CN112213665A - 一种z源逆变器功率管的开路故障诊断方法、系统及应用 - Google Patents

一种z源逆变器功率管的开路故障诊断方法、系统及应用 Download PDF

Info

Publication number
CN112213665A
CN112213665A CN202010815249.3A CN202010815249A CN112213665A CN 112213665 A CN112213665 A CN 112213665A CN 202010815249 A CN202010815249 A CN 202010815249A CN 112213665 A CN112213665 A CN 112213665A
Authority
CN
China
Prior art keywords
fault
source inverter
power tube
network
algorithm
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
Application number
CN202010815249.3A
Other languages
English (en)
Inventor
宋保业
许琳
李雪稳
聂士聚
白星振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010815249.3A priority Critical patent/CN112213665A/zh
Publication of CN112213665A publication Critical patent/CN112213665A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/54—Testing for continuity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Genetics & Genomics (AREA)
  • Inverter Devices (AREA)

Abstract

本发明属于新能源发电技术领域，公开了一种Z源逆变器功率管的开路故障诊断方法、系统及应用。通过遗传算法优化深度神经网络的初始连接权值和阈值，然后通过BP训练算法获得较优的权值和阈值，最后基于SOFTMAX对整个深度神经网络进行微调，得到实现最优故障特征学习与分类的深度神经网络。本发明通过t‑SNE算法对三种故障特征提取方法所提取的故障特征进行了可视化展示，结果表明新算法明显优于另外两种算法。基于搭建的Z源逆变器故障诊断实验平台，通过实验验证了GA‑SAE‑DNN算法在Z源逆变器功率管开路故障诊断中的可行性、稳定性、有效性。使用GA对深度神经网络的参数进行优化，提高了故障诊断的准确率。

