電力電子變換器故障診斷半實物仿真系統設計

蔡逢煌，詹銘松，柴琴琴，2

（1.福州大學電氣工程與自動化學院，福州 350108；2.新能源裝備檢測福建省高等學校重點實驗室（莆田學院），福建莆田 351100）

0 引言

隨著智能電網建設及可再生能源的快速發展，對于電力電子變換器故障診斷的科學實驗探究越來越成為高校研究的一個前沿技術，這對培養學生理解各類電路的原理和運行模式起著至關重要的作用［1］。目前常用的解析模型故障診斷法通過數學建模實現故障診斷，已在一定范圍得到應用，對一些診斷問題取得了積極而顯著的效果［2-5］。但同時也存在一些亟待解決的問題——電力電子電路的非線性、故障的特殊性與多樣性問題。隨著機電設備復雜性的增加，基于建立數學模型的故障診斷方法在實際應用中受到了限制［6］?；ヂ摼W和工業大數據的發展，使得人工智能算法也越來越多地用在電力電子的故障診斷上。約70年代末，我國著手研究該技術，通過學習國外的相關研究內容，逐漸發展與完善了我國故障診斷技術手段。目前關于電力電子與人工智能結合方面的內容少之又少，需加快將該方面各種實踐、實訓平臺、半實物仿真平臺引入到專業課的教學中［7-8］，為培養面向工業界的專業技術人才發揮積極作用［9-12］。

雙有源全橋（Dual Active Bridge，DAB）變換器憑借功率高、電氣隔離和模塊化等優點在雙向DC-DC變換模塊中得到了廣泛應用，對DAB變換器的故障診斷受到了研究者的廣泛關注［13-14］。本文梳理了DAB 變換器的工作原理以及開路故障定位分析，按照故障位置定義故障類型，詳細論述了半實物平臺的搭建以及提出的新型人工智能故障診斷算法，通過半實物仿真和運行展示，幫助學生在有限教學時間內學習拓展專業知識，并通過展示的應用方法更加深入地了解基于人工智能算法的電力電子變換器開路故障診斷，提升學生的專業知識應用水平。

1 DAB變換器工作原理

DAB的電路結構如圖1 所示，主要由1 個高頻隔離變壓器T、2 個H全橋、1 個串聯電感L以及10 個電容組成。其中u1、u2分別為DAB 兩側端口電壓，n為變壓器匝數比。根據DAB的結構對稱性，2 個H全橋之間以及全橋內部各存在一個移相控制變量，稱為移相比。DAB電壓調節比定義k＝U1／nU2。

圖1 雙有源全橋變換器電路結構

DAB最簡單的移相控制方式為單移相調制。該控制方式中H1橋內的移相角為P1，稱為內移相比。兩側H全橋之間的移相角為P2，稱為外移相比。通過控制兩個H橋之間的移相角P2來控制功率傳輸的大小和方向。但是在單移相控制中，若u1≠nu2，即電壓調節比不為1 時，電路中環流大、軟開關范圍小等缺點會導致損耗增加，系統效率降低，為改善單移相的調制方法，近年來又有擴展移相（extended-phase shift，EPS）、雙重移相和三重移相等移相調制方法。本文以DAB的EPS 控制方法為代表具體講述。圖2 給出了采用EPS控制時該變換器的主要工作波形。在這種控制方式下，每個橋臂上2 只開關管均為180°互補導通；副邊橋臂斜對角的兩只開關管同時開通和關斷，這樣副邊橋臂中點電壓uCD占空比為50%；原邊兩個橋臂采用移相控制，S1和S2構成超前橋臂，S3和S4構成滯后橋臂，兩個橋臂之間存在一個移相角P1，通過控制這個相角差來控制原邊橋臂中點電壓uAB的占空比。

圖2 擴展移相控制下的主要工作波形

2 面向DAB變換器故障診斷

2.1 變換器故障特征分析

對功率管S1開路故障進行分析，得到信號波形如圖3 所示，7 個工作模態如圖4（a）～（g）所示。

圖3 S1 開路故障時的工作波形

模態1［t0，t1）如圖4（a）所示，該模態初始時刻uAB＝0，uCD＝-u2，當S2關斷時，電容C1放電、C2充電；當C2和C1完全充放電到u1和0 時，續流二極管D1將導通，在該模態時，變壓器原邊電壓為-nu2，電感電流iL開始線性減小。

模態2［t1，t2）如圖4（b）所示，該模態初始時刻uAB＝u1，uCD＝-u2，S3開始關斷、S4開始導通，電容C3充電、C4放電，當C3和C4充、放電至u1、0 時，二極管D4導通，電感對電源u1饋能，電感電壓uL減小，iL以斜率繼續減小。

模態3［t2，t3）如圖4（c）所示，該模態初始時刻時uAB＝u1，uCD＝u2，S6和S7同時關閉，電源u2對電容C6、C7充電，C5、C8放電，當C6、C7充至u2，C5、C8放電至0 時，續流二極管D5、D8導通。此時變壓器原邊電壓為nu2，uL＝u1-nu2。

