一种级联三电平逆变器的故障诊断方法及装置制造方法及图纸

一种级联三电平逆变器的故障诊断方法及装置，采集级联三电平逆变器的直流侧电流进行去噪处理后对其进行快速傅立叶变换，选取指定次傅里叶分析谐波幅值与相位作为故障特征量，利用级联三电平逆变器在正常工作和其中每个开关管故障时的故障特征量作为训练神经网络的样本对神经网络进行训练；然后利用训练好的神经网络进行实时故障诊断；只设置一个电流传感器即可完成，减小了故障诊断的硬件成本和体积，且电流传感器安装位置灵活；能够将故障定位到具体故障的器件级，对所有模块的所有开关管开路故障进行定位和诊断；本发明专利技术的诊断方法与级联模块数无关、也与负载大小无关，应用范围广，灵活性高，稳定度好。

A Fault Diagnosis Method and Device for Cascaded Three-level Inverter

【技术实现步骤摘要】
一种级联三电平逆变器的故障诊断方法及装置
本专利技术属于电力故障诊断领域，涉及一种级联三电平逆变器的故障诊断方法及装置。
技术介绍
随着电力电子技术的发展，电力电子变换器被广泛应用于大功率场合，为了适应大功率场合的高压、大电流，多电平变换器技术应运而生。级联三电平逆变器是多电平电路拓扑结构的一种，其由于具有模块化、易拓展的优点，被广泛应用于光伏并网系统和贯通式牵引供电系统等领域。但多电平电路使用了数量较多的开关器件，任何一个器件故障都有可能导致整个电路停止工作，导致变换器可靠性降低，造成不可估量的经济损失，甚至造成灾难性事故。一般地，功率变换器的故障可分为开关管的开路故障和短路故障。短路故障存在的时间极短，可在硬件电路上进行处理，也可以将快速熔丝植入电路中，将短路故障转化为开路故障，利用开路故障诊断方法加以处理。因此，有必要研究级联逆变器的开路故障诊断技术，达到减少维护成本，减少意外停机的时间，提高系统运行可靠性的目的。针对逆变器的故障诊断国内外已经有一些研究基础。主要分为两种：一种是对电路进行建模，分析总结故障特征，直接利用硬件电路实现故障诊断；另一种是额外增加所需要的传感器提取输出侧电压或者电流对其进行数学处理后作为故障特征量，再利用贝叶斯网络、支持向量机等方法来实现故障诊断。但是针对级联三电平逆变器，若仍采用普通逆变器的故障诊断方法，由于其模块数量大，开关状态多电路复杂，电路建模困难，使得故障诊断难度较大，成本较高。而且通常需要提取级联逆变器中每个级联模块的桥臂电压，每个模块需要两个电压传感器，额外增加太多传感器不仅增加系统的成本，也增加了系统本身的不可靠性。因此，针对级联逆变器，亟需研究一种低硬件成本、高诊断效率的故障诊断方法。
技术实现思路
针对上述传统诊断方法提取输出侧信息进行数学处理得到故障特征量存在的传感器数量需求高、系统成本高、诊断难度大和可靠性不高的问题，本专利技术提出一种级联三电平逆变器的故障诊断方法以及故障诊断装置，只需要在输入侧设置一个电流传感器，且可以将故障定位到具体模块中的具体开关器件并通过显示屏实时显示故障状态，减小了系统硬件成本，提高了系统可靠性。本专利技术采用的技术方案是：一种级联三电平逆变器的故障诊断方法，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；所述故障诊断方法包括如下步骤：步骤1、所述级联三电平逆变器在开环工作的情况下，采集所述级联三电平逆变器正常工作时的采样信号向量和所述级联三电平逆变器中每一个开关管故障时的采样信号向量，共1+N×M个采样信号向量构成向量矩阵；采集所述级联三电平逆变器正常工作时的采样信号向量的具体方法为：设置初始调制度和结束调制度，选择所述M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块，分别采集所述指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成所述级联三电平逆变器正常工作下的采样信号向量，K为正整数；采集所述级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