Description

一种Z源逆变器功率管的开路故障诊断方法、系统及应用
技术领域
本发明属于新能源发电技术领域，尤其涉及一种Z源逆变器功率管的开路故障诊断方法、系统及应用。
背景技术
近年来，随着社会经济的飞速发展，能源的需求日益增长，煤、石油等不可再生能源紧缺。面对严峻的能源枯竭，全世界都在寻找新能源以便及时地开发和利用。由于新能源发电输出电能是不稳定的直流电，因此在新能源的变换装置中逆变器作为核心部件起着重要的作用。由于传统的逆变器的设备体积大、噪音较严重、硬件成本高、操作方式复杂等多种问题，导致它不仅对发电技术的直流电要求较高，并且输出的交流波形也很容易发生畸变。因此，在2002年彭方正教授提出了一种新型逆变器—Z源逆变器。它对逆变电路的主拓扑结构进行改进，即将电感与电容组成“X”型交叉网络阻抗源引入逆变器。Z源逆变器的提出弥补了传统逆变器的缺点，改善了传统拓扑结构的性能，允许上下桥臂同时导通，提高了电源转换效率、输出波形的质量、输出电压的自由度等，使得Z源逆变器在新能源发电装置中得到广泛应用。
对新能源发电系统来说，Z源逆变器的安全性及其可靠性是至关重要的。随着Z源逆变器的不断推广使用，人们对它的维护性要求也越来越高。Z源逆变器一旦出现故障会降低系统的性能，导致系统运行不平衡，从而造成系统设备的损害和异常停机，使维修成本增高，严重的话甚至会造成人员伤亡以及财产损失。因此，研究Z源逆变器的安全性和可靠性对提高系统的稳定性具有非常重要的意义。对于Z源逆变器，它的功率开关管决定了输出交流电压的波形、幅值以及频率。其中开关管是逆变器中最容易出现故障的开关元件，其故障占逆变器故障比例高达70％。开关管故障主要分为短路故障和开路故障。对于短路故障一般采用硬件电路对其进行保护，可以及时地进行故障处理。但是，当开路故障发生时，系统会在一段时间内带病运行，使输出电压的波形发生畸变，严重时会危害整个逆变系统的安全。所以，开展Z源逆变器功率开关管的开路故障诊断研究具有重要的实际意义。
目前，Z源逆变器已经广泛应用于新能源发电中，但其故障诊断研究尚不多见，现有的逆变器故障诊断方法不能完全适用于Z源逆变器。因此，急需一种识别准确率高、快速便捷的诊断以及抗干扰能力强的智能方法解决Z源逆变器故障诊断问题。因此研究Z源逆变器故障诊断问题不仅具有实际的工程意义还对基于智能方法的故障诊断具有一定的理论意义。
对于逆变器的故障，一般都是对功率开关管进行研究。功率管的故障一般分为：短路故障和开路故障。由于IGBT发生短路故障的时间极短，难以实时检测，所以很多逆变器中都采用硬件电路进行保护，从而将短路故障转化为开路故障，因此逆变器开路故障诊断的研究更受关注。国内外学者针对开路故障提出了众多研究策略，将这些研究策略分为以下几类：一是基于智能算法的研究策略；二是基于观测器搭建模型的研究策略；三是基于电压信号的研究策略；四是基于电流信号的研究策略。
虽然逆变器的故障诊断研究方法多种多样，但是很少有学者对Z源逆变器的故障进行分析和研究，对Z源逆变器的功率开关管进行故障分析，以Z源逆变器为研究对象，对其故障诊断方法进行研究和分析。根据目前国内外对Z源逆变器故障诊断的研究进行了如下总结：由国外学者O.Husev针对Z源逆变器的故障容错提出了在其拓扑结构中加入一个桥臂、一个二极管、机械换向器。缺点是提高了硬件电路的成本。由学者F.Gao和P.C.Loh采用双Z源逆变对门信号重新设置。与传统逆变器不同的是它将Z源网络和半导体开关集成到所提出的双逆变器中，产生三电平输出波形。该方案提高了Z源网络的平衡电压，同时减少了共模切换，保证了输出电压的幅值和质量。但是该Z源逆变故障容错的实现需要两个逆变桥，增加了结构的复杂性，硬件成本高。对Z源逆变器的故障诊断采用蝙蝠算法优化极限学习，该智能算法诊断速度较快，但是稳定性太差。针对Z源逆变器的开路故障提出BP神经网络的方法。该方法根据输出线电压的特性作为故障信息，通过频谱分析基波幅值、线电压直流分量、基波相位等作为故障特征提取的向量，最后利用BP神经网络对Z源逆变器进行故障的定位和分类。但是该方法处理数据慢、诊断时间长、准确度不高。上述对Z源逆变器的开路故障解决方法大多存在功率损耗和冗余支路、稳定性差等问题，不仅提高了逆变器的硬件成本，而且增加了功率损耗，因此Z源逆变器在故障诊断方面存在很多不足。
通过上述分析，现有技术存在的问题及缺陷为：目前国内外对Z源逆变器故障诊断方法存在提高了硬件电路的成本；增加了结构的复杂性；稳定性太差；处理数据慢、诊断时间长、准确度不高。
解决以上问题及缺陷的难度为：由于Z源逆变器具有直通的特性，现有的逆变器故障诊断方法不能完全适用于Z源逆变器。
解决以上问题及缺陷的意义为：Z源逆变器故障诊断研究尚不多见，急需一种识别准确率高、快速便捷的诊断以及抗干扰能力强的智能方法解决Z源逆变器故障诊断问题。因此研究Z源逆变器故障诊断问题具有实际的工程意义。
发明内容
针对现有技术存在的问题，本发明提供了一种Z源逆变器功率管的开路故障诊断方法、系统及应用。
本发明是这样实现的，一种Z源逆变器功率管的开路故障诊断方法，所述Z 源逆变器功率管的开路故障诊断方法包括：
初始化网络结构获取模块，用于通过遗传算法优化网络结构的初始权值和阈值，确保网络获得较好的初始权值和阈值；
网络最优分类器获取模块，通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
进一步，所述Z源逆变器功率管的开路故障诊断方法的堆栈自编码器用于Z 源逆变器的故障诊断特征提取，自动提取高维数据的深层隐含特征，SAE是由多个训练好的自动编码器连接组成的，SAE含有多个隐含层，对输入信号逐层训练对网络进行编码和解码；在处理隐含层数据重构的过程中，将提取的编码特征保留在该隐含层，将该层级的特征部分作为下一层的输入，依次类推所有训练过程，交替进行、有序逐层连接堆栈进行运行，其中达到一定的降维后， AE隐含层的最后一层故障信息作为最终的特征向量，SAE训练有两个阶段即预训练和微调，预训练就是上文提到的由多个自编码组成进行交替训练，直到将SAE中的自编码全部进行训练完成，此阶段属于无监督学习。
进一步，所述Z源逆变器功率管的开路故障诊断方法的SOFTMAX的输入 x，函数的每一个类别为j，估计j的概率值为P(y＝j|x)，假设概率值的函数输出 k维向量，且向量和为1，因此函数的公式表示为：
Figure RE-GDA0002826657520000041
上式θ1，θ2，…，θk是模型参数，式中的每一行与分类器的类别一一对应，在训练的过程中，模型通过调整参数来优化函数，使损失函数最小，SOFTMAX 的损失函数表达如下：
Figure RE-GDA0002826657520000042
其中大括号里的值为假时，函数值为0，为真时，函数值为1，通过计算概率值与阈值
Figure RE-GDA0002826657520000043
进行比较，将分类问题的复杂性简化为二元分类问题，hθ(x)表示概率其公式如下：
Figure RE-GDA0002826657520000051
SOFTMAX分类器不仅基于logistic模型解决分类问题，而且在学习训练的过程中还可以对整个网络进行微调。
进一步，所述Z源逆变器功率管的开路故障诊断方法SAE-DNN主要诊断过程包括：
输入原始数据进行预训练，规划初始网络结构，深层逐次训练AE，通过解码器对数据重构，使重构误差最小；
由堆栈训练好的AE，在连接时保留中间隐含层的编码特征，舍弃编码器的输出层，最后一层的特征数据作为分类器的特征提取输入数据；
网络微调，对所有层的参数通过反向传播算法进行微调，优化网络性能，最后对故障分类。
