CN112731019B - 一种anpc三电平逆变器故障诊断方法 - Google Patents

Abstract

本发明涉及一种ANPC三电平逆变器故障诊断方法，包括：构建ANPC三电平逆变器电路仿真模型，通过电压传感器采集每相上、中、下三段桥臂电压信号；提取小波包能量谱作为信号特征，对提取的数据降维，得到最终的信号特征向量，分为训练数据与测试数据；建立联合优化回声状态网络JO‑ESN，对回声状态网络ESN储备池参数进行优化，用训练数据训练联合优化回声状态网络JO‑ESN，得到训练好的JO‑ESN模型；利用测试数据对JO‑ESN模型进行测试，分析诊断结果。本发明利用小波包代替传统的小波及傅里叶变换进行故障信号提取，有效保留了信号的完整性，并且在提取到故障信号后采用LDA进行降维，能够有效地降低故障诊断时间。

Description

一种ANPC三电平逆变器故障诊断方法

技术领域

本发明涉及ANPC逆变器故障分析技术领域，尤其是一种ANPC三电平逆变器故障诊断方法。

背景技术

随着我国新能源发电、高速电气化铁路等领域电力电子技术的快速发展，多电平逆变器得到了广泛应用。中性点箝位(NPC)逆变器是最成熟的多电平逆变器之一，结构简单，适用于风机、压缩机、输送机等中压电机驱动。但NPC逆变器中半导体器件的不均匀使用会导致开关中的功率损耗不均匀，从而限制了NPC逆变器的额定功率。为了解决这一问题，提出了有源中性点箝位(ANPC)逆变器，用有源开关代替箝位二极管，使开关之间的功率损耗相等。

由于多电平逆变器(MLI)的开关器件数量较多，故而故障的可能性较大。保护电路通常在察觉到系统内部发生过压或过流现象的时候才会工作，开路故障因为不会产生这类现象而不能被保护电路及时发现，从而引起更为严重的故障。并且ANPC三电平逆变器相对于NPC逆变器增加了功率器件，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。回声状态网络(ESN)使用随机连接的神经元组成的储备池代替传统神经网络的隐含层，可以减少运算量，提高网络收敛速度，但是其储备池参数由人为随机设定，具有不确定性，往往无法达到最优值。

发明内容

本发明的目的在于提供一种在每相有一个或两个开关同时发生开路故障的情况下,能够及时判别故障类型及位置的ANPC三电平逆变器故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种ANPC三电平逆变器故障诊断方法，该方法包括下列顺序的步骤：

(1)构建ANPC三电平逆变器电路仿真模型，模拟故障过程，通过电压传感器采集每相上、中、下三段桥臂电压信号；

(2)利用小波包分解，从采集到的电压信号中提取小波包能量谱作为信号特征，再采用线性判别分析对提取的数据降维，得到最终的信号特征向量，按4：1的比例将最终的特征向量分为训练数据与测试数据；

(3)在粒子群优化算法PSO中，采用非线性自适应方法调整惯性权数w来优化粒子群优化算法PSO，得到改进后的粒子群优化算法IPSO；

(4)建立联合优化回声状态网络JO-ESN，利用改进后的粒子群优化算法IPSO对回声状态网络ESN储备池参数进行优化，得到最佳储备池参数并计算输出权值，用训练数据训练联合优化回声状态网络JO-ESN，得到训练好的JO-ESN模型；

(5)利用测试数据对JO-ESN模型进行测试，分析诊断结果。

所述步骤(2)具体包括以下步骤：

(2a)将原始采样信号S进行3层小波包分解，获d_j,k，j＝0,1,…2^l，l为小波包分解层数；k＝1,2,…,n，n表示原始信号长度；d_j,k表示小波包分解后j节点所对应的第k个系数；

(2b)利用d_jk，从低频到高频8个频带的分解系数中提取各频带范围的信号W_lj，W_lj对应的能量设为E_lj：

(2c)对特征向量进行归一化处理，使各频带能量构造一组特征向量：

实验需测试ANPC三个桥臂电压信号，形成3×2^j维小波包能量谱：

E＝[E_u,0,…E_u,7,E_a,0,…E_a,7,E_d,0,…E_d,7]

