基于多模態融合和卷積神經網絡的逆變器故障診斷

張靖超，畢貴紅，趙四洪，孔凡文，陳冬靜，陳仕龍

基于多模態融合和卷積神經網絡的逆變器故障診斷

張靖超，畢貴紅，趙四洪，孔凡文，陳冬靜，陳仕龍

（昆明理工大學 電力工程學院，云南 昆明 650500）

電壓源控制型靜止同步補償系統（Voltage source controlled static synchronous compensator，VSC-STATCOM）故障具有隨機性和不可預測性，其原始信號難以完全反映功率開關管的波形特征，導致故障特征提取及診斷困難。針對此問題，提出一種結合多模態融合技術（Multi-modal fusion technology，MFT）、雙分支卷積神經網絡（Double branch convolution neural network，DBCNN）與自注意力機制（Self-attention mechanism，SA）的逆變器故障診斷的方法。首先，利用快速傅里葉變換實現逆變器故障數據的時域模態信號到頻域模態信號的轉換；然后，利用DBCNN分別提取時域和頻域2個模態的特征并進行特征融合，再將利用SA權重自適應分配能力篩選出的關鍵特征作為故障分類的依據，解決功率開關管開路故障難以辨別的問題。在逆變器故障診斷過程中，采用MFT和卷積神經網絡相結合的方法，建立了一種準確而快速的實現故障分類的體系。以VSC-STATCOM逆變器為對象開展實驗，實驗結果表明，與單模態時域（Convolutional neural network-self-attention mechanism）CNN-SA和頻域CNN-SA方法相比，MFT-DBCNN-SA對故障診斷的準確率均有提高；不同相數的實驗結果表明，利用該方法僅靠兩相就能很好地診斷出故障類別。相較于同領域的研究，所提故障診斷方法的水平持平或有所提升。

逆變器；多模態融合技術；雙分支卷積神經網絡；自注意力機制；故障診斷

0 引言

VSC-STATCOM逆變器具備結構簡單、高頻諧波抑制效果好、高效能耗和高可靠性等優點，在電力系統中獲得了廣泛應用。……