进一步，所述Z源逆变器功率管的开路故障诊断方法包括：确定网络结构、 GA优化SAE-DNN和神经网络训练以及特征提取分类。
进一步，所述Z源逆变器功率管的开路故障诊断方法的三相Z源逆变器的故障模型可分为三种：无故障、单个IGBT故障，两个IGBT同时故障；
将无故障作为第一类故障，将单个IGBT故障作为第二类故障，将两个IGBT 同时发生故障，根据其发生故障的位置不同又可分为第三类故障同一桥臂两个功率管故障即两个串联的功率管同时导通发生故障；第四类故障同一半桥两个功率管故障即上下桥臂的两个功率管同时发生故障；第五类故障交叉两个功率管故障即上下桥臂两个相交叉的功率管同时发生故障；
Z源逆变器IGBT的故障从S1到S6的五种故障还可以细分为22类即：把无故障也看作是一种故障情况。其次单个功率管故障可细分为6类：S1故障、 S2故障、S3故障、S4故障、S5故障、S6故障；最后两个IGBT同时发生故障可细分为15类；同一桥臂中的两个IGBT同时发生故障可分为6类：S1与S3 同时发生故障、S2与S4同时发生故障、S1与S5同时发生故障、S2与S6同时发生故障、S3与S5同时发生故障、S4与S6同时发生故障；同一半桥中的两个 IGBT同时发生故障可分为3类：S1与S2同时发生故障、S3与S4同时发生故障、S5与S6同时发生故障；交叉两个功率管同时发生故障可分为6类：S1与 S4同时发生故障、S3与S2同时发生故障、S1与S6同时发生故障、S3与S6 同时发生故障、S5与S2同时发生故障、S5与S4同时发生故障。
进一步，所述Z源逆变器功率管的开路故障诊断方法逆变器中22种故障类型的仿真输出线电压；第一类无故障：逆变器工作在正常状态下的情况，输出的线电压为正弦波，其相位相差120°；第二类单个功率管故障输出的线电压波形必有一相基本保持正常的正弦波，其余两相的正负半周发生了很大幅度的变化；第三类同一桥臂两个功率管故障，三个线电压的波形都发生了很大的畸变，已经完全脱离了正弦波形图，其中两相只有负半轴的波形图，另外一相只有正半轴的波形图；第四类同一半桥两个功率管故障，其中一相的波形图为直线，另外二相保持正弦波不变；第五类交叉两个功率管故障，三个线电压都发生了不同程度的畸变，但是还有正弦波的形状，其中一相只有正半轴，另外一相只有负半轴。
本发明的另一目的在于提供一种实施所述Z源逆变器功率管的开路故障诊断方法的Z源逆变器功率管的开路故障诊断系统，所述Z源逆变器功率管的开路故障诊断系统包括：
初始化网络结构获取模块，用于通过遗传算法优化网络结构的初始权值和阈值，确保网络获得较好的初始权值和阈值；
网络最优分类器获取模块，通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
本发明的另一目的在于提供一种Z源逆变器故障诊断系统，所述Z源逆变器故障诊断系统搭载所述的Z源逆变器功率管的开路故障诊断算法。
本发明的另一目的在于提供一种安装有所述Z源逆变器故障诊断系统的新能源发电装置。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：随着科学技术的迅速发展，新能源得到了广泛的应用，电力逆变器也取得了蓬勃的发展。在新能源发电系统中，Z源逆变器体积小、成本低，可以自由地调节输出交流幅值，输出高质量的电能，因此其在新能源变换中的地位日益重要。研究Z源逆变器的可靠性和安全性，使系统在出现故障时能够及时诊断、快速恢复运行，从而避免对整个系统设备造成更大的损失，这对提高整个系统的的稳定性具有重要的意义。目前，国内外对于Z源逆变器故障诊断的研究尚不多见。为此，本发明对Z源逆变器的功率管的开路故障诊断进行研究，将深度神经网络应用于Z源逆变器功率管的开路故障诊断中。本发明采用深度神经网络研究了Z源逆变器功率开关管开路故障诊断问题，通过遗传算法优化深度神经网络参数，得到了较现有方法更好的故障诊断结果，并通过仿真实验对结果进行了验证。
本发明对Z源逆变器的研究背景和现状进行分析，对逆变器的故障诊断方法进行了系统的总结和阐述。其次，对Z源逆变器的工作原理包括工作方式、 SPWM控制策略进行了详细地分析，为Z源逆变器故障诊断方法的研究做好了铺垫。
本发明基于Z源逆变器的电路原理搭建了Simulink仿真模型，根据IGBT 故障的位置和数量不同，对Z源逆变器功率开关管的故障类型进行了分类和故障编码。基于模型对逆变器不同故障类型的线电压进行仿真和分析，从而得出线电压可以作为Z源逆变器故障诊断的依据。
本发明针对Z源逆变器开关管开路故障诊断，提出了基于遗传算法的深度神经网络对故障进行诊断和定位。首先，对深度神经网络的训练过程及其学习模型进行详细的阐述。然后对遗传算法进行了简单的介绍。针对Z源逆变器功率管的开关故障诊断提出了GA-SAE-DNN的算法，使用GA对深度神经网络的参数进行优化，提高了故障诊断的准确率。为验证新方法的优越性，将 GA-SAE-DNN算法与SAE-DNN算法和PCA-BP算法在仿真实验分类效果、准确率以及耗时等方面进行对比，并通过t-SNE算法对三种故障特征提取方法所提取的故障特征进行了可视化展示，结果表明新算法明显优于另外两种算法。此外，为验证新算法在工程中的应用，根据对Z源逆变器故障诊断搭建了实验平台，对其故障诊断的硬件电路以及软件设计进行了详细的介绍。最后，实验结果验证了基于线电压的GA-SAE-DNN算法对Z源逆变器功率管开路故障诊断中的可行性、稳定性、有效性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的Z源逆变器功率管的开路故障诊断方法流程图。
图2是本发明实施例提供的Z源逆变器功率管的开路故障诊断系统的结构示意图；
图2中：1、初始化网络结构获取模块；2、网络最优分类器获取模块。
图3是本发明实施例提供的Z源逆变器仿真模型示意图。
图4是本发明实施例提供的SPWM内部结构图。
图5是本发明实施例提供的GA-SAE-DNN测试结果分类图。
图6是本发明实施例提供的SAE-DNN测试结果分类图。
图7是本发明实施例提供的PCA-BP测试结果分类图。
图8是本发明实施例提供的GA-SAE-DNN故障特征提取t-SNE可视化散点图。
图9是本发明实施例提供的SAE-DNN故障特征提取t-SNE可视化散点图。
图10是本发明实施例提供的PCA-BP故障特征提取t-SNE可视化散点图。
图11是本发明实施例提供的Z源逆变器功率管的开路故障诊断方法的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种Z源逆变器功率管的开路故障诊断方法、系统及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的Z源逆变器功率管的开路故障诊断方法包括以下步骤：
S101：初始化网络结构获取模块，用于通过遗传算法优化网络结构的初始权值和阈值，确保网络获得较好的初始权值和阈值。
S102：网络最优分类器获取模块，通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
本发明提供的Z源逆变器功率管的开路故障诊断方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的Z源逆变器功率管的开路故障诊断方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的Z源逆变器功率管的开路故障诊断系统包括：
初始化网络结构获取模块1，用于通过遗传算法优化网络结构的初始权值和阈值，确保网络获得较好的初始权值和阈值。
