基于極限學(xué)習(xí)機(jī)與規(guī)則推理的NPC三電平逆變器二級故障診斷方法

陳 麗，蔡紅軍

(1.河北工業(yè)大學(xué) 電磁場與電器可靠性省部共建重點實驗室，天津 300130；2.中鐵電氣工業(yè)有限公司保定鐵道變壓器分公司，河北 保定 071051)

基于極限學(xué)習(xí)機(jī)與規(guī)則推理的NPC三電平逆變器二級故障診斷方法

陳 麗1，蔡紅軍2

(1.河北工業(yè)大學(xué) 電磁場與電器可靠性省部共建重點實驗室，天津 300130；2.中鐵電氣工業(yè)有限公司保定鐵道變壓器分公司，河北 保定 071051)

針對NPC三電平逆變器主電路故障難以診斷問題，提出一種基于極限學(xué)習(xí)機(jī)、小波技術(shù)和規(guī)則推理的二級故障診斷方法;方法通過對比分析逆變器輸出電壓信號和電流信號在不同故障時差異性，確定了逆變器故障模式和可區(qū)分性;根據(jù)故障模式和可區(qū)分性，提出采用小波技術(shù)從輸出電流中提取故障低頻小波能量作為故障診斷特征和采用極限學(xué)習(xí)機(jī)進(jìn)行故障電流信號的初級分類;對于根據(jù)電流信號的初級診斷不可區(qū)分的故障，提出采用逆變器橋臂輸出電壓信號特征和規(guī)則推理法進(jìn)行故障二級精確診斷;該方法充分利用了輸出電壓和電流信號區(qū)分故障的特點，不僅能區(qū)分NPC三電平逆變器主電路單故障，還能同時區(qū)分多故障;診斷實驗表明，所提方法故障診斷速度快，準(zhǔn)確率高，魯棒性強(qiáng)。

NPC三電平； 故障診斷； 極限學(xué)習(xí)機(jī)； 規(guī)則推理法； 小波分析

0 引言

二極管中點鉗位型(neutral-point clamped，NPC)三電平逆變器因其諧波含量低，耐高壓，開關(guān)應(yīng)力小,無需變壓器和動態(tài)均壓電路等優(yōu)點[1-2]而廣泛應(yīng)用于電力工業(yè)場合，如靜止同步補(bǔ)償器(STATCOM)、電力有源濾波器(APF)、高壓大電機(jī)變頻器及大功率裝置等。但三電平NPC逆變器功率器件多，可靠性低。當(dāng)電路發(fā)生故障時，將不可避免的造成經(jīng)濟(jì)損失，因此研究NPC功率管的故障診斷，對于提高設(shè)備可靠性、保證安全運行等都具有重要意義。

目前，NPC逆變器故障診斷已經(jīng)取得了初步成果。文獻(xiàn)[3]提出一種基于多神經(jīng)網(wǎng)絡(luò)的故障診斷方法，采用三電平逆變器的上、中、下橋臂電壓作為測試信號，利用橋臂電壓的多種諧波含量和特征，信號采集及處理信息量大，高維特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入使得網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，運算量增加，延長了故障診斷時間。文獻(xiàn)[4]應(yīng)用電流軌跡法針對NPC逆變器單開關(guān)管故障進(jìn)行診斷。文獻(xiàn)[5]詳細(xì)的闡述了NPC主電路各功率管在故障時的工作情況及典型特征，并總結(jié)了故障診斷規(guī)則。文獻(xiàn)[6]詳細(xì)分析三電平變換器開路時的工作情況和表現(xiàn)形式，提出PWM電壓和電流極性的變化來判斷功率管的故障及定位，該方法診斷速度快，可靠性高，但該方法并沒有精確定位到某個器件，需要人工查找。

