态,减小了系统硬件成本,提高了系统可靠性。
本发明采用的技术方案是:
一种级联三电平逆变器的故障诊断方法,所述级联三电平逆变器包括M个三电平逆变器模块,每个所述三电平逆变器模块包括N个开关管,N和M均为正整数;
所述故障诊断方法包括如下步骤:
步骤1、所述级联三电平逆变器在开环工作的情况下,采集所述级联三电平逆变器正常工作时的采样信号向量和所述级联三电平逆变器中每一个开关管故障时的采样信号向量,共1+N×M个采样信号向量构成向量矩阵;
采集所述级联三电平逆变器正常工作时的采样信号向量的具体方法为:设置初始调制度和结束调制度,选择所述M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块,分别采集所述指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流,K次采集的电流结果构成所述级联三电平逆变器正常工作下的采样信号向量,K为正整数;
采集所述级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为:令有且只有第m个三电平逆变器模块中第n个开关管故障,分别采集所述指定模块从所述初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流,K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量,n和m均为正整数,且n∈[1,N],m∈[1,M];
步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果,共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量;这(1+N×M)×K个故障特征向量分别表示所述级联三电平逆变器在正常情况下和所述级联三电平逆变器中每一个开关管故障情况下的故障特征向量样本;
步骤3、对不同的故障类型进行编码,编码由两部分组成,第一部分表示故障所在的三电平逆变器模块编号,第二部分表示出现故障的三电平逆变器模块中故障的开关管编号;正常情况时两部分编码都为零;
步骤4、构建神经网络,以步骤2得到的故障特征向量样本作为神经网络训练的输入样本,以步骤3得到的编码作为神经网络的输出,建立神经网络的输入输出对应关系,将正常情况下和每一个开关管故障情况下的故障特征向量样本分别对应表示正常情况和每一个开关管故障情况的编码;训练神经网络得到满足误差要求的神经网络;
步骤5、实时监测并采集所述指定模块的直流侧电流,对采集的电流数据进行快速傅里叶变换并提取故障特征向量输入到步骤4训练好的神经网络中进行实时诊断,根据神经网络输出结果的编码结合步骤3中每位编码表示的实际故障类型,得出最终诊断结果。
具体的,步骤2中电流采样结果进行快速傅立叶变换后,选择经过快速傅里叶变换之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量。
具体的,步骤1中设置初始调制度为0.10,结束调制度为1.30,以0.05为间隔的调制度提取所述指定模块从0.10到1.30共25个不同调制度下一个工频周期内的直流侧电流作为采样信号向量。
具体的,步骤2中先将(1+N×M)×K个电流采样结果利用现代信号处理的方法进行去噪处理,然后分别进行快速傅立叶变换后提取各自的故障特征向量。
具体的,步骤3中两部分编码均为二进制编码。
具体的,步骤4中神经网络为三层结构,包括输入层、隐层和输出层,构建神经网络后首先初始化神经网络的权值矩阵,再输入步骤2得到的故障特征向量样本开始训练;
神经网络的训练分为正向传播和反向传播,神经网络的正向传播过程为神经网络的每一层的每一个节点通过公式(1)和公式(2)的计算并传向下一个节点直至得到最终输出过程,
ai [l]=f(Zi [l]) (2)
l取2或3,神经网络的输入层即第1层,隐层即第2层,输出层即第3层;神经网络的第l层输入为p维,输出为q维,p、q为正整数,wji表示神经网络中第l-1层到第l层的权值矩阵中第j行第i列的元素,j∈[1,p],i∈[1,q],Zi [l]表示神经网络中第l层第i个神经元节点的中间函数,表示第l-1层第j个神经元节点的输出,bi [l]表示神经网络中第l层第i个神经元节点的中间偏置,f为激活函数,ai [l]表示神经网络中第l层第i个神经元节点的最终输出;
神经网络的反向传播过程为调节权值矩阵的过程,然后开始调节,定义一个误差函数其中g∈[1,k],k为训练的总样本数,训练的总样本数k=(1+N×M)×K,eg为第g次训练的理论期望输出值,Og为第g次训练的神经网络的实际输出;采用梯度下降法对神经网络的权值进行更新,其更新方式如公式(3)和公式(4):
其中α为学习率,w为权值矩阵,b为偏置设定值矩阵;
通过多次更新权值矩阵至满足误差要求,得到训练好的神经网络。
具体的,所述神经网络中输入层到隐层的激活函数采用Tanh函数,隐层到输出层的激活函数采用Sigmoid函数。
具体的,所述神经网络的输出以0.5为阈值,当神经网络的输出大于0.5时输出置1,否则置0。
一种级联三电平逆变器的故障诊断装置,所述级联三电平逆变器包括M个三电平逆变器模块,每个所述三电平逆变器模块包括N个开关管,N和M均为正整数;
所述故障诊断装置包括核心控制器与处理器、电流传感器、AD采样板和显示屏,
所述电流传感器的输入端连接所述级联三电平逆变器的M个三电平逆变器模块中任意一个三电平逆变器模块的直流侧,用于采集该三电平逆变器模块的直流侧电流;