式中，E_u,r、E_a,r、E_d,r分别表示上桥臂电压、桥臂电压、下桥臂电压的小波包分解后子频带，r＝0,1,…,7；

(2d)采用线性判别分析法进行数据降维，获得降维后的小波包能量谱。

所述步骤(3)具体包括以下步骤：

(3a)粒子群优化算法的位置及速度更新公式为：

式中，

为第k次迭代粒子i飞行速度矢量的第d维分量；

为第k次的迭代粒子i位置矢量的第d维分量；p_id为粒子i个体最好位置p_best的第d维分量；g_d为g_best的第d维分量；rand₁()、rand₂()均表示一个产生(0,1)间随机数的函数，c₁，c₂为学习因子，ω为惯性权重；

采用非线性自适应方法调整惯性权重ω：

ω＝ω_max-(ω_max-ω_min)·rand₃()-τ·betarnd()

式中，ω_max与ω_min分别为ω的最大值与最小值，rand₃()使ω在[ω_min，ω_max]内随机取值，betarnd()为服从贝塔分布的随机数，τ为偏离因子，且τ∈(0.1,0.9)；

(3b)将位置更新公式加入纠正因子函数Z_i(iter)：

z_i(iter)＝1-iter/[T_max+rand₄()]

式中，iter为迭代次数，T_max为最大迭代次数，Z_i(iter)与迭代次数成线性递减关系，rand₄()为(0,1)间随机数。

所述步骤(4)具体包括以下步骤：

(4a)建立回声状态网络ESN：

ESN的输入层、储备池和输出层三层的节点数分别为K、N和L，m时刻的输入状态，储备池状态及输出状态设为u(m)、x(m)和y(m)，则有：

ESN的状态及输出更新方程为：

x(m+1)＝f_in[W_in·u(m+1)+W·x(m)+W_back·y(m)]

y(m+1)＝f_out(W_out·u(m+1),x(m))

W_in∈R^N×K是输入层到储备层的连接权值；W_back∈R^N×L是输出层回到储备层即反馈连接权值；W∈R^N×N是储备层内部神经元的连接权值；W_out∈R^L×(K+N)是储备层到输出层的连接权值；

其中，f_out是输出层激活函数，取线性函数1，f_in是储备池内部神经元激活函数，取Sigmoid函数：

在ESN初始化后，W_in，W_back，W随机生成，并通过最小二乘法求得储备池至输出层权值W_out：

W_out＝(M^TM)^-1M^TT

式中：M，T分别为ESN每个样本的状态矩阵及输出矩阵；

(4b)利用粒子群优化算法对ESN储备池参数N、SR、SD、IS迭代寻优，N为储备池处理单元数目，SR为W的谱半径，SD为储备池稀疏程度，IS为输入的伸缩尺度，粒子群优化算法通过下面公式来更新自己的速度和位置：

式中：

是第k+1次迭代时粒子的速度，ω是惯性权重，c₁和c₂是学习因子，c₁＝c₂＝2，

为第k次迭代时个体最佳参数，

为第k次迭代时全局最佳参数，

为粒子在第k次迭代时的位置，rand()表示介于(0,1)之间的随机数；

(4c)适应度函数采用均方误差作为性能指标，如下式：

其中，y_n为实际输出，p_n为期望输出，a为样本容量，MSE为均方误差性能指标。

由上述技术方案可知，本发明的有益效果为：第一，在函数损失率的对比图中JO-ESN无论是下降速度还是趋于零的趋势上，都比其他算法有着更好的结果，并且单次故障诊断时间小于0.02s；第二，利用小波包代替传统的小波及傅里叶变换进行故障信号提取，有效保留了信号的完整性，并且在提取到故障信号后采用LDA进行降维，能够有效地降低故障诊断时间；第三，本发明提供了ANPC逆变器的故障诊断能力，提高了故障诊断方法的可靠性与准确性，可以达到98.36％的准确度，性能优于传统神经网络和未优化回声状态网络并且减少了故障处理时间，适用于在线监测。