通過NPC逆變器運行機(jī)制，提出了一種基于極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)與規(guī)則推理(rules inference, EI)的二級故障診斷新方法。首先分析了正常情況和各種故障情況時輸出電流的差異，進(jìn)而依據(jù)輸出電流討論了故障的可分性及分類。通過從輸出電流中提取特征，設(shè)計了基于極限學(xué)習(xí)機(jī)與規(guī)則推理的二級故障診斷系統(tǒng)。根據(jù)電流特征，利用極限學(xué)習(xí)機(jī)完成初級診斷。若初級診斷結(jié)果為電流不可區(qū)分的故障類型，則需要進(jìn)行二級診斷。二級診斷通過提取橋臂電壓的低頻小波能量為特征，采用規(guī)則推理機(jī)實現(xiàn)故障精確診斷。該方法在多數(shù)故障情況下只需采集輸出電流進(jìn)行初級診斷，具有采集信息少、處理量小、結(jié)構(gòu)簡單、診斷快速等優(yōu)點。

1 開關(guān)管開路故障分析

NPC三電平逆變器主電路如圖1所示，由兩個直流分壓電容C1=C2、兩個鉗位二極管、4個功率開關(guān)管和4個續(xù)流二極管構(gòu)成[7-8]。

圖1 NPC逆變器主電路

1.1 工作模式

以NPC逆變器A相輸出正向電流(從逆變器流向負(fù)載)為例來分析工作情況：

模式1：t∈[t1,t2]當(dāng)開通Sl、S2，關(guān)斷S3、S4時，電流從P點流向主開關(guān)器件Sl、S2，輸出端電位與P點相同，輸出電壓U=+Vdc/2 ，如圖 2(a)所示。

模式2：t∈[t1,t2]當(dāng)開通S2、S3，關(guān)斷Sl、S4時，電流從O點依次流向鉗位二極管Dl、S2，此時該相輸出端電位與O點電位相同，輸出電壓U=0，如圖 2(b)所示。

模式3：t∈[t2,t3] 當(dāng)開通S3、S4，關(guān)斷Sl、S2時，電流從N點流過與主開關(guān)管S3、S4反并聯(lián)的續(xù)流二極管，輸出端電壓U=-Vdc/2 ，如圖 2(c)所示。

模式4: t∈[t2,t3]基本與模式2相同，如圖 2(d)所示。NPC電路在阻感負(fù)載下的輸出電流與調(diào)制電壓如圖2(e)。

圖2 工作模式與模式區(qū)間

由圖2可見，當(dāng)NPC變換器正常工作時，輸出電流為正弦波；當(dāng)NPC功率管開路故障時，輸出電流出現(xiàn)流向出現(xiàn)了變化，會導(dǎo)致波形發(fā)生變化。下面以A相單管開路和兩管同時開路為例分析輸出電流的變化。

1.2 基于負(fù)載電流的故障可分性

NPC變換器故障可分為單管故障和雙管故障。單管故障選S1開路和S2開路故障為例進(jìn)行分析，其它故障可類似得到。電路正常、選S1開路和S2開路故障的電流波形分別如圖3所示。由圖2可見，當(dāng) S1故障時，正常模式1電流無法流經(jīng)S1而直接進(jìn)入模式2，會使正向輸出電流大幅值衰減，電流波形如圖3(b)；當(dāng)S2故障時，模式1和2中均無法輸出正向電流，直接經(jīng)S3、S4輸出反向電流，其電流波形如圖3(c)。由此可見，開關(guān)管故障位置不同會引起電流衰減程度不同，上橋臂開關(guān)管S1故障時會使得正向電流大幅值衰減，S2位置故障會使得正向電流幾乎衰減為0。

圖3 正常和單個開關(guān)管故障時的電流波形

根據(jù)兩管故障位置，兩管故障可分為：1)上橋臂與下橋臂兩管交叉故障，2)半橋臂故障(如上橋臂兩管同時故障)。

兩管交叉故障共計4種組合：S1和S3，S2和S3，S1和S4，S2和S4。當(dāng)S1和S3故障時，S1故障導(dǎo)致正向電流減小，S3故障導(dǎo)致負(fù)向電流中斷；當(dāng)S2和S3故障時，正向和負(fù)向電流幾乎變?yōu)?；故障電流波形如圖4所示。其它兩管交叉故障可類似分析。

