丁 毅，何怡剛，李 兵，崔介兵

（合肥工業(yè)大學(xué)電氣工程與自動(dòng)化學(xué)院，合肥 230009）

隨著太陽(yáng)能及風(fēng)能等新能源設(shè)備并網(wǎng)規(guī)模不斷擴(kuò)大，逆變器的應(yīng)用日益廣泛［1］。相比傳統(tǒng)的兩電平逆變器，三電平逆變器具有承受電壓高、功率大和工作可靠穩(wěn)定等優(yōu)點(diǎn)，更加受到人們重視［1-2］。由于三電平逆變器增加了IGBT器件使用數(shù)量，電路拓?fù)浣Y(jié)構(gòu)復(fù)雜，使用數(shù)據(jù)表明，逆變器故障中IGBT器件故障占比高達(dá)60%?？梢?jiàn)，IGBT工作穩(wěn)定性直接關(guān)系到新能源設(shè)備的正常運(yùn)行狀態(tài)，一旦發(fā)生故障將造成巨大損失，甚至威脅電網(wǎng)運(yùn)行安全［1-3］。因此，有必要對(duì)逆變器中IGBT器件展開故障診斷研究。

三電平逆變器電路拓?fù)浣Y(jié)構(gòu)復(fù)雜，電路具有較強(qiáng)的非線性特征，因此，建立電路精確數(shù)學(xué)模型比較困難，目前，逆變器故障診斷通常采用基于信號(hào)的方法。陳丹江等［4］將IGBT橋臂電壓信號(hào)作為多神經(jīng)網(wǎng)絡(luò)輸入向量，提出了主神經(jīng)網(wǎng)絡(luò)結(jié)合輔助神經(jīng)網(wǎng)絡(luò)的三電平逆變器開路故障診斷方法，該方法算法復(fù)雜，提取采樣點(diǎn)也比較多，對(duì)于系統(tǒng)性能要求較高，主要適用于器件數(shù)量較少情形。Wang等［5］利用傅里葉變換處理逆變器故障信號(hào)，提出了主成分分析結(jié)合相關(guān)向量機(jī)的三電平逆變器故障診斷方法，實(shí)驗(yàn)結(jié)果表明：所提方法具有診斷模型稀疏性高和診斷性能好的優(yōu)點(diǎn)，但其相關(guān)向量訓(xùn)練時(shí)間過(guò)長(zhǎng)，且參數(shù)難以確定。余運(yùn)俊等［6］直接將橋臂電壓測(cè)量信號(hào)作為網(wǎng)絡(luò)輸入向量，提出了基于小波包分解結(jié)合概率神經(jīng)網(wǎng)絡(luò)三電平逆變器開路故障診斷方法，算法可靠性高，但其未對(duì)含有噪聲的測(cè)量信號(hào)做預(yù)處理，影響了其診斷速度。殷實(shí)等［7］提出了一種基于卡爾曼濾波的方法，通過(guò)卡爾曼濾波算法建立故障診斷模型，進(jìn)而通過(guò)對(duì)比電流差的變化，確定故障位置，缺點(diǎn)是模型通用性較差。沈艷霞等［8-9］利用負(fù)載相電壓最大值和最小值定位故障位置，并采用快速傅里葉變換（FFT）方法提取信號(hào)諧波幅值，提出了基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，但FFT方法忽略了故障時(shí)頻域相關(guān)性，損失了大量有用信息。

逆變器故障診斷方法需要較好的抗干擾能力和診斷準(zhǔn)確度。針對(duì)逆變器電路高度非線性、IGBT故障特征難以提取及故障診斷實(shí)時(shí)性要求高等問(wèn)題，本文提出了基于小波包分析和量子神經(jīng)網(wǎng)絡(luò)的三電平逆變器故障診斷方法。采用三電平逆變器IGBT上、中、下橋臂電壓測(cè)量信號(hào)作為故障信號(hào)，利用小波包分析方法提取電壓信號(hào)能量譜，提取故障信號(hào)特征；利用量子神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，通過(guò)硬件實(shí)驗(yàn)測(cè)試平臺(tái)驗(yàn)證了該算法有效性和可行性。

1 基本原理

采集逆變器橋臂電壓，按照一定比例確定訓(xùn)練集和驗(yàn)證集；對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行小波包分解，形成小波包能量譜熵故障特征并降維，獲得特征向量矩陣作為量子神經(jīng)的輸入向量并訓(xùn)練，獲取量子神經(jīng)網(wǎng)絡(luò)模型；利用驗(yàn)證集數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，測(cè)試模型分類性能。