模態4［t3，t4）如圖4（d）所示，該模態初始時刻時uAB＝0，uCD＝u2，iL減小至0 并向正方向流動，但由于S1故障無法導通，故電容C2放電、C1充電。當C1和C2上的電壓值等于u1和0 時，二極管D2導通，iL向正方向流動，但持續時間較短。此時變壓器原邊電壓為nu2，電感電壓uL＝-nu2。

模態5［t4，t5）該模態初始時刻時，iL線性減小至0 并相反增加，電感L和電容C1、C2諧振，在這種模態下的電感電流iL很小，其值接近零。

模態6［t5，t6）如圖4（e）所示，該模態初始時刻時uAB＝0，uCD＝u2，S2導通，諧振狀態終止，該階段電容C1充電至u1，C2放電至0 后續流二極管D2導通，iL流經S2開關管。此時變壓器原邊電壓為nu2，u2向電感L充磁，iL反向增大。

圖4 S1 開路故障工作模態

模態7［t6，t7）如圖4（f）所示，該模態初始時刻時uAB＝-u1，uCD＝u2，S4關閉，電容C4充電、C3放電。當C4和C3充、放電至u1和0 時，續流二極管D3導通。因此，電感L由電源u1和u2同時充磁，電感電流iL以斜反向增加。

模態8［t7，t8）如圖4（g）所示，該模態初始時刻時uAB＝-u1，uCD＝-u2，S5和S8關閉，電容C5、C8充電，C6、C7放電，當充電至u2和放電至0 時，D6、D7導通，S6和S7實現零電壓開通。在此模態下只有電源u1向電感L供電，電感電流iL以斜率反向增加。

根據每個故障模態的分析，可得各個時刻的電壓數據（見表1），根據表中數據可知DAB變換器EPS控制方式，當出現S1故障時，uAB、uL的值變化會與S4故障時變化一致，同理當S2管或S3管故障時，uAB、uL值變化也一致。經分析后可知，在EPS控制下DAB變換器要區分出具體故障管可選取中點電壓uA當作特征量為最優。

表1 S1 或S4 故障時電路電壓數據

2.2 基于人工智能算法的故障診斷

為能提高實際電路中對含有噪聲的電壓信號特征學習能力，提高故障診斷的準確度，提出一種基于自適應去噪的神經網絡進行DAB電路的故障診斷。

（1）閾值化算法。閾值算法是很多信號降噪算法的核心步驟［15］，首先設定一個閾值，幅值若低于這個閾值的特征置為0，高于該閾值的特征朝著零的方向進行收縮，其輸出特征

式中：T為閾值；x為輸入特征；y為輸出特征。

閾值算法如圖5 所示。

圖5 閾值化算法

閾值分割的核心就是如何選取閾值，選取正確的閾值是有效去噪的關鍵。傳統方法通常使用手動設置閾值進行信號的去噪，也有采用直方圖技術法、Otsu算法、熵算法等自動選取全局閾值，也可采用自適應閾值算法自動選取局部閾值。一個理想的自適應閾值算法應該相比于全局閾值算法能夠對噪聲多變的信號產生更好的去噪效果。類似于圖像自適應去噪，在圖像像素不均勻的情況下，運用全局閾值算法并無法很好地進行去噪，需要將圖像分割為幾塊進行局部特征的自適應去噪［16］。在故障數據中，同樣需要將故障數據樣本分為不同模塊，利用自適應閾值算法獲取局部特征的閾值，除了運用到閾值化算法還需要其他算法來實現自適應的效果。

（2）通道注意力機制算法。若在網絡引入通道注意力機制（Channel Attention Module，CAM），計算提取特征的每個通道之間的閾值，可實現電路自適應閾值的去噪，其中通道注意力機制如圖6 虛線框內所示。

圖6 CAM結構框圖

圖中：“+”為加法運算；“S”為Sigmoid 計算；“T”為閾值化計算；avg_pool為全局平均池化；max_pool為全局最大池化。CAM中，為讓提取的高層次特征能更加豐富，特征輸入a分別經一平均池化層以及一最大池化層，其中平均池化層可減小鄰域大小受限造成的誤差值，最大池化層可減小卷積層參數誤差造成的均值誤差。為減少網絡層的參數，通過2 個卷積層分別進行降維和升維。合并輸出得到各特征通道的權重，得到原來特征維度的一個參數。再應用sigmoid函數，使提取到的參數縮放至（0，1），sigmoid函數

式中：b為合并得到的輸出特征參數，σ（b）為縮放至0到1 之間的參數。考慮在閾值函數中，閾值若大于輸入信號的最大值，輸出會全部為零。故需要將閾值在一個范圍內進行自適應的設定。每個通道內的閾值

