基于支持向量機的模塊化多電平換流器子模塊開路故障診斷方法

魏銀圖 張 旸 溫步瀛 王懷遠

基于支持向量機的模塊化多電平換流器子模塊開路故障診斷方法

魏銀圖 張 旸 溫步瀛 王懷遠

（福州大學(xué)電氣工程與自動化學(xué)院，福州 350116）

隨著模塊化多電平換流器（MMC）應(yīng)用范圍越來越廣泛，其子模塊的開路故障診斷方法成為研究熱點。MMC的故障樣本少，正常樣本多，冗余子模塊過多。針對此問題，本文提出基于支持向量機（SVM）的MMC子模塊開路故障診斷方法，判斷子模塊故障發(fā)生在區(qū)內(nèi)還是區(qū)外，以實現(xiàn)故障子模塊的檢測和定位。針對MMC子模塊開路故障特征，選取子模塊電容電壓作為樣本特征，分析子模塊故障對A、B、C相樣本的影響，通過賦予A、B、C相正常樣本不同的權(quán)重系數(shù)，提高故障識別的準(zhǔn)確率。最后，搭建MMC仿真模型，證明了所提方法的有效性。

模塊化多電平換流器（MMC）；子模塊開路故障；故障診斷；樣本差異化；支持向量機（SVM）

0 引言

模塊化多電平換流器（modular multilevel con- verter, MMC）因具有高度模塊化、易拓展性、高輸出品質(zhì)、豐富的應(yīng)用場景等多種優(yōu)勢，在柔性直流輸電領(lǐng)域及新能源并網(wǎng)領(lǐng)域獲得了廣泛關(guān)注[1-2]。由于基于MMC的柔性直流輸電系統(tǒng)逐漸向高電壓、高功率、大容量、多端口的方向迅速發(fā)展[3]，MMC子模塊的數(shù)量也快速增加，從而提高了MMC的故障概率。MMC的子模塊由大量功率器件組成，每個功率器件都是潛在的故障點。功率器件故障會使MMC無法正常運行，可能會在系統(tǒng)中引發(fā)連鎖故障，如果不能及時檢測并定位故障，將會帶來嚴(yán)重后果[4]。因此，探求卓效、可靠的MMC故障檢測方法對MMC的穩(wěn)定運行具有重要意義。

絕緣柵雙極型晶體管（insulated gate bipolar tra- nsistor, IGBT）的故障可分為短路故障和開路故障[5]兩種。IGBT短路故障會導(dǎo)致橋臂直通，電流短時間內(nèi)迅速增大，對開關(guān)器件和整個換流器造成極大的傷害。由于短路故障特性顯著，通過常規(guī)的過電壓、過電流檢測即可識別故障子模塊，因此通常在IGBT的驅(qū)動電路中添加短路保護電路，以便快速將故障排除。IGBT開路故障沒有顯著的故障特性[6-7]，需要特定的檢測方法才能檢測和定位故障子模塊。持續(xù)的IGBT開路故障會破壞整個MMC的穩(wěn)定運行，從而對MMC造成更大規(guī)模的破壞[8-9]。因此，IGBT的開路故障診斷對提升MMC運行的穩(wěn)定性具有重要意義。

目前，針對MMC開路故障的診斷方法主要分為硬件法[10-11]和軟件法[12-17]。硬件法無法直接應(yīng)用于已建成的MMC中，其應(yīng)用范圍具有較大的局限性。與硬件法不同，軟件法可以直接應(yīng)用于已建成的MMC中。軟件法主要分為基于模型分析[12-13]的方法和基于機器學(xué)習(xí)[14-17]的方法。模型分析法需要精確的解析模型，對MMC的故障診斷性能受參數(shù)取值影響，而且需要大量的比較閾值，增加了設(shè)計難度，魯棒性較弱。文獻[14]通過對子模塊電容電壓進行小波包分解（wavelet packet decomposition, WPD）與主成分分析（principal component analysis, PCA），提取主成分與降噪處理，提出一種基于遺傳算法（genetic algorithm, GA）和反向傳播（back propagation, BP）的故障定位算法。文獻[15]將時間、環(huán)流、負(fù)載電流、子模塊電容電壓作為樣本特征，采用一維卷積神經(jīng)網(wǎng)絡(luò)對故障進行診斷和識別。文獻[16]通過堆疊稀疏自編碼器（stacked sparse auto- encoder, SSAE）自動提取故障深層特征，提出一種無需采集故障樣本的無監(jiān)督故障診斷方法。文獻[17]將子模塊電容電壓作為樣本特征，通過滑動窗口特征捕捉，擴充了樣本集；對子模塊電容電壓進行特征提取，降低了樣本的特征維度，提出了基于隨機森林二分類器的MMC子模塊開路故障診斷方法。

