CN112348071A

CN112348071A - 一种模块化多电平换流器子模块开关管开路故障诊断方法

Info

Publication number: CN112348071A
Application number: CN202011185363.9A
Authority: CN
Inventors: 李武华; 邢纹硕; 杨贺雅; 盛景; 向鑫; 李楚杉; 何湘宁
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2020-10-30
Filing date: 2020-10-30
Publication date: 2021-02-09
Anticipated expiration: 2040-10-30
Also published as: CN112348071B

Abstract

本发明公开了一种模块化多电平换流器子模块开关管开路故障诊断方法，属于柔性直流输配电技术领域。基于模块化多电平换流器在开路故障下的子模块电容电压分布特性，通过构建一个机器学习异常检测模型来实现故障诊断。首先使用滑动窗口对电压原始数据进行分割，再对各个数据片段进行提取时域特征，以构建模型的数据集。使用数据集训练得到基于多元高斯分布的模型参数及概率密度阈值。将子模块与概率密度阈值进行比较即可判定子模块工作状态。本发明无需增加额外的传感器或重构传感器；本发明是基于实际数据实现的，无需构建精确的模块化多电平换流器数学模型，鲁棒性较强；且本发明比分类机器学习模型有更高的故障诊断精度以及较低的误报率。

Description

一种模块化多电平换流器子模块开关管开路故障诊断方法

技术领域

本发明属于柔性直流输配电技术领域，具体涉及一种模块化多电平换流器子模块开关管开路故障诊断方法。

背景技术

模块化多电平转换器由于具有高模块化，高鲁棒性和高可控性的优势，进来在高压直流传输系统中受到广泛关注。尽管具有很多优点，但安全性仍然是最重要的挑战之一，因为模块化多电平换流器是由许多级联子模块构成的，每个子模块都是一个潜在的故障点。

根据子模块中开关的故障情况，子模块故障可分为开路故障和短路故障。对于短路故障，由于子模块中的直流电容器，它们具有破坏性高和时间尺度短的特点，因此通常由栅极驱动器处理。如果无法及时处理开路故障，则可能会使模块化多电平换流器的输出电压和电流失真，甚至引发连锁反应而损坏整个电力系统。

总的来说，子模块开路故障检测与定位的研究主要分为三种基本方法：1)基于传感器；2)基于模型；3)基于机器学习。基于传感器的方法可以通过添加额外的传感器或更改现有传感器的位置来实现子模块开路故障检测与定位。基于传感器的方法可以在短时间内实现子模块开路故障检测与定位，但需要额外的硬件成本，也可能增加潜在的故障点。基于模型的方法可以通过建立模块化多电平换流器的数学模型并将期望值与观察值进行比较，而无需额外的传感器即可实现子模块开路故障检测与定位。然而，基于模型的方法由于对电路的精确机构模型的要求而对不确定的系统参数和环境噪声相对敏感，诊断的可靠性低。

基于机器学习的方法对于复杂模型具有竞争优势，因为它们既不需要添加或重建传感器，也不需要精确描述数学模型。现有的大多数有监督机器学习方法都将子模块的所有电压直接组合为机器学习多分类器的输入，并将每个故障条件设置为不同的类。但是，当遇到分类中未包括的新型故障时，多分类器的泛化能力会受到限制，这会导致错误诊断。

发明内容

鉴于上述，本发明提供了一种模块化多电平换流器子模块开关管开路故障诊断方法，该方法不需要额外硬件成本，同时不依赖于系统参数或数学模型，在仅有少量故障样本的情况下也能够实现故障诊断。

为了实现上述目的，本发明采用如下技术方案：

一种模块化多电平换流器子模块开关管开路故障诊断方法，包括如下步骤：

(1)对已知正常工作状态及故障工作状态的多电平换流器子模块电容的电压序列分别进行滑动窗口截取和特征提取，从而构建机器学习的训练集；所述的训练集包括正常样本的特征向量和故障样本的特征向量；

(2)使用步骤(1)中得到的训练集，基于多元高斯分布构建异常检测机器学习模型；使用训练集中的正常样本特征向量获取异常检测模型的协方差矩阵；根据协方差矩阵，计算各个故障样本特征向量的概率密度，选取概率密度的最大值作为异常检测模型的阈值ε；

(3)实时获取模块化多电平换流器各子模块电容的特征向量，利用异常检测机器学习模型得到各子模块在当前时刻的概率密度，若概率密度小于阈值ε，则判定该时刻下子模块为故障状态；若概率密度函数大于等于阈值ε，则判定该时刻下子模块为正常运行状态，实现开路故障诊断。

