三電平逆變器開(kāi)路故障診斷研究

萬(wàn)紅， 任曉紅， 范晉瑜， 俞嘯， 丁恩杰

(1.中國(guó)礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇 徐州 221008；2.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221008)

0 引言

隨著工業(yè)的快速發(fā)展，變頻器以其優(yōu)異的性能在中高壓、大功率設(shè)備上得到了廣泛的應(yīng)用[1-2]。三電平逆變器作為礦井提升機(jī)系統(tǒng)中的關(guān)鍵設(shè)備之一，發(fā)生故障后會(huì)嚴(yán)重影響礦井提升機(jī)的安全，帶來(lái)不同程度的人員傷亡和財(cái)產(chǎn)損失。因此，及時(shí)發(fā)現(xiàn)并處理三電平逆變器故障可有效保障礦井提升機(jī)的安全，對(duì)礦山安全生產(chǎn)有著重要意義[3]。

在實(shí)際運(yùn)行過(guò)程中，三電平逆變器故障多發(fā)生于功率開(kāi)關(guān)器件——絕緣柵型雙極晶體管(Insulated Gate Bipolar Transistor, IGBT)。三電平逆變器功率開(kāi)關(guān)器件發(fā)生的最常見(jiàn)的故障為短路故障和開(kāi)路故障[4]。短路故障可以通過(guò)保護(hù)電路實(shí)時(shí)檢測(cè)到，一旦三電平逆變器功率開(kāi)關(guān)模塊發(fā)生短路，保護(hù)電路會(huì)斷開(kāi)IGBT，將短路故障轉(zhuǎn)換為開(kāi)路故障[5-6]。而開(kāi)路故障會(huì)引起電流和電壓的畸變，但不會(huì)產(chǎn)生過(guò)電流，也不會(huì)觸發(fā)電路保護(hù)，必須通過(guò)一定的故障診斷技術(shù)進(jìn)行檢測(cè)[7]，長(zhǎng)期在畸變電流電壓驅(qū)動(dòng)下工作會(huì)造成電動(dòng)機(jī)損傷，甚至導(dǎo)致嚴(yán)重事故[8]，所以，三電平逆變器開(kāi)路故障的檢測(cè)與診斷是當(dāng)前研究的熱點(diǎn)問(wèn)題。

目前，三電平逆變器開(kāi)路故障診斷方法主要有基于解析模型的方法、基于信號(hào)處理的方法和基于知識(shí)的方法。

基于解析模型的方法通過(guò)計(jì)算電流閾值判斷故障，主要有基于電流軌跡、電流矢量變換等方法。文獻(xiàn)[9-10]提出了一種基于輸出電流軌跡的三電平逆變器開(kāi)路故障在線診斷方法，但三電平逆變器負(fù)載變化范圍大，該方法對(duì)負(fù)載變化敏感，缺乏較好的適應(yīng)性。文獻(xiàn)[11]提出了一種基于信號(hào)對(duì)稱重構(gòu)預(yù)處理的多尺度自適應(yīng)故障診斷方法，實(shí)現(xiàn)了微電網(wǎng)三電平逆變器在變負(fù)載情況下的任意開(kāi)關(guān)故障的診斷，但是三電平逆變器的運(yùn)行過(guò)程是一個(gè)復(fù)雜的非線性、時(shí)變的動(dòng)態(tài)過(guò)程，基于電流矢量變換或者電流瞬時(shí)角度確定故障相位的解析模型難以完全模擬實(shí)際運(yùn)行情況。文獻(xiàn)[12]提出了基于電流矢量和瞬時(shí)角度平均值的快速故障檢測(cè)方法，該方法對(duì)工況變化和噪聲較為敏感，在有噪聲影響的情況下故障診斷準(zhǔn)確率較低。

基于信號(hào)處理的方法主要通過(guò)時(shí)域計(jì)算技術(shù)和頻域計(jì)算技術(shù)提取電流或電壓信號(hào)的時(shí)域或頻域特征，進(jìn)而利用特征學(xué)習(xí)實(shí)現(xiàn)故障診斷。文獻(xiàn)[13]通過(guò)時(shí)域計(jì)算技術(shù)從電流特征中識(shí)別早期的故障，然后使用支持向量機(jī)分類器實(shí)現(xiàn)故障分類，該方法提取到了信號(hào)的時(shí)域特征，但卻忽略了信號(hào)頻域中包含的重要信息。文獻(xiàn)[14]提出了基于傅里葉變換與支持向量機(jī)(FFT-RPCA-SVM)的故障診斷方法，利用傅里葉變換提取特征，利用相對(duì)主成分分析進(jìn)行降維，利用支持向量機(jī)實(shí)現(xiàn)故障分類，但該方法只適應(yīng)小樣本的故障診斷，雖然利用傅里葉變換分析方法提取了信號(hào)頻域特征，但卻丟失了信號(hào)的時(shí)域特征，在信號(hào)突變的情況下故障識(shí)別率較低。