基于機器學(xué)習(xí)的方法不涉及MMC的解析模型，受參數(shù)取值不確定的影響較小，具有較強的魯棒性。由于MMC的故障樣本少，正常樣本多，通過判斷子模塊故障發(fā)生在區(qū)內(nèi)或區(qū)外，從而進行故障子模塊的診斷和定位。本文首先介紹MMC的基本工作原理及子模塊發(fā)生開路故障時的故障特性，選取最能反映子模塊開路故障特性的參數(shù)作為故障特征參量，提出一種基于支持向量機（support vector machine, SVM）的MMC子模塊開路故障診斷策略，賦予A、B、C三相樣本不同的權(quán)重系數(shù)，以提高故障樣本和總體樣本的評估準(zhǔn)確率。

1 MMC的基本工作原理及子模塊開路故障分析

1.1 MMC的拓?fù)浣Y(jié)構(gòu)

MMC電路拓?fù)浣Y(jié)構(gòu)如圖1所示，每一相都由上、下兩個橋臂組成，個子模塊和電抗器串聯(lián)組成每個橋臂。如圖1所示，每個子模塊采用半橋結(jié)構(gòu)，由上、下兩個IGBT器件VT1、VT2，兩個反并聯(lián)的二極管VD1、VD2及一個電容并聯(lián)而成。圖1中，dc、dc為直流側(cè)電壓、電流，pj、nj（=a, b, c）為上、下橋臂電流，pj、nj為上、下橋臂電壓，vj、vj為交流側(cè)輸出的相電壓、相電流，sm為子模塊的輸入電流，sm為子模塊的輸出電壓，c為子模塊的電容電壓。

圖1 MMC電路拓?fù)浣Y(jié)構(gòu)

1.2 子模塊開路故障分析

MMC正常運行時，子模塊的四種運行模式見表1。當(dāng)電流流經(jīng)電容時，子模塊處于投入狀態(tài)，子模塊的輸出電壓為子模塊的電容電壓。而當(dāng)電流未流經(jīng)電容時，子模塊處于切除狀態(tài)，子模塊的輸出電壓為0。投入狀態(tài)的子模塊可以通過sm的方向，判斷電容的充放電狀態(tài)，若此時sm的方向與圖1方向一致，電容處于充電狀態(tài)；若此時sm的方向與圖1方向相反，電容處于放電狀態(tài)。

表1 子模塊的四種運行模式

子模塊開路故障內(nèi)部運行情況如圖2所示，圖2（a）為子模塊模式2的工作狀態(tài)。正常情況下子模塊的輸出電壓為c，若此時VT1發(fā)生開路故障，電流將無法通過和VT1流出子模塊，只能被迫通過VD2進行續(xù)流，導(dǎo)致子模塊輸出電壓為0。因此，故障子模塊將不存在放電的工作狀態(tài)，故障子模塊的電容電壓將高于橋臂中其余正常子模塊。

（a）模式2下VT1發(fā)生故障（b）模式3下VT2發(fā)生故障

圖2（b）為子模塊模式3的工作狀態(tài)。正常情況下，子模塊的輸出電壓為0。但是，如果VT2發(fā)生開路故障，電流將無法通過VT2流出子模塊，因而被迫經(jīng)過VD1和續(xù)流，此時故障子模塊的電容處于充電的工作狀態(tài)，因此造成故障子模塊的電容電壓將高于橋臂中其余正常子模塊。

綜上所述，當(dāng)子模塊的上管或下管發(fā)生開路故障時，會導(dǎo)致子模塊異常充放電，相比正常子模塊，故障子模塊的電容電壓更高，因此選取子模塊電容電壓作為故障監(jiān)測和定位的特征量。

2 基于SVM的開路故障診斷方法

MMC子模塊開路故障診斷問題可以看作是一個分類問題。深度學(xué)習(xí)具有較高的預(yù)測精度，但時效性較差。相比于深度學(xué)習(xí)，淺層學(xué)習(xí)的計算速度快，滿足MMC子模塊開路故障在線實時監(jiān)測的要求。因此，本文以SVM為例構(gòu)建MMC子模塊開路故障評估模型。

