PDF《模块化五电平逆变器子模块开路故障的智能诊断方法》

1 7 -

1 8 ] 进行故障分类识别.而特 征提取过程作为关键步骤, 通常很耗时且需要大量 的带标签数据获取先验知识, 而且特征大多数是手 动设计, 很难获得故障数据的深层次特征. 深度学习作为机器学习领域的一种新兴方法, 以其强大的自动特征提取能力在图像识别、 语音识 别等领域已取得了显著的成果[

1 9 -

2 1 ] .在深度学习模 型中, 栈式稀疏自动编码器(stackeds p a r s ea u t o - e n c o d e r , S S A E) 作为无监督学习网络, 能在有标记 数据有限的情况下进行特征学习, 而且整体性能要 优于卷积 神经网络、 深度信念网络等模型[

2 1] .因此, 本文提出了一种基于 S S A E 的模块化五电平逆 变器( m o d u l a rf i v e - l e v e l i n v e r t e r , MF L I ) 子模块开 路故障诊断方法.该方法将故障检测与定位问题转 化为深度学习擅长的分类问题, 利用 S S A E 进行无 监督特征学习, 构建原始故障数据的深层特征表达,

7 2

1 第4 2卷第1 2期2018年6月2 5日Vol.42N o .

1 2J u n e2 5,

2 0

1 8 D O I :

1 0.

7 5

0 0 / A E P S

2 0

1 7

0 7

1 4

0 0

8 最后将深层特征 连接到 S o f t m a x 分类器 输出故障 诊断结果.因此, 本文所提出的方法具有如下2个 优点: ①传统方法耗时的手工特征设计过程被自动 特征学习过程替代;

②通过无监督特征学习充分利 用MF L I在线监测设备收集的大量未标记数据.此外, 为了提高该方法的抗噪性能, 利用已添加高斯白 噪声的数据对S S A E 进行训练, 以提高其特征表达 鲁棒性.

1 M F L I工作原理及故障分析 1.

1 M F L I拓扑结构 MF L I基本拓扑结构[

2 2] 如图1所示, 共有6个 桥臂, 每个桥臂由4个子模块和1个电抗器( L 0) 串 联而成, 每相单元由上桥臂和下桥臂组成.其中每 个子模块包括2个I G B T 器件 T

1 和T

2、 2个反并联 二极管 D

1 和D2, 以及1个直流侧电容器 C S M .图中: i a r m 为子模块输入电流;

US M 为子模块输出电压;

UC 为子模块的电容电压;

各物理量的参 考方向如 图1所示. 图1 M F L I电路拓扑结构 F i g .

1 T o p o l o g y s t r u c t u r eo fM F L I c i r c u i t 1.

2 子模块故障特性 MF L I子模块故障通常分为2种类型[

2 3] : 短路 故障和开路故障.短路故障破坏性较大, 因而子模 块驱动电路中一般配备了短路保护模块, 当短路故 障发生时, 由本地闭锁该子模块, 确保系统仍可正常 运行.开路故障危害相对较小, 因而不易被立即检 测到, 从而造成电压电流波形畸变等后果, 威胁到系 统的正常运行[

6 - 8,

2 4] .因此, 本文主要研究子模块中 绝缘栅双极型晶体管( I G B T) 器件的开路故障, 包括 T

1 开路故障、 T

2 开路故障、 T

1 和T2同时开路故障 3种类型.子模块开路故障后桥臂电流的正负所对 应的子模块输出电压特性与子模块正常运行时有所 不同[

2 3] , 具体区别如下.

1 ) 类型Ⅰ: T

1 开路故障, 如图2( a ) 所示.对于 投入状态下的子模块, 当i a r m >

0时电流流经 D

1 和CSM,电容仍可正常充电, 子模块输出电压为UC.但当i a r m 0时电流流经 D

1 和CSM,电容被充电, 子模块输出电压US M =UC, 不同 于正常状 态下的US M =0.其他情况均与正常时一致.

3 ) 类型Ⅲ: T

1 和T2同时开路故障.类型Ⅲ的 故障特性同时包含了类型Ⅰ和类型Ⅱ的故障特性, 即在子模块处于投入状态且i a r m 0这两种情况下, 电流i a r m 的流向 与子模块输出电压US M 的值均与正常状态时不同. 图2 子模块开路故障 F i g .