CN112234576B - 基于滑窗特征提取的模块化多电平换流器故障诊断方法 - Google Patents

基于滑窗特征提取的模块化多电平换流器故障诊断方法 Download PDF

Info

Publication number
CN112234576B
CN112234576B CN202011055753.4A CN202011055753A CN112234576B CN 112234576 B CN112234576 B CN 112234576B CN 202011055753 A CN202011055753 A CN 202011055753A CN 112234576 B CN112234576 B CN 112234576B
Authority
CN
China
Prior art keywords
wpt
fault
power switch
sliding
sub
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
Application number
CN202011055753.4A
Other languages
English (en)
Other versions
CN112234576A (zh
Inventor
邓富金
金铭
王青松
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011055753.4A priority Critical patent/CN112234576B/zh
Publication of CN112234576A publication Critical patent/CN112234576A/zh
Application granted granted Critical
Publication of CN112234576B publication Critical patent/CN112234576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/10—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers
    • H02H7/12—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers
    • H02H7/122—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers for inverters, i.e. dc/ac converters
    • H02H7/1225—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers for inverters, i.e. dc/ac converters responsive to internal faults, e.g. shoot-through
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开基于滑窗特征提取的模块化多电平换流器故障诊断方法，包括以下步骤：提出基于滑动时间窗口的快速小波包变换算法提取故障信号时域和频域综合特征—小波包系数，在两次相邻滑动间隔通过预先存储一部分与前次滑动时窗收集的信号序列的相同小波包系数，避免重复计算过程，以较小的存储空间为代价，获得了计算效率很高的小波变换实时算法。基于提取的小波包系数特征，可以使用二维卷积神经网络生成可能故障类型的发生概率P(F)，判别P(F)值是否达到故障标准，可同时短时间内实现高精度的故障检测和定位。此外，基于滑动时间窗特征分析结果还可以标记出子模块中特定的故障开关设备，从而实现故障分类并使子模块的容错控制更加灵活。