2.1 SVM的基本原理

SVM的基本思想是找到幾何間隔最大的分類超平面，從而降低誤分類率[18]。分類超平面對應(yīng)式（1），相應(yīng)的決策分類函數(shù)即式（2）。

要在特征空間上找到最大的間隔，使樣本數(shù)據(jù)最大化分離，需要保證式（3）成立。

約束條件為

式中，為懲罰系數(shù)。

約束條件為

通過序列最小優(yōu)化算法，決策函數(shù)的最終表達式為

MMC子模塊發(fā)生開路故障時，存在故障子模塊和正常子模塊。提取故障子模塊和正常子模塊的電容電壓作為樣本特征，SVM將樣本特征映射到高維空間，尋找空間中最大間隔分離超平面，可以正確分類故障樣本和正常樣本，從而實現(xiàn)MMC子模塊開路故障診斷。

2.2 A、B、C相樣本差異化的原理

1）A相子模塊故障對B、C相子模塊產(chǎn)生影響

MMC子模塊采取電容電壓均衡算法，同一橋臂的正常子模塊的電容電壓相近且波形近乎相同，對于正常子模塊，在一個工頻周期內(nèi)子模塊電容電壓的充、放電是平衡的，即電容電壓的變化量為0。

由1.2節(jié)分析可知，當(dāng)子模塊上管或下管發(fā)生開路故障時，相比正常子模塊，故障子模塊的電容電壓更高。但子模塊發(fā)生開路故障時，故障子模塊對于A、B、C相子模塊電容電壓的影響有所區(qū)別。

當(dāng)A相子模塊上管發(fā)生開路故障時，由于最近電平逼近是根據(jù)每個時刻子模塊電容電壓排序大小，選擇性地投入或切除子模塊，子模塊上管發(fā)生開路故障將導(dǎo)致子模塊無法進行放電，由于本文仿真中子模塊的利用率小于1，因此故障子模塊電容會充電到一定值后保持不變，故障子模塊的電容電壓為故障橋臂中所有子模塊電容電壓的最大值，此后故障子模塊的電容將一直處于旁路工作狀態(tài)，即電容既不充電也不放電，電容電壓達到一種平衡狀態(tài)。這種平衡狀態(tài)會對MMC的B、C兩相子模塊產(chǎn)生影響，因為當(dāng)橋臂電流為負(fù)時，故障子模塊的電容電壓最大，此時會選擇將故障子模塊投入，但故障子模塊上管發(fā)生了開路故障，使故障子模塊處于切除的工作狀態(tài)。故障子模塊的輸出電壓由子模塊的電容電壓變?yōu)?，造成橋臂電壓電平缺失，將直接導(dǎo)致A相支撐直流電壓的能力不足，使A相和B、C相橋臂電壓產(chǎn)生差值，從而產(chǎn)生基頻環(huán)流。

根據(jù)文獻[19]，上、下橋臂電流由直流分量、基頻分量與二倍頻分量組成，即

式中，z為橋臂的交流環(huán)流分量。從式（8）可以看出，基頻環(huán)流的產(chǎn)生會造成直流電流波動，進而影響B(tài)、C相的橋臂電流，從而影響B(tài)、C相子模塊的電容電壓。

當(dāng)A相子模塊下管發(fā)生開路故障時，vj不會在上、下橋臂均分。由1.2節(jié)分析可知，模式3中故障子模塊電容處于充電的工作狀態(tài)，而不是理論上的旁路工作狀態(tài)。假設(shè)故障子模塊電容電壓達到最大，當(dāng)VT1導(dǎo)通、VT2關(guān)斷時，橋臂電流為負(fù)，故障子模塊保持投入，電容處于放電工作狀態(tài)。但是，由于MMC逆變模式下一個工頻周期內(nèi)橋臂電流為正的時間大于橋臂電流為負(fù)的時間，且橋臂電流為正的時間內(nèi)橋臂電流的平均值大于橋臂電流為負(fù)的時間，因此一個工頻周期內(nèi)電容電壓的變化量大于0，即故障子模塊的電容電壓處于持續(xù)增加的過程，同樣也會引起環(huán)流的改變和直流電流的波動，進而影響B(tài)、C相的橋臂電流，從而影響B(tài)、C相子模塊的電容電壓。