为：令有且只有第m个三电平逆变器模块中第n个开关管故障，分别采集所述指定模块从所述初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量，n和m均为正整数，且n∈[1,N]，m∈[1,M]；步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果，共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量；这(1+N×M)×K个故障特征向量分别表示所述级联三电平逆变器在正常情况下和所述级联三电平逆变器中每一个开关管故障情况下的故障特征向量样本；步骤3、对不同的故障类型进行编码，编码由两部分组成，第一部分表示故障所在的三电平逆变器模块编号，第二部分表示出现故障的三电平逆变器模块中故障的开关管编号；正常情况时两部分编码都为零；步骤4、构建神经网络，以步骤2得到的故障特征向量样本作为神经网络训练的输入样本，以步骤3得到的编码作为神经网络的输出，建立神经网络的输入输出对应关系，将正常情况下和每一个开关管故障情况下的故障特征向量样本分别对应表示正常情况和每一个开关管故障情况的编码；训练神经网络得到满足误差要求的神经网络；步骤5、实时监测并采集所述指定模块的直流侧电流，对采集的电流数据进行快速傅里叶变换并提取故障特征向量输入到步骤4训练好的神经网络中进行实时诊断，根据神经网络输出结果的编码结合步骤3中每位编码表示的实际故障类型，得出最终诊断结果。具体的，步骤2中电流采样结果进行快速傅立叶变换后，选择经过快速傅里叶变换之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量。具体的，步骤1中设置初始调制度为0.10，结束调制度为1.30，以0.05为间隔的调制度提取所述指定模块从0.10到1.30共25个不同调制度下一个工频周期内的直流侧电流作为采样信号向量。具体的，步骤2中先将(1+N×M)×K个电流采样结果利用现代信号处理的方法进行去噪处理，然后分别进行快速傅立叶变换后提取各自的故障特征向量。具体的，步骤3中两部分编码均为二进制编码。具体的，步骤4中神经网络为三层结构，包括输入层、隐层和输出层，构建神经网络后首先初始化神经网络的权值矩阵，再输入步骤2得到的故障特征向量样本开始训练；神经网络的训练分为正向传播和反向传播，神经网络的正向传播过程为神经网络的每一层的每一个节点通过公式(1)和公式(2)的计算并传向下一个节点直至得到最终输出过程，ai[l]＝f(Zi[l])(2)l取2或3，神经网络的输入层即第1层，隐层即第2层，输出层即第3层；神经网络的第l层输入为p维，输出为q维，p、q为正整数，wji表示神经网络中第l-1层到第l层的权值矩阵中第j行第i列的元素，j∈[1，p]，i∈[1，q]，Zi[l]表示神经网络中第l层第i个神经元节点的中间函数，表示第l-1层第j个神经元节点的输出，bi[l]表示神经网络中第l层第i个神经元节点的中间偏置，f为激活函数，ai[l]表示神经网络中第l层第i个神经元节点的最终输出；神经网络的反向传播过程为调节权值矩阵的过程，然后开始调节，定义一个误差函数其中g∈[1，k]，k为训练的总样本数，训练的总样本数k＝(1+N×M)×K，eg为第g次训练的理论期望输出值，Og为第g次训练的神经网络的实际输出；采用梯度下降法对神经网络的权值进行更新，其更新方式如公式(3)和公式(4)：其中α为学习率，w为权值矩阵，b为偏置设定值矩阵；通过多次更新权值矩阵至满足误差要求，得到训练好的神经网络。具体的，所述神经网络中输入层到隐层的激活函数采用Tanh函数，隐层到输出层的激活函数采用Sigmoid函数。具体的，所述神经网络的输出以0.5为阈值，当神经网络的输出大于0.5时输出置1，否则置0。一种级联三电平逆变器的故障诊断装置，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；所述故本文档来自技高网...