1.1 小波包變化

傳統(tǒng)FFT方法通過(guò)將信號(hào)分解為不同頻率的正弦波組合來(lái)實(shí)現(xiàn)信號(hào)特征分析，但其屬于頻域方法，并不涉及時(shí)域信息，無(wú)法獲取頻率成分時(shí)間信息，主要適用于平穩(wěn)信號(hào)處理［10-11］。小波包變換發(fā)展于小波變換，其通過(guò)將信號(hào)投影至一個(gè)由小波伸縮形成的一組基函數(shù)上反映全頻帶故障信息，可以更加精細(xì)地分析信號(hào)特征，適合同時(shí)分析低頻信號(hào)和高頻信號(hào)，克服了小波分析高頻段頻率分辨率不理想及低頻時(shí)間分辨率不理想的情況［8］。小波包分解層數(shù)越多，其分解信號(hào)愈細(xì)化，但其對(duì)硬件要求就越高，綜合考慮，本文采用3層小波包，小波包分解示意圖如圖1所示。

圖1 三層小波包分解示意圖

小波包定義為由尺度函數(shù)φ（x）確定的函數(shù)族｛un（t）；n＝0，1，2，…，n，+∞｝，即：

式中：k為采樣點(diǎn)序列，k＝0，1，2，…，n，n為信號(hào)總采樣點(diǎn)數(shù)，｛hk｝k∈z和｛gk｝k∈z是一組高低通組合正交鏡像濾波器，信號(hào)通過(guò)該濾波器進(jìn)行抽樣操作，進(jìn)而實(shí)現(xiàn)子空間劃分。

1.2 小波能量譜特征

三電平逆變器故障信號(hào)可通過(guò)小波包分析進(jìn)行不同頻帶分解，得到不同尺度下的不同頻帶信號(hào)，若故障信號(hào)采樣點(diǎn)數(shù)足夠多，則可將頻帶分解到足夠細(xì)。

故障信號(hào)s（t）經(jīng)過(guò)小波包i層分解后將在第i層得到2i個(gè)信號(hào)的子頻帶，則s（t）可以表征為

式中：fi，j（tj）為小波包分解后信號(hào)在第 i層中（i，j）分解節(jié)點(diǎn)的重構(gòu)信號(hào)。

各頻帶能量可以作為信號(hào)特征反映逆變器工作狀態(tài)，將其作為量子神經(jīng)網(wǎng)絡(luò)輸入向量，最終便可實(shí)現(xiàn)器件故障診斷［11］。故障信號(hào) s（t）經(jīng)過(guò)小波包分解后得到的頻譜能量為

式中：Ei，j（tj）為故障信號(hào)經(jīng)小波包分解后第 i層第j個(gè)節(jié)點(diǎn)的頻帶能量。

同時(shí)，為便于后期量子神經(jīng)網(wǎng)絡(luò)處理，需對(duì)小波頻帶能量進(jìn)行歸一化處理，最終構(gòu)成故障特征量，即為小波包能量譜，表示為

Daubechies（dbN）系列小波具有正交、緊支撐、光滑度隨階數(shù)增加而增加等優(yōu)點(diǎn)，但其階數(shù)越高，其時(shí)域緊支撐性減弱，同時(shí)計(jì)算量大大增加，實(shí)時(shí)性變差［11］。為了使信號(hào)能量譜較好地表達(dá)信號(hào)特點(diǎn)，同時(shí)兼顧計(jì)算量，本文選取db20小波基函數(shù)。

1.3 量子神經(jīng)網(wǎng)絡(luò)

量子神經(jīng)網(wǎng)絡(luò)（quantum neural network，QNN）利用量子理論中量子并行性的這一巨大優(yōu)勢(shì)，通過(guò)將量子力學(xué)機(jī)理融入傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計(jì)算緩慢，難以處理大量復(fù)雜數(shù)據(jù)、缺乏模糊性等問(wèn)題［12］。在QNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，通過(guò)將Sigmoid函數(shù)的疊加形式融入隱含層各神經(jīng)元的激勵(lì)函數(shù)，并且加入量子間隔，從而使神經(jīng)網(wǎng)絡(luò)模型能夠有效處理具有較大模糊性的數(shù)據(jù)，即對(duì)于處理具有一定重合的不同故障模式數(shù)據(jù)時(shí)，具有較好的效果，此外，使得網(wǎng)絡(luò)多分類能力得到提高。量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在算法具體實(shí)施過(guò)程中，若特征向量位于交叉類邊界上，則通過(guò)量子神經(jīng)網(wǎng)絡(luò)將其分配給與該向量相關(guān)的所有類。如果特征向量不模糊，則將其分配給相應(yīng)的類。因此，特征矢量與故障類之間就能達(dá)到一種精確的對(duì)應(yīng)關(guān)系，顯著提高診斷效率［13］。