2）樣本差異化對評估結(jié)果的影響

由于MMC的故障樣本少、正常樣本多，因此冗余子模塊過多。由2.2節(jié)1）的分析可知，當(dāng)A相子模塊發(fā)生故障時，會對B、C相子模塊電容電壓產(chǎn)生影響且影響比對A相子模塊電容電壓的影響更大。本文基于SVM通過判斷子模塊的故障發(fā)生在區(qū)內(nèi)或區(qū)外來進行子模塊的診斷和定位?？紤]到樣本差異化的影響，當(dāng)A相子模塊發(fā)生開路故障時，通過賦予A相正常樣本和B、C相正常樣本不同的權(quán)重系數(shù)，使模型更關(guān)注權(quán)重系數(shù)大的樣本，從而提高故障識別的評估準(zhǔn)確率。

3 算例分析

3.1 樣本集的構(gòu)造

本文基于Matlab/Simulink搭建21電平的MMC仿真模型，通過設(shè)置MMC子模塊的上管和下管開路故障，得到MMC的樣本數(shù)據(jù)集，共設(shè)置1 200組故障，故障均設(shè)置在A相子模塊，采集故障發(fā)生后0.1s的數(shù)據(jù)。本文所搭建的MMC模型共有120個子模塊，每組故障共有1個故障樣本和119個正常樣本，因此總共有1 200個故障樣本和142 800個正常樣本，總樣本量為144 000。由于各個正常狀態(tài)的子模塊電壓特性幾乎相同，故障子模塊的特性也與子模塊的位置無關(guān)，因此可以對每個子模塊使用相同的診斷方法，構(gòu)建一個二分類模型，對每個子模塊進行開路故障診斷，通過判斷子模塊的故障發(fā)生在區(qū)內(nèi)還是區(qū)外，實現(xiàn)子模塊的故障監(jiān)測和定位。根據(jù)MMC中子模塊的實際運行狀態(tài)，設(shè)置樣本的標(biāo)簽，將正常樣本的標(biāo)簽設(shè)置為0，故障樣本的標(biāo)簽設(shè)置為1。

3.2 實驗結(jié)果分析

MMC仿真模型參數(shù)見表2。以SVM為例建立MMC的子模塊開路故障評估模型，SVM采用徑向基函數(shù)作為核函數(shù)，錯誤項的懲罰系數(shù)和gamma核函數(shù)的系數(shù)分別設(shè)置為0.7和0.15。

表2 MMC仿真模型參數(shù)

式中：P為預(yù)測標(biāo)簽為正常的樣本預(yù)測錯誤的數(shù)量；N為預(yù)測標(biāo)簽為故障的樣本預(yù)測錯誤的數(shù)量；P為預(yù)測標(biāo)簽為正常的樣本預(yù)測正確的數(shù)量；N為預(yù)測標(biāo)簽為故障的樣本預(yù)測正確的數(shù)量。

隨機抽取1 000個訓(xùn)練樣本和1 000個測試樣本。訓(xùn)練集和測試集中正常樣本和故障樣本的數(shù)量比例均為1:1。由于B、C相的正常樣本多于A相的正常樣本，設(shè)置訓(xùn)練樣本和測試樣本的正常樣本中A相樣本和B、C相樣本的比例接近1。為了克服數(shù)據(jù)隨機性所帶來的干擾，隨機進行三次仿真實驗，并分別計算三個評價指標(biāo)，將各評價指標(biāo)取平均值即為最終的實驗結(jié)果。

1）A、B、C三相樣本差異化賦值對評估準(zhǔn)確率的影響

為了測試A、B、C三相樣本權(quán)重系數(shù)賦值對評估結(jié)果的影響，提取故障后四分之一周波電壓數(shù)據(jù)作為樣本特征。將A相正常樣本的權(quán)重系數(shù)固定為1，設(shè)置故障樣本的權(quán)重系數(shù)和B、C相正常樣本權(quán)重系數(shù)相同。通過實驗得到B、C相正常樣本權(quán)重最優(yōu)的兩組賦值，測試結(jié)果見表3。