所述AD采样板的输入端连接所述电流传感器的输出端,用于将所述电流传感器采集的模拟信号转换为数字信号后传送至所述核心控制器与处理器的输入端;
所述核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量;所述核心控制器与处理器基于神经网络进行故障诊断,在训练神经网络时将所述核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本;训练好神经网络之后,训练好的神经网络根据所述核心控制器与处理器的输入端信号提取的故障特征量诊断所述级联三电平逆变器的故障类型;
所述显示屏的输入端连接所述核心控制器与处理器的输出端,用于将神经网络的诊断结果显示出来。
具体的,所述核心控制器与处理器还用于产生所述级联三电平逆变器中N×M个开关管的驱动信号连接所述N×M个开关管的栅极。
具体的,在训练神经网络时,所述电流传感器用于采集所述级联三电平逆变器处于正常工作时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流,以及当所述级联三电平逆变器中有且只有第m个三电平逆变器模块中的第n个开关管故障时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流,n和m均为正整数,且n取1至N,m取1至M。
与现有技术相比,本发明的有益效果为:仅额外增加一个传感器即可实现多模块级联三电平逆变器的故障诊断,减小了故障诊断的硬件成本和体积,提高了系统的可靠性;本发明能够将故障定位到具体故障的器件级;电流传感器安装位置可任意选择;本发明的诊断方法与级联模块数无关、也与负载大小无关,应用范围广,灵活性高,稳定度好。
附图说明
图1是实施例中将本发明提出的一种级联三电平逆变器的故障诊断方法及装置用于诊断级联NPC三电平逆变器时,所应用的级联NPC三电平逆变器的拓扑结构。
图2是本发明提出的一种级联三电平逆变器的故障诊断方法及装置所应用的级联NPC三电平逆变器无故障和S11,,S12,S15,S16,S21,S22,S31单管故障时级联输出电压和直流侧电流Id仿真波形图。
图3是本发明提出的一种级联三电平逆变器的故障诊断方法及装置所应用的级联NPC三电平逆变器为无故障和S11,,S12,S15,S16,S21,S22,S31单管故障时直流侧电流Id仿真频谱图。
图4是实施例中本发明提出的一种级联三电平逆变器的故障诊断方法及装置所应用的BP神经网络训练流程。
图5是本发明提出的一种级联三电平逆变器的故障诊断方法及装置所应用的级联NPC三电平逆变器故障诊断的系统总体框图。
图6是神经网络实时故障诊断结果。
图7是本发明提出的一种级联三电平逆变器的故障诊断方法及装置所应用的级联NPC三电平逆变器故障诊断的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
本发明提出的故障诊断方法及装置适用于级联三电平逆变器,下面以级联NPC(二极管中点钳位)三电平逆变器为例进行说明,如图1所示是级联NPC三电平逆变器的单相结构示意图,应用于三相结构时同理;级联NPC三电平逆变器包括M个二极管中点钳位逆变器模块串联,模块1的1a端口与负载的L端口相连,模块1的1b端口与模块2的2a端口相连,模块2的2b端口与模块3的3a端口相连,以此类推;模块i的ia端口与i-1模块的(i-1)b端口相连,模块i的ib端口与模块i+1的(i+1)a端口相连,以此类推,模块M的Ma端口与模块M-1的(M-1)b端口相连,模块M的Nb端口与负载G端相连,i∈[1,M]。每个模块中包括两个桥臂,每个桥臂包括8个开关管。本发明通过任意选取一个模块采集其直流侧电流并结合神经网络实现故障开关管的定位,如图1所示选取第i个模块的直流侧电流Id以实现故障信息的采集,测量的模块可以任意选取,选取之后根据这个模块的直流侧电流进行故障诊断,下面以M取3为例,通过3个模块的逆变器详细说明本发明的技术方案。
如图5所示,本发明提出的一种级联三电平逆变器的故障诊断装置包括核心控制器与处理器FPGA、直流电流传感器、AD采样板、液晶显示屏。电流传感器串联在对第i个二极管中点钳位单元的直流侧,以实现故障信息的采集;核心控制器与处理器FPGA独立运行产生驱动信号,该驱动信号通过每个模块的驱动电路与桥臂上8个功率开关器连接,控制级联逆变器的正常运行;同时,串接在第i个二极管中点钳位逆变器单元的直流侧电流传感器将实时的电流信号传输到AD采样板,AD采样板将模拟信号数字化后传入核心控制器与处理器FPGA中;核心控制器与处理器FPGA中嵌入基于单传感器的级联二极管中点钳位逆变器的故障诊断方法,并实时进行故障特征量提取和诊断;最后核心控制器与处理器FPGA将输出结果通过IO口传输至液晶显示屏,实时显示级联逆变器工作状态。数据预处理和神经网络训练与实时诊断的步骤如下:
步骤一:进行故障样本数据的采集。