隨著計(jì)算機(jī)計(jì)算能力的提升，智能算法被廣泛應(yīng)用在各個(gè)領(lǐng)域，針對(duì)故障診斷問(wèn)題，國(guó)內(nèi)外學(xué)者提出了貝葉斯、模糊推理、人工神經(jīng)網(wǎng)絡(luò)等基于知識(shí)的故障診斷方法。文獻(xiàn)[15]利用神經(jīng)網(wǎng)絡(luò)，在不改變電流采樣率的情況下對(duì)不同頻率電流進(jìn)行分析，實(shí)現(xiàn)了IGBT故障的準(zhǔn)確診斷，神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力，但是存在收斂速度慢、易陷入局部最小值的問(wèn)題。文獻(xiàn)[16]提出了利用基于堆棧自編碼器的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，利用SOFTMAX進(jìn)行分類的故障診斷方法。文獻(xiàn)[17]提出了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的開(kāi)路故障檢測(cè)方法，僅需要利用三電平逆變器輸出電流就可以進(jìn)行故障診斷，但該方法需要大量數(shù)據(jù)學(xué)習(xí)，且計(jì)算量較大，不能滿足實(shí)時(shí)診斷的需求。

針對(duì)現(xiàn)有三電平逆變器開(kāi)路故障診斷方法存在的以上問(wèn)題，本文提出了一種基于小波分析和粒子群優(yōu)化支持向量機(jī)(Wavelet Transform-Partical Swarm Optimization-Support Vector Machines，WT-PSO-SVM)的故障診斷方法。利用小波變換提取三相電流信號(hào)各頻段能量，并計(jì)算正半周比例系數(shù)，采用粒子群尋優(yōu)支持向量機(jī)參數(shù)以構(gòu)建最優(yōu)分類器，將歸一化的能量值與正半周比例系數(shù)作為分類特征輸入分類器進(jìn)行故障分類。仿真實(shí)驗(yàn)結(jié)果證明：WT-PSO-SVM故障診斷方法能精確識(shí)別三電平逆變器的IGBT開(kāi)路故障，較其他故障診斷方法有更高的診斷精度和速度。

1 三電平逆變器故障分析

以二極管鉗位式(Neutral Point Clamped, NPC)三電平逆變器為例進(jìn)行故障分析。NPC三電平逆變器由直流側(cè)2個(gè)串聯(lián)直流支撐電容和A，B，C三相橋臂組成，每相橋臂包括2個(gè)鉗位二極管、4個(gè)功率開(kāi)關(guān)、4個(gè)續(xù)流二極管。NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)

NPC三電平逆變器的12個(gè)IGBT中，單個(gè)IGBT發(fā)生故障比較多，2個(gè)IGBT同時(shí)發(fā)生故障有一定的概率，并且會(huì)造成嚴(yán)重的危害，3個(gè)或3個(gè)以上的IGBT同時(shí)發(fā)生故障的概率非常小[18]，所以,本文只對(duì)單個(gè)IGBT和2個(gè)IGBT故障的情形進(jìn)行研究。將三電平逆變器IGBT發(fā)生開(kāi)路故障的情況共分為6類：① IGBT正常運(yùn)行，沒(méi)有發(fā)生故障，共有1種情況。② 只有1個(gè)IGBT發(fā)生故障，共有12種情況。③ 同一橋臂的不同半橋的2個(gè)IGBT同時(shí)發(fā)生故障，共有12種情況。④ 同一橋臂的相同半橋的2個(gè)IGBT同時(shí)發(fā)生故障，共有6種情況。⑤ 不同橋臂的相同半橋的2個(gè)IGBT發(fā)生故障，共有24種情況。⑥ 交叉連接(不同橋臂不同半橋)的2個(gè)IGBT故障，共有24種情況。將①—③定義為簡(jiǎn)單故障，⑤—⑥定義為復(fù)雜故障。同一橋臂相同半橋的2個(gè)IGBT故障與橋臂內(nèi)側(cè)單個(gè)IGBT故障輸出端電流特征相同，無(wú)法直接根據(jù)輸出端三相電流進(jìn)行區(qū)分，必須安裝電壓互感器測(cè)量每一相橋臂的局部電壓才能做出判斷，成本較高，本文不對(duì)此故障類型進(jìn)行診斷。本文所研究的NPC三電平逆變器開(kāi)路故障見(jiàn)表1，共計(jì)73種故障狀態(tài)。

