基于FFT和神經(jīng)網(wǎng)絡(luò)的APF故障診斷方法*

馬立新，吳興鋒，費少帥

(上海理工大學光電信息與計算機工程學院，上海200093)

0 引言

隨著電力電子裝置及分布式電源的廣泛應(yīng)用，電力系統(tǒng)的電能質(zhì)量問題日趨嚴重，嚴重威脅電網(wǎng)的安全運行和電力設(shè)備的正常使用［1］。有源電力濾波器(APF)是一種新型的諧波治理和無功補償裝置，因其動態(tài)響應(yīng)速度快、補償特性好等優(yōu)點，得到了國內(nèi)外學者的廣泛關(guān)注［2］。

事實上，APF 系統(tǒng)中的任何一個功能單元、任何一個元器件都有發(fā)生故障的可能，而APF 逆變器中的IGBT 因長時間工作在高頻、高溫狀態(tài)，是APF 中易損壞的器件［3］。為了提高系統(tǒng)的可靠性，增長APF 的安全運行時間，為IGBT 損壞后APF 的維修贏得時間，需要對APF 進行故障診斷。APF 逆變器的故障可分為IGBT 開路和短路故障，因短路故障存在時間很短，通過硬件電路檢測IGBT 的漏－源極壓降就可檢測IGBT短路故障。IGBT 發(fā)生開路故障后，APF 往往還能夠繼續(xù)運行，但對電力系統(tǒng)危害很大，不僅達不到諧波治理的效果，還會向電網(wǎng)注入諧波，其他IGBT 也會流過更大的電流，影響電力設(shè)備的正常使用，如不及時處理將會引起更大的事故［4］。

目前，國內(nèi)外學者在IGBT 開路故障的診斷上做了大量研究，主要有電壓或電流直接檢測法、參考模型法及智能診斷法等［5］。直接檢測電壓或電流的方法需要檢測每個被診斷的器件的電壓和電流，需要增加很多額外的電壓傳感器，增加了成本，而且電流的檢測對負載很敏感，負載變化會造成誤診斷。參考模型法難以建立精確的數(shù)學模型，對逆變器復雜電路的建模過于復雜而不太實用。專家系統(tǒng)和故障樹是傳統(tǒng)的智能診斷方法，專家系統(tǒng)法難以窮盡所有IGBT 開路故障來獲取完備的知識庫，不易實現(xiàn)故障準確匹配;故障樹法雖然直觀通用性好，但對于復雜的APF 系統(tǒng)所需的決策樹很大，故障變化時不易進行調(diào)整。

在IGBT 開路故障診斷領(lǐng)域，已研究出了很多新型的智能診斷方法。快速傅里葉變換(FFT)將時域信號轉(zhuǎn)換成易于分析的頻域信號，對信號處理具有較好的頻域定位特性［6-7］，能夠完整地提取各種故障信號的特征;人工神經(jīng)網(wǎng)絡(luò)在處理非線性問題中有自學習與自適應(yīng)能力［8-9］，能夠?qū)崿F(xiàn)準確的故障定位。

為了減少傳感器的使用數(shù)量，解決傳統(tǒng)方法對負載敏感的問題，本研究結(jié)合FFT 和神經(jīng)網(wǎng)絡(luò)的優(yōu)點來實現(xiàn)APF 的故障診斷，運用FFT 提取單傳感器采集的信號的特征，建立基于FFT 和神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)，最后采集非學習樣本進行實驗驗證。

1 APF 故障診斷原理

本研究主要以并聯(lián)型有源電力濾波器為研究對象，它的系統(tǒng)結(jié)構(gòu)與故障診斷原理如圖1所示。

圖1 APF 結(jié)構(gòu)及診斷原理圖

非線性負載的接入會向電網(wǎng)注入諧波電流，通過電流互感器CT 檢測出三相負載電流，經(jīng)過諧波電流分析與計算環(huán)節(jié)，再根據(jù)諧波分量生成PWM 控制脈沖，從而將諧波電流抵消，使網(wǎng)側(cè)電流逼近于正弦波，達到電能質(zhì)量的規(guī)定水平［10］。