基于matlab/simulink软件搭建一个单相3模块级联的NPC逆变器。控制方法采用单电压闭环控制,调制方法采用载波移相加载波层叠的混合调制方式。对逆变器在开环工作的情况下,令调制度等于0.1,提取一个工频周期内(0.02s)第i个模块的直流侧电流(第i个模块为自己选定的指定模块,如图1中选择第i个模块的直流侧电流Id,第i个模块内所有与直流侧正电源相连接的IGBT电流之和构成Id,以电源流出方向为正,本实施例由于共3个模块,因此i∈[1,3]),构成正常工作下采样信号向量Imnxy(0≤m≤3,0≤n≤8,0≤x≤2,0≤y≤9),其中下标m表示故障开关管所在的模块,下标n表示故障模块中故障管的标号。故障模块m从上到下依次标号为1,2,3;每个模块内第一个桥臂从上到下依次标号为1,2,3,4,第二个桥臂从上到下依次标号为5,6,7,8。此时逆变器正常工作没有开关管故障,定义没有故障情况下m=n=0。下标xy对应不同的调制度,采用十进制计数表示。xy=01代表调制度为0.1,因此此时对应的电流向量为I0001;再取调制度等于0.15,提取一个工频周期内第i个模块的直流侧电流,构成正常工作下采样信号向量I0002,xy=02代表调制度为0.15;依次类推,从0.10到1.30以0.05为间隔的调制度共提取25次一个工频周期内第i个模块的直流侧电流,构成正常工作下采样信号向量I0001,I0002…I0025,共25个元素记为向量I00,I00={I0001,I0002…I0025}。本实施例中设置初始调制度为0.10,结束调制度为1.30,以0.05为间隔的调制度,实际应用中可根据实际情况对应调整。
同样,对逆变器在开环工作的情况下,令单相3模块级联的NPC逆变器中有且只有一个开关管故障,采集每一个开关管故障时的采样信号向量,由于有3个模块,一个模块有8个开关管,故需要采集共24种故障状态的采样信号向量I11、I12、……、I18、I21、I22、……、I28、I31、I32、……、I38。以第m个模块为例,令第m个模块内第一个开关管故障,从0.10到1.30以0.05为间隔的调制度提取一个工频周期内第m个模块的直流侧电流共25个元素,构成第m个模块内第一个开关管故障下采样信号向量Im101,Im102…Im125,共25个元素记为向量Im1,Im1={Im101,Im102…Im125}。令第m个模块内第二个开关管故障,从0.10到1.30以0.05为间隔的调制度提取一个工频周期内第m个模块的直流侧电流共25个元素,构成第m个模块内第二个开关管故障下采样信号向量Im201,Im202…Im225,共25个元素记为向量Im2,Im2={Im201,Im202…Im225}。依次类推,分别令所有模块内所有开关管单独发生故障,得到不同模块内不同开关管故障情况下的电流采样信号I00,I11,I12…I38,共25组向量组合构成向量矩阵,记为I,I={I00,I11,I12…I38},其中I00表示无故障发生时对应的直流侧采样信号向量,I38代表第三个模块中第二个桥臂从上到下第四个开关管发生故障对应的电流向量。
利用matlab/simulink软件进行仿真,设输入直流电压Vdc为48V,负载为50Ω,支撑电容C1、C2为480uf,调制度为0.875,调制波频率f0=50Hz,载波频率fs=1000Hz。考虑到电路对称性及篇幅限制,图2为无故障和S11、S12、S15、S16、S21、S22、S31单管故障级联输出电压和直流侧电流Id仿真波形。
步骤二:通过快速傅里叶变换(FFT)得到故障特征量
利用FFT对步骤一得到的I向量矩阵中I00向量中的I0001进行傅里叶分解,获取I0001经过FFT之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量F0001,F0001是一个一行6列的向量。同样,对I00向量中的I0002进行傅里叶分解,获取I0002经过FFT之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量F0002。同理,用此方法可得到F0001,F0002…F0025,记为向量矩阵F00,F00={F0001,F0002…F0025},表示正常情况下不同调制度下的特征向量矩阵。
由于试验中可能有噪声存在,导致采集的电流不准,影响实际效果,因此在一些实施例中,可以在进行快速傅里叶变换之前,首先利用现代信号处理的方法对步骤一得到的每个电流采样结果进行去噪处理,再利用快速傅里叶变换提取故障特征向量。
同样,利用快速傅里叶变换(FFT)对步骤一得到的I向量矩阵中I11向量中的每个元素进行傅里叶分解(如I1101,I1102等),获取I11向量中的每个元素FFT之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量集合F1101,F1102…F1125,记为F11,F11={F1101,F1102…F1125},表示不同调制度下第1个模块内第一个开关管故障的特征向量。依次类推,可得到F00,F11,F12…F38,分别表示正常情况下和不同故障类型情况下的故障特征量样本,作为神经网络训练的输入样本。表1为时模块1不同开关管故障时特定次谐波幅值与相位(调制度为0.85),0次幅值即直流分量幅值。图3为图2所对应的故障状态的频谱图。本实施例中选择电流量经过快速傅里叶变换之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量是根据拓扑结构与采用的调制方法来选择的,也可以选择其他次谐波次数和相位。
表1模块1不同开关管故障直流侧电流谐波幅值与相位(调制度为0.85)
步骤三:故障类型数字化
对不同的故障类型进行编码,编码由两部分组成,本实施例中编码设置为5位数,前两位以二进制组合表示发生故障所在的模块编号(如表2所示),后三位以二进制组合表示故障管编号(编号方式与步骤一相同,如表3所示)。如编码01001,表示模块1内第一个开关管故障;编码10010表示模块2内第二个开关管故障;特别的,令编码00000表示无故障发生。通过编码的方式将故障数字化,作为神经网络的输出。
