基于多源特征向量的微電網(wǎng)雙向變換器故障診斷

摘" 要： 針對微電網(wǎng)變流器相關(guān)故障診斷研究的不足，文中對微電網(wǎng)常用的共直流母線型雙向多端口直流?直流變換器進(jìn)行故障診斷方法的研究。通過仿真分析并結(jié)合變換器電路中的電流電壓特性，提出用于微電網(wǎng)雙向多端口變換器并能夠同時滿足兩種工作模式下的小波包變換?多源特征向量?極限學(xué)習(xí)機(jī)故障診斷方法，即采用小波包變換頻譜分析法獲得的電流與電壓構(gòu)造多源聯(lián)合故障特征向量，結(jié)合ELM（極限學(xué)習(xí)機(jī)）對其實(shí)現(xiàn)故障診斷分類，定位其故障元件。此方法診斷精度高、泛化性能好，可以作為微電網(wǎng)逆變系統(tǒng)故障單元定位和健康管理（PHM）設(shè)計(jì)的參考和基礎(chǔ)。

關(guān)鍵詞： 故障診斷; 微電網(wǎng); 雙向變換器; 多源特征; 故障分類; 實(shí)驗(yàn)驗(yàn)證

中圖分類號： TN99?34; TP39" " " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2019）21?0099?06

Abstract： In allusion to the insufficiency of related fault diagnosis research for microgrid converter， the common DC bus type bidirectional multi?port DC?DC converters commonly used in micro?grid are studied in this paper. In combination with the simulation analysis and the characteristics of current and voltage in the converter circuit， a fault diagnosis method of WPT?MSE （multi?source eigenvector）?ELM （extreme learning machine） is proposed， which can be used in microgrid bidirectional multi?port converter and can simultaneously satisfy two working modes. The current and voltage obtained by wavelet packet transform spectrum analysis method can compose multi?source joint fault feature vector to realize the faults diagnosis classification and positioning of fault components in combination with ELM. The experimental results show that this method has high diagnostic accuracy and good generalization performance， which can be used as a reference and basis for the fault unit location and PHM （health management） design of microgrid inverter system.

Keywords： fault diagnosis; microgrid; bidirectional converter; multi?source feature; fault classification; experimental verification

0" 引" 言

近年來，隨著分布式電源和電動汽車技術(shù)的興起，微電網(wǎng)的發(fā)展越來越受到關(guān)注，它的提出旨在實(shí)現(xiàn)分布式電源高效、靈活的應(yīng)用，以解決數(shù)量龐大、形式多樣的分布式電源并網(wǎng)問題。開發(fā)和延伸微電網(wǎng)能夠充分促進(jìn)分布式電源與可再生能源的大規(guī)模接入，提高對新能源的接納能力，實(shí)現(xiàn)針對用戶利用多種能源形式的高可靠性供給，是實(shí)現(xiàn)主動式配電網(wǎng)的一種有效方式，可促進(jìn)傳統(tǒng)電網(wǎng)逐步向智能電網(wǎng)過渡[1?2]。

現(xiàn)如今微電網(wǎng)越來越多地應(yīng)用在小型社區(qū)、海島以及一些其他偏遠(yuǎn)地區(qū)，與此同時這些地區(qū)往往又存在著天氣多變、氣候復(fù)雜等特點(diǎn)，一旦這種具有靈活分布特點(diǎn)的微電網(wǎng)發(fā)生故障，輕則會對用戶用電造成影響，嚴(yán)重則會導(dǎo)致并網(wǎng)電網(wǎng)發(fā)生更大的故障甚至造成重大事故。

微電網(wǎng)雙向多端口變換器電路是微電網(wǎng)接入分布式電源實(shí)現(xiàn)穩(wěn)定運(yùn)行的關(guān)鍵部分，因此，本文提出對微電網(wǎng)雙向多端口變換器電路的故障診斷進(jìn)行研究。

分布式電源裝置通過DC/DC變換器與微電網(wǎng)直流母線連接。在傳統(tǒng)結(jié)構(gòu)中，分布式電源需要多個變換器與直流母線及負(fù)載連接。微電網(wǎng)DC/DC變換器結(jié)構(gòu)如圖1所示。近年來，許多研究提出采用多端口結(jié)構(gòu)DC/DC變換器代替?zhèn)鹘y(tǒng)結(jié)構(gòu)以降低成本提高效率[3?5]，例如，蓄電池和光伏電源等構(gòu)成的混合儲能單元通過雙向DC/DC變換器連接到直流母線供給負(fù)載，或通過逆變器與交流母線連接，交流母線直接為市電用戶等交流負(fù)荷提供電能。