當APF 逆變器中的IGBT 發(fā)生故障時，網(wǎng)側(cè)電流會發(fā)生很大的畸變，而且故障信號中包含了完備的故障信息。本研究通過電流互感器對網(wǎng)側(cè)電流進行采樣，并運用FFT 變換提取各故障信號的特征，再將該故障特征向量輸入到訓練好的神經(jīng)網(wǎng)絡(luò)進行識別，然后輸出IGBT 故障代碼，實現(xiàn)有源電力濾波器的故障診斷。

2 APF 故障分析

2.1 APF 故障仿真

本研究通過Matlab/Simulink 建立APF 故障仿真模型，采用ip～iq諧波檢測法，滯環(huán)控制策略根據(jù)諧波信號產(chǎn)生PWM 脈沖來控制各個IGBT 的工作，以三相橋式全控整流電路帶阻感負載產(chǎn)生諧波源。由于系統(tǒng)實際運行時多個IGBT 同時故障的可能性比較小，目前診斷方法主要研究最多同時有2 個IGBT 發(fā)生開路故障的情況，可以把故障分為單個IGBT 開路或兩個IGBT 同時開路故障，共五大類、22 種故障。

第一類:無IGBT 故障，即正常運行，側(cè)電流波形逼近于對稱的正弦波，APF 正常運行時網(wǎng)側(cè)電流波形如圖2所示。

圖2 APF 正常運行時網(wǎng)側(cè)電流波形

第二類:單個IGBT 開路故障，可以分為T1、T2、T3、T4、T5、T6共6 種故障，T3故障時的網(wǎng)側(cè)電流波形如圖3所示。

圖3 T3 開路故障時網(wǎng)側(cè)電流波形

第三類:同一橋臂的上下2 個IGBT 發(fā)生開路故障，可以分為T1T2、T3T4、T5T6共3 種故障，T1和T2故障時的網(wǎng)側(cè)電流波形如圖4所示。

第四類:同一半橋上的2 個IGBT 發(fā)生開路故障?？梢苑譃門1T3、T1T5、T3T5、T2T4、T2T6、T4T6共6 種故障，T2和T6故障時的網(wǎng)側(cè)電流波形如圖5所示。

圖4 T1 和T2 開路故障時網(wǎng)側(cè)電流波形

圖5 T2 和T6 開路故障時網(wǎng)側(cè)電流波形

第五類:不同半橋交叉的2 個IGBT 發(fā)生開路故障，可以分為T1T4、T1T6、T2T3、T3T6、T2T5、T4T5共6 種故障，T2和T3故障時的網(wǎng)側(cè)電流波形如圖6所示。

圖6 T2 和T3 開路故障時網(wǎng)側(cè)電流波形

2.2 APF 故障特征提取

當APF 逆變器發(fā)生故障時，APF 網(wǎng)側(cè)電流的波形不再是正弦波，必然會發(fā)生畸變，各故障對各頻段內(nèi)的信號影響很大，而且故障信號包含了不同故障各自的信息［11］。筆者通過對不同類型的故障電流波形進行FFT 變換，獲得各頻段信號的幅值與相位，會發(fā)現(xiàn)在不同故障下各頻段信號的幅值與相位是不同的。

本研究以有源電力濾波器A 相網(wǎng)側(cè)電流為例，對采集到的網(wǎng)側(cè)電流進行FFT 變換，得到各個頻段信號的幅值與相位。在獲取各個故障信號的特征時，發(fā)現(xiàn)不同故障對網(wǎng)側(cè)電流的直流分量、3 次諧波、5 次諧波、7 次諧波的幅值與相位影響較大，而且這8 個頻譜分量可以對應(yīng)唯一的故障類型，因此筆者將這8 個頻譜分量作為故障特征向量。為了減小負載變化對診斷的影響，便于神經(jīng)網(wǎng)絡(luò)的訓練，需要對各諧波幅值進行歸一化處理，最后將歸一化處理的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，實現(xiàn)神經(jīng)網(wǎng)絡(luò)訓練樣本數(shù)據(jù)的提取。