圖4 兩個開關(guān)管同時發(fā)生故障時的電流波形圖

比較圖3和圖4，單管故障和兩管交叉故障時的輸出電流波形均不同，因此可從負(fù)載電流中提取特征用于故障診斷。

半橋臂雙故障只有兩種組合，上橋臂故障和下橋臂故障。上橋臂故障，即當(dāng)開關(guān)管S1和S2故障時，模式1和2均被破壞，故障電流與S2單獨故障時相同，輸出電流也相同；同理，下橋臂S3和S4故障輸出電流波形同S3單故障相同。由此可得，半橋臂雙故障與單故障無法區(qū)別，故把它們歸為一類故障，稱為負(fù)載電流不可區(qū)分故障類型。

綜上可見，輸出電流不能用于區(qū)分半橋臂雙故障外，其他故障情況均可區(qū)分。

1.3 基于橋臂電壓的故障可區(qū)分性

針對輸出電流無法診斷半橋臂雙故障，需采集新的測量信號，即輸出電壓信號。NPC電路工作在模式1時，若只有S2故障，電壓Vuo(如圖1)為Vdc/2；若S1、S2同時故障，電壓Vuo為0。顯然，橋臂電壓Vuo在S2故障和S1、S2雙故障時波形存在差異，電壓Vdo波形相同，電壓波形如圖5所示。同樣S3故障和S3、S4雙故障時電壓Vdo波形存在差異，而電壓Vuo波形相同。由此可以看出，電壓Vuo主要受上橋臂功率管的影響，而電壓Vdo主要受下橋臂功率管的影響。為了使采集信息少，故障診斷時間縮短，這里采集Vud，由圖5可見，輸出電壓可診斷半橋臂雙故障。

圖5 橋臂電壓波形

為了減少采集數(shù)據(jù)量，此處只采集橋臂電壓Vud為故障診斷信號，且橋臂電壓信號不易受負(fù)載波動的影響，抗干擾能力強(qiáng)。

2 NPC逆變器二級故障診斷

2.1 基本原理

NPC逆變器二級故障診斷分為初級診斷和二次診斷，具體如圖6所示。初級診斷以逆變器輸出電流為診斷信號，以極限神經(jīng)網(wǎng)絡(luò)為分類器進(jìn)行故障初次診斷；二次診斷以輸出電壓為診斷信號，針對電流難以區(qū)分故障以規(guī)則推理進(jìn)行二次故障診斷。其中診斷特征提取、極限神經(jīng)網(wǎng)絡(luò)分類器和推理規(guī)則建立是故障診斷關(guān)鍵，下面分別介紹。

圖6 二級故障診斷流程

2.2 特征提取

2.2.1 電流特征提取

采用電流均值表征電流極性，低頻小波能量表征電流幅值，并進(jìn)行歸一化以消除負(fù)載波動對診斷的影響，將其值構(gòu)造特征向量，以實現(xiàn)除電流不可區(qū)分的故障類型外其他故障模式的診斷定位。

將電流均值與低頻能量歸一化值構(gòu)造特征向量，作為極限學(xué)習(xí)機(jī)分類器的輸入以實現(xiàn)初級故障診斷。利用小波變換提取電流低頻能量[9-10]與電流均值構(gòu)成特征向量的具體步驟如下：

1)將NPC電路輸出的各相電流進(jìn)行3層小波分解，得到三相負(fù)載電流信號各層小波分解系數(shù)。

2)對小波分解系數(shù)進(jìn)行重構(gòu)，提取各頻帶的信號。低頻信號是原始信號的逼近，可將三相低頻能量作為特征向量。

典型的故障樣本如表1。對于橋臂電壓信號的低頻小波能量提取同上步驟。

表1 典型故障樣本

表2 負(fù)載輸出電流、診斷電流及靈敏度

2.2.2 負(fù)載影響

2.3 分類器設(shè)計

2.3.1 ELM故障分類器

ELM是為單隱含層神經(jīng)網(wǎng)絡(luò)(single hidden layer feed forward neural networks，SLFN)而提出的新型算法[12]，SLFN模型見圖7。