Description

基于滑窗特征提取的模块化多电平换流器故障诊断方法
技术领域
本发明属于多电平电力电子变换器技术领域，具体涉及一种基于滑窗特征提取的模块化多电平换流器故障诊断方法。
背景技术
随着现在科技的不断发展，相对于传统的两电平和三电平换流器，模块化多电平换流器(Modular Multilevel Converter，MMC)具有效率高、输出交流电压谐波小、高度模块化等特点，更适用于高电压、大功率的应用场合，在柔性直流输电、中压电机驱动等领域具有广阔的前景。
通过将大容量直流电容分成较小的电容器，串联的子模块(SM)可在MMC中应用。这种独特的结构导致没有大容量的直流电容，较低的开关同步需求和较高的模块化程度。但是，大量串联子模块对MMC可靠性构成巨大的威胁，因为它们成为巨大的潜在故障点。
子模块故障主要有两种类型：子模块开路(OC)故障和子模块短路(SC)故障。短路故障破坏性较大，因而子模块驱动电路中一般配备了短路保护模块，当短路故障发生时，由本地闭锁该子模块，确保系统仍可正常运行。开路故障危害相对较小，因而不易被立即检测到，从而造成电压电流波形畸变等后果，威胁到系统的正常运行。子模块开路(OC)故障诊断通常需要故障检测和故障定位。在故障检测中，会生成错误警报以通知子模块开路(OC)故障的发生。为了在子模块开路(OC)故障时实现MMC的不间断运行，将通过故障定位来识别故障SM，以确保正确配置拓扑。
目前学界提出了多种故障检测和定位方法，如故障检测通过基于卡尔曼滤波器的观察器实现的，而故障SM则通过电容电压的比较来进行故障定位；基于滑模观测器的分析分别执行用于故障检测和故障定位；状态观察器分别执行用于故障检测和故障定位；使用单环定理评估电容电压进行故障检测，使用异常值分析进行故障定位。所有这些方法需要分别执行故障检测和故障定位，这不仅使故障诊断过程复杂化，而且延长了所需的故障诊断时间。
发明内容
针对现有技术的不足，本发明的目的在于提供基于滑窗特征提取的模块化多电平换流器故障诊断方法，可同时实现子模块开路故障检测和定位，不需要额外的硬件资源。
本发明的目的可以通过以下技术方案实现：
基于滑窗特征提取的模块化多电平换流器故障诊断方法，包括如下步骤：
S1、用N×M滑动时间数据矩阵Si(n)对模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间等无限长流量信号序列集合X(n)进行采样，其中N为滑动时间数据Si(n)长度，M为模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间等无限长流量信号的数目，Si(n)的滑动间隔为ΔN且ΔN<N；
S2、当i＝1时，提取滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPT1(i＝1)，WPT1(i＝1)是由2J个元素WPT1(k)(k＝0，1，…，2J-1)构成的集合，每个元素WPT1(k)的数据长度为NJ，其中WPTi(k)值可以分成三种情况：若k在[0，L)的范围内，此时数据组值调用k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用k在[L，2L)范围内的数据组值；若k在[L，NJ-L)的范围内可通过公式计算得出，其中NJ＝N/2J；
S3、当i>1时,根据WPTi和WPTi-1之间存在一部分相同小波包系数数据组，利用WPTi和WPTi-1之间的数据重叠关系提取滑动时间数据矩阵Si(n)信号时域和频域综合特征WPTi(i>1)，由2J个元素WPTi(k)(k＝0，1，…，2J-1)构成的集合,每个元素WPTi(k)的数据长度为NJ，其中WPTi(k)值可分成四种情况：若k在[NJ-L，NJ)的范围内，利用WPTi和WPTi-1之间的数据重叠关系数据组值调用之前已经得出的WPTi-1的k在[L，NJ-L-ΔNJ)范围内的数据组值；若k在[0，L)的范围内，此时数据组值调用WPTi的k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用WPTi的k在[L，2L)范围内的数据组值；若k在[NJ-L-ΔNJ，NJ-L)的范围内可通过公式计算得出，其中ΔNJ＝ΔN/2J；
S4、将滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPTi输入到二维卷积神经网络的卷积层，经过池化层和全连接层输出可能故障类型情况和无故障情况的发生概率P(F)，根据可能故障类型情况和无故障情况的发生概率P(F)，判断子模块是否发生故障以及故障类别，若某子模块发生故障，则对发生故障的子模块进行更换，并返回S1；