附图说明

图1是ANPC三电平逆变器电路拓扑图；

图2是关于ANPC三电平逆变器的联合优化回声状态网络的故障诊断流程图；

图3是ANPC三电平逆变器T_a1，T_a2，T_a6导通时工作状态；

图4是ANPC三电平逆变器T_a1，T_a3，T_a6导通时工作状态；

图5是ANPC三电平逆变器T_a2，T_a4，T_a5导通时工作状态；

图6是ANPC三电平逆变器T_a3，T_a4，T_a5导通时工作状态；

图7是正常情况下桥臂电压波形图；

图8是Ta1故障时桥臂电压波形图；

图9是Ta2故障时桥臂电压波形图；

图10是Ta5故障时桥臂电压波形图；

图11是Ta1和Ta2故障时桥臂电压波形图；

图12是Ta1和Ta3故障时桥臂电压波形图；

图13是Ta2和Ta3故障时桥臂电压波形图；

图14是Ta2和Ta5故障时桥臂电压波形图；

图15是三层小波包分解图；

图16是ESN拓扑结构图；

图17是同环境下JO-ESN与PSO-ESN﹑PSO-BP﹑ELM﹑A-WNN的函数损失率对比示意图。

具体实施方式

如图2所示，一种ANPC三电平逆变器故障诊断方法，该方法包括下列顺序的步骤：

(1)构建ANPC三电平逆变器电路仿真模型，模拟故障过程，通过电压传感器采集每相上、中、下三段桥臂电压信号；

(2)利用小波包分解，从采集到的电压信号中提取小波包能量谱作为信号特征，再采用线性判别分析对提取的数据降维，得到最终的信号特征向量，按4：1的比例将最终的特征向量分为训练数据与测试数据；

(3)在粒子群优化算法PSO中，采用非线性自适应方法调整惯性权数w来优化粒子群优化算法PSO，得到改进后的粒子群优化算法IPSO；

(4)建立联合优化回声状态网络JO-ESN，利用改进后的粒子群优化算法IPSO对回声状态网络ESN储备池参数进行优化，得到最佳储备池参数并计算输出权值，用训练数据训练联合优化回声状态网络JO-ESN，得到训练好的JO-ESN模型；

(5)利用测试数据对JO-ESN模型进行测试，分析诊断结果。

所述步骤(2)具体包括以下步骤：

(2a)将原始采样信号S进行3层小波包分解，获d_j,k，j＝0,1,…2^l，l为小波包分解层数；k＝1,2,…,n，n表示原始信号长度；d_j,k表示小波包分解后j节点所对应的第k个系数；

(2b)利用d_jk，从低频到高频8个频带的分解系数中提取各频带范围的信号W_lj，W_lj对应的能量设为E_lj：

(2c)对特征向量进行归一化处理，使各频带能量构造一组特征向量：

实验需测试ANPC三个桥臂电压信号，形成3×2^j维小波包能量谱：

E＝[E_u,0,…E_u,7,E_a,0,…E_a,7,E_d,0,…E_d,7]

式中，E_u,r、E_a,r、E_d,r分别表示上桥臂电压、桥臂电压、下桥臂电压的小波包分解后子频带，r＝0,1,…,7；

(2d)采用线性判别分析法进行数据降维，获得降维后的小波包能量谱。

所述步骤(3)具体包括以下步骤：

(3a)粒子群优化算法的位置及速度更新公式为：

式中，

为第k次迭代粒子i飞行速度矢量的第d维分量；

为第k次的迭代粒子i位置矢量的第d维分量；p_id为粒子i个体最好位置p_best的第d维分量；g_d为g_best的第d维分量；rand₁()、rand₂()均表示一个产生(0,1)间随机数的函数，c₁，c₂为学习因子，ω为惯性权重；

采用非线性自适应方法调整惯性权重ω：

ω＝ω_max-(ω_max-ω_min)·rand₃()-τ·betarnd()

式中，ω_max与ω_min分别为ω的最大值与最小值，rand₃()使ω在[ω_min，ω_max]内随机取值，betarnd()为服从贝塔分布的随机数，betarnd()之前加入了偏离因子τ可以使ω的随机取值具有合理性，τ为偏离因子，且τ∈(0.1,0.9)；

