基于CGAN與LSTM的逆變器多類型故障診斷方法研究

田睿，劉維可，伍珣，張曉敏

(1．國網(wǎng)湖南省電力有限公司超高壓變電公司，湖南 長沙 410004；2．國網(wǎng)湖南省電力有限公司電力科學研究院，湖南 長沙 410208；3．中南大學交通運輸工程學院，湖南 長沙 410075)

0 引言

逆變器可以將直流電轉(zhuǎn)化成交流電，同時使輸出交流電的頻率和相位與市電同步，廣泛應(yīng)用于不間斷電源、電機調(diào)速及可再生能源并網(wǎng)發(fā)電系統(tǒng)。逆變器的安全、穩(wěn)定運行對于保障整個變流系統(tǒng)的可靠性具有重要意義。然而，由于長時間工作，逆變器中的功率管會承受較高的電熱應(yīng)力，其老化過程加速且極易出現(xiàn)故障。功率管故障主要分為短路故障與開路故障[1-2]。短路故障已有成熟的保護方案，通過串聯(lián)熔斷絲轉(zhuǎn)化為開路故障以防止過電流的產(chǎn)生[3]；開路故障不易導(dǎo)致過電壓或過電流，但具有潛伏性，如不及時處理極易導(dǎo)致二次故障。盡管現(xiàn)有的驅(qū)動電路具有一定的故障檢測功能，但準確度容易受器件型號、參數(shù)及外部因素等的影響。電流傳感器作為整個變流系統(tǒng)閉環(huán)控制的信息通道，其故障對于系統(tǒng)運行同樣具有致命影響，其中電流傳感器零輸出故障的影響最為嚴重。因此，開展逆變器多故障診斷研究對于保障系統(tǒng)安全可靠運行具有重要意義。

目前，學者們對功率管故障或電流傳感器故障的診斷開展了較多研究。文獻[4]通過混合邏輯動態(tài)模型觀測直流側(cè)電壓，通過構(gòu)建殘差評價函數(shù)實現(xiàn)對功率管與續(xù)流二極管的故障診斷。文獻[5]基于搭建的自適應(yīng)觀測器對電機電流、轉(zhuǎn)子電阻進行觀測，通過殘差分析進行診斷，但該方法并未考慮具體的故障類型。文獻[6]搭建了Luenberger 觀測器實現(xiàn)功率管故障診斷，并通過設(shè)計自適應(yīng)閾值來保證觀測器的魯棒性。文獻[7]基于自適應(yīng)閾值的全階Luenberger觀測器實現(xiàn)永磁同步電機位置傳感器的故障診斷，提升了不同工況下的診斷精度。文獻[8]實現(xiàn)了單相整流器中電壓、電流傳感器的故障診斷，并同時設(shè)計了相應(yīng)的容錯控制算法。文獻[9]針對級聯(lián) H 橋拓撲搭建了狀態(tài)觀測器，并結(jié)合歸一化診斷變量實現(xiàn)IGBT的故障診斷，但是該方法不能診斷全部的故障類型。文獻[10]以電機d、q軸電流的殘差信號作為電壓畸變觀測器的輸入，得到三相電壓畸變信號，以此實現(xiàn)功率管故障的快速診斷。文獻[11]利用卡爾曼濾波器觀測環(huán)流，并將電容電壓作為判定條件融入診斷算法之中。文獻[12]將一種強魯棒性卡爾曼濾波器用于傳感器的故障診斷，減少了所構(gòu)建觀測器的數(shù)量。文獻[13]基于卡爾曼濾波器觀測得到的電流信號、轉(zhuǎn)子角速度，設(shè)計了相應(yīng)的故障診斷算法。文獻[14]利用滑模觀測器生成環(huán)流殘差，并結(jié)合假設(shè)-檢驗過程實現(xiàn)對功率管的開路故障診斷。文獻[15]利用滑模觀測器觀測牽引整流器的網(wǎng)側(cè)電流與直流側(cè)電壓，并對殘差歸一化處理，通過閾值的設(shè)定進行診斷。文獻[16]將奇偶空間校驗的方法用于電壓、電流傳感器的故障定位。文獻[17]采用正交小波包分解獲取最佳分解樹，再運用主元分析法得出最有價值的數(shù)據(jù)信息作為故障特征，從而實現(xiàn)逆變器傳感器的故障診斷。