进一步的，所述的步骤(1)具体为：

(1.1)使用长度为L_win的窗口对一段长度为L_ori的原始电压序列进行截取，得到一个长度与窗口长度相同的数据片段；然后，窗口以步长L_step从头至尾逐步滑动，获得原始电压序列的所有片段；对P个原始电压序列都执行一次，则截取得到的数据片段总数量为m，其中包含故障状态的片段数量为m_f，正常状态的片段数量为m_n；其中

(1.2)提取步骤(1.1)中所有数据片段的n个特征量；

(1.3)将步骤(1.2)中提取得到的n个特征量构成n维向量作为该样本的特征向量，并将m_n个正常样本的标签设定为0，将m_f个故障样本的标签设定为1。

进一步的，步骤(1.2)所述的特征量包括平均值、均方根值、峰态、脉冲因子和裕度因子等。

进一步的，所述的步骤(3)具体为：

(3.1)针对包括N个子模块的模块化多电平换流器，使用N个滑动窗口分别存储N个子模块电容的电压采样值，并在每一采样时刻对所述窗口进行更新，即排除窗口内最旧的值，将新采样时刻的子模块电容的电压采样值加入窗口；

(3.2)提取窗口的数据片段中的特征量，所述特征量与步骤(1)中的特征量一致；

(3.3)将步骤(3.2)中获取到的特征量构成待测子模块的特征向量，并将其作为异常检测机器学习模型的输入，计算概率密度，若概率密度小于阈值ε，则判定该时刻子模块为故障状态；若概率密度函数大于等于阈值ε，则判定该时刻子模块为正常运行状态。

与现有技术相比，本发明的优势在于：

(1)本发明基于模块化多电平换流器在开路故障下的子模块电容电压分布特性，通过构建一个机器学习异常检测模型来实现故障诊断。通过使用滑动窗口对电压原始数据进行分割，再对各个数据片段进行提取时域特征，以构建模型的数据集；使用数据集训练得到基于多元高斯分布的模型参数及概率密度阈值。在实际检测过程中，仅需将实时获取到的子模块对应的概率密度与概率密度阈值进行比较，即可判定子模块工作状态，计算量小，响应迅速。

(2)本发明是基于现有的模块化多电平换流器系统中的子模块电容电压实现的，无需增加额外的传感器或重构传感器，避免了增加额外的硬件成本，也不会对现有的多电平换流器系统造成影响。

(3)本发明采用的训练集是基于实际原始数据获得的，所以无需构建精确的模块化多电平换流器数学模型，所以不依赖于系统参数或数学模型，在仅有少量故障样本的情况下就能够实现故障诊断，鲁棒性较强，当遇到分类中未包括的新型故障时也能实现故障判断，比分类机器学习模型有更高的故障诊断精度。

附图说明

图1为本发明实施例中三相模块化多电平换流器的拓扑结构图。

图2为本发明实施例中半桥子模块的结构示意图。

图3为本发明子模块开关管故障诊断方法的流程图。

图4为本发明执行的滑动窗口的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，三相模块化多电平换流器的基本单元为子模块，N_SM个子模块级联与一个桥臂电感串联构成一个桥臂，上下两个桥臂串联构成一个相单元。三相模块化多电平换流器换流器含有三个相单元，6个桥臂，6N_SM个子模块。直流侧母线电压为U_dc，交流侧三相相电压分别为u_a、u_b和u_c，O点为零电位参考点。

本实施方式中模块化多电平换流器采用如图2所示的半桥子模块结构。每个子模块都可以被视为单端口网络，通常由两个绝缘栅双极型晶体管S₁和S₂，两个二极管D₁和D₂以及一个储能电容器组成。子模块具有两种不同的工作状态，即投入状态和旁路状态。投入状态表示开关动作使子模块的电容串联入电路，因此子模块的输出电压为电容器电压u_C。旁路状态表示开关动作使子模块的电容器旁路，因此子模块的输出电压为0V。因此，通过控制所有桥臂中子模块的工作状态，模块化多电平换流器可以产生不同的交流电压。表1是正常运行状态下模块化多电平换流器半桥子模块的电容电压的开关状态表，正常运行状态下模块化多电平换流器内各子模块电容电压在会在电容电压平衡算法的控制下保持平衡。

表1正常运行状态下模块化多电平换流器半桥子模块的电容电压状态表

模式	S<sub>1</sub>	S<sub>2</sub>	i<sub>子模块</sub>	状态	说明
						1	导通	断开	由A流入	投入	电流流过D<sub>1</sub>给电容充电
2	断开	导通	由A流入	旁路	电容被旁路，电压无变化
						3	导通	断开	由B流入	投入	电流流过S<sub>1</sub>给电容放电
4	断开	导通	由B流入	旁路	电容被旁路，电压无变化

