基于多源特征向量的微電網雙向變換器故障診斷

摘" 要： 針對微電網變流器相關故障診斷研究的不足，文中對微電網常用的共直流母線型雙向多端口直流?直流變換器進行故障診斷方法的研究。通過仿真分析并結合變換器電路中的電流電壓特性，提出用于微電網雙向多端口變換器并能夠同時滿足兩種工作模式下的小波包變換?多源特征向量?極限學習機故障診斷方法，即采用小波包變換頻譜分析法獲得的電流與電壓構造多源聯合故障特征向量，結合ELM（極限學習機）對其實現故障診斷分類，定位其故障元件。此方法診斷精度高、泛化性能好，可以作為微電網逆變系統故障單元定位和健康管理（PHM）設計的參考和基礎。

關鍵詞： 故障診斷; 微電網; 雙向變換器; 多源特征; 故障分類; 實驗驗證

中圖分類號： TN99?34; TP39" " " " " " " " " " "文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2019）21?0099?06

Abstract： In allusion to the insufficiency of related fault diagnosis research for microgrid converter， the common DC bus type bidirectional multi?port DC?DC converters commonly used in micro?grid are studied in this paper. In combination with the simulation analysis and the characteristics of current and voltage in the converter circuit， a fault diagnosis method of WPT?MSE （multi?source eigenvector）?ELM （extreme learning machine） is proposed， which can be used in microgrid bidirectional multi?port converter and can simultaneously satisfy two working modes. The current and voltage obtained by wavelet packet transform spectrum analysis method can compose multi?source joint fault feature vector to realize the faults diagnosis classification and positioning of fault components in combination with ELM. The experimental results show that this method has high diagnostic accuracy and good generalization performance， which can be used as a reference and basis for the fault unit location and PHM （health management） design of microgrid inverter system.

Keywords： fault diagnosis; microgrid; bidirectional converter; multi?source feature; fault classification; experimental verification

0" 引" 言

近年來，隨著分布式電源和電動汽車技術的興起，微電網的發展越來越受到關注，它的提出旨在實現分布式電源高效、靈活的應用，以解決數量龐大、形式多樣的分布式電源并網問題。開發和延伸微電網能夠充分促進分布式電源與可再生能源的大規模接入，提高對新能源的接納能力，實現針對用戶利用多種能源形式的高可靠性供給，是實現主動式配電網的一種有效方式，可促進傳統電網逐步向智能電網過渡[1?2]。

現如今微電網越來越多地應用在小型社區、海島以及一些其他偏遠地區，與此同時這些地區往往又存在著天氣多變、氣候復雜等特點，一旦這種具有靈活分布特點的微電網發生故障，輕則會對用戶用電造成影響，嚴重則會導致并網電網發生更大的故障甚至造成重大事故。

微電網雙向多端口變換器電路是微電網接入分布式電源實現穩定運行的關鍵部分，因此，本文提出對微電網雙向多端口變換器電路的故障診斷進行研究。

分布式電源裝置通過DC/DC變換器與微電網直流母線連接。在傳統結構中，分布式電源需要多個變換器與直流母線及負載連接。微電網DC/DC變換器結構如圖1所示。近年來，許多研究提出采用多端口結構DC/DC變換器代替傳統結構以降低成本提高效率[3?5]，例如，蓄電池和光伏電源等構成的混合儲能單元通過雙向DC/DC變換器連接到直流母線供給負載，或通過逆變器與交流母線連接，交流母線直接為市電用戶等交流負荷提供電能。

當雙向變換器工作在供電狀態，能量由分布式電源組向電網流動;當雙向變換器工作在充電狀態，能量在分布式電源之間流動。故而這種雙向變換器可以實現能量的雙向流動[6]。

根據各端口間的隔離方式不同，微電網雙向多端口變換器可以分為非隔離型、部分隔離型及隔離型三種類型。共直流母線型是指多個功率端口通過非隔離開關單元與公共直流母線相連，如圖2所示，這是一種典型的微電網非隔離共直流母線型雙向多端口DC/DC變換器，由功率開關管V1，V2，V3，V4，電感[L1]，[L2]以及電容[C1]，[C2]等組成。