當(dāng)雙向變換器工作在供電狀態(tài)，能量由分布式電源組向電網(wǎng)流動;當(dāng)雙向變換器工作在充電狀態(tài)，能量在分布式電源之間流動。故而這種雙向變換器可以實(shí)現(xiàn)能量的雙向流動[6]。

根據(jù)各端口間的隔離方式不同，微電網(wǎng)雙向多端口變換器可以分為非隔離型、部分隔離型及隔離型三種類型。共直流母線型是指多個功率端口通過非隔離開關(guān)單元與公共直流母線相連，如圖2所示，這是一種典型的微電網(wǎng)非隔離共直流母線型雙向多端口DC/DC變換器，由功率開關(guān)管V1，V2，V3，V4，電感[L1]，[L2]以及電容[C1]，[C2]等組成。

這種拓?fù)涫褂皿w積小、元件少、效率高且結(jié)構(gòu)簡單容易實(shí)現(xiàn)端口數(shù)量和結(jié)構(gòu)的拓展，可以實(shí)現(xiàn)模塊化組合與集中控制，應(yīng)用較為廣泛[7?8]。然而目前國內(nèi)外對微電網(wǎng)雙向多端口變換器電路的故障診斷方面的研究較少，所以本文主要針對此微電網(wǎng)雙向多端口變換器電路進(jìn)行故障診斷研究，并利用多源特征聯(lián)合向量結(jié)合極限學(xué)習(xí)機(jī)（ELM）提出小波包變換?多源特征向量?極限學(xué)習(xí)機(jī)方法實(shí)現(xiàn)微電網(wǎng)多端口變換器電路故障的智能診斷。

1" 工作原理及仿真分析

1.1" 雙向變換器的工作原理

微電網(wǎng)雙向變換器分為兩種工作狀態(tài)：

第一種工作狀態(tài)為當(dāng)雙向變換器工作在Boost工作模式，即供電狀態(tài)，雙向變換器相當(dāng)于兩路Boost電路，將兩個分布式電源電壓提升，并聯(lián)供給直流母線。

另外一種情況為當(dāng)雙向變換器電路工作在Buck模式，即充電狀態(tài)，與之前相反的開關(guān)管導(dǎo)通，雙向變換器相當(dāng)于一路Buck電路，由來自直流母線或是光伏等其他分布式電源的能量對蓄電池進(jìn)行充電。

基于以上兩種工作模式，變換器的能量的雙向流動功能得以實(shí)現(xiàn)。

1.2" 雙向變換器的仿真分析

對于雙向變換器各元器件參數(shù)的選擇：本文選擇兩路24 V直流電源，模擬一組分布式電源和蓄電池組，當(dāng)Boost電路工作時，擬定輸出75 V直流電壓，且要求電壓紋波能小于1%。開關(guān)器件選擇MOSFET功率開關(guān)器件，開關(guān)頻率為10 kHz。為兼顧雙向變換器的快速性和穩(wěn)定性，對參數(shù)采取相關(guān)計(jì)算，最終取電容[C1=C2=]470 μF;電感[L1=L2=]300 μH。在Matlab/Simulink中搭建仿真模型，對以上設(shè)計(jì)的雙向DC/DC變換器進(jìn)行仿真，分別包含Boost模式和Buck模式兩種工作模式。

2" 故障分析及分類

2.1" 雙向變換器的典型故障分析

雙向DC/DC變換器的典型故障包含兩種工作模式以及兩種工作模式分別對應(yīng)的多種故障形式。

2.1.1" Boost工作模式

變換器電路輸出端電壓[Vcd]包含了一定的故障信息，可以作為故障診斷的一種依據(jù)，但通過比較分析可以得出，在圖3a）和圖3b）中，除了0～0.01 s內(nèi)的微小差別外，最后輸出的電壓信號基本相同，因此單獨(dú)基于輸出端電壓信號不能很好地區(qū)別出單個端口發(fā)生的故障。本文以兩個端口輸入為例，同理三個及以上端口的單個輸入故障也不能通過輸出的電壓信號很好地表示出來，而實(shí)際應(yīng)用中所有端口失效的概率較低，目前的故障診斷研究主要針對單個或兩個輸入端口開關(guān)管失效問題，這樣就造成了基于單一信號故障診斷方法的局限性。因此有必要考慮結(jié)合其他故障特征信號對其進(jìn)行研究。