表2故障模块编码
表3故障开关管定位编码
步骤四:构建并训练神经网络
首先建立神经网络的输入输出对应关系。特征向量矩阵F00为正常情况下不同调制度特征向量矩阵,因此对应数字化的输出为编码00000,对应25×5的输出矩阵[00000,00000,…,00000];特征向量矩阵F11为第1个模块内第一个开关管故障情况下不同调制度特征向量矩阵,因此对应数字化的输出为编码01001,对应25×5的输出矩阵[01001,01001,…,01001];特征向量矩阵F18为第1个模块内第八个开关管故障情况下不同调制度特征向量矩阵,因此对应数字化的输出为编码01000,对应25×5的输出矩阵[01000,01000,…,01000];指的注意的是,编码00000表示正常情况,编码01000、10000、11000分别表示第1个模块内第八个开关管故障、第2个模块内第八个开关管故障、第3模块内第八个开关管故障的情况。通过特征向量矩阵所代表的含义可以得出相应数字化的输出编码矩阵,由此可得到所有故障类型下神经网络相对应的输入矩阵和输出矩阵。
本实施例选择3层的BP(BP-backpropagation)神经网络为例,由于神经网络的输入是直流侧电流经过FFT处理后的特定次谐波次数和相位,具体选择了直流分量,二次谐波、三次谐波、四次谐波幅值以及基波和三次谐波相位,共6个参数,因此,输入层神经元个数为6;输出侧采用5位编码使输出数字化,输出层神经元个数为5;根据经验,选择隐层神经元个数为9。
首先进行神经网络权值矩阵的初始化。神经网络的权值矩阵是至关重要的,它决定着不同的输入决策对输出结果的影响程度。在训练过程中,通过梯度下降算法不断对权值进行更新调整,以达到减小输出误差的目的,在调整的过程中,需要对权值矩阵进行初始化,否则可能无法训练出一个好的拟合度好的神经网络还会降低神经网络训练的速度。常用的两种初始化方法是positive_unitball初始化和xavier初始化。positive_unitball初始化是将权值矩阵中的每个元素和为1。具体做法是,首先将各个元素的权值赋值在区间(0,1)之间均匀分布,然后用每一个矩阵元素除以它们的和。这么做,可以避免输入权值矩阵过大问题,从而引起激活函数的饱和(进入斜率非常小的区域)。因此,它很适用于Sigmoid这一类的激活函数。xavier初始化是指将权值矩阵中的每个元素做均匀分布,他们的均值为0,方差为1/矩阵元素个数。这种初始化比较适用于Relu激活函数。本实施例采用positive_unitball初始化方法。
BP神经网络的训练分为正向传播和反向传播两个过程。以单个神经元为例,设输入为p维,输出为q维,p、q为正整数,w为权值矩阵,b为偏置设定值,wji表示权值矩阵中第j行第i列的元素,j∈[1,p],i∈[1,q],表示第l-1层第j个神经元节点的输出,Zi [l]表示神经网络中第l层第i个神经元节点的中间函数,bi [l]表示神经网络中第l层第i个神经元节点的中间偏置,f为激活函数,ai [l]表示神经网络中第l层第i个神经元节点的最终输出,l取2或3,神经网络的输入层即第1层,隐层即第2层,输出层即第3层。
ai [l]=f(Zi [l]) (1-2)
神经网络的每一层的每一个节点通过式(1-1)和式(1-2)的计算并传向下一个节点直至得到最终输出过程,就是神经网络的正向传播过程。而反向传播过程是指调节权值矩阵的过程。为了清楚阐述反向传播过程,定义一个误差函数L(w,b)如式(1-3)所示,其中k为训练的样本数,eg为第g次训练的理论期望输出值,Og为第g次训练的神经网络的实际输出,g∈[1,k]。
误差函数用来衡量神经网络输出与期望输出的差值,它反应了神经网络拟合的程度。训练神经网络的过程就是反向传播的过程,同时也是减小误差函数的过程。采用梯度下降法对神经网络的权值进行更新,其更新方式如式(1-4)和(1-5)所示,其中α为学习率。
其中,激活函数输入层到隐层采用“Tanh”函数,如式1-6所示;隐层到输出层采用“Sigmoid”函数,如式1-7所示;学习率α=0.5,最大训练步数P=10000。根据上述过程对神经网络进行训练,训练流程如图4所示。经过5835次迭代后收敛于给定误差1e-6,得到相应的系数矩阵构成训练好的神经网络。
步骤五:利用训练好的神经网络进行故障诊断和定位
图5为将本发明提出的基于单传感器的故障诊断方法应用于级联NPC逆变器时的故障诊断系统总体框图,包括二极管中点钳位级联逆变器主电路板、核心控制器与处理器FPGA、电流传感器、AD采样板、液晶显示屏。其中二极管中点钳位级联逆变器主电路板包括核心逆变器开关管和相应的驱动板;核心控制器与处理器FPGA包括四部分相应的算法:控制输出侧电压VO的电压闭环控制算法;产生逆变器的驱动信号的调制算法;对故障特征量进行提取和利用神经网络进行诊断的故障诊断算法;以及提取故障特征量之前的去噪算法。首先,FPGA控制算法与调制算法产生驱动信号经过驱动板控制二极管中点钳位级联逆变器主电路板上IGBT管开通和关断,然后电流传感器实时监测采集任一模块(之前指定的模块)的直流侧电流并经采集的电信号输入到AD采样板中,经过AD采样板处理后输入到FPGA中,利用FPGA去噪后进行快速傅立叶变换,提取直流分量,二次谐波、三次谐波、四次谐波幅值以及基波和三次谐波相位参数作为故障特征量,将实时提取的特定次谐波含量输入训练好的神经网络诊断算法对故障状态进行实时诊断,神经网络训练样本中每一位只输出“0”或者“1”,而神经网络是一种非线性拟合,训练样本是0或1,但拟合不是完全准确的,所以实际输出可能不是准确的为0或1,所以实际诊断中为了便于识别,取0.5为阈值,神经网络的输出大于0.5,则诊断结果相应位置1,否则置0。根据步骤三设置的诊断结果的5位编码与实际故障类型的对应关系,得出最终的诊断结果。图6为与图2所对应的故障诊断波形。最后将诊断结果输出到液晶显示屏上进行显示。