上述研究主要針對逆變器單個器件的故障進行診斷，難以對功率管、電流傳感器多種類型故障的情況進行有效辨別，無法準確定位。因此，本文以三相電壓型逆變器為研究對象，通過建立數(shù)字模型，詳細討論各種故障類型下的輸出電流變化情況；利用條件生成對抗網(wǎng)絡(luò)(condtional generative adversarial network，CGAN)獲取多種工況下的輸出電流故障數(shù)據(jù)，并通過長短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)訓練得到故障診斷模型，從而實現(xiàn)功率管故障與電流傳感器故障的有效區(qū)分與準確診斷。與現(xiàn)有方法相比，本文提出的方法考慮了功率管與電流傳感器多種故障存在的情況，能夠?qū)崿F(xiàn)復(fù)雜故障的準確診斷與定位。

1 逆變器工作原理與數(shù)字建模

1.1 逆變器基本工作原理

圖1為三相電壓型逆變器拓撲，逆變器一共有3個橋臂，通過對這3個橋臂進行控制可以將直流側(cè)輸入轉(zhuǎn)換為三相交流輸出。VT1與VT2、VT3與VT4，以及VT5與VT6分別為A相、B相和C相的開關(guān)器件。

圖1 三相逆變器拓撲

逆變器的基本工作方式為180°相繼導(dǎo)通，每一時刻有且只有三個橋臂導(dǎo)通，總共有8種不同的導(dǎo)通方式。假定負載為三相電機，采用圖2所示矢量控制方法，可以得到幅值一定、相位各差120°的三相電流iA、iB和iC。

圖2 矢量控制原理

1.2 逆變器數(shù)字建模

在dSPACE半實物平臺中搭建逆變器數(shù)字模型如圖3(a)所示，該模型主要包括電源、控制電路、逆變器與三相電機，對應(yīng)的物理原型如圖3(b)所示，數(shù)字平臺各部件、電路參數(shù)與物理原型保持一致?？紤]到故障分析的安全性，故障模擬及數(shù)據(jù)采集主要在數(shù)字模型中完成。

(a)逆變器數(shù)字模型

(b)逆變器物理實體

設(shè)置兩個故障模擬信號，一個作用于逆變器驅(qū)動信號，信號輸出為零時使功率管關(guān)斷，用于模擬開路故障；一個作用于輸出電流信號，用于模擬電流傳感器零輸出或信號偏置等。通過該模型收集逆變器功率管故障與電流傳感器故障數(shù)據(jù)并進行分析與診斷。

2 功率管與電流傳感器故障模態(tài)分析

本文主要就逆變器功率管故障與電流傳感器故障進行研究，且假設(shè)逆變器輸出電流流向負載時為正。由于A、B、C 相的故障影響大致相同，主要以A相故障分析為主，B、C相故障分析同理。

2.1 功率管故障模態(tài)分析

正常情況下，逆變器三相輸出電流如圖4所示，呈穩(wěn)定、周期性變化，相位互差120°。

圖4 正常工況下的三相電流

當A相功率管VT1發(fā)生開路故障時，A相電流在正半周期缺失，在負半周期的電流流通路徑不變，電流波形如圖5所示。同時，電機轉(zhuǎn)速產(chǎn)生微小脈動，電磁轉(zhuǎn)矩發(fā)生明顯波動。

圖5 VT1發(fā)生開路故障時的三相電流波形

當A相上下橋臂同時出現(xiàn)功率管開路故障時，該相沒有電流流過，如圖6所示。由基爾霍夫電流定律可知，另外兩相電流幅值增大，并且保持兩相電流之和為零，此時電機轉(zhuǎn)速及電磁轉(zhuǎn)矩出現(xiàn)顯著波動。