网络最优分类器获取模块2，通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
下面结合附图对本发明的技术方案作进一步的描述。
1、三相Z源逆变器的开路故障建模
1.1三相Z源逆变器的故障模型
故障期间，只有逆变器的IGBT最容易发生故障。由于Z源逆变器的直通状态同传统矢量状态一样，负载输出的两端电压都为零，输出的交流波形与此矢量无关，并且故障相不能出现在直通状态。因此本发明无需对Z源逆变器的直通状态时的故障进行研究，直接对IGBT发生故障时线电压的变化情况进行研究和分析。根据对Z源逆变器的SPWM控制策略的介绍，本发明为了更直观地观察和分析线电压的变化情况，采用输出电压波形为正弦波的SPWM调制策略。通过它来直接控制逆变器电路中IGBT的通断，以输出电压波形的差异来判断功率管故障的类型。因此根据Z源逆变器的拓扑图和SPWM控制策略在MATLAB 中的Simulink上搭建了Z源逆变器故障仿真模型，Z源逆变器仿真模型如图3 所示。其中示波器1为控制开关桥臂S1和S2的输出SPWM信号，示波器2为逆变器的直流链电压，示波器3为输出侧的方波，示波器4为本发明所需的输出正弦波。直流侧电压Vin＝200V，基频为50Hz，调制系数为0.8，负载电阻为 50Ω。
本发明根据SPWM控制策略原理，采用SPWM调制策略中的最大升压调制策略，通过模拟逆变器电路中IGBT的通断，来得到线电压的波形图。SPWM 是一种应用广泛、成熟的PWM方法，其特点是脉冲宽度调制时，脉冲占空比按正弦曲线分布。因此，输出电压波形可以趋近正弦波。其中constan1和constant2 模块是控制Z源逆变器的直通占空比。
1.2三相Z源逆变器的开路故障分类与编码
发生短路故障时，电流急剧增大并且故障持续时间的很短，可能会导致 IGBT烧坏，短路故障转变成开路故障，而短路故障一般有硬件电路对其进行保护。但是当IGBT出现开路故障时前期不易察觉，系统不会立即停止运行，会带病运行一段时间。在此时间内，不仅输出电压的波形会发生畸变，而且输出电流的质量也会降低，可能还会引发更加严重的事故。因此开路故障的问题更加需要关注，本发明将针对IGBT的开路故障进行诊断。对于功率管的开路故障一般是最多研究两个IGBT同时出现故障，对于三个及以上IGBT同时出现故障的概率很小，因为系统一旦出现此故障便无法继续工作，也无法进行在线故障诊断。所以从实际问题出发，本发明研究Z源逆变器的的开路故障大致可分为三种：无故障、单个IGBT故障，两个IGBT同时故障。因此将无故障作为第一类故障，将单个IGBT故障作为第二类故障。将两个IGBT同时发生故障，根据其发生故障的位置不同又可分为第三类故障同一桥臂两个功率管故障即两个串联的功率管同时导通发生故障；第四类故障同一半桥两个功率管故障即上下桥臂的两个功率管同时发生故障；第五类故障交叉两个功率管故障即上下桥臂两个相交叉的功率管同时发生故障。根据分析，逆变器中功率管发生开路故障时系统的运行受到影响，受影响的程度直接反映在电压信号中。利用搭建的Z源逆变器模型对22种故障类型分类和编码。从表1可以看出，Z源逆变器IGBT的故障从S1到S6的五种故障还可以细分为22类即：把无故障也看作是一种故障情况。其次单个功率管故障可细分为6类：S1故障、S2故障、S3故障、S4故障、S5故障、S6故障。最后两个IGBT同时发生故障可细分为15类；同一桥臂中的两个IGBT同时发生故障可分为6类：S1与S3同时发生故障、S2与S4 同时发生故障、S1与S5同时发生故障、S2与S6同时发生故障、S3与S5同时发生故障、S4与S6同时发生故障；同一半桥中的两个IGBT同时发生故障可分为3类：S1与S2同时发生故障、S3与S4同时发生故障、S5与S6同时发生故障；交叉两个功率管同时发生故障可分为6类：S1与S4同时发生故障、S3与 S2同时发生故障、S1与S6同时发生故障、S3与S6同时发生故障、S5与S2 同时发生故障、S5与S4同时发生故障。
表1Z源逆变器的分类与编码
Figure RE-GDA0002826657520000111
Figure RE-GDA0002826657520000121
1.3三相Z源逆变器的故障仿真
根据对故障的分析，IGBT在发生开路故障时，逆变器将受到的影响程度直接反映在线电压中，所以为了进一步更直观的观察和分析Z源逆变器功率管的开路故障输出电压的变化。通过在Simulink中搭建的Z源逆变器故障仿真模型，直接通过控制IGBT的通断模拟22种可能发生的故障类型，来获取不同故障线电压波形图。本发明给出了逆变器中22种故障类型的仿真输出线电压的波形图。第一类无故障：逆变器工作在正常状态下的情况，输出的线电压为正弦波，其相位相差120°。第二类单个功率管故障输出的线电压波形必有一相基本保持正常的正弦波，其余两相的正负半周发生了很大幅度的变化。第三类同一桥臂两个功率管故障，三个线电压的波形都发生了很大的畸变，已经完全脱离了正弦波形图。其中两相只有负半轴的波形图，另外一相只有正半轴的波形图。第四类同一半桥两个功率管故障，其中一相的波形图为直线，另外二相保持正弦波不变。第五类交叉两个功率管故障，三个线电压都发生了不同程度的畸变，但是还有正弦波的形状，其中一相只有正半轴，另外一相只有负半轴，因此输出线电压为故障诊断提供了可能。除此之外，在对不同故障仿真的过程中将获取的实验故障电压数据作为原始数据，将其分为训练数据和测试数据，原始的电压数据作为后期故障诊断的标准和依据。
2、三相Z源逆变器的故障诊断
为了对故障数据真正地实现深度特征提取，本发明提出了一种新型的智能学习算法基于深度神经网络的故障诊断方法，利用堆栈自编码对故障特征进行提取。结合图5-图11，本发明通过将遗传算法优化深度神经网络的结果与传统故障方法进行对比，验证本发明提出的方法具有良好的性能。最后为了进一步验证GA-SAE-DNN诊断策略对Z源逆变器故障诊断的正确性以及合理性，本发明在实验室根据Z源逆变器的工作原理和故障诊断方法GA-SAE-DNN搭建了深度神经网络故障实验装置进行了一系列实验，并对其进行实验验证。
本发明通过GA优化深度神经网络对故障数据进行迭代，大幅度降低了对计算资源的依赖性，加快了学习的速度，缩短了学习时间，提高了故障诊断的正确率。在原来深度学习的过程中，一般首先通过RBM训练获得较优的初始权值和阈值，然后对整个学习网络进行微调，最终使网络达到最优解。其中在网络微调的整个过程中，深度学习的整个网络结构的权值和阈值都需要调整，这样就花费了大量的时间。而基于GA-SAE-DNN算法结合了二者的优点，只需对局部训练好的权值和阈值进行调整，在网络微调的过程中节省不少时间，也为整个深层网络结构的训练节省了大量的时间。其故障诊断流程图如图11所示。从图中可以看出，GA-SAE-DNN主要包括3个部分：确定网络结构、GA优化SAE- 和神经网络训练以及特征提取分类。目前，对网络结构确定并没有统一的方法，本发明根据输入输出的数据，通过反复大量的实验最终确定了网络结构。 GA-SAE-DNN算法网络的权值和阈值，使得群体中的所有个体都有网络的全部权值和阈值，通过GA的适应度函数来计算个体的适应度值，然后再使用选择算子、交叉算子、变异算子的操作计算出个体的最优适应度值。然后GA的最优个体对SAE-DNN网络的参数进行选择优化对初试的权值和阈值进行赋值，再经过 SAE对故障数据训练，部分微调以及故障特征提取分类。最后SOFTMAX对故障类型进行分类，经过大量的实验比较和测试此方法对故障诊断进行分类具有良好的效果。
为了更加突出GA-SAE-DNN对Z源逆变器故障诊断的有效性和稳定性，本发明还分析了SAE-DNN和PCA-BP对Z源逆变器的故障诊断，通过对这三种智能算法实验结果的对比，验证了GA-SAE-DNN智能算法的优越性。