圖7 典型 SLFN 模型

對于N維樣本(xj,tj)∈RN×Rn, L個隱含層節(jié)點和激勵函數(shù)g(x)，則SLFN的輸出可表示成:

(1)

這里:yj表示為第j個輸出節(jié)點的輸出值; βi為連接第i個隱含層節(jié)點和輸出節(jié)點的權(quán)值矢量; ωi為連接訓(xùn)練樣本x和第i個隱含層節(jié)點的權(quán)值矢量; bi為第i個隱含層節(jié)點的閾值;

上述還可矩陣表示為：

Hβ=T

(2)

H為隱含層輸出矩陣, 矩陣H的第i列為對應(yīng)輸出樣本x的第i個隱含層節(jié)點輸出hi,hi=(g(ω1ix1+bi) … g(ωNixN+bi))T。

經(jīng)證明如果激勵函數(shù)g(x)無限可微, 則SLFN的隱含層節(jié)點參數(shù)ωi、bi無需反復(fù)調(diào)整[13-14]。當(dāng)ωi、bi任意給定后，由Moore-Penrose廣義逆定理求解唯一解H+，則β=H+T，H+指隱含層輸出矩陣H的廣義逆矩陣。

2.3.2 ELM分類算法

(3)

這里, ξi=[ξi1… ξin]是對應(yīng)輸入xi的輸出訓(xùn)練誤差；C是隨機(jī)指定的正則化參數(shù)。

上述滿足KKT條件,利用Lagrange函數(shù)轉(zhuǎn)換為一個二次規(guī)劃問題：

(4)

ELM分類算法使網(wǎng)絡(luò)結(jié)構(gòu)簡單，整個過程一次完成，參數(shù)無需迭代，與BP神經(jīng)網(wǎng)絡(luò)相比，訓(xùn)練速度得到顯著提高，避免了多次迭代和局部最小值。

2.3.3 規(guī)則推理機(jī)的設(shè)計

若ELM分類器診斷結(jié)果為電流不可區(qū)分故障類型時，需要規(guī)則推理法[15-16]精確定位故障器件。首先采集輸出電壓信號，對電壓信號提取低頻小波能量作為規(guī)則推理機(jī)的輸入，將S2單獨故障時小波能量作為參考值，通過橋臂電壓小波能量與參考值進(jìn)行比較，若在閾值內(nèi)則輸出0，表示S2單獨故障，反之輸出1，表示S1、S2同時故障，規(guī)則推理故障診斷原理如圖8所示。

圖8 規(guī)則推理故障診斷原理圖

4 診斷實驗

對三相電流提取特征向量，作為ELM的學(xué)習(xí)樣本，極限學(xué)習(xí)機(jī)輸入節(jié)點為6個，隱含層設(shè)置13個節(jié)點，傳遞函數(shù)采用Sigmoid函數(shù)，輸出層采用單節(jié)點輸出，ti=i,i=1,2…p表示p標(biāo)簽，對負(fù)載電流不可區(qū)分故障類型(如S2故障和S1、S2同時故障)取相同的標(biāo)簽，見表1。預(yù)測標(biāo)簽為輸出值最接近的正整數(shù)值。在診斷實驗中，NPC直流電源允許±5%波動，負(fù)荷可以在一定范圍內(nèi)增大或減小。診斷時直流電壓分別為530V，525V/535V，負(fù)荷為(10+j5) /(9+j4.5)/(11+j5.5)kVA,診斷結(jié)果正確率達(dá)100%，部分初級故障診斷結(jié)果如表3。