根据故障的位置不同，子模块开路故障可分为上管开路故障和下管开路故障两种类型。S₁开路故障下的半桥子模块的电容电压状态如表2所示。在图2中，当子模块处于投入状态并且电流由B流入时，正常工作状态下电容器应该放电。然而，如果S₁发生开路故障，电流将会通过二极管D₂，此时子模块电容器将被旁路，其电压将会保持不变。所以S₁发生开路故障时，故障子模块电容电压会高于正常子模块电容电压。

表2 S₁开路故障下的半桥子模块的电容电压状态表

模式	S<sub>1</sub>	S<sub>2</sub>	i<sub>子模块</sub>	状态	说明
						1	导通	断开	由A流入	投入	电流流过D<sub>1</sub>给电容充电
2	断开	导通	由A流入	旁路	电容被旁路，电压无变化
						3	导通	断开	由B流入	旁路	电容被旁路，电压无变化
4	断开	导通	由B流入	旁路	电容被旁路，电压无变化

S₂开路故障下的半桥子模块的电容电压状态如表3所示；当子模块处于旁路状态并且电流由A流入时，电容器电压在正常工作状态下中应保持不变。然而，如果在S₂中发生开路故障，电流将会通过二极管D₁，则子模块电容器将被串联进电路中并被充电。所以S₂发生开路故障时，故障子模块电容电压会高于正常子模块电容电压。

表3 S₂开路故障下的半桥子模块的电容电压状态表

根据以上两种不同开路故障情况的分析，可得知发生开关管开路故障的子模块电容电压均会异于正常子模块，所以可以选用子模块电压作为故障检测与指标。

基于上述分析，本发明将桥臂子模块电容电压序列中是否出现异常值作为子模块开路故障诊断的依据。为了捕捉到电压变化的短期特征并扩大样本量，引入了滑动窗口方法将原始数据分为一系列电压片段。特征提取可以降低电压片段的维度，从而可以加速机器学习模型的训练过程。由于当模块化多电平换流器正常工作时每个子模块的电压都会保持平衡，因此从电压中提取的特征可以近似为多元高斯分布，故本发明基于多元高斯分布构建异常检测流程。主要步骤包括：

步骤一：对已知工作状态的正常及故障子模块电容的电压序列分别进行滑动窗口截取和特征提取，从而构建机器学习的训练集；所述的训练集包括正常样本的特征向量和故障样本的特征向量；

步骤二：使用步骤一中得到的训练集，基于多元高斯分布构建异常检测机器学习模型；使用训练集中的正常样本特征向量获取异常检测模型的协方差矩阵；根据协方差矩阵，计算各个故障样本特征向量的概率密度，选取概率密度的最大值作为异常检测模型的阈值ε；

步骤三：实时获取模块化多电平换流器各子模块电容的特征向量，利用异常检测机器学习模型得到各子模块在当前时刻的概率密度，若概率密度小于阈值ε，则判定该时刻下子模块为故障状态；若概率密度函数大于等于阈值ε，则判定该时刻下子模块为正常运行状态，实现开路故障诊断。

下面以图3为例，对本发明的具体流程进行介绍。

(1)数据集构建。电压传感器按时域顺序收集处于不同工作状态的子模块的电容器电压。如图4，窗口以一定的步长从头至尾逐步滑动，即可获得原始数据的所有片段。从所有通过滑动窗口得到的片段中提取5个时域特征：平均值、均方根值、峰态、脉冲因子、裕度因子。

根据以下公式计算确定数据片段的平均值：

其中，M表示每一个片段中包含的电压值数量，即窗口的大小；V_i是一个片段中的第i个电压值，即窗口中的第i个取值；

根据以下公式计算确定数据片段的均方根值：

根据以下公式计算确定数据片段的峰态：

根据以下公式计算确定数据片段的脉冲因子：

根据以下公式计算确定数据片段的裕度因子：

将5个特征量构成一个1×5维的向量作为样本，然后手动为样本添加标签，将故障样本标签设定为1，正常样本标签设定为0。

(2)使用数据集构建模型。将数据集分为两部分：训练集和测试集。

模型的参数包含平均向量μ和协方差矩阵∑。根据以下公式计算确定异常检测模型的平均向量：

其中，x_i表示第i个正常样本的特征向量，T表示转置，m_n表示训练集中正常样本的数量；

根据以下公式计算确定异常检测模型的协方差矩阵：

判断阈值ε选择为最大的故障样本的概率密度。根据以下公式计算确定故障样本的概率密度p(x_j)：

ε＝max{p(x_j),1≤j≤m_f}

其中，x_j表示第j个故障样本的特征向量，j为自然数，m_f表示训练集中故障样本的数量；n表示特征量的数量，本实施例中取值为5。

(3)在测试集上进行故障检测。确定模型的所有参数后，可以对测试集执行故障检测方法。对于由5个特征组成的每个样本，根据以下公式计算概率密度：

其中，x_t表示第t个待测样本的特征向量，n表示特征量的数量，本实施例中取值为5。

如果概率密度p(x_t)大于等于阈值ε，则将样本视为正常，如果概率密度小于阈值，则将样本视为故障。

此外，为了评估模型的预测准确性，会将样本的预测标签与真实标签进行比较。由于数据集是随机分割的，并且测试集从未参与过模型的训练，因此测试集的准确性可以代表模型的泛化能力。