(1)GA-SAE-DNN仿真实验结果
根据在Simulink模型中采集的故障原始数据，对22种故障每组采取3000 个电压信号。其中，采样时间是0.1s，采样的时间间隔为0.0001s。为了证明该测试方法的快速性和正确性，对22种故障数据每组提取1000组，其中100组作为测试数据，900组数据作为训练数据。
深度神经网络结构的确定，本发明针对实际故障问题的输入和输出故障数据的个数来设定深度学习自编码网络的隐含层层数和每层的节点数。因此对节点数通过大量的实验结合遗传算法的优化比较最终得出多个最佳节点数分别为：40、100、120等节点数。本发明选取3个隐含层，并且隐含层节点数选为 40。经过仿真实验发现，该设计方法不仅能够提高SAE故障特征提取的能力而且还具有很高的稳定性和噪声鲁棒性。
遗传算法优化深度神经网络参数，根据以上遗传算法优化深度学习的流程，首先通过原始的网络参数构成符合的N个染色体，设计网络结构的适应度函数和选择、交叉、变异的值以便更高效地对最优个体进行筛选。因此经过大量分析和测试后，设定种群的规模为22，选择率和交叉率分别选为0.9、0.7，进化迭代选为200代。为了加快优化的收敛速度，选择群体总数量最优个体的10％遗传到下一代。
深度神经网络训练，利用GA得到的最优个体，对网络初始的权值和阈值进行赋值。将训练数据输入到堆栈自编码网络中进行无监督学习训练。收敛误差设为0.01，学习速率设为0.01。
网络测试分类：首先对SOFTMAX分类器预先设好分类标签即前述的故障编码，然后对网络进行有监督的局部微调。最后将优化后的测试数据输入到微调网络中，实现故障特征的提取，通过对预测输出与期望输出对比网络故障分类的准确性。
根据上述智能算法的网络结构设计以及训练步骤对网络进行优化、训练、微调、测试。经过多次实验仿真发现，该算法不仅能够提高深度神经网络提取故障特征的能力而且还具有很高的非线性映射能力。从图5可以看出，GA-SAE-DNN能够准确地对故障进行分类。通过预测输出和期望输出的对比，二者几乎接近100％。针对Z 源逆变器逆变器的功率管开路故障问题，GA-SAE-DNN算法的故障诊断准确率几乎可以达到100％，从而证实了该算法加快了训练的速度和提高了分类的准确性，在故障诊断和分类中具有较高的适用性和优越性。同时GA-SAE-DNN测试结果如表2 所示，也证明了该算法的高诊断率和优越性。
表2 GA-SAE-DNN部分测试结果
Figure RE-GDA0002826657520000151
本发明为了验证GA-SAE-DNN算法在研究Z源逆变器开路故障方面的快速性和准确性，接下来对Z源逆变器故障诊断问题采用多种智能故障诊断算法进行仿真对比，其中本发明涉及到SAE-DNN算法、PCA-BP算法。
(2)SAE-DNN仿真实验结果分析
基于SAE-DNN算法的Z源逆变器的电平逆变器故障诊断方法与 GA-SAE-DNN的差别就是缺少了GA算法的优化。因此SAE-DNN通过Simulink 获得原始故障数据并对22故障进行同样的二进制编码作为故障特征向量，其故障诊断的步骤如下：
采集原始故障数据，根据在Simulink模型中采集故障的原始数据，对22种故障每组采取3000个电压信号，其中，采样时间是0.1s，采样的时间间隔为 0.0001s。同样对22种故障数据每组提取1000组，其中100组作为测试数据， 900组数据作为训练数据。为了更好的与GA-SAE-DNN算法对比，采用与 GA-SAE-DNN一样的节点数和隐含层数，因此本发明选取3个隐含层，并且隐含层节点数为40。
深度神经网络训练，将提取的原始数据1000组中的前900组故障数据进行无监督的预训练学习。同样的将最大迭代次数设定为1000，收敛误差设定为0.01，学习速率设定为0.01。
网络微调按照设定的6位二进制故障编码提前对SOFTMAX进行分类标签，然后对网络结构进行有监督的全局微调，学习速率设定为0.01，收敛误差设定为 0.01。
网络性能测试，在训练完成的微调网络中将后100组测试数据嵌入到该网络中，从而对故障特征进行提取，通过预测输出和期望输出的对比最终得出故障特征分类的准确率。
从上图中可以看出深度学习初始的权值和阈值具有随机性，因此会使网络中有冗余节点，使得深度神经网络结构变得更加复杂，从而降低了深度学习故障特征提取的能力。从图6可以看出，SAE-DNN算法的预测输出和期望输出对比正确率为92％，22种故障基本可以区分开来，有个别的故障出现极大的偏差，从而影响了故障诊断的准确率，通过多次仿真实验得诊断故障的准确率在90％左右，取得的效果还算理想。表3给出了SAE-DNN的预测输出及期望输出。
表3 SAE-DNN部分测试结果
Figure RE-GDA0002826657520000171
(3)PCA-BP仿真实验结果分析
基于PCA-BP方法首先同样通过在MATLAB中的Simulink获得三相电压故障数据，根据对22种故障进行的5位二进制故障编码，具体步骤如下：
原始故障数据提取，根据第二章在Simulink模型中采集故障的原始数据，对22种故障每组采取3000个电压信号，其中，采样时间是0.1s，采样的时间间隔为0.0001s。同样对22种故障数据每组提取1000组，其中100组作为测试数据，900组数据作为训练数据。
PCA降维，通过PCA将原始的3000维降至到24维，然后将获取的24维特征向量选取前900组作为BP神经网络的训练数据，后100组作为BP神经网络的测试数据。节点传递函数和训练函数分别选为‘tansig’函数、‘traingdx’函数。
神经网络结构的确定，本发明采用与GA-SAE-DNN一样的节点数和隐含层数，因此选用三层神经网络，隐含节点数选为40，最大迭代次数为1000，学习率为0.01，网络误差设定为0.001。
神经网络的分类，将后100组测试数据输入网络中进行分类，对网络的准确率进行测试，学习率为0.01，网络误差为0.001。从而实现对故障特征进行提取，通过预测输出和期望输出的对比最终得出故障分类的准确性。
该方法对原始数据首先经过PCA提取特征向量，再利用BP神经网络对故障进行分类。从图7中可以看出，预测值与真实值总体效果不太一致，个别偏差太大。导致在BP网络进行分类时出现一定的偏差，预测值跳度太大。通过多次仿真实验得到的诊断的准确率都不是很理想，平均准确率达到82％左右，下表是PCA-BP算法的故障诊断时网络的预测输出与期望输出。
表4 PCA-BP部分测试结果
Figure RE-GDA0002826657520000181
Figure RE-GDA0002826657520000191
(4)三种算法对比分析
根据上述分析，本发明采用三种故障诊断智能算法对Z源逆变器的开路故障进行诊断，三种神经网络故障分类的效果主要取决于算法的故障特征提取。为了能够更直观地对比分析三种算法的故障分类能力，本发明分别给出了三种算法提取故障特征向量的聚类效果图，通过t-SNE可视化算法对三种算法提取的特征信号进行展示。由于故障类型太多，本发明选择了13种故障进行显示，并分析了故障特征的聚类效应，如图8、图9、图10所示。对三种算法进行了多次仿真实验，并且对其故障诊断的所用时间进行了相应的对比如表5所示。
通过图8可以看出GA-SAE-DNN算法的13类故障各自聚类明显，能够准确地对不同故障进行分类。从图9可以看出SAE-DNN算法的13类故障大部分可以聚类，但是有少数故障出现了重叠及聚类不紧密的现象。从图10可以看出 PCA-BP算法的13类故障，聚类效果不是很出色，故障重叠较多且聚类不紧密。因此，更加直观地验证了本发明所提出的算法无论是在准确性还是抗噪稳定性上都表现出了优异的特性。