通過(guò)Matlab的Simulink仿真模塊建立NPC三電平逆變器電路仿真模型，提取不同故障下輸出端的三相電流作為診斷信號(hào)，正常狀態(tài)和部分IGBT開(kāi)路故障情況下的三相電流Ia、Ib、Ic波形如圖2所示。

圖2(a)為正常運(yùn)行狀態(tài)下的輸出電流波形，各相電流近似正弦波。圖2(b)為Sa1發(fā)生開(kāi)路故障時(shí)的電流波形，A相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周不變。圖2(c)為Sa1和Sa3同時(shí)發(fā)生開(kāi)路故障時(shí)的電流波形，A相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周電流幅值幾乎為零。圖2(d)為Sb1和Sc3同時(shí)發(fā)生開(kāi)路故障時(shí)的電流波形，B相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周電流波形幾乎不變，C相正半周電流幅值不變，負(fù)半周電流幅值幾乎為零。由以上分析可知，三電平逆變器IGBT開(kāi)路故障會(huì)導(dǎo)致輸出三相電流不同程度的畸變，且不同位置發(fā)生故障時(shí)的輸出電流波形有較為明顯的差別，可以對(duì)三電平逆變器輸出三相電流進(jìn)行分析，提取故障特征，從而完成故障診斷。

表1 三電平逆變器開(kāi)路故障類型

(a)正常狀態(tài)

(b)Sa1發(fā)生開(kāi)路故障

(c)Sa1和Sa3發(fā)生開(kāi)路故障

(d)Sb1和Sc3發(fā)生開(kāi)路故障

2 故障診斷方法

WT-PSO-SVM故障診斷方法主要包括故障特征提取、故障分類訓(xùn)練和參數(shù)優(yōu)化3個(gè)過(guò)程。故障診斷流程如圖3所示。三電平逆變器發(fā)生故障時(shí)的三相電流波形會(huì)產(chǎn)生畸變，不同開(kāi)路故障波形有較大差異，經(jīng)小波分解后在高、中、低各頻帶的投影也有很好的區(qū)分度，故可以提取電流各頻帶能量作為故障特征。對(duì)能量特征進(jìn)行歸一化處理，計(jì)算電流正半周比例系數(shù)，組成特征向量作為PSO-SVM的輸入進(jìn)行訓(xùn)練，訓(xùn)練完成的PSO-SVM分類器用于故障的分類。

圖3 故障診斷流程

Step1：對(duì)三相電流信號(hào)進(jìn)行三層小波分解，得到4個(gè)頻帶的小波分解系數(shù)并進(jìn)行重構(gòu)，得到重構(gòu)信號(hào)Sn。計(jì)算電流信號(hào)的能量值。設(shè)第n個(gè)(n=0,1,2,3)重構(gòu)信號(hào)Sn的能量為En，則有

(1)

式中：j為小波分解層數(shù)；Xn為Sn的幅值。

Step2：以能量為元素構(gòu)造特征向量，特征向量T為

(2)

(3)

歸一化的能量特征向量T′為

(4)

Step3：小波變換提取到故障能量特征后，部分故障下所提取的能量十分接近，而其正負(fù)半周電流幅值有明顯差異，因此,引入表征正負(fù)半周電流幅值的正半周電流比例系數(shù)作為輔助特征。正半周比例系數(shù)定義為一個(gè)周期內(nèi)電流正半周平均值與整個(gè)周期內(nèi)正負(fù)半周平均值的絕對(duì)值之比，記為Kmean。

(5)

式中：I為電流值；mean(·)表示求平均值；abs(·)表示求絕對(duì)值。

Step4：小波變換提取電流能量歸一化特征與正半周系數(shù)作為SVM輸入，采用高斯核函數(shù)計(jì)算不同特征樣本間的距離，依據(jù)間隔最大化原則尋找分類超平面實(shí)現(xiàn)樣本分類，完成SVM分類器構(gòu)建。