圖6 VT1和VT2發(fā)生開路故障時的三相電流 波形

當A、B相同側(cè)橋臂(如VT1和VT3)同時出現(xiàn)功率管開路故障時，A、B相電流正半周期無法流經(jīng)故障橋臂，負半周期電流流通路徑不變，故兩相電流在整個周期內(nèi)表現(xiàn)為非正，如圖7所示。同時，C相電流幅值等于另外兩相之和的相反值，電機轉(zhuǎn)速與電磁轉(zhuǎn)矩出現(xiàn)顯著波動。當A、B相異側(cè)橋臂(VT1和VT4)同時出現(xiàn)功率管開路故障時，分析過程與結(jié)果與同側(cè)橋臂故障類似。

圖7 VT1和VT3發(fā)生開路故障時的三相電流 波形

2.2 電流傳感器故障模態(tài)分析

電流傳感器測量值與真實值由于線圈老化、電阻阻值改變等而不一致，這稱為電流傳感器故障。電流傳感器故障根據(jù)電流信號的特征可以分為零輸出故障、增益故障和偏移故障等，電流波形如圖8所示?？梢钥闯觯爿敵龉收鲜请娏鱾鞲衅髯顬閲乐氐墓收现?。當A相電流傳感器發(fā)生零輸出故障時，B、C相的電流也會發(fā)生變化。由于閉環(huán)控制系統(tǒng)影響，B、C相輸出電流出現(xiàn)嚴重畸變，存在較大諧波。相比于零輸出故障，增益故障和偏移故障可能不會對電流波形造成過度畸變，但其特征與正常波形較為相似，具有一定潛伏性，容易造成故障漏檢。

(a)零輸出故障

(b)增益故障

(c)偏移故障

3 基于CGAN的逆變器故障數(shù)據(jù)增 強方法

在逆變器實際工況中，系統(tǒng)會受到外部擾動、噪聲等的影響，使得輸出電流與理論分析存在一定差別。為了減小這種差別給故障診斷帶來的影響，采用條件生成對抗網(wǎng)絡(luò)重構(gòu)多種工況、不同擾動下的逆變器故障數(shù)據(jù)集，進而提高故障診斷模型的抗擾性?；贑GAN的數(shù)據(jù)增強主要包括生成器網(wǎng)絡(luò)設(shè)計、判別器網(wǎng)絡(luò)設(shè)計、網(wǎng)絡(luò)訓練，以及數(shù)據(jù)增強。

生成器網(wǎng)絡(luò)從結(jié)構(gòu)上包括噪聲輸入層、投影重塑層、嵌入重塑層、連接層、反卷積層、批標準化層等，其結(jié)構(gòu)及參數(shù)如圖9與表1所示。其中，投影重塑層是指在不同維度的空間之間進行信息投影和重塑操作。信息投影是指將輸入張量通過變換，使部分維度信息轉(zhuǎn)移到新的維度上去；重塑是指將經(jīng)過信息投影之后的數(shù)據(jù)經(jīng)過變形重塑成目標張量的形狀，實際上就是張量的轉(zhuǎn)置、拼接或者切片操作。本質(zhì)上來說，投影重塑層類似于全連接層與重塑層的結(jié)合。除了最后一個反卷積層，均設(shè)置了歸一化層以加速收斂，使其更穩(wěn)定，并設(shè)置激活函數(shù)。最終，經(jīng)生成器網(wǎng)絡(luò)產(chǎn)生維度為[1021 1 1]的生成數(shù)據(jù)。

圖9 生成器網(wǎng)絡(luò)結(jié)構(gòu)

表1 生成器網(wǎng)絡(luò)層參數(shù)

續(xù)表1

判別器網(wǎng)絡(luò)從結(jié)構(gòu)上包括數(shù)據(jù)輸入層、標簽輸入層、嵌入重塑層、卷積層等，結(jié)構(gòu)與參數(shù)如圖10和表2所示。

圖10 判別器網(wǎng)絡(luò)結(jié)構(gòu)

表2 判別器網(wǎng)絡(luò)層參數(shù)

