三電平逆變器IGBT開路的復雜故障檢測

崔力慧，劉 洋

(山東科技大學 電氣與自動化工程學院，山東 青島 266590)

三電平逆變器IGBT開路的復雜故障檢測

崔力慧，劉 洋

(山東科技大學 電氣與自動化工程學院，山東 青島 266590)

針對三電平逆變器絕緣柵雙極型晶體管(IGBT)的開路故障，分析了在逆變器交叉兩橋臂各有一個IGBT開路故障時的輸出電壓信號特點；然后利用傅里葉變換提取故障電壓信號的直流分量、基波幅值、基波相位以及二次諧波相位,然后轉換為故障特征向量，并由此采用BP神經網絡來進行故障診斷。為了提高故障診斷的精度，利用改進的粒子群算法(PSO)來優化BP神經網絡的參數。最后，通過對三電平逆變器的仿真進行實驗驗證，仿真結果證明了該方法的正確性和可行性。

三電平逆變器；故障診斷；BP神經網絡；粒子群算法

大功率多電平逆變器適合高壓、大容量的場合，近年來在工業生產中得到愈來愈廣泛地應用。在現有的多電平逆變器中，三電平逆變器是被廣泛使用的一種，相比于傳統的兩電平逆變器，隨著電平數的增加，每一相橋臂都由更多的功率開關管和二極管組成，使得三電平逆變器結構更加復雜，且調制策略也更加復雜；同時，復雜的調制策略又令功率開關管連續開斷，使逆變器不停地工作在多種模式下，勢必造成開關器件故障的概率隨之增加。每個開關器件都會對逆變器的可靠、高效運行產生影響，輕則會降低逆變器的工作效率，嚴重時甚至會產生重大事故[1]。

由于短路時，過大的電流會使IGBT損壞，使得短路故障最終還是歸結為開路故障。所以，事實上對三電平逆變器的故障診斷，其實就是對功率開關管(IGBT)的開路故障診斷[2]。當三電平逆變器發生功率管開關開路故障時，逆變器仍能工作，但其輸出電壓波形會發生畸變。文獻[3]將三電平逆變器的開路故障分為9大類。其中，第一到第三大類故障為發生在同一橋臂的簡單故障，共25種；第4到第9大類為交叉兩橋臂各有一個功率管開關器件同時發生開路的復雜故障，共48種。文獻[4]最早以不同觸發角下的故障波形作為神經網絡的輸入，以晶鬧管開路故障作為神經網絡的輸出建立神經網絡，隨后進行神經網絡的訓練，映射出故障波形和故障類型之間的關系，從而完成對三相整流電路的故障診斷，但只研究了僅有一個功率管發生開路故障的簡單診斷。文獻[5]使用建立BP神經網絡的方法完成對故障的診斷，但BP神經網絡存在收斂速度慢，且易于陷入局部最優等弊端[6]。文獻[7]覺察到BP神經網絡存在的缺點正是遺傳算法(GA)的優勢，是以其結合遺傳算法來優化BP神經網絡中的初始權值與閾值，從而使優化后的BP神經網絡可以得到更好的預測輸出。

同遺傳算法相似，粒子群算法(PSO)是仿真鳥類覓食的行為模式，被提出來用于解決優化問題的方法[8]。仿照鳥類覓食行為，粒子種群初始化為一群隨機粒子，同時所有粒子都有一個優化函數確定的適應度值來衡量其好壞，然后通過不斷地迭代，每一個粒子都經過尋求兩個極值來更新自己。其中，一是當前粒子自身找到的最優解，是自己的個體極值；二是整個群體找到的最優解，是全局極值。相比于遺傳算法，粒子群算法更簡單，計算更方便，求解速度更快。因此，本研究在以上文獻的基礎上，對文獻[3]提到的48種復雜故障，采樣三電平逆變器輸出信號為測量信號，并用PSO優化BP神經網絡中的權值和閾值，完成對二極管中點箝位式三電平逆變器的IGBT開路故障診斷的研究。