Step5：為了提高故障診斷方法的泛化能力，利用粒子群算法對(duì)SVM的核函數(shù)參數(shù)g和懲罰系數(shù)C進(jìn)行優(yōu)化。隨機(jī)初始化粒子的初始位置與速度，設(shè)定最大迭代次數(shù)為200次，利用交叉驗(yàn)證的方法計(jì)算適應(yīng)度值并更新粒子速度和位置，達(dá)到迭代次數(shù)后將最佳適應(yīng)度值的參數(shù)作為PSO-SVM核函數(shù)參數(shù)g和懲罰系數(shù)C，最終實(shí)現(xiàn)故障診斷，并利用測(cè)試集樣本驗(yàn)證故障診斷方法的準(zhǔn)確性。

2.1 基于小波變換的故障特征提取

基于小波變換對(duì)信號(hào)進(jìn)行分解，提取信號(hào)的時(shí)頻域信息，將信號(hào)分解為細(xì)節(jié)部分和逼近部分[19]，可以在保證故障信息完整性的同時(shí)最小化特征維度。信號(hào)f(t)的小波變換Wf(a,b)可以表示為

(6)

通過(guò)小波分解將時(shí)域信號(hào)分解到不同的頻帶上，三層小波分析樹(shù)形分解如圖4所示，對(duì)信號(hào)進(jìn)行三層小波分解可以得到4個(gè)頻帶的小波分解系數(shù)，總重構(gòu)信號(hào)S可表示為

S=A3+D3+D2+D1

(7)

式中：A3為信號(hào)的近似分量；D3，D2，D1為信號(hào)的細(xì)節(jié)分量。

圖4 三層小波分析樹(shù)形分解

2.2 支持向量機(jī)故障分類

通過(guò)小波變換提取的特征具有非線性、高維的特點(diǎn)，故采用SVM作為分類器進(jìn)行故障分類。

對(duì)于分類問(wèn)題，SVM依據(jù)間隔最大化原則，尋找分類超平面對(duì)樣本進(jìn)行分類。由z個(gè)樣本組成的樣本集M={xi,yi|i=1,2,…,z},xi∈R,yi∈R，R表示實(shí)數(shù)集，將樣本空間映射到更高維空間，令φ(x)表示x映射到高維空間后的特征向量，劃分超平面對(duì)應(yīng)的算法f(x)為

f(x)=wTφ(x)+l

(8)

式中：w為超平面的法向量；l為超平面截距。

分類間隔d為

(9)

SVM根據(jù)間隔最大化原則求解分類超平面，即

s.t.yi(wTφ(xi)+l)≥1,i=1,2,…,z

(10)

s.t.yi(wTφ(xi)+l)≥1

(11)

凸優(yōu)化二次規(guī)劃問(wèn)題可以采用拉格朗日乘子法求解，拉格朗日函數(shù)為

(12)

式中α為拉格朗日系數(shù)。

凸優(yōu)化二次規(guī)劃問(wèn)題就轉(zhuǎn)化為關(guān)于α的問(wèn)題：

αi≥0,i=1,2,…,z

(13)

通過(guò)求解α可以得到劃分超平面算法中的參數(shù)w，l。求解α?xí)婕坝?jì)算樣本xi和xj映射到特征空間之后的內(nèi)積φT(xi)φ(xj)，特征空間的維數(shù)高，直接計(jì)算比較困難，故在此引入SVM的核函數(shù)k(xi,xj)：

(14)

式中σ為高斯核的帶寬，σ>0。

φT(xi)φ(xj)可表示為xi,xj在原始樣本空間中通過(guò)引入k(xi,xj)所計(jì)算得到的函數(shù)值。

k(xi,xj)=<φ(xi),φ(xj)>=φT(xi)φ(xj)

(15)

最終f(x)可表示為

(16)

2.3 PSO算法優(yōu)化SVM

SVM分類準(zhǔn)確率、泛化能力與核函數(shù)參數(shù)g和懲罰系數(shù)C有一定關(guān)系，隨著C增大，SVM容易出現(xiàn)過(guò)擬合問(wèn)題，而C過(guò)小則容易出現(xiàn)欠擬合問(wèn)題；隨著g減小，SVM的性能會(huì)提升，但過(guò)小,SVM會(huì)變?yōu)榫€性模型。利用PSO對(duì)SVM的參數(shù)進(jìn)行優(yōu)化可以在不增加訓(xùn)練樣本的情況下提高分類的準(zhǔn)確率和泛化能力，PSO-SVM算法步驟如下：

