CN113341345A

CN113341345A - 一种基于特征提取和随机森林的mmc开关管开路故障诊断方法

Info

Publication number: CN113341345A
Application number: CN202110623321.7A
Authority: CN
Inventors: 向鑫; 邢纹硕; 杨贺雅; 盛景; 李武华; 何湘宁
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2021-06-04
Filing date: 2021-06-04
Publication date: 2021-09-03

Abstract

本发明公开了一种基于特征提取和随机森林的MMC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二分类器模型来实现故障诊断。通过传感器实时获取模块化多电平换流器的各子模块电容电压值，分别提取特征向量；将特征向量输入二分类器模型中进行分类，若分类器输出结果为1，则判定该时刻下子模块为故障状态；若分类器输出结果为0，则判定该时刻下子模块为正常运行状态。本发明采用的基于随机森林的集成学习模型，泛化能力较强，可以有效减少过拟合的情况，最终降低误诊的概率。本发明无需构建电路的数学模型或添加额外的传感器即可实现开路故障诊断。

Description

一种基于特征提取和随机森林的MMC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，具体涉及一种基于特征提取和随机森林的MMC开关管开路故障诊断方法。

背景技术

模块化多电平换流器由于自身的高可控性、高输出质量和高电压等级的优势，逐渐成为柔性直流输配电工业应用中最常用的拓扑之一。然而，模块化多电平换流器所面临的最大威胁之一是其可靠性问题，因为模块化多电平换流器由许多个子模块级联而成，每个子模块都会有一定概率会遇到不同类型的故障致使系统不稳定。

子模块具有许多不同的结构类型，例如半桥子模块、全桥子模块和双钳位子模块。为实现不同的工作状态，各种类型子模块均包含多个开关。由于模块化多电平换流器由多个子模块组成，因此开关是影响可靠性问题的重要因素。

开关可根据发生的故障分为短路故障和开路故障。短路故障具有明显的故障特征，且通常发生在短时间内，并具有很高的破坏性。因此，短路故障是通过基于硬件的方法来处理的，例如基于栅极驱动器的检测方法。虽然开路故障不是破坏性的，但如果不能及时处理故障，也可能会使模块化多电平换流器的输出电压和电流失真，甚至会损坏整个电气系统。因此，模块化多电平换流器的稳定运行也需要开路故障检测技术。

模块化多电平换流器的开路故障检测与定位已经有一些研究方法。基于硬件的检测策略通过添加额外的传感器来实现开路故障检测与定位。这类策略可以快速实现开路故障检测与定位，但也可能增加潜在的故障点以及硬件成本。基于滑模观测器的诊断策略构建了电路数学模型，将期望值与观察值进行比较，从而实现开路故障检测与定位。这类策略的优势在于无需添加额外的传感器即可实现开路故障检测与定位。但是，这类策略对不确定的系统参数和环境噪声非常敏感。另外，随着模块化多电平换流器中的子模块的数量持续增加，建立数学模型的过程变得越来越复杂。

与上述策略相比，基于机器学习的策略更有优势，因为这类方法既无需添加传感器，也不需要精确的数学模型。一些基于卷积神经网络的诊断策略通过将每个故障条件设置为不同的类实现了一些开拓性的工作。但是，由于现有方法直接将子模块的所有电压直接作为机器学习多分类器的输入，所以训练机器学习模型的过程会有大量不必要的计算，导致需要花费大量时间。

发明内容

鉴于上述，本发明提供了一种基于特征提取和随机森林的MMC开关管开路故障诊断方法，该方法能够降低模型构建时的计算量，降低计算成本。

为了实现上述目的，本发明采用如下技术方案：

一种基于特征提取和随机森林的MMC开关管开路故障诊断方法，包括如下步骤：

(1)对已知工作状态正常及故障的模块化多电平换流器子模块电容电压进行收集，并存储为离线数据；

(2)对已知工作状态的电容电压数据进行特征量提取，从而构建机器学习的样本集；同时根据已知样本的工作状态对样本集中的特征向量设置标签；

(3)使用步骤(2)中得到的样本集，基于随机森林算法构建二分类器模型；

(4)通过传感器实时获取模块化多电平换流器的各子模块电容电压值，通过特征量提取构建待诊断的特征向量；

(5)将步骤(4)中的特征向量输入二分类器模型中进行分类，若分类器输出结果为1，则判定该时刻下子模块为故障状态；若分类器输出结果为0，则判定该时刻下子模块为正常运行状态。