在網(wǎng)絡(luò)訓練階段，首先設(shè)置訓練參數(shù)，包括學習率、迭代次數(shù)、最小批次、單次輸入故障類別數(shù)。其中，學習率固定為0.001，最小批次固定為50。接著，將生成數(shù)據(jù)、真實數(shù)據(jù)和對應(yīng)標簽輸入判別器，前向傳播并計算損失函數(shù)；反向傳播更新判別器參數(shù)；將噪聲與對應(yīng)標簽輸入生成器，固定判別器，前向傳播并計算損失函數(shù)；反向傳播更新生成器參數(shù)。按設(shè)定的迭代次數(shù)反復(fù)訓練，最終得到訓練好的網(wǎng)絡(luò)。

圖11(a)為訓練過程中生成器與判別器得分，其中單次輸入故障類別數(shù)為5，迭代次數(shù)為500。在訓練后期，生成器與判別器逐漸進入納什平衡，兩者得分逐漸收斂，網(wǎng)絡(luò)訓練完成。圖11(b)為不同迭代次數(shù)，固定單次輸入故障類別數(shù)情況下，生成器生成數(shù)據(jù)質(zhì)量對比。從圖中可以看出，不同迭代次數(shù)下生成數(shù)據(jù)的趨勢大致是一致的，都與真實數(shù)據(jù)相似，不同的是幅值有所差異，這是由于雖然是同一個網(wǎng)絡(luò)，但不同的迭代次數(shù)生成器得分會有所差別，具體到生成器參數(shù)就會有所不同，生成的數(shù)據(jù)從而不同。綜上，采用CGAN生成的數(shù)據(jù)與真實數(shù)據(jù)具有較好的相似度與一致性，符合故障診斷模型訓練要求。

(a)網(wǎng)絡(luò)中生成器與判別器訓練得分

(b)不同迭代次數(shù)下的數(shù)據(jù)增強對比

圖11 網(wǎng)絡(luò)訓練與數(shù)據(jù)增強結(jié)果

4 基于LSTM的逆變器功率管與電 流傳感器故障診斷

4.1 LSTM故障診斷模型

LSTM是在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)基礎(chǔ)上改進而來，傳統(tǒng)網(wǎng)絡(luò)由于存在梯度消失及梯度爆炸問題，難以處理長時間序列問題，LSTM通過引入遺忘門、輸入門、輸出門來對網(wǎng)絡(luò)進行優(yōu)化。

遺忘門用于控制網(wǎng)絡(luò)是否遺忘前一時刻的記憶狀態(tài)，解決梯度消失問題。遺忘門的輸入是當前時刻的輸入數(shù)據(jù)和前一個時間步的隱藏狀態(tài)(即上一個時刻的輸出)，遺忘門的輸出是一個0～1之間的實數(shù)，確定細胞狀態(tài)保留的程度，越接近0表示遺忘程度越高。遺忘門公式如下：

yw=σ(Wy1xt-1+Wy2xt+bw)

(1)

式中：yw、bw分別表示遺忘門的輸出與偏置參數(shù)；Wy1、Wy2分別表示遺忘門前一時刻和當前時刻的權(quán)重。

輸入門用于控制當前輸入信息的加入，轉(zhuǎn)化為所需的維度，解決梯度爆炸問題。輸入門的輸入是當前時間步的輸入數(shù)據(jù)和上一個時間步的隱藏狀態(tài)；輸出是一個實數(shù)，表明當前輸入狀態(tài)輸出門用于控制當前的輸出信息并限制梯度值，選擇重要信息進行輸出，實現(xiàn)了長時間依賴能力。其公式如下：

(2)

式中：ri1、ri2分別表示輸入門的當前選擇記憶和候選記憶；Wi1、Wi2分別表示輸入門前一時刻和當前時刻的權(quán)重；bi、tanh()分別表示輸入門的偏置參數(shù)與激活函數(shù)。

輸出門可以控制模型將當前時刻的細胞狀態(tài)輸出，從而產(chǎn)生預(yù)測或者分類結(jié)果，其公式如下：

(3)

式中：ro1、ro2分別表示輸出門的當前選擇記憶和候選記憶；，Wo1、Wo2分別表示輸出門前一時刻和當前時刻的權(quán)重；bo表示輸出門的偏置參數(shù)。