1 三電平逆變器的故障分析和提取

1.1 逆變器的故障分析

本文考慮的二極管中點箝位式三電平逆變器是由直流電源、三相三電平逆變橋、三相LC濾波器及三相負載組成，其拓撲結構如圖1所示。

由圖1可見其主電路拓撲結構具有一定程度上的對稱性，所以其逆變器的輸出波形也表現出一定的對稱性[9]。故此以A相為例，當三電平逆變器工作在無故障(正常)情況時，逆變器輸出端將產生如圖2所示的平穩正弦波。

圖1 二極管箝位式三電平逆變器主電路圖Fig.1 The main circuit diagram of three-level diode-clamped inverter

圖2 三電平逆變器A相相電壓Fig.2 The phase A phase voltage of the three-level inverter

當三電平逆變器發生故障時，由于其結構較為復雜，分別對每個IGBT的狀態進行檢測實現起來比較困難。因此，針對不同故障的情形，并且考慮到逆變器的輸出電流會隨著負載的改變而發生相對應的改變，本文選取檢測逆變器的三相輸出電壓波形來作為我們分析故障的信息。

首先，采樣逆變器輸出的三相電壓波形，并進行降維處理，經d-q變換后，得：

(1)

繼而對Uq和Ud進行傅里葉變換，提取各次諧波幅值與相位。

如圖3為Sa1和Sb1同時發生故障時的Ud電壓波形，并對Ud進行傅里葉變換后，得到如圖4所示的Ud的頻譜圖。

圖3 Sa1，Sb1故障時Ud波形Fig.3 Ud waveform with open-circuit fault of Sa1, Sb1

圖4 Sa1，Sb1故障時Ud頻譜圖Fig.4 Ud spectrum with open-circuit fault of Sa1, Sb1

分析圖4可以發現，Ud進行傅里葉變換后，包含直流分量在內，前二次諧波分量含量最高，其他次諧波總的諧波畸變率不足5%。因此，直流分量以及其前兩次諧波的幅值和相位中就基本上蘊含了可以進行故障診斷的特征信息。同樣地，Uq進行變換后的波形分析與Ud相似。本研究選用Ud和Uq各自的直流分量、基波幅值、基波相位和二次諧波相位，作為構成故障特征向量的元素，并以此作為后面我們神經網絡訓練樣本的輸入。仿真實驗時發現，利用更多的奇次諧波分量構成故障特征向量，由于增加了神經網絡的輸入維數，使得結構更復雜，權值與閾值的尋優時間增加，訓練難度加大，學習時間更長，并且得到的結果準確率還略微有所下降。

圖5 Sa4，Sb4故障時Ud波形Fig.5 Ud waveform with open-circuit fault of Sa4, Sb4

此外，如圖5所示，當Sa4和Sb4同時發生故障時，波形沿X軸對折反轉后與上述圖4故障的波形形狀相同,僅是相位相差180°。用數學關系可以表示成U1(t)=-U2(t+T/2)，其輸出電壓波形經過傅里葉變換后得各次諧波的幅值相等,奇數次諧波的相位相等,偶數次諧波相位相差T/2周期，總的諧波畸變率(total harmonic distortion，THD)相等[10]。經過分析，研究的48種故障中，兩兩具有這種關系。

1.2 逆變器故障特征提取

按上節分析，利用傅里葉變換提取48種故障情況下的故障特征向量，因篇幅所限，僅列出部分的故障特征向量，如表1。

從表1中仍然可以看出1.1節中所說的兩兩對應的關系。由此，將48種復雜故障的情形分為24類，采用五位二進制數按對應的十進制0～24來編號表示，具有兩兩對應關系的兩種故障則表示形式相同；最后在末位再加一位，用來區分具有兩兩對應關系的兩類故障。這樣就完成了用六位二進制數對48種故障編碼工作，而且故障編碼也會作為本研究后續神經網絡的期望輸出。實驗證明，比起普通6位二進制編碼，采用這種編碼方式時，神經網絡的學習時間較短且測試正確率更高[10]。