进一步的，所述的步骤(3)具体为：

(3.1)基于自助采样法，从样本集中有放回式的选取N个样本构建新的训练子集，并重复进行K次，共得到K个训练子集；

(3.2)在每一个训练子集的所有特征向量中随机抽取一些特征构成特征子集，并利用每一个特征子集进行决策树的节点分裂；

(3.3)对步骤(3.2)得到的K个决策树进行测试，并使用绝对多数投票法得出最终的决策树；

(3.4)通过交叉验证的方法确定模型的超参数，得到二分类器模型。

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子模块所含电容的电压特性，通过构建一个机器学习二分类器模型来实现开路故障诊断。相对于多分类器，二分类器可以减少训练机器学习模型的计算量，从而加快模型训练。

(2)本发明是基于随机森林的集成学习模型，泛化能力较强，可以有效减少过拟合的情况，最终降低误诊的概率。

(3)本发明是基于子模块现有的电容电压传感器实现的，无需构建电路的数学模型或添加额外的传感器即可实现开路故障诊断。

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为构建随机森林分类器的流程示意图；

图5为本实施例中的开路诊断过程示意图；

图6为本实施例中的开路诊断检测时间示意图。

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。

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。

如图1所示，三相模块化多电平换流器由三个相单元并联组成。它的每个相单元都有上桥臂和下桥臂两个桥臂，故共有6个桥臂。每个桥臂又由N_SM个子模块以及一个电抗器L串联而成。一端口为直流侧(图1中右侧)，另一端口为交流侧(图1中左侧)。可见，MMC的高度模块化非常便于集成化设计。交流电抗器L在拓扑结构中的作用是提高系统可靠性。它可抑制因各相桥臂直流电压瞬时值不相等时造成的相间环流以及直流母线发生故障时的冲击电流。

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。半桥子模块是一个单端口结构，由两对IGBT以及其反并联的二极管和一个储能电容器组成。

半桥子模块根据子模块中IGBT的状态具有三种工作状态，即投入状态、旁路状态和截止状态。插入状态是指，S_u导通且S_l关断的状态下，子模块等效于与其他子模块串联连接的电容器。旁路状态是指，S_u关断且S_l导通时。在这种状态下，子模块中的电容器被旁路，并且不会与其他子模块串联。通过控制IGBT开关状态，可以更改子模块的工作状态。为了使交流输出电压接近正弦波，可以通过投入的子模块的数量来改变每个桥臂的电压。

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。

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	开关管状态	电流方向	状态	说明
					1	S<sub>u</sub>导通，S<sub>l</sub>断开	由A流入	投入	电流流过D<sub>1</sub>给电容充电
2	S<sub>u</sub>断开，S<sub>l</sub>导通	由A流入	旁路	电容被旁路，电压无变化
					3	S<sub>u</sub>导通，S<sub>l</sub>断开	由B流入	投入	电流流过S<sub>1</sub>给电容放电
4	S<sub>u</sub>断开，S<sub>l</sub>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	开关管状态	电流方向	状态	说明
					1	S<sub>u</sub>导通，S<sub>l</sub>断开	由A流入	投入	电流流过D<sub>1</sub>给电容充电
2	S<sub>u</sub>断开，S<sub>l</sub>导通	由A流入	旁路	电容被旁路，电压无变化
					3	S<sub>u</sub>断开，S<sub>l</sub>断开	由B流入	旁路	电容被旁路，电压无变化
4	S<sub>u</sub>断开，S<sub>l</sub>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，本发明以桥臂子模块电容电压为开路故障诊断的核心依据。为训练随机森林二分类器，通过收集故障与正常工作状态下的子模块电容电压数据，并通过特征提取来构建样本特征集。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。随机森林的集成学习算法主要步骤包括：

步骤一：使用电压传感器对正常及故障子模块电容分别进行离线存储。针对电压数据进行特征量提取，构建九维特征向量，并为各样本设置故障或者正常的标签，从而构建机器学习的训练集。

本实施例中，在进行样本采集时，以5kHz的采样频率，对发生开路故障的子模块电容与正常工作状态下的子模块电容分别进行电压采样；然后按照先后顺序收集采样点电压值，合并为长度为L_total的电压片段，每一个电压片段作为一个样本，以csv格式存储。

步骤二：使用步骤一中得到的训练集，基于随机森林集成学习方法构建二分类器模型；

步骤三：实时获取模块化多电平换流器各子模块电容的电压，并提取出特征向量。将获取到的特征向量输入到分类器中进行分类，若分类器输入结果为0，则判定该时刻下子模块为正常运行状态；若分类器输入结果为1，则判定该时刻下子模块为故障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值，对每一个样本提取9个时域特征：有效值、峰峰值、方差、峰值因子、脉冲因子、裕度因子、波形因子、偏度和峰度。