在故障仿真中，為了獲取在不同負載下的網(wǎng)側(cè)電流信號，本研究分別將三相橋式全控整流電路諧波源的觸發(fā)角設(shè)為0°、30°、60°、90°等典型觸發(fā)角，并在各個典型觸發(fā)角下模擬各種IGBT 開路故障，獲取不同負載諧波源下網(wǎng)側(cè)電流的故障波形。本研究根據(jù)FFT變換的特征提取方法對不同負載諧波源和不同故障下的網(wǎng)側(cè)電流信號進行分析，提取故障特征向量，共可得到88 組故障特征向量，將大量的故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的學習樣本，使神經(jīng)網(wǎng)絡(luò)具有更強的魯棒性和適應(yīng)能力。

3 APF 故障診斷系統(tǒng)的實現(xiàn)及分析

為了便于故障定位，本研究將IGBT 開路故障用代碼X6X5X4X3X2X1表示，其中X=1 或0。故障代碼的高3 位代表故障類型，低3 位用于確定IGBT 的準確位置。筆者根據(jù)上文的故障分析對IGBT 故障進行分類編碼的結(jié)果如表1所示。

表1 IGBT 故障類型代碼

在神經(jīng)網(wǎng)絡(luò)中，修改權(quán)值的規(guī)則稱為學習算法，BP 神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播算法。BP 神經(jīng)網(wǎng)絡(luò)的學習過程由信息的正向傳播和誤差的反向傳播兩部分組成［12-13］。在正向傳播過程中，輸入信息經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)向反向傳播，將輸出信息的誤差按原來的連接通路返回，逐一修改各層神經(jīng)元的權(quán)值。不斷迭代的過程中，使得誤差達到最小，在得到合適的網(wǎng)絡(luò)連接權(quán)后就可對新的樣本進行識別。

BP 神經(jīng)網(wǎng)絡(luò)作為模式識別的工具，采用3 層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為8 個神經(jīng)元，對應(yīng)于網(wǎng)側(cè)電流的8 個頻譜分量;隱層是輸入層與輸出層之間的連接，隱層神經(jīng)元越多則精度越高，但網(wǎng)絡(luò)亦趨于復雜，隱層神經(jīng)元過少則精度下降，甚至出現(xiàn)不收斂的結(jié)果［14］，經(jīng)多次試驗，隱層設(shè)定為30 個神經(jīng)元時，網(wǎng)絡(luò)能夠快速收斂且輸出效果最好;由于輸出故障代碼為6 位，本研究設(shè)定輸出層為6 個神經(jīng)元，用來確定發(fā)生故障IGBT 的準確位置。

神經(jīng)網(wǎng)絡(luò)訓練時，本研究通過電流互感器采集不同負載和不同故障下的A 相網(wǎng)側(cè)電流，并運用上文特征提取方法獲得88 組故障特征向量，將這些特征向量作為神經(jīng)網(wǎng)絡(luò)輸入，故障類型代碼作為神經(jīng)網(wǎng)絡(luò)的期望輸出。為了克服傳統(tǒng)BP 訓練算法的收斂速度慢和易陷入局部最優(yōu)的缺點，本研究采用收斂速度快、識別精度高的BFGS 擬牛頓優(yōu)化算法對網(wǎng)絡(luò)進行離線訓練，學習率取0.1，整個訓練過程的收斂程度如圖7所示。此時，該神經(jīng)網(wǎng)絡(luò)已訓練完畢，能夠適應(yīng)動態(tài)負載下的故障診斷，故障診斷系統(tǒng)可以調(diào)用訓練好的神經(jīng)網(wǎng)絡(luò)對故障特征向量進行分類，確定故障IGBT 的位置，實現(xiàn)了有源電力濾波器的故障診斷。