表3 B、C相正常樣本不同權(quán)重系數(shù)的測試結(jié)果

由表3可知，相比樣本沒有添加權(quán)重系數(shù)，給B、C相正常樣本加權(quán)重系數(shù)的方法對于區(qū)內(nèi)故障的錯誤率接近0，但是對于區(qū)外故障的錯誤率有所升高，總體的評估準(zhǔn)確率稍有上升。在MMC中故障子模塊會影響系統(tǒng)的穩(wěn)定運行，持續(xù)的開路故障會給MMC帶來不可逆的破壞，通常更關(guān)注區(qū)內(nèi)故障的評估準(zhǔn)確率，因此給B、C相正常樣本加權(quán)重的方法具有一定的優(yōu)越性。

將B、C相正常樣本的權(quán)重系數(shù)固定為1，設(shè)置故障樣本的權(quán)重系數(shù)和A相正常樣本的權(quán)重系數(shù)相同，通過實驗得到A相正常樣本權(quán)重最優(yōu)的兩組賦值，測試結(jié)果見表4。

表4 A相正常樣本不同權(quán)重系數(shù)的測試結(jié)果

由表4可知，相比樣本沒有添加權(quán)重系數(shù)，給A相正常樣本加權(quán)重系數(shù)的方法對于區(qū)外故障的錯誤率相近，但是由于區(qū)內(nèi)故障的錯誤率為0，使模型的總體準(zhǔn)確率得到提升。相比于表3中給B、C相正常樣本加權(quán)重的方法，區(qū)內(nèi)故障的錯誤率相近，區(qū)外故障的錯誤率降低，總體評估準(zhǔn)確率得到提升。由此可知，當(dāng)A相子模塊發(fā)生故障時，會對B、C相正常子模塊電容電壓產(chǎn)生更大的影響。因此，通過對A、B、C相樣本進行樣本差異化權(quán)重賦值，使模型更關(guān)注A相的正常樣本，可以提高區(qū)內(nèi)故障評估準(zhǔn)確率和總體評估準(zhǔn)確率。給A相正常樣本加權(quán)重系數(shù)的方法相比給B、C相正常樣本加權(quán)重系數(shù)的方法更有優(yōu)勢，可以高準(zhǔn)確率地識別故障子模塊。

2）A、B、C三相樣本差異化賦值對測試時間的影響

為了測試A、B、C三相樣本差異化權(quán)重賦值對模型測試時間的影響，提取故障后四分之一周波電壓數(shù)據(jù)作為樣本特征，A、B、C三相樣本權(quán)重系數(shù)設(shè)置和3.2節(jié)1）相同。A、B、C相正常樣本不同權(quán)重系數(shù)測試時間見表5。

表5 A、B、C相正常樣本不同權(quán)重系數(shù)測試時間

由表5可知，相比樣本沒有添加權(quán)重系數(shù)，給樣本添加權(quán)重系數(shù)的方法測試時間更短。給A相正常樣本加權(quán)重系數(shù)的方法比給B、C相正常樣本加權(quán)重系數(shù)的方法測試時間更短。因此，對樣本進行差異化權(quán)重賦值滿足MMC子模塊在線實時監(jiān)測的要求，可以快速識別故障子模塊。

3）樣本特征對A、B、C三相樣本差異化賦值的影響

為了測試樣本特征對A、B、C三相樣本差異化賦值的影響，分別提取故障后二分之一、四分之三周波電壓數(shù)據(jù)作為樣本特征。將B、C相正常樣本的權(quán)重系數(shù)固定為1，設(shè)置A相正常樣本的權(quán)重系數(shù)分別為=1、=10、=12，故障樣本的權(quán)重系數(shù)和A相正常樣本的權(quán)重系數(shù)相同，得到A相正常樣本不同權(quán)重系數(shù)的測試結(jié)果分別見表6和表7。