表1 故障特征向量及其編碼Tab.1 Fault feature vector and its coding

2 基于改進PSO優化BP神經網絡的故障診斷

在標準BP神經網絡中，權值和閾值的修正是正比于誤差函數沿梯度降低，由于誤差函數可能存在多個極值點，會使網絡陷入局部最小值，從而不能保證其為誤差平面的全局最小值。于是，出現了諸如附加動量因子和自適應學習效率方法與仿真學算法相結合的思想。利用PSO優化調節BP網絡的權值和閾值，可以從本質上解決BP算法依賴梯度下降法的固有缺點。

2.1 數學描述

粒子群算法的數學描述如下：在D維的目標搜尋空間中，初始化N個粒子，其中：Xi=(xi1,xi2,……,xiD)表示第i個粒子的當前位置；Pi=(pi1,pi2,……,piD)為第i個粒子到目前為止的最優值；Pgi=(pgi1,pgi2,……,pgiD)為到目前為止的全部粒子的最優值。則傳統的標準的PSO就是按下面的公式更新自身的速度和位置[11]:

Vi(k+1)=ωVi(k)+c1r1(Pi(k)-Xi(k))+c2r2(Pg(k)-Xi(k))，

(2)

Xi(k+1)=Xi(k)+Vi(k+1)。

(3)

式中：k是迭代次數，c1、c2是學習常數，r1、r2是介于0和1之間的隨機數，ω為慣性權重。

從公式(2)～(3)可以看出，粒子的移動方向由V(k)，P(k)-X(k)和Pg(k)-X(k)所決定，因此其各自系數就決定了各自的重要性[12]。

慣性權重ω是粒子群算法中極其重要的一個參數。目前，普通選用慣性權重ω是迭代次數的函數(沿直線從0.9線性遞減到0.4的線性函數)的方法，即：

(4)

其中，iter為當前迭代次數，itermax為最大迭代次數。線性遞減的慣性權重(本文稱之為標準的PSO)使粒子在迭代過程的不同時期具有不同的探尋和開發能力，即在迭代初期收斂速度較快，迭代后期局部搜尋能力也不錯，但這會導致收斂速度慢，容易陷入局部極小；同時，這種調節方式及其衍生的線性調節方式[13]都有個很大的弊端，所有迭代當中都不可能產生相同的慣性權重，倘若迭代過程中，某一次產生的慣性權重對某幾次甚至以后所有的迭代都是最優的，那么這種方法將錯過這個最優的值。

2.2 改進粒子群算法

針對上述標準PSO的弊端，本研究采取一種自適應動態隨機調整粒子群慣性權重的方法。取(0，1)之間的隨機數作為慣性權重的值，使粒子在各個時期都有獲得合理探索和開發能力的機會 。首先，產生一個隨機數作為初始慣性權重，在全局最優值不斷變化時，保持慣性權重不變；當在全局最優值未發生變化時，此時希望能夠加大慣性權重，使粒子具有較強的全局搜索能力；但取值(0,1)區間的隨機數的概率是相同的，不能保證其一定能取到期望的較大的隨機數，若能恰巧取到所需要的數值最好，但若取到較小的隨機數，又會陷入局部最優值。因此，再對慣性進行線性調節，即令ω=ω+rand(0,1)ω。同時ω取值不能無限增大下去，要保證粒子具有均衡的全局和局部探索能力。所以為了兼顧局部探索能力，當ω>1時，令ω=ω-rand(0,1)ω。同時，由于ω的隨機性，也加大了速度ν的隨機性，當ν過小時，粒子位置變化就不明顯，甚至若恰好使得ν=0，那么粒子在下一次或者以后多次的迭代中，甚至會出現停滯不前的情況。針對這個問題，對速度的最小值進行限定ν=0.5，以保證粒子能在大范圍內尋求最優值。

