基于FFT和神經網絡的APF故障診斷方法*

馬立新，吳興鋒，費少帥

(上海理工大學光電信息與計算機工程學院，上海200093)

0 引言

隨著電力電子裝置及分布式電源的廣泛應用，電力系統的電能質量問題日趨嚴重，嚴重威脅電網的安全運行和電力設備的正常使用［1］。有源電力濾波器(APF)是一種新型的諧波治理和無功補償裝置，因其動態響應速度快、補償特性好等優點，得到了國內外學者的廣泛關注［2］。

事實上，APF 系統中的任何一個功能單元、任何一個元器件都有發生故障的可能，而APF 逆變器中的IGBT 因長時間工作在高頻、高溫狀態，是APF 中易損壞的器件［3］。為了提高系統的可靠性，增長APF 的安全運行時間，為IGBT 損壞后APF 的維修贏得時間，需要對APF 進行故障診斷。APF 逆變器的故障可分為IGBT 開路和短路故障，因短路故障存在時間很短，通過硬件電路檢測IGBT 的漏－源極壓降就可檢測IGBT短路故障。IGBT 發生開路故障后，APF 往往還能夠繼續運行，但對電力系統危害很大，不僅達不到諧波治理的效果，還會向電網注入諧波，其他IGBT 也會流過更大的電流，影響電力設備的正常使用，如不及時處理將會引起更大的事故［4］。

目前，國內外學者在IGBT 開路故障的診斷上做了大量研究，主要有電壓或電流直接檢測法、參考模型法及智能診斷法等［5］。直接檢測電壓或電流的方法需要檢測每個被診斷的器件的電壓和電流，需要增加很多額外的電壓傳感器，增加了成本，而且電流的檢測對負載很敏感，負載變化會造成誤診斷。參考模型法難以建立精確的數學模型，對逆變器復雜電路的建模過于復雜而不太實用。專家系統和故障樹是傳統的智能診斷方法，專家系統法難以窮盡所有IGBT 開路故障來獲取完備的知識庫，不易實現故障準確匹配;故障樹法雖然直觀通用性好，但對于復雜的APF 系統所需的決策樹很大，故障變化時不易進行調整。

在IGBT 開路故障診斷領域，已研究出了很多新型的智能診斷方法。快速傅里葉變換(FFT)將時域信號轉換成易于分析的頻域信號，對信號處理具有較好的頻域定位特性［6-7］，能夠完整地提取各種故障信號的特征;人工神經網絡在處理非線性問題中有自學習與自適應能力［8-9］，能夠實現準確的故障定位。

為了減少傳感器的使用數量，解決傳統方法對負載敏感的問題，本研究結合FFT 和神經網絡的優點來實現APF 的故障診斷，運用FFT 提取單傳感器采集的信號的特征，建立基于FFT 和神經網絡的智能診斷系統，最后采集非學習樣本進行實驗驗證。

1 APF 故障診斷原理

本研究主要以并聯型有源電力濾波器為研究對象，它的系統結構與故障診斷原理如圖1所示。

圖1 APF 結構及診斷原理圖

非線性負載的接入會向電網注入諧波電流，通過電流互感器CT 檢測出三相負載電流，經過諧波電流分析與計算環節，再根據諧波分量生成PWM 控制脈沖，從而將諧波電流抵消，使網側電流逼近于正弦波，達到電能質量的規定水平［10］。

當APF 逆變器中的IGBT 發生故障時，網側電流會發生很大的畸變，而且故障信號中包含了完備的故障信息。本研究通過電流互感器對網側電流進行采樣，并運用FFT 變換提取各故障信號的特征，再將該故障特征向量輸入到訓練好的神經網絡進行識別，然后輸出IGBT 故障代碼，實現有源電力濾波器的故障診斷。

2 APF 故障分析

2.1 APF 故障仿真

本研究通過Matlab/Simulink 建立APF 故障仿真模型，采用ip～iq諧波檢測法，滯環控制策略根據諧波信號產生PWM 脈沖來控制各個IGBT 的工作，以三相橋式全控整流電路帶阻感負載產生諧波源。由于系統實際運行時多個IGBT 同時故障的可能性比較小，目前診斷方法主要研究最多同時有2 個IGBT 發生開路故障的情況，可以把故障分為單個IGBT 開路或兩個IGBT 同時開路故障，共五大類、22 種故障。