表3 部分初級故障診斷結(jié)果

對于電流不可區(qū)分的故障類型的故障，采用規(guī)則推理法精確定位故障元件，選取在額定負(fù)載下S2單獨故障時低頻小波能量作為參考值，閾值為0.1×103，表4列出了對電流不可區(qū)分的故障類型的故障診斷，診斷結(jié)果表明該故障診斷方法可精確定位故障元件。

表4 規(guī)則推理法對電流不可區(qū)分的故障類型的故障診斷結(jié)果

本文引入BP神經(jīng)網(wǎng)絡(luò)與ELM的診斷結(jié)果進(jìn)行對比，傳遞函數(shù)采用Sigmoid函數(shù)，訓(xùn)練方法采用反向傳播算法。輸出層設(shè)置4個節(jié)點。采用本文所提方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)分別對故障樣本進(jìn)行10次訓(xùn)練，根據(jù)診斷結(jié)果從訓(xùn)練時間、正確率的均值與方差3個角度去評價ELM算法的訓(xùn)練性能，如表5所示。

由表5可見，與BP神經(jīng)網(wǎng)絡(luò)診斷方法相比，極限學(xué)習(xí)機(jī)在訓(xùn)練速度、泛化能力和魯棒性能3個方面得到了顯著的提高。

表5 提出方法和BP神經(jīng)網(wǎng)絡(luò)對樣本訓(xùn)練性能比較

5 結(jié)論

本文針對NPC開路故障的特點，提出的基于極限學(xué)習(xí)機(jī)與規(guī)則推理的二級故障診斷方法，能夠?qū)崿F(xiàn)對NPC三電平單管和兩管同時故障的多模式故障診斷。較傳統(tǒng)故障方法，有以下優(yōu)點：

1)NPC電路故障在多數(shù)情況下為非電流不可區(qū)分的故障類型的故障，只需對三相輸出電流提取電流均值和低頻能量，只有在確定為負(fù)載電流不可區(qū)分故障類型時才對故障相橋臂電壓提取特征向量，與傳統(tǒng)方法中盲目對三相電流和電壓提取各諧波含量作為特征向量相比，大大減少了信號的處理量，縮短了故障診斷時間。

2)將負(fù)載電流不可區(qū)分故障類型采用規(guī)則推理法進(jìn)行故障定位，大大降低了極限學(xué)習(xí)機(jī)的分類要求，這就使得極限學(xué)習(xí)機(jī)的輸入特征向量維數(shù)降低，同時也使得極限學(xué)習(xí)機(jī)的結(jié)構(gòu)大大簡化，運算量呈指數(shù)形式下降，故障診斷時間顯著縮短。

3)ELM與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比，在采用相同的結(jié)構(gòu)和學(xué)習(xí)樣本時，由于ELM采用廣義逆求解隱含層與輸出層的權(quán)值，無需迭代，因此ELM學(xué)習(xí)速度快，正確率顯著提高。

4)負(fù)載對故障診斷影響小，負(fù)載電流通過歸一化處理及ELM的容錯能力能消除了負(fù)載波動對故障診斷結(jié)果的影響，而橋臂電壓基本不受負(fù)載波動的影響，故所提方法解決了傳統(tǒng)方法中負(fù)載波動會對診斷結(jié)果造成影響的問題。

[1]NabaeA,TakahashiI,AkagiH.Anewneutral-point-clampedPWMinverter[J].IEEETransactionsonIndustryApplications，1981 (5): 518-523.

[2]RodriguezJ,BernetS,SteimerPK,etal.Asurveyonneutral-point-clampedinverters[J].IEEETransactionsonIndustrialElectronics， 2010, 57(7): 2219-2230.

[3] 陳丹江, 葉銀忠. 基于多神經(jīng)網(wǎng)絡(luò)的三電平逆變器器件開路故障診斷方法[J]. 電工技術(shù)學(xué)報, 2013, 28(6): 120-126.

