一种最简特征集神经网络的逆变器多管故障诊断方法

本发明属于电力电子电力变换领域，具体涉及一种状态特征提取结合神经网络的三相t型并网逆变器开关管开路故障诊断方法。

背景技术：

1、目前三相脉冲宽度调制(pulse width modulation,pwm)转换器广泛应用于电机驱动、电动或混合动力电动汽车、可再生能源转换系统等。t型三电平变流器不存在停机和重新排序的问题，控制起来非常方便。此外，与中点钳位型(neutral point clamped，npc)三电平转换器相比，t型三电平转换器使用的元件更少，这意味着成本更低，导通损耗功率更低，隔离驱动功率更低。基于上述优点，t型三电平转换器受到了广泛的关注，并已在各种重要场合得到应用。

2、在转换器发生的故障中，最严重的故障是开关管故障。据统计，超过30％的转换器故障是由半导体功率器件及其对应的栅极驱动器电子电路引起的。如图1所示。在转换器的故障中，半导体和焊点引起的故障占转换器总故障的34％。因此，及时诊断转换器的故障非常重要。

3、目前针对电力电子转换器故障诊断的研究主要集中于模型驱动方法和数据驱动方法。

4、在模型驱动故障诊断方面，主要是根据电流电压等状态特征信号在故障条件下的变化来进行故障诊断。有着诸如瞬时转换功率用于检测三电平有源中性点钳位型(activeneutral point clamped，anpc)转换器中的开关故障、利用电信号及其谐波分量用于检测，分类和定位转换器的故障、根据输入pwm和输出电流和输出电压信号用来检测飞越电容多电平逆变器的开路故障等诊断方式。模型驱动方法的准确率相对较高，诊断速度也非常快，但实际操作要求严格较高，诊断规则的制定较为繁琐。

5、在数据驱动故障诊断方面，有诸如概率神经网络、深度神经网络、小波变换与神经网络的结合、粒子群优化算法(pso-bp神经网络)和神经网络与专家系统的组合，或具有全局平均池化层模型的改进卷积神经网络等方法。仅依靠数据来诊断故障将非常简单且易于操作。但是，大量的数据会消耗大量的时间，这会减慢诊断速度。因此，考虑采用先根据故障条件下的状态变化提取出有效的状态特征变量，再结合神经网络进行故障定位识别，以期诊断手段简单易操作的同时诊断准确率高，诊断速度快。

技术实现思路

1、本发明目的在于提供一种基于状态特征提取与神经网络相结合三相t型并网逆变器开关管开路故障诊断方法：首先根据电路拓扑对t型逆变器运行状态的异常转移进行分析，然后，通过粗糙集理论(rough set theory，rst)对状态转移相关的状态变量进行优化和筛选，从而得到能够反映各种故障模式所需的最小特征集，最后将得到的最小特征集作为神经网络的输入输出进行训练识别，从而实现对故障点位的准确定位。

2、为了实现上述的目的，本发明采用如下技术方案。

3、三相t型三电平逆变器拓扑结构如图2所示。大致可以认为由直流母线电容器、t型三电平转换器和lcl滤波器三部分组成。

4、t型三电平转换器。它由12个功率器件组成，txn(x＝a，b，c；n＝1，2，3)为功率开关管。其中，tx1和tx4为垂直桥臂与正负母线相连，tx2和tx3为水平桥臂与直流侧电容中点o以及桥臂输出端点vx相连。sxn表示功率器件及其代表的导通和开关信号，其中x表示相位(a，b或c)，n表示功率器件编号(1，2，3或4)，sxn＝1表示功率器件正在导通，而sxn＝0表示功率器件已关闭。

5、从图2可以看出，t型三电平变换器的每一相包含四个功率器件，即垂直功率器件(sx1和sx4)和水平功率器件((sx2和sx3)，它们共同构成了t型三电平变换器的水平和垂直桥臂。水平桥臂的存在允许转换器输出零电平。为了便于理解t型三电平转换器的工作原理，现作以下定义。

6、定义状态函数sx如式(1)所示：

7、

8、状态函数表示了逆变器各相的运行状态分别对应开关状态[p]、[o]、[n]。开关状态[p]、[o]、[n]分别对应输出正电平(0.5vdc)、零电平(0)以及负电平(-0.5vdc)电压。根据状态函数可定义各桥臂输出端点vx与直流侧电容中点o之间的输出电压vxo，如式(2)所示：

9、

10、由于逆变器三相对称，故后续将以a相为例进行分析。根据逆变器运行过程中电流的流动路径定义六种运行状态如表1所示。

11、表1t型三电平逆变器运行状态

12、

13、

14、当反并联二极管发生开路故障时，将会导致开关管过压，目前igbt模块的驱动电路中，往往都集成了短路以及过压等保护电路，反并联二极管发生开路故障时将触发过压保护电路工作。因此本文将只考虑功率开关管故障的影响，对状态v和vi不进行分析讨论。

15、接下来将对t型三电平逆变器发生功率开关管故障时的运行状态进行分析，总结出发生不同故障时的运行状态变化情况。如图3所示，功率开关管故障将导致电流路径发生变化，从而导致桥臂输出电压vxo发生改变。以运行状态i为例，正常工作时电流路径为p—ta1—va，开关状态为[p]，输出电压为0.5vdc。