第一類:無IGBT 故障，即正常運行，側電流波形逼近于對稱的正弦波，APF 正常運行時網側電流波形如圖2所示。

圖2 APF 正常運行時網側電流波形

第二類:單個IGBT 開路故障，可以分為T1、T2、T3、T4、T5、T6共6 種故障，T3故障時的網側電流波形如圖3所示。

圖3 T3 開路故障時網側電流波形

第三類:同一橋臂的上下2 個IGBT 發生開路故障，可以分為T1T2、T3T4、T5T6共3 種故障，T1和T2故障時的網側電流波形如圖4所示。

第四類:同一半橋上的2 個IGBT 發生開路故障。可以分為T1T3、T1T5、T3T5、T2T4、T2T6、T4T6共6 種故障，T2和T6故障時的網側電流波形如圖5所示。

圖4 T1 和T2 開路故障時網側電流波形

圖5 T2 和T6 開路故障時網側電流波形

第五類:不同半橋交叉的2 個IGBT 發生開路故障，可以分為T1T4、T1T6、T2T3、T3T6、T2T5、T4T5共6 種故障，T2和T3故障時的網側電流波形如圖6所示。

圖6 T2 和T3 開路故障時網側電流波形

2.2 APF 故障特征提取

當APF 逆變器發生故障時，APF 網側電流的波形不再是正弦波，必然會發生畸變，各故障對各頻段內的信號影響很大，而且故障信號包含了不同故障各自的信息［11］。筆者通過對不同類型的故障電流波形進行FFT 變換，獲得各頻段信號的幅值與相位，會發現在不同故障下各頻段信號的幅值與相位是不同的。

本研究以有源電力濾波器A 相網側電流為例，對采集到的網側電流進行FFT 變換，得到各個頻段信號的幅值與相位。在獲取各個故障信號的特征時，發現不同故障對網側電流的直流分量、3 次諧波、5 次諧波、7 次諧波的幅值與相位影響較大，而且這8 個頻譜分量可以對應唯一的故障類型，因此筆者將這8 個頻譜分量作為故障特征向量。為了減小負載變化對診斷的影響，便于神經網絡的訓練，需要對各諧波幅值進行歸一化處理，最后將歸一化處理的特征向量作為神經網絡的輸入，實現神經網絡訓練樣本數據的提取。

在故障仿真中，為了獲取在不同負載下的網側電流信號，本研究分別將三相橋式全控整流電路諧波源的觸發角設為0°、30°、60°、90°等典型觸發角，并在各個典型觸發角下模擬各種IGBT 開路故障，獲取不同負載諧波源下網側電流的故障波形。本研究根據FFT變換的特征提取方法對不同負載諧波源和不同故障下的網側電流信號進行分析，提取故障特征向量，共可得到88 組故障特征向量，將大量的故障數據作為神經網絡的學習樣本，使神經網絡具有更強的魯棒性和適應能力。

3 APF 故障診斷系統的實現及分析

為了便于故障定位，本研究將IGBT 開路故障用代碼X6X5X4X3X2X1表示，其中X=1 或0。故障代碼的高3 位代表故障類型，低3 位用于確定IGBT 的準確位置。筆者根據上文的故障分析對IGBT 故障進行分類編碼的結果如表1所示。

表1 IGBT 故障類型代碼

在神經網絡中，修改權值的規則稱為學習算法，BP 神經網絡采用誤差反向傳播算法。BP 神經網絡的學習過程由信息的正向傳播和誤差的反向傳播兩部分組成［12-13］。在正向傳播過程中，輸入信息經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出，則轉向反向傳播，將輸出信息的誤差按原來的連接通路返回，逐一修改各層神經元的權值。不斷迭代的過程中，使得誤差達到最小，在得到合適的網絡連接權后就可對新的樣本進行識別。

BP 神經網絡作為模式識別的工具，采用3 層網絡結構，輸入層為8 個神經元，對應于網側電流的8 個頻譜分量;隱層是輸入層與輸出層之間的連接，隱層神經元越多則精度越高，但網絡亦趨于復雜，隱層神經元過少則精度下降，甚至出現不收斂的結果［14］，經多次試驗，隱層設定為30 個神經元時，網絡能夠快速收斂且輸出效果最好;由于輸出故障代碼為6 位，本研究設定輸出層為6 個神經元，用來確定發生故障IGBT 的準確位置。