[4]SonHI,KimTJ,KangDW,etal.Faultdiagnosisandneutralpointvoltagecontrolwhenthe3-levelinverterfaultsoccur[A].PowerElectronicsSpecialistsConference,PESC04.IEEE35thAnnual[C].IEEE, 2004, 6: 4558-4563.

[5] 周京華, 劉輝臣, 姚蘭亞,等. 三電平大功率變頻器故障特征及診斷方法研究[J]. 電力電子技術(shù), 2009, 43(6): 1-3.

[6] 湯清泉, 顏世超, 盧松升, 等. 三電平逆變器的功率管開路故障診斷[J]. 中國電機(jī)工程學(xué)報, 2008, 28(21): 26-32.

[7]NabaeA,TakahashiI,AkagiH.Anewneutral-point-clampedPWMinverter[J].IEEETransactionsonIndustryApplications, 1981 (5): 518-523.

[8] Rodriguez J, Lai J S, Peng F Z. Multilevel inverters: a survey of topologies, controls, and applications[J]. IEEE Transactions on Industrial Electronics, 2002, 49(4): 724-738.

[9] Camps O I, Robertson D C, Mayer J S. Wavelets and power system transients: feature detection and classification[A].The SPIE International Symposium on Optical Engineering in Aerospace Sensing[C]. 1994, 2242: 474-487.

[10] Mallat S G. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

[11] 彭玉華.小波變換與工程應(yīng)用[M]. 北京:科學(xué)出版社,1999.

[12] Huang G B, Zhou H M, Ding X J, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2012, 42(2): 513-529.

[13] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: a new learning scheme of feedforward neural networks[A]. 2004 IEEE International Joint Conference on Neural Networks, Proceedings[C]. IEEE, 2004, 2: 985-990.

[14] Huang G B, Qin Y Z, Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

[15] Szczesny R, Kurzynski P, Piqueb H, et al. Knowledge-base system approach to power electronic systems fault diagnosis[A]. ISIE'96., Proceedings of the IEEE International Symposium on Industrial Electronics[C]. IEEE, 1996, 2: 1005-1010.

[16] Bose B K. Expert system, fuzzy logic, and neural network applications in power electronics and motion control[J]. Proceedings of the IEEE, 1994, 82(8): 1303-1323.

A Method of Two Layers Fault Diagnosis Based on ELM and RI Theories for NPC Inverter

Chen Li1, Cai Hongjun2

(1.Province-Ministry Joint Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability, Hebei University of Technology, Tianjin 300130, China; 2.Baoding Railway Transformer Branch Company of China Railway Electric Industries Co.Ltd, Baoding 071051, China)

Aiming to the difficulty of faults diagnosis of power devices in NPC converters, a new fault diagnosis method based on extreme learning machine(ELM), wavelet techniques and rules inference (RI) theories for NPC inverter is proposed in this paper. By comparing the waveforms of output current and output voltage of the NPC inverter on different faults, the fault modes and its distinguishability with current output and output voltage of the NPC inverter are obtained in this paper. According to the distinguishability and fault modes, the primary diagnosis method is proposed by using the low frequency features extracted from output current with wavelet technique and by using the extreme learning machine for primary classification. If the primary result is the current undistinguishable fault, the rule inference based on information of bridge voltage is proposed to accurately locate the fault components, which is the second level diagnosis. The proposed method takes full distinguishable advantages of output current and output voltage of the NPC inverter, and can not only diagnosis and detect the single fault, but also the multi-fault patterns. The examples shows that the method is effective, fast and robust.

NPC three level; fault diagnosis; extreme learning machine;rules inference;wavelet analysis

2016-05-25；

2016-07-29。

國家自然科學(xué)基金(51477040)。

陳 麗(1980-)，女，安徽蕭縣人，在讀博士，講師，主要從事電力電子技術(shù)方向的研究。

1671-4598(2016)12-0006-05

10.16526/j.cnki.11-4762/tp.2016.12.003

TM464

A