以下是本发明在Matlab/Simulink上搭建21电平三相模块化多电平换流器仿真平台，仿真的主要参数如表4所示。为了验证该方法的有效性，以S₁的开路故障为例。

考虑到三相模块化多电平换流器的结构是高度对称的，因此进行了20组实验，其中开路故障发生在一个桥臂的不同子模块中。序列的长度为100ms(500个采样电压值)。将滑动窗口的长度设定与电网周期相同，为20ms(100个采样电压值)，步长为0.4ms(2个采样电压值)。数据集总共包含99320个样本。

表4 21电平三相模块化多电平换流器仿真参数表

表5中展示了测试结果，其中的TN，FN，TP，FP分别代表真阴性，假阴性，真阳性和假阳性。这里的“阳性”代表故障样本，而“阴性”代表正常样本。

表5本实施例中数量下反映诊断精度的混淆矩阵表

此外，混淆矩阵也可以通过百分比的形式写成，如表6所示。

表6本实施例中百分比下反映诊断精度的混淆矩阵表

在这个混淆矩阵中，X轴和Y轴分别代表测试集中样本的预测标签和真实标签。主对角线的元素表示对正常和故障样本进行诊断的准确性，而其他两个元素表示对正常样本误判为故障样本或将故障样本误判为正常样本的比率。本实施方案中，包含120个子模块的模型的平均准确性为99.3％。

此外，对于存在分类不平衡问题的异常检测，除了准确性之外，还有其他评估指标可以评估机器学习模型，分别是精度、召回率和错误警报率：

精度是正确预测的故障样本与预测的故障样本的比率，可以定义为Pre＝TP/(TP+FP)。当样本被预测为故障时，精度可以提供正确预测的概率，在测试集上计算为97.7％。

召回率是正确预测的故障样本与真实故障样本的比率，可以定义为Rec＝TP/(TP+FN)。召回可以显示模型诊断故障样本的能力，计算为97.0％。

错误警报率是错误预测的故障样本与真实的正常样本的比率，可以定义为Far＝FP/(TN+FP)。顾名思义，错误警报率是将正常样本错误分类为故障样本的概率，计算为0.1％。

较高的准确性、精度、召回率和较低的虚警率可以表明该实施方案的有效性，所提构建的异常检测模型具有较高的泛化能力，可以准确地诊断子模块开路故障。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims

1.一种模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，所述的步骤(1)具体为：

(1.1)使用长度为L_win的窗口对一段长度为L_ori的原始电压序列进行截取，得到一个长度与窗口长度相同的数据片段；然后，窗口以步长L_step从头至尾逐步滑动，获得原始电压序列的所有片段；对P个原始电压序列都执行一次，则截取得到的数据片段总数量为m，其中包含故障状态的片段数量为m_f，正常状态的片段数量为m_n；

(1.2)提取步骤(1.1)中所有数据片段的n个特征量；

3.根据权利要求2所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，步骤(1.2)所述的特征量包括平均值、均方根值、峰态、脉冲因子和裕度因子。

4.根据权利要求2所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，步骤(1.1)根据以下公式确定数据片段的数量m：

5.根据权利要求1所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，步骤(2)所述的协方差矩阵计算公式为：

其中，x_i表示第i个正常样本的特征向量，T表示矩阵转置，μ表示训练集中正常样本特征向量的平均向量，∑表示协方差矩阵。

6.根据权利要求1所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，步骤(2)所述的概率密度计算公式为：

其中，x_j表示第j个故障样本的特征向量，j为自然数且1≤j≤m_f，n表示特征量的数量，∑表示协方差矩阵，μ表示训练集中正常样本特征向量的平均向量，T表示转置。

7.根据权利要求1所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，所述的步骤(3)具体为：

8.根据权利要求7所述的模块化多电平换流器子模块开关管开路故障诊断方法，其特征在于，步骤(3.3)所述的概率密度计算公式为：

其中，x_t表示第t个待测样本的特征向量，t为自然数且1≤t≤N，n表示特征量的数量，∑表示协方差矩阵，μ表示训练集中正常样本特征向量的平均向量，T表示转置。