從模擬電容的電阻ESR的退化情況來看，從ESR=0到逐漸增大的過程中可以明顯觀察到輸出電壓[Vcd]的紋波增大，將輸出電壓[Vcd]作為電容失效老化的故障診斷依據(jù)進(jìn)行進(jìn)一步研究。

2.1.2" Buck工作模式

在Buck模式下，電源端口向蓄電池端口充電，測試蓄電池輸入的電壓[Vs2]，觀察到電壓波形如圖4所示。在單管發(fā)生故障后，蓄電池輸入端電壓基本為零。當(dāng)電感發(fā)生開路故障后，變換電路失去降壓功能。

在后續(xù)故障診斷過程中除了考慮到故障信號選擇問題，還要結(jié)合實(shí)際考慮到實(shí)際電路中檢測故障的傳感器位置放置問題。在實(shí)際應(yīng)用中，兩種模式下，傳感器位置不宜隨著工作模式的變換而發(fā)生改變，這樣，需要在考慮故障信號結(jié)合問題的基礎(chǔ)上，進(jìn)一步考慮兩種模式下檢測故障的傳感器位置的通用性，選擇合適有效的位置放置傳感器，以同時滿足變換器電路兩種工作模式下的故障檢測情況。

通過以上分析并根據(jù)微電網(wǎng)多端口變換器電路在正常模式和故障模式下輸出電流與電壓信號的差異性設(shè)計(jì)診斷方法。最終本文選擇提取兩支路電流和右側(cè)端口電壓[Vcd]來獲取故障特征信息，獲取其兩種運(yùn)行模式下各個故障狀態(tài)下的線電流與電壓信號數(shù)據(jù)，構(gòu)造組合成為多源聯(lián)合故障特征向量[9]用于故障的診斷。

2.2" 故障分類

據(jù)可靠性研究顯示，電力電子電路的故障主要由電容、開關(guān)管、電感等元件引起。其中，電容元件的故障概率最高，在整個電力電子電路中所占比重高達(dá)60%，另外開關(guān)管失效率為31%，排第二位，電感元件故障率約占[10]6%。

微電網(wǎng)多端口變換器電路中電感和電容對升降壓起著至關(guān)重要的作用，若其發(fā)生故障，將會嚴(yán)重影響變換器電路的性能。電容、電感的故障主要變現(xiàn)為老化及斷路故障，而老化的最終表現(xiàn)為斷路。變換器電路中功率開關(guān)管的故障分為開路故障和短路故障。由于短路故障存在的時間非常短，在電路中最終表現(xiàn)為開路。

因此，本文將對微電網(wǎng)多端口變換器電路中兩種工作模式下的功率管開路、電容老化及開路以及電感開路等進(jìn)行故障診斷研究。本文將微電網(wǎng)多端口變換器電路的故障分為9種，如表1所示。

3" 診斷方法驗(yàn)證

本文提出采用小波包變換?多源特征向量?極限學(xué)習(xí)機(jī)（ELM）對微電網(wǎng)多端口變換器進(jìn)行故障診斷，診斷流程如圖5所示。通過其仿真模型獲取兩種運(yùn)行模式下各個故障狀態(tài)下的支路電流與線電壓信號數(shù)據(jù)，用小波包頻譜分析法提取故障特征并構(gòu)造組合成為聯(lián)合故障特征向量作為極限學(xué)習(xí)機(jī)的訓(xùn)練樣本[11]，對電壓和電流的采樣信息分別進(jìn)行3層小波包分解，并以此訓(xùn)練ELM，確定結(jié)構(gòu)和參數(shù)，實(shí)現(xiàn)微電網(wǎng)多端口變換器電路故障的智能診斷。

3.1" 特征向量提取與融合

小波包分析是小波分析的改進(jìn)方法。在小波分析中，原始信號被分解為逼近部分和細(xì)節(jié)部分，逼近部分再分解為另一層的逼近與細(xì)節(jié)部分，這樣的過程重復(fù)進(jìn)行，直到設(shè)定的分解層。利用小波包分解原始信號時，也會將細(xì)節(jié)部分繼續(xù)分解為另一層的逼近與細(xì)節(jié)部分[9]。