式中：Tc為第c個通道的閾值；σc（b）為第c個通道的特征縮放參數；ac為第c個通道的特征值。得到的Tc便是能夠自適應去噪的閾值，若輸入的特征值大于某一閾值Tc便進行保留，若特征值小于某一閾值便認定為噪聲，進行去除。當特征大時，閾值也會變大，當特征小時，閾值也會變小，能夠自適應地進行去噪。

將上述閾值化算法與通道注意力機制算法結合在一起作為一種自適應閾值去噪的算法，應用于電力電子變換器的故障診斷，能解決電路中存在大小不同的噪聲，可有效提高故障定位的準確率，上述自適應閾值去噪算法能寫入各類卷積神經網絡，具有普遍的適用性。

3 半實物仿真設計與實現

3.1 半實物仿真平臺搭建

為驗證所提故障診斷方法的分類效果，更好地將理論知識與實際實踐相結合，將上述故障診斷方案在StarSim HIL 半實物平臺上進行驗證。該平臺由StarSim HIL 仿真器和外部硬件控制器組成。在Matlab的Simulink中搭建一個DAB變換器模型，主電路結構如圖7 所示，關鍵參數選取見表2，將電路模型導入StarSim HIL軟件，以TMS320F28069 為核心搭建控制電路，將半實物仿真器與DSP控制器通過外部接口板連接，使控制板對半實物仿真器提供PWM 信號，實現電路的運行。StarSim HIL 可將Simulink 中的模型轉換為C 語言代碼，并編譯成下位機的可執行程序。實時仿真器相應地模擬輸出和數字輸入端口可以與控制器進行通信，形成一個硬件回路，實現半實物測試，其實驗系統框圖如圖8 所示，搭建的半實物仿真實驗測試平臺如圖9 所示。

表2 系統主要參數

圖7 DAB主電路仿真模塊

圖8 實驗系統框圖

圖9 HIL實驗測試平臺

3.2 半實物仿真結果驗證及分析

搭建好半實物仿真平臺后，便可在平臺上收集電路特征數據進行故障診斷。根據第2 節分析將中點電壓uA作為特征量從半實物仿真平臺收集至PC。收集正常狀態和9 種不同故障狀態下的電路特征數據，具體波形如圖10 所示。對每個診斷狀態收集3 000 個樣本，每個樣本長度為1 024，即為一個脈沖周期波形的長度。訓練集和測試集按5∶1的比例劃分，訓練集每個狀態2 500 個樣本，測試集每個狀態500 個樣本。

圖10 故障電壓波形

實驗測試的硬件環境為：Intel i7-10750H +NVidia GTX1650ti，軟件環境為：Windows10+Python3.6 +Pytorch。將第2 節提出的算法作為非線性層寫入一維ResNet網絡進行故障診斷測試。實驗模型在開始學習之前設置的參數：迭代次數為98；損失函數為交叉熵函數；學習率的衰減規則根據MultiStepLR 函數設置。當訓練每過5 個epoch時，學習率便開始下降，學習率的初始值設為0.001，衰減率為0.1。該網絡模型的輸入維度為樣本維度，輸出維度為分類數。綜合考慮其分類的效果以及參數大小，該模型包括1 個一維卷積層，8 個自適應去噪算法模塊，1 個全局平均池層和1 個全連接層。將半實物電路中收集的數據傳輸回PC后進行故障診斷，具體分類效果如圖11 所示，故障分類的準確率能達到99.8%，說明了該網絡的分類效果很好。

圖11 實驗分類結果

為證明該算法擁有去噪的效果，在信噪比（Signal-Noise Ratio，SNR）為-3 dB 的情況下，采用t-SNE 方法對未加入自適應去噪算法的診斷網絡和已加入去噪算法的網絡進行了可視化，如圖12（a）、（b）所示。對比兩圖，根據每個特征分布可以看出圖12（a）中未加入去噪算法的網絡由于噪聲影響導致特征有部分重合，而圖12（b）中加入去噪算法后特征基本可以區分開，得出在高噪聲下分類效果依然很好，網絡分類效果基本沒受到噪聲的影響，故所提模型的自適應閾值去噪是有效的。

圖12 t-SNE可視化

4 結語

本文以DAB變換器為例，介紹了電力電子電路開路故障的診斷方法，通過分析DAB變換器在EPS控制下的故障模態分析，提出一種基于人工智能的故障診斷算法，該方法融合了電力電子技術以及人工智能等方面的專業知識。根據搭建的半實物仿真平臺進行實驗，結果表明，本文所提診斷方法可準確判斷功率開關管開路故障情況并進行定位，具有較高的可靠性和適應性。學生通過搭建這個半實物仿真平臺的實訓，能加強實際動手能力，鍛煉故障診斷編程方法和實驗調試手段。進行多學科結合的教學能幫助學生建立對于學科學習的信心，激發對于學科學習的興趣，取得更好的實踐教學效果。