所述的有效值计算公式为：

其中，N表示一个样本中的电压采样点数量，V_i表示第i个采样电压值，V_rms表示样本的有效值。

所述的峰峰值计算公式为：

V_peak＝V_max-V_min

其中，V_max表示采样点中电压最大值，V_min表示采样点中电压最小值，V_peak表示样本的峰峰值。

所述的方差计算公式为：

其中，

表示样本中采样电压平均值，V_i表示第i个采样电压值，N表示一个样本中的电压采样点数量，Var表示样本的方差值。

所述的峰值因子计算公式为：

其中，V_max表示采样点中电压最大值，V_min表示采样点中电压最小值，C表示样本的峰值因子。

所述的脉冲因子计算公式为：

其中，V_i表示第i个采样电压值，|V_i|表示第i个采样电压值的绝对值，N表示一个样本中的电压采样点数量，I表示样本的脉冲因子。

所述的裕度因子计算公式为：

其中，V_i表示第i个采样电压值，|V_i|表示第i个采样电压值的绝对值，N表示一个样本中的电压采样点数量，C_e表示样本的裕度因子。

所述的波形因子计算公式为：

其中，V_rms表示样本的有效值，

表示样本中采样电压平均值，F表示样本的波形因子。

所述的峰度计算公式为：

其中，V_rms表示样本的有效值，V_i表示第i个采样电压值，N表示一个样本中的电压采样点数量，K表示样本的峰度。

所述的偏度计算公式为：

其中，V_i表示第i个采样电压值，N表示一个样本中的电压采样点数量，S表示样本的偏度。

将9个特征量构成一个1×9维的向量作为样本，然后为样本添加标签，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。

如图4所示，基于自助采样法，从样本集中有放回式的选取N个样本构建新的训练子集，并重复进行K次，共得到K个训练子集；

在每一个训练子集的所有特征向量中随机抽取一些特征构成特征子集，并利用每一个特征子集进行决策树的节点分裂，得到K个决策树。

(3)在测试集上进行故障检测。

对步骤得到的K个决策树进行测试，并使用绝对多数投票法得出最终的决策树；通过交叉验证的方法确定模型的超参数，得到二分类器模型。

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。

本实施例中，实际检测时，通过传感器实时获取模块化多电平换流器的各子模块电容电压值，通过特征量提取构建待诊断的特征向量，此处需要说明的是，仅需提取最终的决策树对应的样本子集中的特征向量即可。将特征向量输入二分类器模型中进行分类，若分类器输出结果为1，则判定该时刻下子模块为故障状态；若分类器输出结果为0，则判定该时刻下子模块为正常运行状态。

以下是本发明搭建的13电平三相模块化多电平换流器实物样机，样机的主要参数如表4所示。为了验证该方法的有效性，以S_u的开路故障为例。

使用样机进行了24组实验，其中开路故障发生在一个桥臂的不同子模块中。由于故障子模块的样本量远小于正常子模块样本量，为了减轻类别不平衡的问题，将保留有故障的子模块和13个正常子模块的电压序列，而不是保留每组数据中的所有72个子模块。设置滑动窗口的长度是网格周期的两倍，即40毫秒(200个样本)，步长是0.2毫秒(1个样本)，总共收集了100800个样本用于构建数据集。

表4 13电平三相模块化多电平换流器样机参数表

标称视在功率	2kVA
		电网频率	100V
诊断频率	50Hz
		线电压有效值	1
直流母线电压	400V
		子模块电容值	2.4mF
桥臂电感值	15mH
		单桥臂子模块数N子模块	12
电容电压	33.33V

一方面来说，为了可视化所提出方法的诊断准确性，在MMC测试数据集上使用了混淆矩阵方法，如表5所示。混淆矩阵方法可以通过比较预测标签和真实标签来评估训练后的ML模型。

在混淆矩阵中，X轴和Y轴分别表示样本的预测标签和真实标签。混淆矩阵的对角线表示模型的准确性。本实施方案中的诊断平均准确率为97.8％，表明所提出的模型可以准确地检测各个子模块的状态。

另一方面，为了评估诊断的时间延迟，模拟在线诊断执行了20次测试，如图6。所有时间诊断时间都小于60ms，对于某些子模块，诊断时间可以达到35ms，这表明所提出的策略可以有效地实现开路故障诊断。以其中的一个测试为例，开路故障诊断的过程如图5所示。开路故障发生在1.05s处，并且在1.107s处检测到故障，即，在故障发生后57ms处被正确检测到并位于子模块7。

表5本实施例中百分比下反映诊断精度的混淆矩阵表

较高的准确性可以表明该实施方案的有效性，所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。