本发明中直流侧电流传感器的位置是任意的,可以安装在任意一个模块的直流侧,整个系统只需要一个这样的直流侧电流传感器即可完成诊断,不需要设置多个传感器,结构简单成本低。且本发明对逆变器的直流侧电流提取故障特征量,相比传统的诊断方案中从输出侧信号提取故障特征能够得到更稳定准确的诊断结果,诊断过程与负载无关,且覆盖了大范围的调制度,采用大范围的调制度作为训练样本,可以使诊断过程更迅速准确。任意模块数的级联NPC逆变器都可以利用本发明的方案实现故障诊断和定位。
值得说明的是,本实施例中以单相的级联NPC三电平逆变器为例进行说明,但其他类型的级联三电平逆变器同样能够使用本发明提出的故障诊断方法和装置,以上实例仅用于说明本发明的技术方案,本领域的普通技术人员应当理解,可以对本发明做出修改和变形组合,但在不脱离本方案的精神的范围内,均应涵盖在本发明的权利保护范围之内。
Claims (10)
1.一种级联三电平逆变器的故障诊断方法,所述级联三电平逆变器包括M个三电平逆变器模块,每个所述三电平逆变器模块包括N个开关管,N和M均为正整数;
其特征在于,所述故障诊断方法包括如下步骤:
步骤1、所述级联三电平逆变器在开环工作的情况下,采集所述级联三电平逆变器正常工作时的采样信号向量和所述级联三电平逆变器中每一个开关管故障时的采样信号向量,共1+N×M个采样信号向量构成向量矩阵;
采集所述级联三电平逆变器正常工作时的采样信号向量的具体方法为:设置初始调制度和结束调制度,选择所述M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块,分别采集所述指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流,K次采集的电流结果构成所述级联三电平逆变器正常工作下的采样信号向量,K为正整数;
采集所述级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为:令有且只有第m个三电平逆变器模块中第n个开关管故障,分别采集所述指定模块从所述初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流,K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量,n和m均为正整数,且n∈[1,N],m∈[1,M];
步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果,共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量;这(1+N×M)×K个故障特征向量分别表示所述级联三电平逆变器在正常情况下和所述级联三电平逆变器中每一个开关管故障情况下的故障特征向量样本;
步骤3、对不同的故障类型进行编码,编码由两部分组成,第一部分表示故障所在的三电平逆变器模块编号,第二部分表示出现故障的三电平逆变器模块中故障的开关管编号;正常情况时两部分编码都为零;
步骤4、构建神经网络,以步骤2得到的故障特征向量样本作为神经网络训练的输入样本,以步骤3得到的编码作为神经网络的输出,建立神经网络的输入输出对应关系,将正常情况下和每一个开关管故障情况下的故障特征向量样本分别对应表示正常情况和每一个开关管故障情况的编码;训练神经网络得到满足误差要求的神经网络;
步骤5、实时监测并采集所述指定模块的直流侧电流,对采集的电流数据进行快速傅里叶变换并提取故障特征向量输入到步骤4训练好的神经网络中进行实时诊断,根据神经网络输出结果的编码结合步骤3中每位编码表示的实际故障类型,得出最终诊断结果。
2.根据权利要求1所述的级联三电平逆变器的故障诊断方法,其特征在于,步骤2中电流采样结果进行快速傅立叶变换后,选择经过快速傅里叶变换之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量。
3.根据权利要求1所述的级联三电平逆变器的故障诊断方法,其特征在于,步骤1中设置初始调制度为0.10,结束调制度为1.30,以0.05为间隔的调制度提取所述指定模块从0.10到1.30共25个不同调制度下一个工频周期内的直流侧电流作为采样信号向量。
4.根据权利要求1所述的级联三电平逆变器的故障诊断方法,其特征在于,步骤2中先将(1+N×M)×K个电流采样结果利用现代信号处理的方法进行去噪处理,然后分别进行快速傅立叶变换后提取各自的故障特征向量。
5.根据权利要求1所述的级联三电平逆变器的故障诊断方法,其特征在于,步骤3中两部分编码均为二进制编码。
6.根据权利要求1至5任一项所述的级联三电平逆变器的故障诊断方法,其特征在于,步骤4中神经网络为三层结构,包括输入层、隐层和输出层,构建神经网络后首先初始化神经网络的权值矩阵,再输入步骤2得到的故障特征向量样本开始训练;