(3b)将位置更新公式加入纠正因子函数Z_i(iter)：

z_i(iter)＝1-iter/[T_max+rand₄()]

式中，iter为迭代次数，T_max为最大迭代次数，Z_i(iter)与迭代次数成线性递减关系，可以约束粒子不会太过随机，使粒子群的运动又兼具稳定性。rand₄()为(0,1)间随机数。

所述步骤(4)具体包括以下步骤：

(4a)建立回声状态网络ESN：

ESN的输入层、储备池和输出层三层的节点数分别为K、N和L，m时刻的输入状态，储备池状态及输出状态设为u(m)、x(m)和y(m)，则有：

ESN的状态及输出更新方程为：

x(m+1)＝f_in[W_in·u(m+1)+W·x(m)+W_back·y(m)]

y(m+1)＝f_out(W_out·u(m+1),x(m))

W_in∈R^N×K是输入层到储备层的连接权值；W_back∈R^N×L是输出层回到储备层即反馈连接权值；W∈R^N×N是储备层内部神经元的连接权值；W_out∈R^L×(K+N)是储备层到输出层的连接权值；

其中，f_out是输出层激活函数，取线性函数1，f_in是储备池内部神经元激活函数，取Sigmoid函数：

在ESN初始化后，W_in，W_back，W随机生成，并通过最小二乘法求得储备池至输出层权值W_out：

W_out＝(M^TM)^-1M^TT

式中：M，T分别为ESN每个样本的状态矩阵及输出矩阵；

(4b)利用粒子群优化算法对ESN储备池参数N、SR、SD、IS迭代寻优，N为储备池处理单元数目，SR为W的谱半径，SD为储备池稀疏程度，IS为输入的伸缩尺度，粒子群优化算法通过下面公式来更新自己的速度和位置：

式中：

是第k+1次迭代时粒子的速度，ω是惯性权重，c₁和c₂是学习因子，c₁＝c₂＝2，

为第k次迭代时个体最佳参数，

为第k次迭代时全局最佳参数，

为粒子在第k次迭代时的位置，rand()表示介于(0,1)之间的随机数；

(4c)适应度函数采用均方误差作为性能指标，如下式：

其中，y_n为实际输出，p_n为期望输出，a为样本容量，MSE为均方误差性能指标。

如图1所示，ANPC三电平逆变器由三电平桥臂电路、18个IGBT与二极管反并联箝位结构和三相负载组成，分为A、B、C三相；利用小波包分解采集上、中、下桥臂电压信号特征，采用IPSO对ESN参数进行优化，构建JO-ESN模型，通过故障诊断模块，完成故障诊断；并将训练好的模型进行保存，同时利用测试数据，完成特征处理，并进行故障诊断。

电路包含三个桥臂，每个桥臂都有六个IGBT功率器件，将其标记为T_x1，T_x2，T_x3，T_x4，T_x5，T_x6(x代表a，b或c)。U_d为直流侧母线电压，直流侧有两个分压电容C₁和C₂，提供中性点o。三电平逆变器每相由六个IGBT与二极管反并联箝位结构，每相的中间点，即T_a2和T_a3中点a、b、c为三电平逆变器输出接对应三相负载。提取a点和o点作为中桥臂电压V_ao；a_u点和o点之间的电压作为上桥臂电压V_auo；a_d点和o点间电压作为下桥臂电压V_ado。通过仿真可以得到逆变器电路的四种正常工作状态，如图3、4、5、6所示。

单器件故障包括正常状况在内，四种典型故障如图7至图10中所示。如图7所示，逆变器正常运行，上下桥臂电压在正负周期反向交替导通。如图8所示，在T_a1故障时，上桥臂与中桥臂无法在正半周期正常获得电压，下桥臂电压波形与正常状态接近。如图9所示，在T_a2故障时，上下桥臂电压受到影响较小，此时电压无法到达中桥臂，使得中桥臂电压异常。如图10所示，当T_a5故障时，正半周期几乎不受影响，上桥臂电压的钳制作用受到影响，负半周期钳位失败，中桥臂与下桥臂电压混乱。