圖12為LSTM的基本結(jié)構(gòu)框圖。

圖12 LSTM基本結(jié)構(gòu)框圖

采用雙向LSTM層來學習輸入序列特征，雙向LSTM由一個正向LSTM和一個反向LSTM組成，分別處理輸入序列的正向和反向信息，并通過捆綁兩個層的輸出來生成最終的網(wǎng)絡(luò)輸出。正向LSTM按照順序處理輸入序列，而反向LSTM按照逆序來處理相同的輸入序列。每個LSTM單元通過學習以前時間步的輸入數(shù)據(jù)和隱層狀態(tài)，來預(yù)測當前時間步的輸出。在雙向LSTM中，最終的輸出是正向LSTM和反向LSTM的拼接，這可以捕獲序列之間的正反兩個方向的信息，并提高序列預(yù)測的準確性。因此，故障診斷模型的算法架構(gòu)與主要參數(shù)如圖13與表3所示。

圖13 基于LSTM的故障診斷模型算法架構(gòu)

表3 故障診斷模型主要參數(shù)

4.2 網(wǎng)絡(luò)訓練與方法驗證

首先，通過圖3所示dSPACE半實物仿真平臺獲取功率管單管開路故障、雙管開路故障，以及電流傳感器零輸出故障、增益故障和偏移故障的仿真數(shù)據(jù)，劃分訓練集與測試集大小，分別為941×622×2與403×600×2；設(shè)置初始學習率為0.01，迭代次數(shù)為100，批次為30；將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進行訓練，訓練過程準確度變化如圖14所示。從圖中可以看出，該神經(jīng)網(wǎng)絡(luò)的準確度從開始不斷上升，最終基本收斂在98%左右，表明訓練效果優(yōu)秀。

(a)準確度

(b)損失

接著，在預(yù)先劃分好的測試集上進行測試。經(jīng)多次測試得到準確度如表4和圖15所示。

表4 故障診斷模型測試準確度 %

(a)測試1

(b)測試2

(c)測試3

(d)測試4

(e)測試5

(f)測試6

混淆矩陣是用來呈現(xiàn)分類算法性能的可視化方法，每行代表實際類別，每列代表分類器預(yù)測的類別。每行之和是該真實類別的樣本總數(shù)，如果混淆矩陣中的元素全部位于主對角線上則表明分類器對于樣本類別的預(yù)測與真實類別完全相同，即預(yù)測準確度為100%；反之，如果元素分布于矩陣的其他位置，則表明分類器的預(yù)測準確度較低。本文混淆矩陣以顏色的深淺表示數(shù)量的大小，顏色越深數(shù)量越大，顏色越淺數(shù)量越小。從混淆矩陣中可以看出，絕大部分元素都位于主對角線上，只有極少部分元素位于其他位置。這表明分類器的分類準確度良好，效果達到預(yù)期。

需要說明的是，當功率管故障與電流傳感器故障同時存在時，這兩種器件的故障特征存在非線性混疊關(guān)系，影響機制極為復(fù)雜，此類非線性耦合故障的準確診斷是本方法的后續(xù)改進與優(yōu)化方向。

5 結(jié)論

本文以逆變器為研究對象，通過搭建仿真模型對功率管故障與電流傳感器故障進行分析，提出一種基于CGAN與LSTM的故障診斷方法，實現(xiàn)功率管故障與電流傳感器多類型故障的準確定位。

本文主要得到以下結(jié)論：1)逆變器功率管故障和電流傳感器故障會導(dǎo)致三相電流異常，不同程度地造成了電機轉(zhuǎn)速和電磁轉(zhuǎn)矩波動；2)基于條件生成對抗網(wǎng)絡(luò)對原始數(shù)據(jù)集進行數(shù)據(jù)增強，生成數(shù)據(jù)質(zhì)量良好；3)采用長短期記憶網(wǎng)絡(luò)構(gòu)建故障診斷模型，可以對功率管故障與電流傳感器故障進行有效辨別，6次測試的平均準確度為95.66%。