16、当ta1发生开路故障后，如图3(a)所示，电流将通过ta3和二极管da2续流，此时电流路径变为o—da2—ta3—va，开关状态变为[o]，输出电压变为0。当ta1和ta3同时发生故障时，如图3(b)所示，电流将只能通过二极管da4续流，电流路径变为n—da4—va，开关状态变为[n]，输出电平变为负电平-0.5vdc。

17、通过上述分析可以看出当功率开关管发生故障后将会导致电流路径与运行状态的改变，发生的故障不同所导致的变化也不同。故可将开关管故障作为状态变化的触发条件。定义开关管故障函数ftax(x＝1，2，3，4)，当ftax＝1时表示该开关管发生开路故障，反之当ftax＝0时表示该开关管正常。类似的分析出其他工作运行状况下，当发生相应的开关管故障后的状态变化情况，并列成表格，如表2所示。

18、表2不同触发条件下t型三电平逆变器运行状态变化表

19、

20、

21、从表2可以看出，不同位置的开关管发生故障后，可能会导致不同的状态变化以及路径变化。因此可以考虑反向通过状态以及路径的变化来检测出故障发生的位置。

22、为了将表2中的运行转移条件用更易获得的电气信号进行表示，采用开关信号sxn和桥臂输出端对中点电压vxo分别表示发生转移前后的运行状态，电流路径和电流方向使用各支路的电流值ipa、ioa和ina表示。则a相开关管故障可用式(3)表示：

23、(fta1,fta2,fta3,fta4)＝f(vao,ipa,ioa,ina,sa1,sa2,sa3,sa4)  (3)

24、其中，f(·)为逆变器a相各功率开关的故障指示函数。

25、然后利用粗糙集理论对上式中的相关信息进行处理和化简，以挖掘出能揭示功率开关故障特征的最简有效信息，进而对故障诊断策略进行简化。在粗糙集理论中，将研究对象所包含的信息称为一个知识表达系统，使用式(4)来表示。

26、hs＝(u,at,va,f(·))  (4)

27、其中，hs为所研究的知识表达系统；u为研究对象的一个非空有限集合，也称系统的论域；at表示论域中研究对象的属性集合，可分为条件属性集合ca和决策属性集合da；va表示at中包含的属性值域的集合；f(·)为信息函数，用以表示u→va的映射。

28、将表2中的信息替换为电气信号，并根据粗糙集理论可得到t型逆变器运行状态转移的信息表如表3所示：

29、表3t型逆变器运行状态转移的信息表

30、

31、

32、为便于对表中电压信号的特征进行分析和提取，使用上桥臂开关管端电压vta1代替桥臂输出端对中点电压vxo，以保证电压值始终大于0。然后根据粗糙集理论得到知识表达系统分辨矩阵如表4所示，并对属性进行约简，提取出最简属性集合。

33、表4知识表达系统的分辨矩阵

34、

35、

36、知识矩阵体现了任意工况之间的区分比较关系，例如u(1)状态与u(1)状态为统一工况，无法区分，故它们之间的区分特征变量为空集φ，又例如u(1)状态与u(4)状态之间特征变量ipa，ioa，vta1均不同，故最终的特征变量集中只要存在这三者之一即可对u(1)正常状态与u(4)ta1故障状态进行区分。其他工况之间的区分同理。

37、根据粗糙集理论对知识矩阵进行最简特征变量提取选择。此外，由于电流会受到负载变动等影响，故在选择过程中尽量避免选择电流特征量作为最终的最简特征变量集。根据上述原则最终选择出的最简特征变量集为sa1，sa3，vta1。得到最简特征变量集后便可利用神经网路进行训练识别，图4为最简特征集神经网络的逆变器多管故障诊断方法流程图。

38、基于上述状态特征提取得到的结果，可以确定sa1，sa3，和vta1作神经网络的输入特征即可对故障进行定位识别。

39、由于上述技术方案的运用，因此，本发明具有如下特点：

40、1、本发明基于电路拓扑状态转移和粗糙集理论提取出了最简特征变量集作为神经网络的输入，大大减小了单纯数据驱动的计算量。

41、2、本发明为解决根据特征变量进行故障识别的分类困难问题，使用状态特征提取与神经网络相结合的手段，大大提升了操作的可行性和识别的快速性。

42、3、本发明实现了对逆变器开关管单管与多管故障位置的准确快速识别，且实施简单可行。

技术特征：

1.一种最简特征集神经网络的逆变器多管故障诊断方法。

2.根据权利要求1所述的方法，其特征在于，提高逆变器多管故障诊断的速度与精度的方法包括：

3.根据权利要求1所述的方法，所述逆变器多管故障诊断方法的特征在于：

技术总结
本发明的全称为：一种最简特征集神经网络的逆变器多管故障诊断方法。随着T型三电平变换器的广泛应用，T型三电平变换器的故障诊断逐渐变得越来越重要。针对T型三电平变换器的开路故障诊断，本发明采用一种状态特征提取结合神经网络的诊断方法。根据T型三电平变换器的运行机理，分析出故障条件下运行状态的变化，得到反映和区分故障位置的特征变量，并利用粗糙集理论对特征变量筛选优化得到最简特征变量集作为神经网络的输入参数。使用从模拟中获得的数据来训练构建的神经网络。构建3路输入7路输出的四层神经网络，实现T型三电平变换器的开路故障诊断。与目前存在的单一传统模型驱动诊断或数据驱动诊断方法相比，本发明结合了两者的优势弥补了两者的不足，提升了诊断的可行性、准确性与快速性。

技术研发人员：龙波,何忠林,刘允浩,唐立博
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/12/5