四种典型双器件故障如图11至图14中所示。如图11所示，当T_a1与T_a2故障时，中桥臂电压波形与T_a2故障时结果相似，电压在正半周期无法到达上桥臂和中桥臂，负半周期可以导通，但是也受到一定影响。如图12所示，当T_a1与T_a3故障时，下桥臂电压影响可忽略，在正半周期，上桥臂电压受到影响，在负半周期，因为T_a3故障，中桥臂电压也近乎等于零。如图13所示，当T_a1与T_a4故障时，在正半周期，T_a1故障使上桥臂电压受到影响，在负半周期，因为T_a4故障，下桥臂得不到电压，中桥臂电压也受到影响几乎为零。如图14所示，当T_a2与T_a3故障时，基本上电路属于不再工作的状态，中桥臂电压理论上为零，但是在正负周期交替时也会产生一定脉冲电压。

本发明提供的ANPC三电平逆变器故障诊断技术是基于联合优化回声状态网络的技术。该方法首先提取ANPC三电平逆变器的三个桥臂电压信号，接着采用小波包分解提取桥臂电压中的特征信号，图15为三层小波包分解示意图。提取到的特征向量经过线性判别分析进行数据降维处理，可达到减小运算量，避免运算复杂的目的。在对获得的电压特征信号分类处理之前，首先对回声状态网络进行优化处理，回声状态网络拓扑图如图16所示。由于ESN储备池的参数设置一般依据经验或者采用在给定范围内试凑的方法，这样往往使得在实际应用中无法得到期望的结果。因此本发明采用一种改进的粒子群优化算法来对ESN储备池参数设置进行优化，从而得到更加理想的分类效果。

表1是不同诊断方法的训练准确率和诊断准确率，图17是联合回声状态网络与PSO-ESN神经网络、PSO-BP神经网络、A-WNN神经网络、ELM迭代1000次的函数损失率。根据图中A(688，0.6573)，B(709,0.4949),C(560,0.4633)，D(594,0.3242)，E(661,0.2263)点纵坐标可知，JO-ESN的函数损失率最小，收敛效果最好。相同情况下，训练时间较少，损失函数最小，适用于在线诊断。由表1可以看出，联合优化回声网络在训练准确度和诊断准确度明显优于其它三种情况。

表1五种诊断方法函数损失率比较

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。因此本发明采用小波包能量谱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98.36％的准确度，性能优于传统神经网络和未优化回声状态网络；减少了故障处理时间，适用于在线诊断。

综上所述，本发明利用小波包代替传统的小波及傅里叶变换进行故障信号提取，有效保留了信号的完整性，并且在提取到故障信号后采用LDA进行降维，能够有效地降低故障诊断时间；提供了ANPC逆变器的故障诊断能力，提高了故障诊断方法的可靠性与准确性，可以达到98.36％的准确度，性能优于传统神经网络和未优化回声状态网络并且减少了故障处理时间，适用于在线监测。

Claims (1)

1.一种ANPC三电平逆变器故障诊断方法，其特征在于：该方法包括下列顺序的步骤：

(1)构建ANPC三电平逆变器电路仿真模型，模拟故障过程，通过电压传感器采集每相上、中、下三段桥臂电压信号；

(2)利用小波包分解，从采集到的电压信号中提取小波包能量谱作为信号特征，再采用线性判别分析对提取的数据降维，得到最终的信号特征向量，按4：1的比例将最终的特征向量分为训练数据与测试数据；

(3)在粒子群优化算法PSO中，采用非线性自适应方法调整惯性权数w和避免惯性权重的随机性太强纠正因子函数来优化粒子群优化算法PSO，得到改进后的粒子群优化算法IPSO；

(4)建立联合优化回声状态网络JO-ESN，利用改进后的粒子群优化算法IPSO对回声状态网络ESN储备池参数进行优化，得到最佳储备池参数并计算输出权值，用训练数据训练联合优化回声状态网络JO-ESN，得到训练好的JO-ESN模型；