表6 A相正常樣本不同權(quán)重系數(shù)測試結(jié)果（二分之一周波電壓數(shù)據(jù)）

由表6、表7可知，當(dāng)提取的樣本特征為二分之一周波電壓數(shù)據(jù)時，相比樣本沒有添加權(quán)重系數(shù)，給A相正常樣本加權(quán)重系數(shù)的方法對于區(qū)內(nèi)故障和區(qū)外故障的錯誤率都有所減小，總體評估準(zhǔn)確率有所上升，效果比樣本特征為四分之一周波的電壓數(shù)據(jù)要好。當(dāng)提取的樣本特征為四分之三周波電壓數(shù)據(jù)時，給A相正常樣本加權(quán)重系數(shù)的方法對區(qū)內(nèi)故障和區(qū)外故障的錯誤率都為0，總體評估準(zhǔn)確率達到100%，效果良好。但是，當(dāng)提取的樣本特征為二分之一周波電壓數(shù)據(jù)時，模型的測試時間達到6.35ms；當(dāng)提取的樣本特征為四分之三周波電壓數(shù)據(jù)時，模型的測試時間達到9.98ms。因此，雖然提取的樣本特征越多，模型的評估準(zhǔn)確率越高，但相應(yīng)的模型測試時間也越長。測試結(jié)果表明，需要充分考慮模型快速性和準(zhǔn)確性之間的關(guān)系，適當(dāng)增加樣本特征數(shù)，可有效改善模型的評估準(zhǔn)確率，實現(xiàn)對故障子模塊的高準(zhǔn)確率、高效率識別。

表7 A相正常樣本不同權(quán)重系數(shù)測試結(jié)果（四分之三周波電壓數(shù)據(jù)）

3.3 常見方法性能對比

為了驗證樣本差異化權(quán)重賦值對其他模型的有效性，提取故障后四分之一周波電壓數(shù)據(jù)作為樣本特征，將B、C相正常樣本的權(quán)重系數(shù)固定為1，設(shè)置故障樣本的權(quán)重系數(shù)和A相正常樣本的權(quán)重系數(shù)相同。分別以決策樹（decision tree, DT）、隨機森林（random forest, RF）為例，建立MMC的子模塊開路故障評估模型，通過實驗得到A相正常樣本權(quán)重最優(yōu)的兩組賦值，DT、RF模型下的測試結(jié)果分別見表8、表9。

表8 DT模型下A相正常樣本不同權(quán)重系數(shù)的測試結(jié)果

表9 RF模型下A相正常樣本不同權(quán)重系數(shù)的測試結(jié)果

由表8、表9可知，相比樣本沒有添加權(quán)重系數(shù)，給A相樣本加權(quán)重系數(shù)的方法使區(qū)內(nèi)故障的錯誤率降低，區(qū)外故障的錯誤率相近且略有減小，總體準(zhǔn)確率有所上升。通過對DT、RF模型測試時間的對比發(fā)現(xiàn)，給樣本添加權(quán)重系數(shù)的方法使模型的測試時間更短。因此，樣本差異化權(quán)重賦值對于DT和RF模型也是有效的，可改善模型識別MMC子模塊開路故障的性能。

4 結(jié)論

本文分析了MMC子模塊開路故障時的故障特征，將子模塊電容電壓作為故障識別的特征量；分析了子模塊故障對A、B、C相子模塊電容電壓的影響；搭建了21電平的MMC仿真模型，通過判斷子模塊的故障發(fā)生在區(qū)內(nèi)或區(qū)外來進行子模塊的診斷和定位；提出了基于SVM的子模塊故障檢測方法，賦予A、B、C三相樣本不同的權(quán)重系數(shù)，并對所提方法從區(qū)內(nèi)故障的錯誤率、區(qū)外故障的錯誤率、總體準(zhǔn)確率三個評價指標(biāo)進行分析，驗證了樣本差異化權(quán)重系數(shù)賦值對識別MMC子模塊開路故障的優(yōu)越性。

[1] 黃嬿婉, 楊用春, 梁海峰. 基于模塊化多電平換流器的多端口交直流變換器仿真研究[J]. 電氣技術(shù), 2020, 21(11): 13-18, 31.

[2] 班國邦, 牛唯, 楊文勇, 等. 基于模塊化多電平換流器的直流融冰裝置饋線潮流控制仿真[J]. 電氣技術(shù), 2021, 22(9): 27-33.

[3] 李群, 林金嬌, 鄧富金, 等. 基于龍伯格觀測器的MMC子模塊故障檢測方法[J]. 電力工程技術(shù), 2023, 42(2): 58-66.

[4] 鄒毅軍, 魏明洋. 模塊化多電平換流器子模塊故障模擬方法[J]. 電氣技術(shù), 2022, 23(4): 96-101.

[5] CIAPPA M. Selected failure mechanisms of modern power modules[J]. Microelectronic Reliability, 2002, 42(4-5): 653-667.

[6] 武鴻, 王躍, 劉熠, 等. 基于廣義電容電壓不平衡度的MMC子模塊開路故障診斷策略[J]. 電工技術(shù)學(xué)報, 2023, 38(14): 3909-3922.