神经网络的训练分为正向传播和反向传播,神经网络的正向传播过程为神经网络的每一层的每一个节点通过公式(1)和公式(2)的计算并传向下一个节点直至得到最终输出过程,
ai [l]=f(Zi [l]) (2)
l取2或3,神经网络的输入层即第1层,隐层即第2层,输出层即第3层;神经网络的第l层输入为p维,输出为q维,p、q为正整数,wji表示神经网络中第l-1层到第l层的权值矩阵中第j行第i列的元素,j∈[1,p],i∈[1,q],Zi [l]表示神经网络中第l层第i个神经元节点的中间函数,表示第l-1层第j个神经元节点的输出,bi [l]表示神经网络中第l层第i个神经元节点的中间偏置,f为激活函数,ai [l]表示神经网络中第l层第i个神经元节点的最终输出;
神经网络的反向传播过程为调节权值矩阵的过程,然后开始调节,定义一个误差函数其中g∈[1,k],k为训练的总样本数,eg为第g次训练的理论期望输出值,Og为第g次训练的神经网络的实际输出;采用梯度下降法对神经网络的权值进行更新,其更新方式如公式(3)和公式(4):
其中α为学习率,w为权值矩阵,b为偏置设定值矩阵;
通过多次更新权值矩阵至满足误差要求,得到训练好的神经网络。
7.根据权利要求6所述的级联三电平逆变器的故障诊断方法,其特征在于,所述神经网络的输出以0.5为阈值,当神经网络的输出大于0.5时输出置1,否则置0。
8.一种级联三电平逆变器的故障诊断装置,所述级联三电平逆变器包括M个三电平逆变器模块,每个所述三电平逆变器模块包括N个开关管,N和M均为正整数;
其特征在于,所述故障诊断装置包括核心控制器与处理器、电流传感器、AD采样板和显示屏,
所述电流传感器的输入端连接所述级联三电平逆变器的M个三电平逆变器模块中任意一个三电平逆变器模块的直流侧,用于采集该三电平逆变器模块的直流侧电流;
所述AD采样板的输入端连接所述电流传感器的输出端,用于将所述电流传感器采集的模拟信号转换为数字信号后传送至所述核心控制器与处理器的输入端;
所述核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量;所述核心控制器与处理器基于神经网络进行故障诊断,在训练神经网络时将所述核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本;训练好神经网络之后,训练好的神经网络根据所述核心控制器与处理器的输入端信号提取的故障特征量诊断所述级联三电平逆变器的故障类型;
所述显示屏的输入端连接所述核心控制器与处理器的输出端,用于将神经网络的诊断结果显示出来。
9.根据权利要求8所述的级联三电平逆变器的故障诊断装置,其特征在于,所述核心控制器与处理器还用于产生所述级联三电平逆变器中N×M个开关管的驱动信号连接所述N×M个开关管的栅极。
10.根据权利要求8或9所述的级联三电平逆变器的故障诊断装置,其特征在于,在训练神经网络时,所述电流传感器用于采集所述级联三电平逆变器处于正常工作时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流,以及当所述级联三电平逆变器中有且只有第m个三电平逆变器模块中的第n个开关管故障时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流,n和m均为正整数,且n取1至N,m取1至M。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612747.5A CN110208721A (zh) | 2019-07-09 | 2019-07-09 | 一种级联三电平逆变器的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612747.5A CN110208721A (zh) | 2019-07-09 | 2019-07-09 | 一种级联三电平逆变器的故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110208721A true CN110208721A (zh) | 2019-09-06 |
Family
ID=67796750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612747.5A Pending CN110208721A (zh) | 2019-07-09 | 2019-07-09 | 一种级联三电平逆变器的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208721A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693774A (zh) * | 2020-05-06 | 2020-09-22 | 南方电网科学研究院有限责任公司 | 一种输电网的谐波测量方法和装置 |
CN111812435A (zh) * | 2020-06-28 | 2020-10-23 | 国网新源控股有限公司回龙分公司 | 一种基于bp神经网络诊断静止变频器故障的方法 |
CN111953529A (zh) * | 2020-07-28 | 2020-11-17 | 深圳供电局有限公司 | 一种程控交换机的自诊断方法及系统 |
CN112526397A (zh) * | 2020-11-23 | 2021-03-19 | 中国矿业大学 | 一种中点钳位型单相三电平逆变器开路故障诊断方法 |