Step1：初始化PSO運(yùn)行參數(shù)，在允許范圍內(nèi)隨機(jī)產(chǎn)生m個(gè)粒子的初始位置和速度，利用樣本訓(xùn)練SVM分類器，并采用交叉驗(yàn)證的方法計(jì)算適應(yīng)度值，設(shè)置每個(gè)粒子最優(yōu)位置(P)為粒子當(dāng)前位置，計(jì)算個(gè)體極值與全局極值，整個(gè)粒子群最優(yōu)位置(G)為個(gè)體極值最好的粒子的位置。

Step2：用式(17)更新每個(gè)粒子的速度vi(k+1)和位置xi(k+1)。

(17)

式中：q為慣性因子；c1，c2為學(xué)習(xí)因子；r1，r2為[0,1]的均勻隨機(jī)數(shù)；k為當(dāng)前迭代次數(shù)；vi(k)和xi(k)為當(dāng)前第i個(gè)粒子的速度和位置,i=1,2,…，m。

Step3：更新P與G，P更新為適應(yīng)度值高于當(dāng)前個(gè)體極值的位置，G更新為所有粒子中極值最好的個(gè)體位置，且比當(dāng)前全局極值的粒子的位置好，同時(shí)更新個(gè)體極值與全局極值。

Step4：達(dá)到預(yù)設(shè)的最大迭代次數(shù)或達(dá)到預(yù)期效果就終止迭代，否則返回Step2。

Step5：得到最佳的參數(shù)組合，完成PSO-SVM分類方法構(gòu)建。

3 實(shí)驗(yàn)與結(jié)果分析

通過(guò)Matlab的Simulink仿真模塊搭建了NPC三電平逆變器的故障仿真模型，采樣頻率為10 kHz，采樣時(shí)間為0.1 s，每組采樣1 000個(gè)數(shù)據(jù)點(diǎn)。為保證實(shí)驗(yàn)的準(zhǔn)確性，進(jìn)行9種工況下的采樣，直流側(cè)電壓U、負(fù)載電阻R、負(fù)載電感L分別設(shè)置如下：①U=280 V，R=1 Ω，L=0.01 H；②U=400 V，R=1 Ω，L=0.01 H；③U=720 V，R=1 Ω，L=0.01 H；④U=280 V，R=5 Ω，L=0.01 H；⑤U=400 V，R=5 Ω，L=0.01 H；⑥U=720 V，R=5 Ω，L=0.01 H；⑦U=280 V，R=1 Ω，L=0.05 H；⑧U=400 V，R=1 Ω，L=0.05 H；⑨U=720 V，R=1 Ω，L=0.05 H。每種工況下采集5組電流信號(hào)，73種故障狀態(tài)下共采集3 285個(gè)電流信號(hào)作為實(shí)驗(yàn)樣本Case1，加入10%的高斯白噪聲作為實(shí)驗(yàn)樣本Case2。加入10%高斯白噪聲后，Sa2故障時(shí)A相電流波形如圖5所示。

(a)原始電流波形

(b)噪聲信號(hào)

(c)加入10%高斯白噪聲的電流波形

對(duì)采集的73種故障的三相電流數(shù)據(jù)進(jìn)行db3三層小波分解，Sa2發(fā)生故障時(shí)A相電流信號(hào)小波分解結(jié)果如圖6所示，其中f(t)為原始電流信號(hào)，A3為小波分解后的近似分量，D1、D2、D3為細(xì)節(jié)分量。從圖6可看出，小波分解出的近似分量很好地保留了信號(hào)的波形特征。

對(duì)分解后的信號(hào)進(jìn)行重構(gòu),提取各頻帶的能量并進(jìn)行歸一化處理，表2為部分A相電流小波分析提取的能量特征。由表2可看出, 部分故障之間的能量區(qū)分度較大，但是也存在部分故障所提取的能量十分接近的情況，如Sa2和Sa3發(fā)生故障時(shí)，能量特征十分接近，單一地使用能量特征進(jìn)行故障診斷容易造成誤判。