【技术保护点】
1.一种级联三电平逆变器的故障诊断方法，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；其特征在于，所述故障诊断方法包括如下步骤：步骤1、所述级联三电平逆变器在开环工作的情况下，采集所述级联三电平逆变器正常工作时的采样信号向量和所述级联三电平逆变器中每一个开关管故障时的采样信号向量，共1+N×M个采样信号向量构成向量矩阵；采集所述级联三电平逆变器正常工作时的采样信号向量的具体方法为：设置初始调制度和结束调制度，选择所述M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块，分别采集所述指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成所述级联三电平逆变器正常工作下的采样信号向量，K为正整数；采集所述级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为：令有且只有第m个三电平逆变器模块中第n个开关管故障，分别采集所述指定模块从所述初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量，n和m均为正整数，且n∈[1,N]，m∈[1,M]；步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果，共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量；这(1+N×M)×K个故障特征向量分别表示所述级联三电平逆变器在正常情况下和所述级联三电平逆变器中每一个开关管故障情况下的故障特征向量样本；步骤3、对不同的故障类型进行编码，编码由两部分组成，第一部分表示故障所在的三电平逆变器模块编号，第二部分表示出现故障的三电平逆变器模块中故障的开关管编号；正常情况时两部分编码都为零；步骤4、构建神经网络，以步骤2得到的故障特征向量样本作为神经网络训练的输入样本，以步骤3得到的编码作为神经网络的输出，建立神经网络的输入输出对应关系，将正常情况下和每一个开关管故障情况下的故障特征向量样本分别对应表示正常情况和每一个开关管故障情况的编码；训练神经网络得到满足误差要求的神经网络；步骤5、实时监测并采集所述指定模块的直流侧电流，对采集的电流数据进行快速傅里叶变换并提取故障特征向量输入到步骤4训练好的神经网络中进行实时诊断，根据神经网络输出结果的编码结合步骤3中每位编码表示的实际故障类型，得出最终诊断结果。...

【技术特征摘要】
1.一种级联三电平逆变器的故障诊断方法，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；其特征在于，所述故障诊断方法包括如下步骤：步骤1、所述级联三电平逆变器在开环工作的情况下，采集所述级联三电平逆变器正常工作时的采样信号向量和所述级联三电平逆变器中每一个开关管故障时的采样信号向量，共1+N×M个采样信号向量构成向量矩阵；采集所述级联三电平逆变器正常工作时的采样信号向量的具体方法为：设置初始调制度和结束调制度，选择所述M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块，分别采集所述指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成所述级联三电平逆变器正常工作下的采样信号向量，K为正整数；采集所述级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为：令有且只有第m个三电平逆变器模块中第n个开关管故障，分别采集所述指定模块从所述初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量，n和m均为正整数，且n∈[1,N]，m∈[1,M]；步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果，共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量；这(1+N×M)×K个故障特征向量分别表示所述级联三电平逆变器在正常情况下和所述级联三电平逆变器中每一个开关管故障情况下的故障特征向量样本；步骤3、对不同的故障类型进行编码，编码由两部分组成，第一部分表示故障所在的三电平逆变器模块编号，第二部分表示出现故障的三电平逆变器模块中故障的开关管编号；正常情况时两部分编码都为零；步骤4、构建神经网络，以步骤2得到的故障特征向量样本作为神经网络训练的输入样本，以步骤3得到的编码作为神经网络的输出，建立神经网络的输入输出对应关系，将正常情况下和每一个开关管故障情况下的故障特征向量样本分别对应表示正常情况和每一个开关管故障情况的编码；训练神经网络得到满足误差要求的神经网络；步骤5、实时监测并采集所述指定模块的直流侧电流，对采集的电流数据进行快速傅里叶变换并提取故障特征向量输入到步骤4训练好的神经网络中进行实时诊断，根据神经网络输出结果的编码结合步骤3中每位编码表示的实际故障类型，得出最终诊断结果。2.根据权利要求1所述的级联三电平逆变器的故障诊断方法，其特征在于，步骤2中电流采样结果进行快速傅立叶变换后，选择经过快速傅里叶变换之后的直流分量幅值、二次谐波幅值、三次谐波幅值、四次谐波幅值、基波相位和三次谐波相位作为故障特征向量。3.根据权利要求1所述的级联三电平逆变器的故障诊断方法，其特征在于，步骤1中设置初始调制度为0.10，结束调制度为1.30，以0.05为间隔的调制度提取所述指定模块从0.10到1.30共25个不同调制度下一个工频周期内的直流侧电流作为采样信号向量。4.根据权利要求1所述的级联三电平逆变器的故障诊断方法，其特征在于，步骤2中先将(1+N×M)×K个电流采样结果利用现代信号处理的方法进行去噪处理，然后分别进行快速傅立叶变换后提取各自的故障特征向量。5.根据权利要求1所述的级联三电平逆变器的故障诊断方法，其特征在于，步骤3中两部分编码均为二进制编码。6.根...

【专利技术属性】
技术研发人员：何晓琼，刘余家，韩鹏程，万钰旆，舒泽亮，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51