[7] 劉座辰, 林磊, 殷天翔, 等. 一種模塊化多電平換流器子模塊開路故障的快速檢測與診斷方法[J]. 電工技術(shù)學(xué)報, 2022, 37(19): 4883-4894.

[8] 劉玉林, 齊靜靜, 李家寧, 等. 一種基于橋臂電流畸變及自適應(yīng)觀測的MMC子模塊開路故障診斷定位方法[J]. 電源學(xué)報, 2020, 18(3): 106-115.

[9] 楊賀雅, 邢紋碩, 向鑫, 等. 基于多元高斯分布異常檢測模型的MMC子模塊開路故障診斷方法[J]. 電工技術(shù)學(xué)報, 2023, 38(10): 2744-2756.

[10] 張正發(fā), 李可軍, 王卓迪, 等. 兼具開路故障診斷能力的MMC電容電壓測量方法[J]. 電力系統(tǒng)自動化, 2017, 41(7): 114-119, 167.

[11] HAGHNAZARI S, KHODABANDEH M, ZOLGHADRI M R. Fast fault detection method for modular multilevel converter semiconductor power switches[J]. IET Power Electronics, 2016, 9(2): 165-174.

[12] SHAO Shuai, WATSON A J, CLARE J C, et al. Robustness analysis and experimental validation of a fault detection and isolation method for the modular multilevel converter[J]. IEEE Transactions on Power Electronics, 2016, 31(5): 3794-3805.

[13] 郭彥勛, 李海鋒, 李健濤, 等. MMC子模塊IGBT開路故障診斷策略[J]. 南方電網(wǎng)技術(shù), 2017, 11(7): 51-57.

[14] 楊楨, 馬子瑩, 李鑫. 基于WPD-PCA與GA-BP的MMC子模塊故障定位方法研究[J]. 電子測量與儀器學(xué)報, 2019, 33(7): 181-187.

[15] KIRANYAZ S, GASTLI A, BEN-BRAHIM L, et al. Real-time fault detection and identification for MMC using 1-D convolutional neural networks[J]. IEEE Transactions on Industrial Electronics, 2019, 66(11): 8760-8870.

[16] 張彼德, 洪錫文, 劉俊, 等. 基于無監(jiān)督學(xué)習(xí)的MMC子模塊開路故障診斷方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(12): 98-105.

[17] 楊賀雅, 邢紋碩, 陳聰, 等. 基于隨機森林二分類器的模塊化多電平換流器子模塊開路故障檢測方法[J]. 中國電機工程學(xué)報, 2023, 43(10): 3916-3928.

[18] 汪海燕, 黎建輝, 楊風(fēng)雷. 支持向量機理論及算法研究綜述[J]. 計算機應(yīng)用研究, 2014, 31(5): 1281- 1286.

[19] 范志華, 苗世洪, 劉子文, 等. 模塊化多電平換流器子模塊故障特性分析與解耦控制策略[J]. 電工技術(shù)學(xué)報, 2018, 33(16): 3707-3718.

Open circuit fault diagnosis method for modular multilevel converter submodule based on support vector machine

WEI Yintu ZHANG Yang WEN Buying WANG Huaiyuan

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116)

With the increasing application range of modular multilevel converters (MMC), the open circuit fault diagnosis methods of MMC submodules have become a research hotspot. MMC has fewer fault samples, more normal samples, and too many redundant submodules. In response to these issues, an open circuit fault diagnosis method for MMC submodule based on support vector machine (SVM) is proposed in this paper, which determines whether the faults of the submodules occur within or outside the region, in order to achieve detection and localization of the submodules. Based on the open circuit fault characteristics of the MMC submodule, the capacitor voltage of the submodule is selected as the sample feature. Subsequently, the impact of submodule faults on phase A, B, and C samples is analyzed. By assigning different weight coefficients to normal samples of phase A, B, and C, the accuracy of fault identification is improved. Finally, the effectiveness of the proposed method is demonstrated with the constructed MMC simulation model.

modular multilevel converter (MMC); open circuit fault of submodule; fault diagnosis; sample differentiation; support vector machine (SVM)

2023-07-26

2023-10-07

魏銀圖（1998—），男，福建泉州人，碩士研究生，主要研究方向為基于機器學(xué)習(xí)的MMC子模塊開路故障診斷。

福建省教育廳中青年教師教育科研項目（JAT210018）