判断子模块是否发生故障以及故障类别，具体为：
将可能故障类型情况和无故障情况的发生概率P(F)进行排序选出概率值最大的P(F)及其对应的故障类型(或无故障情况)；当该概率值最大的P(F)连续n个滑动时间周期大于50％，则视为该子模块发生故障，且故障类别为该概率值对应的故障类型；n为预设阈值。
进一步的，所述S2中WPT1值，计算公式为：
WPT1＝[WPT1(0)，WPT1(1)，……WPT1(2J-1)]
其中J为小波包变换的分解层数。
进一步的，所述S2中k在[L，NJ-L)的范围内的数据组值，计算公式为：
Figure BDA0002710818260000031
其中NJ＝N/2J，Ri J是基于S1(n)小波包变换的投影系数，f是长度为L的基于S1(n)小波包变换的滤波器函数。
进一步的，所述S3中WPTi(i>1)值，计算公式为：
WPTi＝[WPTi(0)，WPTi(1)，……，WPTi(2J-1)]。
进一步的，所述S3中k在[NJ-L-ΔNJ，NJ-L)的范围内的数据组值，计算公式为：
Figure BDA0002710818260000041
进一步的，所述子模块包括两个功率开关Su、Sl，两个二极管Du、Dl和一个直流电容，其中，功率开关Su和二极管Du组成上管，功率开关Sl和二极管Dl组成下管；二极管Du的阴极连接功率开关Su的集电极，二极管Du的阳极连接功率开关Su的发射极，二极管Dl的阴极连接功率开关Sl的集电极，二极管Dl的阳极连接功率开关Sl的发射极，功率开关Su的发射极、功率开关Sl的集电极分别与子模块桥臂电流流入侧连接，功率开关Su的栅极、功率开关Sl的栅极分别与控制功率开关开通与关断的控制电路连接，功率开关Sl的发射极与子模块桥臂电流流出侧连接，功率开关Su的集电极经直流电容与子模块桥臂电流流出侧连接。
进一步的，所述S4中n＝5。
本发明的有益效果：
1、本发明提出的基于滑窗特征提取的模块化多电平换流器故障诊断方法，可同时实现故障检测和定位，实用价值高，在传统子模块开路故障诊断算法中一般是将故障的检测和故障的定位分开进行，不仅使故障诊断过程复杂化，而且延长了所需的故障诊断时间；
2、本发明提出的基于滑窗特征提取的模块化多电平换流器故障诊断方法，可同时实现故障检测和定位，可以更准确、更及时地对子模块开路故障进行诊断；
3、本发明提出的基于滑窗特征提取的模块化多电平换流器故障诊断方法，子模块开路故障诊断算法由于不需要创建复杂的数学模型和手动设置经验阈值，因此不受系统参数不确定性的影响，并且具有较高的鲁棒性；
4、本发明提出的基于滑窗特征提取的模块化多电平换流器故障诊断方法，子模块开路故障诊断算法不需要对硬件电路做任何改动，易于理解和实施；
5、本发明提出的基于滑窗特征提取的模块化多电平换流器故障诊断方法，子模块开路故障诊断算法无需在系统中引入环流，不会改变系统的输出特性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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是本发明三相MMC及子模块拓扑结构图；
图2是本发明实施例的具体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明针对子模块发生开路故障的问题，提出了适用于MMC的子模块故障诊断方法，其中MMC拓扑结构由六个桥臂组成，如图1所示，每个桥臂上包含了N个相同的子模块(Submodule，SM)以及一个桥臂电感Ls，子模块采用半桥结构，每个子模块由两个功率开关Su、Sl，两个二极管Du、Dl和一个直流电容组成，电容电压平衡方法为：根据桥臂参考电压与载波比较得到一个桥臂上需要投入的子模块个数为j，当桥臂电流大于0，投入电容电压最低的j个子模块，当桥臂电流小于0，投入电容电压最高的j个子模块。
所述子模块包括两个功率开关Su、Sl，两个二极管Du、Dl和一个直流电容，其中，功率开关Su和二极管Du组成上管，功率开关Sl和二极管Dl组成下管；二极管Du的阴极连接功率开关Su的集电极，二极管Du的阳极连接功率开关Su的发射极，二极管Dl的阴极连接功率开关Sl的集电极，二极管Dl的阳极连接功率开关Sl的发射极，功率开关Su的发射极、功率开关Sl的集电极分别与子模块桥臂电流流入侧连接，功率开关Su的栅极、功率开关Sl的栅极分别与控制功率开关开通与关断的控制电路连接，功率开关Sl的发射极与子模块桥臂电流流出侧连接，功率开关Su的集电极经直流电容与子模块桥臂电流流出侧连接。