表5三种智能算法对比表
Figure RE-GDA0002826657520000192
从表5可以看出GA-SAE-DNN的训练时间是8min，测试时间是0.3914s。 SAE-DNN的训练时间是25min，测试时间是0.9885s，PCA-BP的训练时间是 15min，测试时间是0.6728s。因此GA-SAE-DNN智能算法对Z源逆变器的故障诊断的分类和定位大大地缩短了学习时间，提高了学习效率。从表中还可以看出三种智能算法的故障诊断准确率都在80％以上，但是PCA-BP算法故障诊断准确率整体不高，SAE-DNN较PCA-BP算法有着很大的提升，整体平均准确率达到90％，但是较本发明所提出的GA-SAE-DNN算法稳定性偏低。 GA-SAE-DNN算法不仅在多次实验中准确率几乎都能达到100％，并且稳定性很好，对噪声具有很好的鲁棒性。通过实验仿真结果发现基于GA-SAE-DNN算法比传统算法具有更高的准确性，同时也加快了网络结构训练的速度，节省了大量的时间。
(5)故障诊断实验系统
通过在实验室对故障策略搭建实验装置进行验证，该实验装置主要由示波器、输入电源、电脑、主电路、驱动模块、控制模块等构成。实验为了方便对电路相当简化了一些，主电路包括Z源网络、滤波器、逆变器等。采用控制芯片是TMS320F285335，DSP芯片首先把模拟信号转变为数字信号，然后将采样信号作为GA-SAE-DNN的故障输入数据，最后通过示波器显示各类故障情况。
Z源逆变器的主电路设计主要由功率开关管、二极管、滤波器等组成，功率管的选取需要对额定电压和额定电流留有一定的裕量，即满足发射极两端能承受最大反向电压和最大电流，使其工作在安全区内。因此本发明根据Z源逆变器主电路的设计选用电压型MOSTFET功率开关管IRFPG50，其额定电压是 800V，额定电流是6A。当Z源逆变器工作在直通状态时，因二极管阳极承受反向电压从而关断；当工作在非直通状态时，因二极管承受正向电压从而导通。因此本发明选取恢复时间较短的二极管MUR3060PT，它的反向电压能达到600V，满足实验要求。基于本发明提出的深度神经网络算法是根据输出线电压波形来获取故障数据，实现对故障的分类和定位。因此在主电路中设计了交流滤波器，以便滤除高次谐波的矩形波，获取较好的输出电压波形，从而有利于 DSP采样良好的故障数据。本发明根据分析选取的是星型二阶LC低通交流滤波器。
在实验设计中，驱动电路作为主电路和控制电路的连接口，一般主要有以下两方面的功能；一是将控制电路的输出电信号转换为功率管的驱动信号，二是驱动电路具有隔离的作用。在电路导通时，驱动电路有足够大的电流，能驱动IGBT尽快由截止状态变为导通状态。在电路关断时，驱动电路驱动反向电压，能使IGBT尽快关断。本发明故障诊断实验装置的驱动电路选取TLP350来直接驱动IGBT，光耦TLP350最大的驱动电流能够达到1A，能驱动小功率的IGBT 等其他开关元件，在这次实验中足够使用。TLP350的光电二极管位于光耦输入端，它完全能够把输入和输出全部隔离。光耦驱动虽然使用简单方便，但是当开关频率达到几十～几百千赫兹时，就要使用驱动芯片来驱动系统电路。因此本发明诊断系统的驱动芯片选取TLP350。
驱动电路门极电阻的作用是限制电流和抑制寄生的振荡，IGBT驱动电路的门极上来附加电阻为了限流与抑制寄生振荡，门极电阻的大小和IGBT开通、关断时造成的交换时间与交换损耗有直接关系。门极电阻选用的越大，则交换时间与交换损耗也对应的增大，但它的增大也能有效地减小IGBT交换时形成的浪涌电压。在IGBT关断时由发射极与门极之间的电阻来提供放电回路。由于门极信号的震荡发生以及一些感应杂波能够影响功率开关管工作，会造成IGBT误导通，所以驱动电路与IGBT之间的距离应尽量小，门极与发射极的导线应选择双绞线。
在实验室中设计的Z源逆变器故障诊断的核心控制器选择德州仪器公司生产的TMS320F28335的信号处理芯片。该DSP芯片具有快速的数字信号处理， 16个12位ADC采样通道。A/D采样速度快、精度高，通过编程算法，在小数的处理上省下了很多时间。该DSP的内部还有ePWM模块，能产生18路PWM 信号，并且这些PWM信号不仅可以是单独的信号，而且还可以是完全互补的信号。
Z源逆变器在运行时，需要实时采样电路中的电压或电流。当逆变器工作在故障状态时，可能导致过压过流，造成器件不可恢复性损坏，甚至造成人身安全事故。所以当发生故障时，为了能够迅速准确地找到故障发生的位置，在系统设计了检测电路，检测电路的搭建是为了诊断各种信号，然后转化为所需要的数字信号。在本次实验中，选用霍尔电压传感器对电路进行检测，它的输出要经过R1和C1进行滤波处理，再通过运算器的第一级比例放大以及电压反向。霍尔电压传感器检测电路的输出可能会出现负值，而在DSP芯片中A/D转换器的输入电压一般是正值，所以在检测中增加了电压偏移电路。将霍尔传感器的正负电压信号转换为DSP所需要的电压信号，并且还引入了由二极管构成的限幅电路，不仅防止电压过高或过低，而且还避免了对A/D采样的不利影响。
Z故障系统的软件设计主要是由芯片TMS320F28335来完成故障诊断的。软件设计的主程序主要包括初始化系统、信息采集(AD)、故障诊断等几部分组成。在整个故障诊断系统中各个程序都是以中断方式有序配合运行来完成各项功能。在故障诊断系统中需要提前完成系统的初始化工作，其主要有：初始化寄存器、初始化中断寄存器、初始化I/O口、初始化A/D功能块以及所有变量等其他模块。在A/D信息采集程序中，DSP对Z源逆变器三相输出线电压进行采样，即在一个周期中，对正弦波连续采样128个点。为了节约DSP的运行时间，在A/D采样启动后，先对其他进行计算，再查看A/D是否采样结束，从而节约了运行时间。在故障诊断模块首先把Z源逆变器故障诊断的GA优化深度神经网络用C语言编写好程序并训练好，把获得深度神经网络的各项故障阈值和权值输入到ROM中建立数据表，以便故障诊断时使用。然后对Z源逆变器三相线电压A/D采样完成后，将数据存入存储单元，输入到训练好的GA优化深度神经网络中，最后深度神经网络将预测值四舍五入取整输出，获得故障编码，故障编码即可查询相应的故障类型。
为了验证方法的合理性，对Z源逆变电路的IGBT进行开路故障验证。设置与MATLAB一样大小的参数值分别为：输入直流侧的电压Vin＝200V，输出频率f＝50HZ，负载电阻是50Ω。启动故障诊断实验，在线检测一个周期的输出电压波形，采样128个数据，存入存储器中。然后将故障数据输入到训练好的深度神经网络中，再深度神经网络网络的输出层可得到故障编码代码输出结果，将其结果四舍五入取整，就可得到对应的故障编码，输出的故障代码数据如表6 所示。根据表中结果发现与故障仿真实验的结果几乎接近一致，
为了充分验证该故障诊断系统，本实验通过改变输入电压的值和负载的大小共进行了6次实验，正确率都高达99.99％。从而验证了基于GA优化深度神经网络的Z源逆变器的功率管开路故障诊断系统是可行的有效的。
表6故障诊断输出代码数据
Figure RE-GDA0002826657520000231