表2 部分A相電流小波分析提取的能量特征

(a)加入10%高斯白噪聲的電流波形

(b)小波變換后信號(hào)近似系數(shù)A3

(c)小波變換后信號(hào)細(xì)節(jié)系數(shù)D3

(d)小波變換后信號(hào)細(xì)節(jié)系數(shù)D2

(e)小波變換后信號(hào)細(xì)節(jié)系數(shù)D1

Sa2、Sa3故障時(shí)的電流波形如圖7、圖8所示。從圖7、圖8可看出，Sa2故障時(shí)，A相電流正半周幅值和正常狀態(tài)相同，負(fù)半周幅值趨近于0；Sa3故障時(shí)則相反，A相電流正半周幅值與正常狀態(tài)相同，負(fù)半周幅值趨近于0，2種故障正負(fù)半周幅值有明顯差異。不同故障間的正負(fù)半周幅值有明顯差異，所以，文中引入正半周比例系數(shù)作為故障識(shí)別的輔助特征。

(a)Sa2故障時(shí)A相電流波形

(b)Sa2故障時(shí)B相電流波形

(c)Sa2故障時(shí)C相電流波形

(a)Sa3故障時(shí)A相電流波形

(b)Sa3故障時(shí)B相電流波形

(c)Sa3故障時(shí)C相電流波形

計(jì)算得到的部分三相電流正半周比例系數(shù)見(jiàn)表3。由表3可看出，Sa2和Sa3三相電流的正半周比例系數(shù)有較大差異，利用正半周比例系數(shù)可以較好地區(qū)分2種故障。

表3 部分三相電流正半周比例系數(shù)

將三相電流能量特征和正半周比例系數(shù)組成的故障診斷特征輸入SVM分類器，并利用PSO算法進(jìn)行參數(shù)尋優(yōu)。訓(xùn)練完成的SVM分類器可用于三電平逆變器開(kāi)路故障特征樣本的分類。

利用Simulink三電平逆變器仿真模型導(dǎo)出9種工況下的3 285個(gè)電流信號(hào)進(jìn)行實(shí)驗(yàn)。原始電流信號(hào)為Case1，加入10%的高斯白噪聲信號(hào)為Case2。采用前6種工況的數(shù)據(jù)(2 190個(gè)樣本數(shù)據(jù))作為訓(xùn)練集進(jìn)行訓(xùn)練，后3種工況(1 095個(gè)樣本數(shù)據(jù))作為測(cè)試集測(cè)試故障診斷方法的準(zhǔn)確性。

WT-PSO-SVM方法采用db3三層小波分解提取三相電流信號(hào)能量，歸一化能量和三相電流的正半周比例系數(shù)共15個(gè)特征作為SVM的輸入。SVM采用RBF核函數(shù)，PSO算法初始化種群數(shù)目為200，迭代次數(shù)為200，進(jìn)行特征分類學(xué)習(xí)。WT-PSO-SVM方法在Case2上的PSO優(yōu)化SVM適應(yīng)度曲線如圖9所示，在迭代了17次之后,最佳適應(yīng)度能夠保持最高，計(jì)算得出適應(yīng)度最高時(shí)的懲罰系數(shù)C=6.2，核函數(shù)參數(shù)g=62.4。

圖9 PSO優(yōu)化SVM適應(yīng)度曲線

分別提取Case1與Case2的歸一化能量和正半周比例系數(shù)輸入訓(xùn)練完成的SVM分類器用于故障識(shí)別，WT-PSO-SVM算法在Case1與Case2測(cè)試集的故障識(shí)別準(zhǔn)確率分別為97.8%和97.3%。由于實(shí)驗(yàn)樣本較多，無(wú)法完全展現(xiàn)所有樣本的測(cè)試情況，選取Case2測(cè)試集中4組(292個(gè))樣本進(jìn)行展示。部分樣本測(cè)試分類結(jié)果如圖10所示，故障類別標(biāo)簽按照表1中順序從1～73進(jìn)行標(biāo)注。從圖10可看出,正確分類樣本為284個(gè)，錯(cuò)誤分類樣本為8個(gè)，分類準(zhǔn)確率為97.3%。