這種拓撲使用體積小、元件少、效率高且結構簡單容易實現端口數量和結構的拓展，可以實現模塊化組合與集中控制，應用較為廣泛[7?8]。然而目前國內外對微電網雙向多端口變換器電路的故障診斷方面的研究較少，所以本文主要針對此微電網雙向多端口變換器電路進行故障診斷研究，并利用多源特征聯合向量結合極限學習機（ELM）提出小波包變換?多源特征向量?極限學習機方法實現微電網多端口變換器電路故障的智能診斷。

1" 工作原理及仿真分析

1.1" 雙向變換器的工作原理

微電網雙向變換器分為兩種工作狀態：

第一種工作狀態為當雙向變換器工作在Boost工作模式，即供電狀態，雙向變換器相當于兩路Boost電路，將兩個分布式電源電壓提升，并聯供給直流母線。

另外一種情況為當雙向變換器電路工作在Buck模式，即充電狀態，與之前相反的開關管導通，雙向變換器相當于一路Buck電路，由來自直流母線或是光伏等其他分布式電源的能量對蓄電池進行充電。

基于以上兩種工作模式，變換器的能量的雙向流動功能得以實現。

1.2" 雙向變換器的仿真分析

對于雙向變換器各元器件參數的選擇：本文選擇兩路24 V直流電源，模擬一組分布式電源和蓄電池組，當Boost電路工作時，擬定輸出75 V直流電壓，且要求電壓紋波能小于1%。開關器件選擇MOSFET功率開關器件，開關頻率為10 kHz。為兼顧雙向變換器的快速性和穩定性，對參數采取相關計算，最終取電容[C1=C2=]470 μF;電感[L1=L2=]300 μH。在Matlab/Simulink中搭建仿真模型，對以上設計的雙向DC/DC變換器進行仿真，分別包含Boost模式和Buck模式兩種工作模式。

2" 故障分析及分類

2.1" 雙向變換器的典型故障分析

雙向DC/DC變換器的典型故障包含兩種工作模式以及兩種工作模式分別對應的多種故障形式。

2.1.1" Boost工作模式

變換器電路輸出端電壓[Vcd]包含了一定的故障信息，可以作為故障診斷的一種依據，但通過比較分析可以得出，在圖3a）和圖3b）中，除了0～0.01 s內的微小差別外，最后輸出的電壓信號基本相同，因此單獨基于輸出端電壓信號不能很好地區別出單個端口發生的故障。本文以兩個端口輸入為例，同理三個及以上端口的單個輸入故障也不能通過輸出的電壓信號很好地表示出來，而實際應用中所有端口失效的概率較低，目前的故障診斷研究主要針對單個或兩個輸入端口開關管失效問題，這樣就造成了基于單一信號故障診斷方法的局限性。因此有必要考慮結合其他故障特征信號對其進行研究。

從模擬電容的電阻ESR的退化情況來看，從ESR=0到逐漸增大的過程中可以明顯觀察到輸出電壓[Vcd]的紋波增大，將輸出電壓[Vcd]作為電容失效老化的故障診斷依據進行進一步研究。

2.1.2" Buck工作模式

在Buck模式下，電源端口向蓄電池端口充電，測試蓄電池輸入的電壓[Vs2]，觀察到電壓波形如圖4所示。在單管發生故障后，蓄電池輸入端電壓基本為零。當電感發生開路故障后，變換電路失去降壓功能。

在后續故障診斷過程中除了考慮到故障信號選擇問題，還要結合實際考慮到實際電路中檢測故障的傳感器位置放置問題。在實際應用中，兩種模式下，傳感器位置不宜隨著工作模式的變換而發生改變，這樣，需要在考慮故障信號結合問題的基礎上，進一步考慮兩種模式下檢測故障的傳感器位置的通用性，選擇合適有效的位置放置傳感器，以同時滿足變換器電路兩種工作模式下的故障檢測情況。

通過以上分析并根據微電網多端口變換器電路在正常模式和故障模式下輸出電流與電壓信號的差異性設計診斷方法。最終本文選擇提取兩支路電流和右側端口電壓[Vcd]來獲取故障特征信息，獲取其兩種運行模式下各個故障狀態下的線電流與電壓信號數據，構造組合成為多源聯合故障特征向量[9]用于故障的診斷。

2.2" 故障分類

據可靠性研究顯示，電力電子電路的故障主要由電容、開關管、電感等元件引起。其中，電容元件的故障概率最高，在整個電力電子電路中所占比重高達60%，另外開關管失效率為31%，排第二位，電感元件故障率約占[10]6%。