小波包分解具有任意多個尺度特點(diǎn)，避免了小波分析對信號分解時存在時頻固定的缺陷，可以較為準(zhǔn)確地反映出故障信號的本質(zhì)和特征。

將小波包分解用公式表述如下：

經(jīng)過3層小波包分解特征提取后電壓和電流的特征向量均為[23=]8維，對數(shù)據(jù)進(jìn)行歸一化與規(guī)范化處理后，去掉冗余信息，選擇4維特征向量，采用如圖6所示的間隔交叉方式將多源故障信息進(jìn)行融合，形成12維故障特征向量用于故障診斷。

3.2" 極限學(xué)習(xí)機(jī)診斷算法

極限學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。圖中，[n]表示輸入變量的個數(shù);[h]表示隱含神經(jīng)元個數(shù);[xi]表示輸入變量，[i=1，2，…，n];[wij]表示輸入變量[i]與隱含層神經(jīng)元[j]的連接權(quán)值;[wjo]表示隱含層神經(jīng)[j]與輸出層的連接權(quán)值;[bj]表示隱含層神經(jīng)元的閾值，[j=1，2，…，h];[bo]表示輸出層神經(jīng)元的閾值;[f]表示隱含層神經(jīng)元[j]的激活函數(shù);[g]表示輸出層神經(jīng)元的激活函數(shù)。

傳統(tǒng)的學(xué)習(xí)算法中梯度下降法需要多次迭代修正權(quán)值和閾值，因此訓(xùn)練耗時較長，同時還存在容易陷入局部最優(yōu)、學(xué)習(xí)率對神經(jīng)網(wǎng)絡(luò)性能影響較大的一些缺點(diǎn)。因此，本文選擇一種更優(yōu)的訓(xùn)練算法進(jìn)行故障診斷的研究。

極限學(xué)習(xí)機(jī)（ELM）算法可以隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元閾值，在訓(xùn)練過程中不需要對其網(wǎng)絡(luò)進(jìn)行額外調(diào)整，只需要設(shè)置好隱含神經(jīng)元個數(shù)就能夠獲得唯一最優(yōu)解。這種方法應(yīng)用于電路診斷領(lǐng)域相比傳統(tǒng)方法如BP神經(jīng)網(wǎng)絡(luò)等，學(xué)習(xí)速度更快，泛化性能更好[12]，因而此方法相比其他前饋神經(jīng)網(wǎng)絡(luò)，更能夠有效地對微電網(wǎng)多端口變換器故障進(jìn)行診斷。ELM算法診斷的具體步驟如圖9所示。

3.3" 實(shí)驗(yàn)驗(yàn)證

模擬實(shí)際系統(tǒng)工作時的電壓波動，以輸入電壓為23 V，24 V，25 V下27組故障樣本對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從輸入電壓26 V下選取全部9類故障為測試樣本，對訓(xùn)練好的ELM網(wǎng)絡(luò)進(jìn)行測試，并與基于電壓或電流單源信息的診斷方法進(jìn)行對比。

測試結(jié)果如表2與表3所示，實(shí)驗(yàn)證明實(shí)際輸出與目標(biāo)輸出完全相符，與基于電壓或電流單源信息相比，本文所提出的小波包變換?多源特征向量?極限學(xué)習(xí)機(jī)（ELM）診斷方法準(zhǔn)確率高，效果良好，泛化能力強(qiáng)。

4" 結(jié)" 論

本文提出利用小波包變換?多源特征向量?極限學(xué)習(xí)機(jī)（ELM）對微電網(wǎng)雙向多端口變換器進(jìn)行兩種工作模式下各元器件的故障診斷。算法結(jié)構(gòu)簡單，計(jì)算量較小，易于在實(shí)際應(yīng)用中實(shí)現(xiàn)。故障診斷結(jié)果表明，本文提出的方法可以診斷出Boost/Buck兩種工作模式下的多種故障，而且可以精確定位到具體的故障元件，診斷精度高，泛化能力強(qiáng)，適用于多端口變流系統(tǒng)，為雙向多端口變換器電路的故障診斷提供了一種較為有效的智能診斷方法，同時為微電網(wǎng)逆變系統(tǒng)智能化故障診斷以及微電網(wǎng)安全高效運(yùn)行提供了一定的理論基礎(chǔ)。

參考文獻(xiàn)

[1] 王成山，武震，李鵬.微電網(wǎng)關(guān)鍵技術(shù)研究[J].電工技術(shù)學(xué)報，2014，29（2）：1?12.