(5)利用测试数据对JO-ESN模型进行测试，分析诊断结果；

所述步骤(2)具体包括以下步骤：

(2a)将原始采样信号S进行3层小波包分解，获d_j,k，j＝0,1,…2^l，l为小波包分解层数；k＝1,2,…,n，n表示原始信号长度；d_j,k表示小波包分解后j节点所对应的第k个系数；

(2b)利用d_jk，从低频到高频8个频带的分解系数中提取各频带范围的信号W_lj，W_lj对应的能量设为E_lj：

(2c)对特征向量进行归一化处理，使各频带能量构造一组特征向量：

实验需测试ANPC三个桥臂电压信号，形成3×2^j维小波包能量谱：

E＝[E_u,0,…E_u,7,E_a,0,…E_a,7,E_d,0,…E_d,7]

式中，E_u,r、E_a,r、E_d,r分别表示上桥臂电压、桥臂电压、下桥臂电压的小波包分解后子频带，r＝0,1,…,7；

(2d)采用线性判别分析法进行数据降维，获得降维后的小波包能量谱；

所述步骤(3)具体包括以下步骤：

(3a)粒子群优化算法的位置及速度更新公式为：

式中，

为第k次迭代粒子i飞行速度矢量的第d维分量；

为第k次的迭代粒子i位置矢量的第d维分量；p_id为粒子i个体最好位置p_best的第d维分量；g_d为g_best的第d维分量；rand₁()、rand₂()均表示一个产生(0,1)间随机数的函数，c₁，c₂为学习因子，ω为惯性权重；

采用非线性自适应方法调整惯性权重ω：

ω＝ω_max-(ω_max-ω_min)·rand₃()-τ·betarnd()

式中，ω_max与ω_min分别为ω的最大值与最小值，rand₃()使ω在[ω_min，ω_max]内随机取值，betarnd()为服从贝塔分布的随机数，τ为偏离因子，且τ∈(0.1,0.9)；

(3b)将位置更新公式加入纠正因子函数Z_i(iter)：

z_i(iter)＝1-iter/[T_max+rand₄()]

式中，iter为迭代次数，T_max为最大迭代次数，Z_i(iter)与迭代次数成线性递减关系，rand₄()为(0,1)间随机数；

所述步骤(4)具体包括以下步骤：

(4a)建立回声状态网络ESN：

ESN的输入层、储备池和输出层三层的节点数分别为K、N和L，m时刻的输入状态，储备池状态及输出状态设为u(m)、x(m)和y(m)，则有：

ESN的状态及输出更新方程为：

x(m+1)＝f_in[W_in·u(m+1)+W·x(m)+W_back·y(m)]

y(m+1)＝f_out(W_out·u(m+1),x(m))

W_in∈R^N×K是输入层到储备层的连接权值；W_back∈R^N×L是输出层回到储备层即反馈连接权值；W∈R^N×N是储备层内部神经元的连接权值；W_out∈R^L×(K+N)是储备层到输出层的连接权值；

其中，f_out是输出层激活函数，取线性函数1，f_in是储备池内部神经元激活函数，取Sigmoid函数：

在ESN初始化后，W_in，W_back，W随机生成，并通过最小二乘法求得储备池至输出层权值W_out：

W_out＝(M^TM)^-1M^TT

式中：M，T分别为ESN每个样本的状态矩阵及输出矩阵；

(4b)利用粒子群优化算法对ESN储备池参数N、SR、SD、IS迭代寻优，N为储备池处理单元数目，SR为W的谱半径，SD为储备池稀疏程度，IS为输入的伸缩尺度，粒子群优化算法通过下面公式来更新自己的速度和位置：

式中：

是第k+1次迭代时粒子的速度，ω是惯性权重，c₁和c₂是学习因子，c₁＝c₂＝2，

为第k次迭代时个体最佳参数，

为第k次迭代时全局最佳参数，

为粒子在第k次迭代时的位置，rand()表示介于(0,1)之间的随机数；

(4c)适应度函数采用均方误差作为性能指标，如下式：

其中，y_n为实际输出，p_n为期望输出，a为样本容量，MSE为均方误差性能指标。

Images