如图2所示，一种基于滑窗特征提取的模块化多电平换流器故障诊断方法，包括：首先提出基于滑动时间窗口的快速小波包变换算法提取故障信号时域和频域综合特征—小波包系数，在两次相邻滑动间隔通过预先存储一部分与前次滑动时窗收集的信号序列的相同小波包系数，避免重复计算过程，以较小的存储空间为代价，获得了计算效率很高的小波变换实时算法。然后基于提取的小波包系数特征，可以使用二维卷积神经网络生成可能故障类型的发生概率P(F),判别P(F)值是否达到故障标准，可以同时实现子模块开路(OC)故障故障检测和定位。此外，基于滑动时间窗特征分析结果还可以标记出子模块中特定的故障开关设备，从而实现故障分类并使子模块的容错控制更加灵活。具体包括以下步骤：
S1、用N×M滑动时间数据矩阵Si(n)对模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间等无限长流量信号序列集合X(n)进行采样，其中N为滑动时间数据Si(n)长度，M为模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间等无限长流量信号的数目，Si(n)的滑动间隔为ΔN且ΔN<N；
S2、当i＝1时，提取滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPT1(i＝1)，即WPT1＝[WPT1(0)，WPT1(1)，……WPT1(2J-1)]，WPT1(i＝1)是由2J个元素WPT1(k)(k＝0，1，…，2J-1)构成的集合，每个元素WPT1(k)的数据长度为NJ。其中WPTi(k)值可以分成三种情况：若k在[0，L)的范围内，此时数据组值调用k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用k在[L，2L)范围内的数据组值；若k在[L，NJ-L)的范围内可通过
Figure BDA0002710818260000071
计算得出，其中NJ＝N/2J；
S3、当i>1时，根据WPTi和WPTi-1之间存在一部分相同小波包系数数据组，利用WPTi和WPTi-1之间的数据重叠关系提取滑动时间数据矩阵Si(n)信号时域和频域综合特征WPTi(i>1)，即WPTi＝[WPTi(0)，WPTi(1)，…，WPTi(2J-1)]，由2J个元素WPTi(k)(k＝0，1，…，2J-1)构成的集合，每个元素WPTi(k)的数据长度为NJ。其中WPTi(k)值可以分成四种情况：若k在[NJ-L，NJ)的范围内，利用WPTi和WPTi-1之间的数据重叠关系数据组值调用之前已经得出的WPTi-1的k在[L，NJ-L-ΔNJ)范围内的数据组值；若k在[0，L)的范围内，此时数据组值调用WPTi的k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用WPTi的k在[L，2L)范围内的数据组值；若k在[NJ-L-ΔNJ，NJ-L)的范围内可通过
Figure BDA0002710818260000072
计算得出，其中ΔNJ＝ΔN/2J；
S4、将滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPTi输入到二维卷积神经网络的卷积层，经过池化层和全连接层输出可能故障类型情况和无故障情况的发生概率P(F)，根据可能故障类型情况和无故障情况的发生概率P(F)，最后判别指标是否达到子模块开路故障标准；
子模块开路故障标准，具体如下：将可能故障类型情况和无故障情况的发生概率P(F)进行排序选出概率值最大的P(F)及其对应的故障类型(或无故障情况)；当该概率值最大的P(F)连续n个滑动时间周期大于50％(如n＝5)，则视为该子模块发生故障，且故障类别为所对应的故障类型；否则该子模块是正常无故障的；
若达到故障标准，则对相应的子模块进行更换，随后从S1重新开始子模块开路故障监测过程。
本发明尤其适用于子模块数目众多的MMC系统，与传统的子模块故障诊断方法相比，其能显著减小诊断算法的计算量。所提出的方法对电容电压进行分析，以进行故障诊断。在子模块开路(OC)故障时，故障子模块的电容电压变化会与正常子模块有所不同。因此，在提出的方法中监测电容的电压变化。由于仅涉及电容电压，因此所提出的方法不需要额外的硬件资源。所提出方法由于不需要创建复杂的数学模型和手动设置经验阈值，因此该方法不受参数不确定性的影响，并且具有很高的鲁棒性。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (7)