神經網絡訓練時，本研究通過電流互感器采集不同負載和不同故障下的A 相網側電流，并運用上文特征提取方法獲得88 組故障特征向量，將這些特征向量作為神經網絡輸入，故障類型代碼作為神經網絡的期望輸出。為了克服傳統BP 訓練算法的收斂速度慢和易陷入局部最優的缺點，本研究采用收斂速度快、識別精度高的BFGS 擬牛頓優化算法對網絡進行離線訓練，學習率取0.1，整個訓練過程的收斂程度如圖7所示。此時，該神經網絡已訓練完畢，能夠適應動態負載下的故障診斷，故障診斷系統可以調用訓練好的神經網絡對故障特征向量進行分類，確定故障IGBT 的位置，實現了有源電力濾波器的故障診斷。

圖7 神經網絡訓練誤差曲線

為了進一步驗證該方法的可行性，本研究采用非學習樣本數據，在實驗中，通過移去IGBT 的驅動信號來模擬IGBT 開路故障。由于篇幅所限，本研究僅模擬了T3、T1T1、T3T5、T4T5開路故障，通過上文特征提取的方法提取各故障時的特征向量，再將故障特征輸入訓練好的神經網絡進行故障定位，實驗結果如表2所示。由表2 可以看出，診斷輸出代碼經過四舍五入后與設定代碼完全一致，從而證明該診斷方法的有效性。

表2 實驗結果

4 結束語

結合FFT 變換與神經網絡，本研究對有源電力濾波器進行了故障診斷，分析了各種故障下的網側電流波形，運用FFT 算法提取了APF 故障特征向量，并構建了FFT 與神經網絡結合的診斷系統。該方法只需單個傳感器就能完成故障信息的提取，減少了診斷成本，通過采用智能診斷方法可解決因負載變化而誤診斷問題。

筆者在診斷系統上進行了測試驗證，測試結果表明，該方法有較高的準確率，診斷速度快，可以快速有效地識別IGBT 故障位置，能滿足故障診斷的要求，為APF 的故障在線診斷提供了參考。

［1］董偉杰，白曉民，朱寧輝，等.電力有源濾波器故障診斷與容錯控制研究［J］.中國電機工程學報，2013，33(18):65-72.

［2］馬立新，王曉丹，王月曉，等.APF 特定次諧波智能檢測方法的研究［J］.控制工程，2013，20(2):352-356.

［3］于 泳，蔣生成，楊榮峰，等.變頻器IGBT 開路故障診斷方法［J］.中國電機工程學報，2011，31(9):30-35.

［4］安群濤，孫 力，趙 克，等.基于開關函數模型的逆變器開路故障診斷方法［J］.中國電機工程學報，2010，30(6):1-6.

［5］WANG Long，LIU Yan-heng，LI Xiao-guang，et al.Analog circuit fault diagnosis based on distributed neural network［J］.Journal of Computers，2010，5(11):1747-1754.

［6］崔博文，任 章.基于傅里葉變換和神經網絡的逆變器故障檢測與診斷［J］.電工技術學報，2006，21(7):37-43.

［7］趙建輝，趙建平，孫永匯，等.BP 神經網絡在雷達故障診斷中的應用［J］.兵工自動化，2013，32(2):37-39，44.

［8］朱文材，胡海剛，朱鳴鶴，等.遺傳神經網絡在軸系故障診斷中的應用［J］.機電工程，2012，29(2):136-141.

［9］周大星，瞿 軍.基于Elman 神經網絡的液壓起豎系統故障診斷研究［J］.液壓氣動與密封，2013(13):24-26.

［10］馬立新，肖 川，林家雋，等.神經網絡與鎖相環相結合的諧波檢測方法［J］.電力系統及其自動化學報，2011，23(3):24-29.

［11］王 磊，趙雷霆，張 鋼，等.電壓型PWM 整流器的開關器件斷路故障特征［J］.電工技術學報，2010，25(7):108-115.

［12］張梅軍，陳 灝，曹 勤，等.EMD 分解、分形理論和RBF 神經網絡相結合的軸承智能故障診斷研究［J］.機械，2012(11):16-21.

［13］崔遜波，鄒 俊，阮曉東，等.基于加權概率神經網絡的齒輪箱抗噪故障診斷［J］.機電工程，2010，27(2):54-57.

［14］郝紅衛，蔣蓉蓉.基于最近鄰規則的神經網絡訓練樣本選擇方法［J］.自動化學報，2007，33(12):1247-1251.