CN113449771A (zh) * | 2021-05-20 | 2021-09-28 | 山东大学 | 基于人工神经网络的四象限变流器故障诊断方法及系统 |
CN113466596A (zh) * | 2021-07-15 | 2021-10-01 | 西南交通大学 | 一种单相三电平级联逆变器的故障诊断方法 |
CN113721162A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN114236386A (zh) * | 2021-12-16 | 2022-03-25 | 河北工业大学 | 一种开关磁阻电机功率变换器故障诊断方法 |
CN116541772A (zh) * | 2023-05-05 | 2023-08-04 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
WO2023186845A1 (fr) * | 2022-03-31 | 2023-10-05 | Vitesco Technologies GmbH | Procédé de diagnostic électronique d'une chaîne de traction électrique pour vehicule automobile |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
CN108416103A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种串联混合动力电动汽车交直流变换器的故障诊断方法 |
CN108872882A (zh) * | 2018-08-09 | 2018-11-23 | 西南交通大学 | 一种三电平级联逆变器的故障诊断装置及其诊断方法 |
CN108872751A (zh) * | 2018-07-05 | 2018-11-23 | 西南交通大学 | 一种基于神经网络的三电平级联逆变器的故障诊断方法 |
CN210222221U (zh) * | 2019-07-09 | 2020-03-31 | 西南交通大学 | 一种级联三电平逆变器的故障诊断装置 |
-
2019
- 2019-07-09 CN CN201910612747.5A patent/CN110208721A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
CN108416103A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种串联混合动力电动汽车交直流变换器的故障诊断方法 |
CN108872751A (zh) * | 2018-07-05 | 2018-11-23 | 西南交通大学 | 一种基于神经网络的三电平级联逆变器的故障诊断方法 |
CN108872882A (zh) * | 2018-08-09 | 2018-11-23 | 西南交通大学 | 一种三电平级联逆变器的故障诊断装置及其诊断方法 |
CN210222221U (zh) * | 2019-07-09 | 2020-03-31 | 西南交通大学 | 一种级联三电平逆变器的故障诊断装置 |
Non-Patent Citations (2)
Title |
---|
GODOY, WF: "Application of intelligent tools to detect and classify broken rotor bars in three-phase induction motors fed by an inverter", IET ELECTRIC POWER APPLICATIONS, 31 May 2016 (2016-05-31) * |
赵丹阳: "一种改进卷积神经网络的逆变器故障诊断", 电源学报, 25 January 2019 (2019-01-25) * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693774A (zh) * | 2020-05-06 | 2020-09-22 | 南方电网科学研究院有限责任公司 | 一种输电网的谐波测量方法和装置 |
CN111812435A (zh) * | 2020-06-28 | 2020-10-23 | 国网新源控股有限公司回龙分公司 | 一种基于bp神经网络诊断静止变频器故障的方法 |
CN111953529A (zh) * | 2020-07-28 | 2020-11-17 | 深圳供电局有限公司 | 一种程控交换机的自诊断方法及系统 |
CN112526397A (zh) * | 2020-11-23 | 2021-03-19 | 中国矿业大学 | 一种中点钳位型单相三电平逆变器开路故障诊断方法 |
CN112526397B (zh) * | 2020-11-23 | 2022-06-03 | 中国矿业大学 | 一种中点钳位型单相三电平逆变器开路故障诊断方法 |
CN113449771A (zh) * | 2021-05-20 | 2021-09-28 | 山东大学 | 基于人工神经网络的四象限变流器故障诊断方法及系统 |
CN113466596A (zh) * | 2021-07-15 | 2021-10-01 | 西南交通大学 | 一种单相三电平级联逆变器的故障诊断方法 |