微電網多端口變換器電路中電感和電容對升降壓起著至關重要的作用，若其發生故障，將會嚴重影響變換器電路的性能。電容、電感的故障主要變現為老化及斷路故障，而老化的最終表現為斷路。變換器電路中功率開關管的故障分為開路故障和短路故障。由于短路故障存在的時間非常短，在電路中最終表現為開路。

因此，本文將對微電網多端口變換器電路中兩種工作模式下的功率管開路、電容老化及開路以及電感開路等進行故障診斷研究。本文將微電網多端口變換器電路的故障分為9種，如表1所示。

3" 診斷方法驗證

本文提出采用小波包變換?多源特征向量?極限學習機（ELM）對微電網多端口變換器進行故障診斷，診斷流程如圖5所示。通過其仿真模型獲取兩種運行模式下各個故障狀態下的支路電流與線電壓信號數據，用小波包頻譜分析法提取故障特征并構造組合成為聯合故障特征向量作為極限學習機的訓練樣本[11]，對電壓和電流的采樣信息分別進行3層小波包分解，并以此訓練ELM，確定結構和參數，實現微電網多端口變換器電路故障的智能診斷。

3.1" 特征向量提取與融合

小波包分析是小波分析的改進方法。在小波分析中，原始信號被分解為逼近部分和細節部分，逼近部分再分解為另一層的逼近與細節部分，這樣的過程重復進行，直到設定的分解層。利用小波包分解原始信號時，也會將細節部分繼續分解為另一層的逼近與細節部分[9]。

小波包分解具有任意多個尺度特點，避免了小波分析對信號分解時存在時頻固定的缺陷，可以較為準確地反映出故障信號的本質和特征。

將小波包分解用公式表述如下：

經過3層小波包分解特征提取后電壓和電流的特征向量均為[23=]8維，對數據進行歸一化與規范化處理后，去掉冗余信息，選擇4維特征向量，采用如圖6所示的間隔交叉方式將多源故障信息進行融合，形成12維故障特征向量用于故障診斷。

3.2" 極限學習機診斷算法

極限學習網絡結構如圖8所示。圖中，[n]表示輸入變量的個數;[h]表示隱含神經元個數;[xi]表示輸入變量，[i=1，2，…，n];[wij]表示輸入變量[i]與隱含層神經元[j]的連接權值;[wjo]表示隱含層神經[j]與輸出層的連接權值;[bj]表示隱含層神經元的閾值，[j=1，2，…，h];[bo]表示輸出層神經元的閾值;[f]表示隱含層神經元[j]的激活函數;[g]表示輸出層神經元的激活函數。

傳統的學習算法中梯度下降法需要多次迭代修正權值和閾值，因此訓練耗時較長，同時還存在容易陷入局部最優、學習率對神經網絡性能影響較大的一些缺點。因此，本文選擇一種更優的訓練算法進行故障診斷的研究。

極限學習機（ELM）算法可以隨機產生輸入層與隱含層間的連接權值及隱含層神經元閾值，在訓練過程中不需要對其網絡進行額外調整，只需要設置好隱含神經元個數就能夠獲得唯一最優解。這種方法應用于電路診斷領域相比傳統方法如BP神經網絡等，學習速度更快，泛化性能更好[12]，因而此方法相比其他前饋神經網絡，更能夠有效地對微電網多端口變換器故障進行診斷。ELM算法診斷的具體步驟如圖9所示。

3.3" 實驗驗證

模擬實際系統工作時的電壓波動，以輸入電壓為23 V，24 V，25 V下27組故障樣本對該網絡進行訓練，從輸入電壓26 V下選取全部9類故障為測試樣本，對訓練好的ELM網絡進行測試，并與基于電壓或電流單源信息的診斷方法進行對比。

測試結果如表2與表3所示，實驗證明實際輸出與目標輸出完全相符，與基于電壓或電流單源信息相比，本文所提出的小波包變換?多源特征向量?極限學習機（ELM）診斷方法準確率高，效果良好，泛化能力強。

4" 結" 論

本文提出利用小波包變換?多源特征向量?極限學習機（ELM）對微電網雙向多端口變換器進行兩種工作模式下各元器件的故障診斷。算法結構簡單，計算量較小，易于在實際應用中實現。故障診斷結果表明，本文提出的方法可以診斷出Boost/Buck兩種工作模式下的多種故障，而且可以精確定位到具體的故障元件，診斷精度高，泛化能力強，適用于多端口變流系統，為雙向多端口變換器電路的故障診斷提供了一種較為有效的智能診斷方法，同時為微電網逆變系統智能化故障診斷以及微電網安全高效運行提供了一定的理論基礎。

參考文獻

[1] 王成山，武震，李鵬.微電網關鍵技術研究[J].電工技術學報，2014，29（2）：1?12.