圖7 神經(jīng)網(wǎng)絡(luò)訓練誤差曲線

為了進一步驗證該方法的可行性，本研究采用非學習樣本數(shù)據(jù)，在實驗中，通過移去IGBT 的驅(qū)動信號來模擬IGBT 開路故障。由于篇幅所限，本研究僅模擬了T3、T1T1、T3T5、T4T5開路故障，通過上文特征提取的方法提取各故障時的特征向量，再將故障特征輸入訓練好的神經(jīng)網(wǎng)絡(luò)進行故障定位，實驗結(jié)果如表2所示。由表2 可以看出，診斷輸出代碼經(jīng)過四舍五入后與設(shè)定代碼完全一致，從而證明該診斷方法的有效性。

表2 實驗結(jié)果

4 結(jié)束語

結(jié)合FFT 變換與神經(jīng)網(wǎng)絡(luò)，本研究對有源電力濾波器進行了故障診斷，分析了各種故障下的網(wǎng)側(cè)電流波形，運用FFT 算法提取了APF 故障特征向量，并構(gòu)建了FFT 與神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷系統(tǒng)。該方法只需單個傳感器就能完成故障信息的提取，減少了診斷成本，通過采用智能診斷方法可解決因負載變化而誤診斷問題。

筆者在診斷系統(tǒng)上進行了測試驗證，測試結(jié)果表明，該方法有較高的準確率，診斷速度快，可以快速有效地識別IGBT 故障位置，能滿足故障診斷的要求，為APF 的故障在線診斷提供了參考。

［1］董偉杰，白曉民，朱寧輝，等.電力有源濾波器故障診斷與容錯控制研究［J］.中國電機工程學報，2013，33(18):65-72.

［2］馬立新，王曉丹，王月曉，等.APF 特定次諧波智能檢測方法的研究［J］.控制工程，2013，20(2):352-356.

［3］于 泳，蔣生成，楊榮峰，等.變頻器IGBT 開路故障診斷方法［J］.中國電機工程學報，2011，31(9):30-35.

［4］安群濤，孫 力，趙 克，等.基于開關(guān)函數(shù)模型的逆變器開路故障診斷方法［J］.中國電機工程學報，2010，30(6):1-6.

［5］WANG Long，LIU Yan-heng，LI Xiao-guang，et al.Analog circuit fault diagnosis based on distributed neural network［J］.Journal of Computers，2010，5(11):1747-1754.

［6］崔博文，任 章.基于傅里葉變換和神經(jīng)網(wǎng)絡(luò)的逆變器故障檢測與診斷［J］.電工技術(shù)學報，2006，21(7):37-43.

［7］趙建輝，趙建平，孫永匯，等.BP 神經(jīng)網(wǎng)絡(luò)在雷達故障診斷中的應(yīng)用［J］.兵工自動化，2013，32(2):37-39，44.

［8］朱文材，胡海剛，朱鳴鶴，等.遺傳神經(jīng)網(wǎng)絡(luò)在軸系故障診斷中的應(yīng)用［J］.機電工程，2012，29(2):136-141.

［9］周大星，瞿 軍.基于Elman 神經(jīng)網(wǎng)絡(luò)的液壓起豎系統(tǒng)故障診斷研究［J］.液壓氣動與密封，2013(13):24-26.

［10］馬立新，肖 川，林家雋，等.神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測方法［J］.電力系統(tǒng)及其自動化學報，2011，23(3):24-29.

［11］王 磊，趙雷霆，張 鋼，等.電壓型PWM 整流器的開關(guān)器件斷路故障特征［J］.電工技術(shù)學報，2010，25(7):108-115.

［12］張梅軍，陳 灝，曹 勤，等.EMD 分解、分形理論和RBF 神經(jīng)網(wǎng)絡(luò)相結(jié)合的軸承智能故障診斷研究［J］.機械，2012(11):16-21.

［13］崔遜波，鄒 俊，阮曉東，等.基于加權(quán)概率神經(jīng)網(wǎng)絡(luò)的齒輪箱抗噪故障診斷［J］.機電工程，2010，27(2):54-57.

［14］郝紅衛(wèi)，蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓練樣本選擇方法［J］.自動化學報，2007，33(12):1247-1251.