本发明运用遗传算法优化深度神经网络的方法对Z源逆变器进行故障诊断和定位，并搭建了实验平台对该方法进行验证。为了进一步证明该方法在故障诊断问题上的优越性，将GA-SAE-DNN算法与SAE-DNN算法、PCA-BP算法通过仿真实验的测试结果分类图、准确率耗时等方面进行对比，实验结果表明了GA-SAE-DNN算法明显优于另外两种算法。并且运用t-SNE可视化展示故障特征提取效果来印证了GA-SAE-DNN方法在故障特征提取及故障分类诊断方面的优越性。最后针对Z源逆变器的功率管开路故障搭建了以DSP为控制中心的故障诊断系统，并对其故障诊断系统的部分硬件电路即主电路、驱动电路、控制电路、检测电路进行了详细的分析，其次对故障诊断系统的软件部分进行了简单的概述主要包括系统初始化、A/D信息采样、故障诊断模块，然后对Z源逆变器功率管开路故障诊断实验进行验证。从实验结果可以看出，以DSP为核心的故障诊断系统对Z源逆变器的功率管开路故障诊断实验结果与仿真结果的一致性。从而印证了GA-SAE-DNN算法对Z源逆变器的功率管开路故障诊断的可行性和有效性，也说明了深度神经网络具有很强的故障特征提取能力。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法包括：通过遗传算法优化网络结构的初始权值和阈值，确保SAE-DNN获得较好的初始权值和阈值；通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
2.如权利要求1所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法的堆栈自编码器SAE用于Z源逆变器的故障诊断特征提取，自动提取高维数据的深层隐含特征，SAE是由多个训练好的自动编码器AE连接组成的，SAE含有多个隐含层，对输入信号逐层训练对网络进行编码和解码；在处理隐含层数据重构的过程中，将提取的编码特征保留在该隐含层，将该层级的特征部分作为下一层的输入，依次类推所有训练过程，交替进行、有序逐层连接堆栈进行运行，其中达到一定的降维后，AE隐含层的最后一层故障信息作为最终的特征向量，SAE训练有两个阶段即预训练和微调，预训练就是上文提到的由多个自编码组成进行交替训练，直到将SAE中的自编码全部进行训练完成，此阶段属于无监督学习。
3.如权利要求2所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法的SOFTMAX的输入x，函数的每一个类别为j，估计j的概率值为P(y＝j|x)，概率值的函数输出k维向量，且向量和为1，函数的公式表示为：
Figure FDA0002632452910000011
上式θ1，θ2，…，θk是模型参数，式中的每一行与分类器的类别一一对应，在训练的过程中，模型通过调整参数来优化函数，使损失函数最小，SOFTMAX的损失函数表达如下：
Figure FDA0002632452910000021
其中大括号里的值为假时，函数值为0，为真时，函数值为1，通过计算概率值与阈值
Figure FDA0002632452910000022
进行比较，将分类问题的复杂性简化为二元分类问题，hθ(x)表示概率其公式如下：
Figure FDA0002632452910000023
SOFTMAX分类器不仅基于logistic模型解决分类问题，而且在学习训练的过程中还可以对整个网络进行微调。
4.如权利要求3所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法SAE-DNN主要诊断过程包括：
输入原始数据进行预训练，规划初始网络结构，深层逐次训练AE，通过解码器对数据重构，使重构误差最小；
由堆栈训练好的AE，在连接时保留中间隐含层的编码特征，舍弃编码器的输出层，最后一层的特征数据作为分类器的特征提取输入数据；
网络微调，对所有层的参数通过反向传播算法进行微调，优化网络性能，最后对故障分类。
5.如权利要求1所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法包括：确定网络结构、GA优化SAE和神经网络训练以及特征提取分类。
6.如权利要求1所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法的三相Z源逆变器的故障模型可分为三种：无故障、单个IGBT故障，两个IGBT同时故障；
将无故障作为第一类故障，将单个IGBT故障作为第二类故障，将两个IGBT同时发生故障，根据其发生故障的位置不同又可分为第三类故障同一桥臂两个功率管故障即两个串联的功率管同时导通发生故障；第四类故障同一半桥两个功率管故障即上下桥臂的两个功率管同时发生故障；第五类故障交叉两个功率管故障即上下桥臂两个相交叉的功率管同时发生故障；
Z源逆变器IGBT的故障从S1到S6的五种故障还可以细分为22类即：把无故障也看作是一种故障情况；其次单个功率管故障可细分为6类：S1故障、S2故障、S3故障、S4故障、S5故障、S6故障；最后两个IGBT同时发生故障可细分为15类；同一桥臂中的两个IGBT同时发生故障可分为6类：S1与S3同时发生故障、S2与S4同时发生故障、S1与S5同时发生故障、S2与S6同时发生故障、S3与S5同时发生故障、S4与S6同时发生故障；同一半桥中的两个IGBT同时发生故障可分为3类：S1与S2同时发生故障、S3与S4同时发生故障、S5与S6同时发生故障；交叉两个功率管同时发生故障可分为6类：S1与S4同时发生故障、S3与S2同时发生故障、S1与S6同时发生故障、S3与S6同时发生故障、S5与S2同时发生故障、S5与S4同时发生故障。
7.如权利要求1所述的Z源逆变器功率管的开路故障诊断方法，其特征在于，所述Z源逆变器功率管的开路故障诊断方法逆变器中22种故障类型的仿真输出线电压；第一类无故障：逆变器工作在正常状态下的情况，输出的线电压为正弦波，其相位相差120°；第二类单个功率管故障输出的线电压波形必有一相基本保持正常的正弦波，其余两相的正负半周发生了很大幅度的变化；第三类同一桥臂两个功率管故障，三个线电压的波形都发生了很大的畸变，已经完全脱离了正弦波形图，其中两相只有负半轴的波形图，另外一相只有正半轴的波形图；第四类同一半桥两个功率管故障，其中一相的波形图为直线，另外二相保持正弦波不变；第五类交叉两个功率管故障，三个线电压都发生了不同程度的畸变，但是还有正弦波的形状，其中一相只有正半轴，另外一相只有负半轴。
8.一种实施权利要求1～7任意一项所述Z源逆变器功率管的开路故障诊断方法的Z源逆变器功率管的开路故障诊断系统，其特征在于，所述Z源逆变器功率管的开路故障诊断系统包括：
初始化网络结构获取模块，用于通过遗传算法优化网络结构的初始权值和阈值，确保网络获得较好的初始权值和阈值；
网络最优分类器获取模块，通过BP训练算法获得较优的权值和阈值，然后基于SOFTMAX对网络进行微调，最终得到实现最优故障特征学习与分类的深度神经网络。
9.一种Z源逆变器故障诊断系统，其特征在于，所述Z源逆变器故障诊断系统搭载权利要求8所述的Z源逆变器功率管的开路故障诊断算法。
10.一种安装有权利要求9所述Z源逆变器故障诊断系统的新能源发电装置。
CN202010815249.3A 2020-08-14 2020-08-14 一种z源逆变器功率管的开路故障诊断方法、系统及应用 Pending CN112213665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010815249.3A CN112213665A (zh) 2020-08-14 2020-08-14 一种z源逆变器功率管的开路故障诊断方法、系统及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010815249.3A CN112213665A (zh) 2020-08-14 2020-08-14 一种z源逆变器功率管的开路故障诊断方法、系统及应用