WANG Chengshan， WU Zhen， LI Peng. Research on key technologies of microgrid [J]. Journal of electrical technology， 2014， 29（2）： 1?12.

[2] 楊新法，蘇劍，呂志鵬，等.微電網技術綜述[J].中國電機工程學報，2014，34（1）：57?70.

YANG Xinfa， SU Jian， Lü Zhipeng， et al. Microgrid technology review [J]. Chinese journal of electrical engineering， 2014， 34（1）： 57?70.

[3] 程志江，李永東，謝永流，等.帶超級電容的光伏發電微網系統混合儲能控制策略[J].電網技術，2015，39（10）：2739?2745.

CHENG Zhijiang， LI Yongdong， XIE Yongliu， et al. Hybrid energy storage control strategy for photovoltaic micro?grid systems with supercapacitors [J]. Grid technology， 2015， 39（10）： 2739?2745.

[4] MARCHESONI M，VACCA C. New DC?DC converter for energy storage system interfacing in fuel cell hybrid electric vehicles. Power Electronics [J]. IEEE transactions on power electronics， 2007， 22（1）： 301?308.

[5] 趙玲霞.風光柴互補發電系統中并網雙向逆變器的研究[D].蘭州：蘭州理工大學，2010.

ZHAO Lingxia. Research on grid?connected bidirectional inver?ter in wind?solar?diesel hybrid power generation system [D]. Lanzhou： Lanzhou University of Technology， 2010.

[6] 秦曉晴.基于有源升壓整流單元的全橋多端口變換器研究[D].南京：南京航空航天大學，2015.

QIN Xiaoqing. Full bridge multiport converter based on active boost rectifier unit [D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2015.

[7] 韓光.教學用微網平臺設計及其雙向逆變器的研制[D].哈爾濱：哈爾濱工業大學，2015.

HAN Guang. Design of microgrid platform for teaching and development of bidirectional inverter [D]. Harbin： Harbin Institute of Technology， 2015.

[8] 樊東東.用于電池儲能系統的雙向DC/DC變換器研究[D].淮南：安徽理工大學，2017.

FAN Dongdong. Research on bi?directional DC/DC converter for battery energy storage system [D]. Huainan： Anhui University of Science and Technology， 2017.

[9] 楊彥杰，陳月，楊康.小波包分析與神經網絡的微電網線路故障診斷[J].自動化儀表，2017，38（9）：65?69.

YANG Yanjie， CHEN Yue， YANG Kang. Wavelet packet analysis and neural network for microgrid line fault diagnosis [J]. Process automation instrumentation， 2017， 38（9）： 65?69.

[10] 張寶偉，帕孜來?馬合木提，王芳.電動汽車逆變器故障診斷[J].電力電子技術，2018，52（2）：66?68.

ZHANG Baowei， Pazilai?Mahemuti， WANG Fang. Fault diagnosis of inverter for electric vehicle [J]. Power electronics technology， 2018， 52（2）： 66?68.

[11] 羅慧，王友仁，崔江，等.電力電子電路多源特征層融合故障診斷方法[J].電機與控制學報，2010，14（4）：92?96.

LUO Hui， WANG Youren， CUI Jiang， et al. Multi?source feature layer fusion fault diagnosis method for power electronic circuits [J]. Acta motor and control， 2010， 14（4）： 92?96.

[12] 何星，王宏力，陸敬輝，等.基于優選小波包和ELM的模擬電路故障診斷[J].儀器儀表學報，2013，34（11）：2614?2619.

HE Xing， WANG Hongli， LU Jinghui， et al. Analog circuit fault diagnosis based on optimal wavelet packet and ELM [J]. Chinese journal of scientific instrument， 2013， 34（11）： 2614?2619.