1.基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，包括如下步骤：
S1、用N×M滑动时间数据矩阵Si(n)对包括模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间的无限长流量信号序列集合X(n)进行采样，其中N为滑动时间数据Si(n)长度，M为包括模块化多电平换流器的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间的无限长流量信号的数目，Si(n)的滑动间隔为ΔN且ΔN<N；
S2、当i＝1时，提取滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPT1，WPT1是由2J个元素WPT1(k)构成的集合，k＝0，1，…，2J-1，其中J为小波包变换的分解层数，每个元素WPT1(k)的数据长度为NJ，其中WPT1(k)值分成三种情况：若k在[0，L)的范围内，此时数据组值调用k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用k在[L，2L)范围内的数据组值；若k在[L，NJ-L)的范围内通过公式计算得出，其中NJ＝N/2J；
S3、当i>1时,根据WPTi和WPTi-1之间存在一部分相同小波包系数数据组，利用WPTi和WPTi-1之间的数据重叠关系提取滑动时间数据矩阵Si(n)信号时域和频域综合特征WPTi，由2J个元素WPTi(k)构成的集合，k＝0，1，…，2J-1，每个元素WPTi(k)的数据长度为NJ，其中WPTi(k)值分成四种情况：若k在[NJ-L，NJ)的范围内，利用WPTi和WPTi-1之间的数据重叠关系数据组值调用之前已经得出的WPTi-1的k在[L，NJ-L-ΔNJ)范围内的数据组值；若k在[0，L)的范围内，此时数据组值调用WPTi的k在[NJ-2L，NJ-L)范围内的数据组值；若k在[NJ-L，NJ)的范围内，此时数据组值调用WPTi的k在[L，2L)范围内的数据组值；若k在[NJ-L-ΔNJ，NJ-L)的范围内通过公式计算得出，其中ΔNJ＝ΔN/2J；
S4、将滑动时间数据矩阵S1(n)信号时域和频域综合特征—小波包系数WPTi输入到二维卷积神经网络的卷积层，经过池化层和全连接层输出可能故障类型情况和无故障情况的发生概率P(F)，根据可能故障类型情况和无故障情况的发生概率P(F)，判断子模块是否发生故障以及故障类别，若某子模块发生故障，则对发生故障的子模块进行更换，并返回S1；
判断子模块是否发生故障以及故障类别，具体为：将可能故障类型情况和无故障情况的发生概率P(F)进行排序选出概率值最大的P(F)及其对应的故障类型；当该概率值最大的P(F)连续n个滑动时间周期大于50％，则视为该子模块发生故障，且故障类别为该概率值对应的故障类型；n为预设阈值。
2.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S2中WPT1值，计算公式为：
WPT1＝[WPT1(0)，WPT1(1)，……WPT1(2J-1)]。
3.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S2中k在[L，NJ-L)的范围内的数据组值，计算公式为：
Figure FDA0003639095070000021
其中NJ＝N/2J，R1 J(k-h)是基于S1(n)小波包变换的投影系数，f(h)是长度为L的基于S1(n)小波包变换的滤波器函数。
4.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S3中WPTi值，i>1，计算公式为：
WPTi＝[WPTi(0)，WPTi(1)，……，WPTi(2J-1)]。
5.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S3中k在[NJ-L-ΔNJ，NJ-L)的范围内的数据组值，计算公式为：
Figure FDA0003639095070000031
6.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述子模块包括两个功率开关Su、Sl，两个二极管Du、Dl和一个直流电容，其中，功率开关Su和二极管Du组成上管，功率开关Sl和二极管Dl组成下管；二极管Du的阴极连接功率开关Su的集电极，二极管Du的阳极连接功率开关Su的发射极，二极管Dl的阴极连接功率开关Sl的集电极，二极管Dl的阳极连接功率开关Sl的发射极，功率开关Su的发射极、功率开关Sl的集电极分别与子模块桥臂电流流入侧连接，功率开关Su的栅极、功率开关Sl的栅极分别与控制功率开关开通与关断的控制电路连接，功率开关Sl的发射极与子模块桥臂电流流出侧连接，功率开关Su的集电极经直流电容与子模块桥臂电流流出侧连接。
7.根据权利要求1所述的基于滑窗特征提取的模块化多电平换流器故障诊断方法，其特征在于，所述S4中n＝5。
CN202011055753.4A 2020-09-29 2020-09-29 基于滑窗特征提取的模块化多电平换流器故障诊断方法 Active CN112234576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011055753.4A CN112234576B (zh) 2020-09-29 2020-09-29 基于滑窗特征提取的模块化多电平换流器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011055753.4A CN112234576B (zh) 2020-09-29 2020-09-29 基于滑窗特征提取的模块化多电平换流器故障诊断方法