CN113721162B (zh) * | 2021-08-27 | 2023-10-24 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN113721162A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学院合肥物质科学研究院 | 一种基于深度学习的聚变磁体电源故障智能诊断方法 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN114236386A (zh) * | 2021-12-16 | 2022-03-25 | 河北工业大学 | 一种开关磁阻电机功率变换器故障诊断方法 |
CN114236386B (zh) * | 2021-12-16 | 2023-10-31 | 河北工业大学 | 一种开关磁阻电机功率变换器故障诊断方法 |
WO2023186845A1 (fr) * | 2022-03-31 | 2023-10-05 | Vitesco Technologies GmbH | Procédé de diagnostic électronique d'une chaîne de traction électrique pour vehicule automobile |
FR3134188A1 (fr) * | 2022-03-31 | 2023-10-06 | Vitesco Technologies | Procédé de diagnostic électronique d’une chaîne de traction électrique pour véhicule automobile |
CN116541772B (zh) * | 2023-05-05 | 2023-10-10 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
CN116541772A (zh) * | 2023-05-05 | 2023-08-04 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208721A (zh) | 一种级联三电平逆变器的故障诊断方法及装置 | |
CN105044624B (zh) | 带故障诊断功能的七电平逆变器及故障诊断方法 | |
CN107271925B (zh) | 基于深度卷积网络的模块化五电平换流器故障定位方法 | |
CN106443297A (zh) | 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 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN108229544A (zh) | 一种npc三电平光伏逆变器开路故障诊断方法 | |
CN108872882B (zh) | 一种三电平级联逆变器的故障诊断装置及其诊断方法 | |
CN210222221U (zh) | 一种级联三电平逆变器的故障诊断装置 | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
CN113159119A (zh) | 一种中压模块化多电平变流器故障诊断方法 | |
CN106372339A (zh) | 电力电子化电力系统的多速率仿真方法及装置 | |
CN108872751A (zh) | 一种基于神经网络的三电平级联逆变器的故障诊断方法 | |
Huang et al. | Multi-switches fault diagnosis based on small low-frequency data for voltage-source inverters of PMSM drives | |
CN109782091A (zh) | 基于深度小波极限学习机的多电平逆变器故障诊断方法 | |
CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
CN101242101B (zh) | 电力系统负荷谐波稳态模型的建立方法及仿真方法 | |
CN109193635A (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
CN106291162A (zh) | 一种光伏二极管箝位式三电平逆变器的故障诊断方法 | |
CN103761569A (zh) | 一种风力发电机故障诊断方法及装置 | |
Ibrahim et al. | Novel data compression technique for power waveforms using adaptive fuzzy logic | |
CN208520978U (zh) | 一种三电平级联逆变器的故障诊断装置 | |
CN110174255A (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
CN104008279A (zh) | 一种求解电力网络静态安全域的方法 | |
CN109709411A (zh) | 一种光伏逆变器故障诊断方法和系统 |
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 |