3 仿真與驗證

為了驗證所提出的方法的正確性和可行性，建立三層結構的BP神經網絡，輸入層節點數同故障特征向量的維數相等為8，輸入層和隱含層之間的神經元采用tansig函數；輸出層節點數同前文所提到的故障編碼位數相同為6，輸出層和隱含層之間的神經元采用logsig函數；隱層節點數由試湊法及以往經驗，選取節點數為22個；而在改進的PSO算法中，初始化種群粒子數目為40，PSO學習因子c1=2，c2=2，最大迭代次數iter=1 500，繼而對BP神經網絡的權值和閾值的迭代過程，利用改進的PSO的迭代過程取代。另外PSO的優化函數采用均方誤差根函數：

(5)

其中：H為訓練樣本數，TlH、ZlH分別為期望輸出和實際輸出值。

仿真時，選取三電平逆變器輸入電壓為350、400、450 V，負載功率分別為40、45、50 kW情況下的故障數據，作為樣本共計9組432個數據，取其中6組作為神經網絡的訓練樣本，其余三組作為測試神經網絡訓練結果的樣本，設定目標誤差為0.001。如圖6為標準PSO與改進后的PSO誤差收斂曲線，從圖中可以很明顯的看出，改進后的PSO算法誤差收斂速度比標準PSO更快，收斂準確度更高，收斂后的誤差值極低；而誤差函數值越低，說明神經網絡訓練的效果越好，實際輸出與期望輸出越接近，故障診斷的準確性就越高。

圖6 誤差收斂曲線圖Fig.6 Convergence curve of the error

我們再將測試樣本輸入到網絡中，由于篇幅所限，僅給出9大類中第4大類(上半橋交叉兩橋臂各有一個IGBT發生開路故障)的12種復雜故障的部分測試數據，如表2。以Sa1、Sb2故障為例，期望輸出故障的編碼為100110，仿真的輸出真實值與期望輸出十分接近。對仿真的輸出進行四舍五入后，能夠看出，仿真的輸出與期望的輸出一致，并且分類結果穩定，正確率近乎百分之百。從而，當三電平逆變器發生開路故障時，從神經網絡的輸出可以判定到底發生的是哪一種故障，進而完成對逆變器的故障診斷。

表2 神經網絡測試結果Tab.2 The test results of neural network

最后，通過上述仿真結果的分析，對比文獻[10]，可以發現，相比附加動量因子和自適應學習效率的BP神經網絡方法，本文采用的方法，訓練次數少近乎一半，收斂速度快，期望誤差更低，同時兼顧了系統的穩定性和網絡的收斂速度；對比文獻[7]可以發現，相比GA算法優化后的BP神經網絡方法，本研究采用的方法，訓練次數要更多，收斂速度稍慢，而期望誤差及其分類結果的穩定性近似相同，但本方法在計算的方便性及編程實現問題上，優勢則相對明顯，易于在實踐中實現。

4 結論

文中對三電平逆變器復雜開路故障進行了故障診斷研究。首先分析了逆變器輸出電壓的故障電壓信號，并對輸出的故障電壓進行傅里葉變換，提取所需的故障特征向量信息；利用一種改進的PSO優化BP神經網絡的方法對故障特征向量進行訓練，通過神經網絡的輸出可以判定到底發生的是哪一種故障。通過仿真實驗可以看出，該方法收斂速度快、精度高，并且由于PSO的簡單可操作性，使其在實踐中易于實現。

[1]KHOMFOI S,TOLBERT L M.Fault diagnostic system for a multilevel inverter using a neural network[J].IEEE Transactions on Power Electronics,2007,22(3):1062-1069.

[2]廖俊勃,帕孜來,支嬋,等.三電平逆變器 IGBT 的開路故障診斷研究[J].電測與儀表,2015,52(20):35-40. LIAO Junbo ,PAZILAT,ZHI Chan,et al.Study on open-circuit fault diagnosis of the IGBT in three-level inverter[J].Electrical Measurement & Instrumentation,2015,52(20):35-40.