Publications (2)

Publication Number Publication Date
CN112234576A CN112234576A (zh) 2021-01-15
CN112234576B true CN112234576B (zh) 2022-07-05

Family

ID=74120909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011055753.4A Active CN112234576B (zh) 2020-09-29 2020-09-29 基于滑窗特征提取的模块化多电平换流器故障诊断方法

Country Status (1)

Country Link
CN (1) CN112234576B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609546B (zh) * 2022-03-10 2023-07-28 东南大学 基于孤立森林的模块化多电平换流器开路故障诊断方法
CN118211165A (zh) * 2024-05-16 2024-06-18 国网冀北张家口风光储输新能源有限公司 柔直变压器的换流诊断方法、装置、存储介质及处理器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105467261A (zh) * 2015-12-21 2016-04-06 东北电力大学 基于mmc换流站信息融合技术交流系统暂态故障识别方法
CN109782091A (zh) * 2019-01-30 2019-05-21 西华大学 基于深度小波极限学习机的多电平逆变器故障诊断方法
CN110988742A (zh) * 2019-10-31 2020-04-10 东南大学 基于四分位数的模块化多电平换流器开路故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105467261A (zh) * 2015-12-21 2016-04-06 东北电力大学 基于mmc换流站信息融合技术交流系统暂态故障识别方法
CN109782091A (zh) * 2019-01-30 2019-05-21 西华大学 基于深度小波极限学习机的多电平逆变器故障诊断方法
CN110988742A (zh) * 2019-10-31 2020-04-10 东南大学 基于四分位数的模块化多电平换流器开路故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于新型滑模观测器的MMC子模块IGBT开路故障诊断方法;刘方艳等;《电力大数据》;20200831;第23卷(第8期);第71-78页 *

Also Published As

Publication number Publication date
CN112234576A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN111707973B (zh) 基于格拉布斯准则的模块化多电平换流器开路故障诊断方法
CN114609546B (zh) 基于孤立森林的模块化多电平换流器开路故障诊断方法
CN105548792B (zh) 基于预测控制的矩阵变换器开关开路故障诊断方法
CN110988742A (zh) 基于四分位数的模块化多电平换流器开路故障诊断方法
CN106885966B (zh) 一种mmc功率器件开路故障诊断方法
US20180238951A1 (en) Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter
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
Moradzadeh et al. Data mining applications to fault diagnosis in power electronic systems: A systematic review
CN111562517B (zh) 一种npc三电平逆变器开关管开路故障诊断方法
AU2021102724A4 (en) A method for modular multilevel converter (inverter) open-circuit fault identification and positioning
Wu et al. Digital twin approach for degradation parameters identification of a single-phase DC-AC inverter
CN112540261B (zh) 一种快速mmc子模块器件开路故障的检测方法及系统
CN111413646A (zh) 一种三相电压源逆变器桥臂开路故障实时检测方法
Bento et al. Fault diagnosis in DC-DC converters using a time-domain analysis of the reference current error
CN115951268A (zh) 一种基于Inception的卷积神经网络变流器故障诊断方法
CN104569785A (zh) 一种逆变电路故障诊断方法
CN113281678B (zh) 模块化多电平变换器半桥子模块上管开路故障的定位方法
Soman et al. Model-based methodology using modified sneak circuit analysis for power electronic converter fault diagnosis
Easley et al. Self-healing model predictive controlled cascaded multilevel inverter
Singh et al. Open circuit fault diagnosis and fault classification in multi-level inverter using fuzzy inference system
CN114062883B (zh) T型三电平逆变器igbt开路故障诊断方法及系统
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
CN112928772B (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
CN109031011A (zh) 基于相电压柱状图的多电平逆变器的开路故障诊断方法
Li et al. A simple ANN-Based diagnosis method for open-switch faults in power converters

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