Publications (1)

Publication Number Publication Date
CN112213665A true CN112213665A (zh) 2021-01-12

Family

ID=74058950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010815249.3A Pending CN112213665A (zh) 2020-08-14 2020-08-14 一种z源逆变器功率管的开路故障诊断方法、系统及应用

Country Status (1)

Country Link
CN (1) CN112213665A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150594A (zh) * 2023-04-18 2023-05-23 长鹰恒容电磁科技(成都)有限公司 一种频谱测试数据中开关类要素特征的识别方法

Citations (3)

* Cited by examiner, † Cited by third party
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
CN107025341A (zh) * 2017-03-30 2017-08-08 河海大学 一种光伏逆变器故障诊断方法
CN208110019U (zh) * 2018-04-25 2018-11-16 安阳师范学院 一种光伏并网逆变器故障信号检测系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN107025341A (zh) * 2017-03-30 2017-08-08 河海大学 一种光伏逆变器故障诊断方法
CN208110019U (zh) * 2018-04-25 2018-11-16 安阳师范学院 一种光伏并网逆变器故障信号检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张建胜: "基于深度学习的电力电子电路故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
徐继伟: "基于深度神经网络的多电平逆变器故障诊断", 《电测与仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150594A (zh) * 2023-04-18 2023-05-23 长鹰恒容电磁科技(成都)有限公司 一种频谱测试数据中开关类要素特征的识别方法
CN116150594B (zh) * 2023-04-18 2023-07-07 长鹰恒容电磁科技(成都)有限公司 一种频谱测试数据中开关类要素特征的识别方法

Similar Documents

Publication Publication Date Title
CN106443297B (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
NL2020015B1 (en) Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM
Li et al. A model-data-hybrid-driven diagnosis method for open-switch faults in power converters
CN104698397B (zh) 一种多电平逆变器故障诊断方法
Yuan et al. Open-circuit fault diagnosis of NPC inverter based on improved 1-D CNN network
CN112488011B (zh) 一种模块化多电平换流器故障分类方法
CN108963980B (zh) 一种基于故障隔离库的多模态故障隔离方法
Ye et al. A fast and intelligent open-circuit fault diagnosis method for a five-level NNPP converter based on an improved feature extraction and selection model
CN107171541A (zh) 一种新型igbt电流反馈型死区补偿方法
CN112213665A (zh) 一种z源逆变器功率管的开路故障诊断方法、系统及应用
CN115097184A (zh) 基于无阈值递归图和卷积神经网络的电流信号分析方法
CN112710922B (zh) 一种双有源桥dc-dc变换器的开路故障诊断方法
CN112234576B (zh) 基于滑窗特征提取的模块化多电平换流器故障诊断方法
Singh et al. Open circuit fault diagnosis and fault classification in multi-level inverter using fuzzy inference system
Ke et al. Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion
An et al. IGBT open circuit fault diagnosis method for a modular multilevel converter based on PNN-MD
Zhang Fault diagnosis for PWM inverter based on LMD
Xing et al. An open-circuit fault detection and location strategy for MMC with feature extraction and random forest
Li et al. A simple ANN-Based diagnosis method for open-switch faults in power converters
de Oliveira et al. Siamese neural network architecture for fault detection in a voltage source inverter
Hu et al. A Novel Switch Open-Circuit Fault Diagnostic Method for Three-Phase Inverter Based on PSO-DBN
Baocheng et al. Phase multilevel inverter fault diagnosis and tolerant control technique
CN113466596A (zh) 一种单相三电平级联逆变器的故障诊断方法
Meng et al. Multi information fusion and fault diagnosis system for motor drive system in high speed train
CN112928772A (zh) 一种三相两电平光伏逆变器直流过压故障成因定位方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210112

RJ01 Rejection of invention patent application after publication