WANG Chengshan， WU Zhen， LI Peng. Research on key technologies of microgrid [J]. Journal of electrical technology， 2014， 29（2）： 1?12.

[2] 楊新法，蘇劍，呂志鵬，等.微電網(wǎng)技術(shù)綜述[J].中國電機(jī)工程學(xué)報，2014，34（1）：57?70.

YANG Xinfa， SU Jian， Lü Zhipeng， et al. Microgrid technology review [J]. Chinese journal of electrical engineering， 2014， 34（1）： 57?70.

[3] 程志江，李永東，謝永流，等.帶超級電容的光伏發(fā)電微網(wǎng)系統(tǒng)混合儲能控制策略[J].電網(wǎng)技術(shù)，2015，39（10）：2739?2745.

CHENG Zhijiang， LI Yongdong， XIE Yongliu， et al. Hybrid energy storage control strategy for photovoltaic micro?grid systems with supercapacitors [J]. Grid technology， 2015， 39（10）： 2739?2745.

[4] MARCHESONI M，VACCA C. New DC?DC converter for energy storage system interfacing in fuel cell hybrid electric vehicles. Power Electronics [J]. IEEE transactions on power electronics， 2007， 22（1）： 301?308.

[5] 趙玲霞.風(fēng)光柴互補(bǔ)發(fā)電系統(tǒng)中并網(wǎng)雙向逆變器的研究[D].蘭州：蘭州理工大學(xué)，2010.

ZHAO Lingxia. Research on grid?connected bidirectional inver?ter in wind?solar?diesel hybrid power generation system [D]. Lanzhou： Lanzhou University of Technology， 2010.

[6] 秦曉晴.基于有源升壓整流單元的全橋多端口變換器研究[D].南京：南京航空航天大學(xué)，2015.

QIN Xiaoqing. Full bridge multiport converter based on active boost rectifier unit [D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2015.

[7] 韓光.教學(xué)用微網(wǎng)平臺設(shè)計(jì)及其雙向逆變器的研制[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

HAN Guang. Design of microgrid platform for teaching and development of bidirectional inverter [D]. Harbin： Harbin Institute of Technology， 2015.

[8] 樊東東.用于電池儲能系統(tǒng)的雙向DC/DC變換器研究[D].淮南：安徽理工大學(xué)，2017.

FAN Dongdong. Research on bi?directional DC/DC converter for battery energy storage system [D]. Huainan： Anhui University of Science and Technology， 2017.

[9] 楊彥杰，陳月，楊康.小波包分析與神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)線路故障診斷[J].自動化儀表，2017，38（9）：65?69.

YANG Yanjie， CHEN Yue， YANG Kang. Wavelet packet analysis and neural network for microgrid line fault diagnosis [J]. Process automation instrumentation， 2017， 38（9）： 65?69.

[10] 張寶偉，帕孜來?馬合木提，王芳.電動汽車逆變器故障診斷[J].電力電子技術(shù)，2018，52（2）：66?68.

ZHANG Baowei， Pazilai?Mahemuti， WANG Fang. Fault diagnosis of inverter for electric vehicle [J]. Power electronics technology， 2018， 52（2）： 66?68.

[11] 羅慧，王友仁，崔江，等.電力電子電路多源特征層融合故障診斷方法[J].電機(jī)與控制學(xué)報，2010，14（4）：92?96.

LUO Hui， WANG Youren， CUI Jiang， et al. Multi?source feature layer fusion fault diagnosis method for power electronic circuits [J]. Acta motor and control， 2010， 14（4）： 92?96.

[12] 何星，王宏力，陸敬輝，等.基于優(yōu)選小波包和ELM的模擬電路故障診斷[J].儀器儀表學(xué)報，2013，34（11）：2614?2619.

HE Xing， WANG Hongli， LU Jinghui， et al. Analog circuit fault diagnosis based on optimal wavelet packet and ELM [J]. Chinese journal of scientific instrument， 2013， 34（11）： 2614?2619.