[3]肖剛.三電平逆變器故障診斷研究[D].西安:西安理工大學,2007.

[4]馬皓,徐德鴻.基于神經網絡的電力電子電路故障診斷[J].電力電子技術,1997,31(4):10-12. MA Hao,XU Dehong.Fault diagnosis of power electronic circuits based on neural network[J].Power Electronics,1997,31(4):10-12.

[5]楊金寶,張昌宏,陳平.基于改進 BP 神經網絡的網絡故障診斷研究[J].計算機與數字工程,2012,40(2):65-67. YANG Jinbao,ZHANG Changhong,CHEN Ping.Network fault diagnosis based on improved BP neural network[J].Computer and Digital Engineering,2012,40(2):65-67.

[6]聞新,李新,張興旺.應用MATLAB實現神經網絡[M].北京:國防工業出版社,2015.

[7]姜立昌.多電平逆變器 IGBT 故障診斷方法的研究[D].天津：河北工業大學,2014.

[8]KENNEDY J.Particle swarm optimization[C]//IEEE International Conference on Neural Networks,2002:1942-1948.

[9]王琛琛,李永東.多電平變換器拓撲關系及新型拓撲[J].電工技術學報,2011,26(1):92-99. WANG Chenchen,LI Yongdong.Multilevel converter topologies and two novel topologies[J].Transactions of China Electrotechnical Society,2011,26(1):92-99.

[10]張國鋒.多電平逆變器的故障建模及診斷[D].長沙：中南大學,2012.

[11]劉坤,譚營,何新貴.基于粒子群優化的過程神經網絡學習算法[J].北京大學學報(自然科學版),2011,47(2):238-244. LIU Kun,TAN Ying,HE Xingui.Particle swarm optimization based learning algorithm for process neural networks[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2011,47(2):238-244.

[12]韓月嬌.粒子群算法的改進及其在 BP 神經網絡中的應用[D].南昌:南昌航空大學,2012.

[13]張丹,韓勝菊,李建,等.基于改進粒子群算法的 BP 算法的研究[J].計算機仿真,2011,28(2):147-150. ZHANG Dan,HAN Shengju,LI Jian,et al.BP algorithm based on improved particle swarm optimization[J].Computer Simulation,2011,28(2):147-150.

(責任編輯：呂海亮)

Complex Open-circuit Fault Detection of the IGBT in a Three-level Inverter

CUI Lihui,LIU Yang

(College of Electrical Engineering and Automation,Shandong,University ofScience and Technology,Qingdao,Shandong 266590，China)

To solve the open-circuit fault of insulated gate bipolar transistor (IGBT) in three-level inverter, the characteristics of output voltage signal when the crossed two bridge arms were subject to an IGBT open circuit were analyzed in this paper. The DC component, the fundamental amplitude, the fundamental phase and the second-harmonic phase were extracted from fault voltage signal by using Fourier transform, which were later converted into a fault feature vector and fault diagnosis was conducted by BP neural network. In order to improve the diagnostic accuracy, the improved PSO(particle swarm optimization) was used to optimize parameters of BP neural network. By the simulation of the three-level inverter, its correctness and feasibility were verified.

three-level inverter;fault diagnosis;BP neural network;PSO

2017-04-07

中國博士后科學基金項目(2016M600546)；青島市博士后研究人員應用研究項目(2016112)；山東科技大學研究生科技創新項目(SDKDYC170354)

崔力慧(1993—)，男，山東萊州人，碩士研究生，主要從事故障檢測與診斷研究.E-mail：ccuilihui@163.com 劉 洋(1988—)，男，遼寧海城人，博士后，主要從事最優濾波、閉環系統、故障檢測與診斷研究，本文通信作者. E-mail：lianinliyan@163.com

TM464

A

1672-3767(2017)04-0108-07

10.16452/j.cnki.sdkjzk.2017.04.016