圖10 Case2部分測(cè)試樣本分類結(jié)果

進(jìn)一步進(jìn)行不同故障診斷方法對(duì)比實(shí)驗(yàn)，不同故障診斷方法的準(zhǔn)確率比較如圖11所示。

利用快速傅里葉變換(Fast Fourier Transform, FFT)對(duì)三電平逆變器三相電流信號(hào)進(jìn)行頻譜分析，信號(hào)的幅度譜表示對(duì)應(yīng)頻率的能量，而相位譜表示對(duì)應(yīng)頻率的相位特征。信號(hào)經(jīng)傅里葉變換,不同故障在直流分量、3次諧波、5次諧波的幅值和相位上有較大的區(qū)分度，故將此3個(gè)分量的幅值相位和正半周比例系數(shù)共21個(gè)特征作為BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)的輸入，進(jìn)行分類訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)為Sigmoid函數(shù)，隨機(jī)初始化權(quán)重和偏置；特征向量為21維，BP神經(jīng)網(wǎng)絡(luò)的輸入層為21個(gè)神經(jīng)元；隱含層為單層，20個(gè)神經(jīng)元；輸出層為73個(gè)神經(jīng)元?；诟道锶~變換與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法(FFT-BPNN)在Case1與Case2測(cè)試集的故障識(shí)別準(zhǔn)確率分別為94.4%和89.4%。

圖11 不同故障診斷方法的準(zhǔn)確率比較

將經(jīng)傅里葉變換提取的直流分量、3次諧波、5次諧波的幅值、相位和正半周比例系數(shù)作為SVM的輸入進(jìn)行分類學(xué)習(xí)?；诟道锶~變換與支持向量機(jī)的故障診斷方法(FFT-SVM)在Case1與Case2測(cè)試集的故障識(shí)別準(zhǔn)確率分別為95.3%和89.6%。

將三層小波提取的能量與正半周比例系數(shù)共15個(gè)特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入。BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)為Sigmoid函數(shù)，隨機(jī)初始化權(quán)重和偏置；特征向量為15維，BP神經(jīng)網(wǎng)絡(luò)的輸入層為15個(gè)神經(jīng)元；隱含層為單層，20個(gè)神經(jīng)元；輸出層為73個(gè)神經(jīng)元?；谛〔ㄗ儞Q與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法(WT-BPNN)在Case1與Case2測(cè)試集的故障識(shí)別準(zhǔn)確率分別為95.8%和94.9%。

從圖10、圖11可看出，F(xiàn)FT-BPNN與FFT-SVM方法準(zhǔn)確率較低，且在有噪聲情況下的準(zhǔn)確率波動(dòng)較大。WT-BPNN方法可以有效實(shí)現(xiàn)三電平逆變器故障的診斷。WT-PSO-SVM方法診斷正確率最高達(dá)到97.8%，且在10%高斯白噪聲情況下依然可以準(zhǔn)確識(shí)別故障。

4 結(jié)論

(1)提出了基于小波分析和粒子群優(yōu)化支持向量機(jī)(WT-PSO-SVM)的故障診斷方法。對(duì)NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)進(jìn)行了分析，將三電平逆變器開(kāi)路故障按照故障元件位置分為6類，通過(guò)仿真實(shí)驗(yàn)對(duì)三電平逆變器輸出端三相電流波形進(jìn)行初步分析，并利用db3三層小波對(duì)三相電流信號(hào)進(jìn)行小波分解，得到4個(gè)頻帶的小波分解系數(shù)并進(jìn)行重構(gòu)，提取重構(gòu)后各頻帶的能量值。由于提取能量較大會(huì)對(duì)SVM特征學(xué)習(xí)造成困難，故對(duì)各頻帶的能量進(jìn)行歸一化處理，同時(shí)引入正半周比例系數(shù)輸入SVM。利用PSO算法優(yōu)化SVM參數(shù)，以提高泛化能力，用PSO-SVM故障診斷方法實(shí)現(xiàn)故障的分類。

(2)利用三電平逆變器輸出端三相電流作為原始電流數(shù)據(jù)樣本，在原始電流數(shù)據(jù)樣本下和加入10%高斯白噪聲的數(shù)據(jù)樣本下進(jìn)行不同診斷方法對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：WT-PSO-SVM故障診斷方法可準(zhǔn)確識(shí)別與定位三電平逆變器的開(kāi)路故障，與傅里葉變換方法和BP神經(jīng)網(wǎng)絡(luò)算法相比，在變負(fù)載和有噪聲影響的情況下仍有較高的準(zhǔn)確率，準(zhǔn)確率達(dá)97.3%。