設(shè)神經(jīng)網(wǎng)絡(luò)輸入層為 X＝（x1，x2，…，xk），輸出層為 Y＝（y1，y2，…，ym），各層間的激勵(lì)函數(shù)采用Sigmoid函數(shù)，k和m分別為輸入層及輸出層神經(jīng)元個(gè)數(shù)。量子間隔則根據(jù)需要診斷的故障原件數(shù)決定，并與之保持?jǐn)?shù)量一致。

則量子神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型為

式中：θs為量子間隔；s是量子間隔數(shù)；β是陡度因子。

QNN學(xué)習(xí)過(guò)程中，各個(gè)單元之間權(quán)值更新均采用梯度下降法來(lái)改變權(quán)值和誤差反向傳播，同時(shí)為防止算法訓(xùn)練陷入局部極小值，本文引入Adam梯度下降算法，其具有動(dòng)態(tài)調(diào)整學(xué)習(xí)率及附加動(dòng)量特征，從而實(shí)現(xiàn)全局最優(yōu)，提高訓(xùn)練速度。具體步驟如下：

1）設(shè)置初始參數(shù)搜索方向和學(xué)習(xí)效率；

2）計(jì)算歷史梯度指數(shù)衰減均值和指數(shù)衰減歷史二次方梯度均值；

3）根據(jù)步驟2）的歷史衰減均值和二次方梯度均值更新參數(shù)搜索方向和學(xué)習(xí)效率；

4）通過(guò)將參數(shù)不斷迭代，產(chǎn)生最優(yōu)值。

則量子間隔更新公式為

式中：ε是學(xué)習(xí)率；n是輸出神經(jīng)元個(gè)數(shù)；β為動(dòng)量因子。學(xué)習(xí)率采用上述自適應(yīng)調(diào)整方法，當(dāng)誤差較大時(shí) ε＝ε·▽?duì)?；反之，則 ε＝ε·Δε，其中，▽?duì)?、Δε分別為學(xué)習(xí)速率減小量和增加量。

2 ANPC拓?fù)浣Y(jié)構(gòu)及故障模式

有源中性點(diǎn)鉗位（ANPC）三電平逆變器具有功率大、容量大及器件損耗平衡等特點(diǎn)，在工業(yè)生產(chǎn)中得到廣泛應(yīng)用［14-16］。同時(shí)，IGBT故障主要為開路故障和短路故障，IGBT短路故障主要在硬件電路設(shè)計(jì)時(shí)加以考慮，本文以ANPC為研究對(duì)象，對(duì)其開路故障進(jìn)行分析。ANPC三電平逆變器拓?fù)浣Y(jié)構(gòu)如圖3所示。

圖3中，3個(gè)橋臂分別記為A、B、C相，每相橋臂分別標(biāo)記為 Tx1、Tx2、Tx3、Tx4、Tx5、Tx6（x代表 a，b或c），直流側(cè)有2個(gè)電容C1和C2。在合理的調(diào)控下，P狀態(tài)下Tx6導(dǎo)通，可以減小開關(guān)損耗次數(shù)，提升逆變器轉(zhuǎn)換效率。N狀態(tài)下 Tx5導(dǎo)通的作用相同。

圖3 ANPC三電平逆變器拓?fù)浣Y(jié)構(gòu)

IGBT故障有單管故障和多管故障，且多管故障中絕大部分為雙管故障，故本文只考慮IGBT單管故障和雙管故障2類情況。且僅研究A相中Ta1、Ta2和Ta53種單管故障模式；此外，考慮電路對(duì)稱性，僅研究涉及A相橋臂的雙管故障。對(duì)Ta1和Ta2、Ta1和 Ta3、Ta1和 Ta4、Ta1和 Ta5、Ta1和 Ta6、Ta2和Ta3、Ta2和 Ta5、Ta2和 Ta6、Ta5和 Ta6共 9種故障進(jìn)行研究。包括正常運(yùn)行狀態(tài)和12種故障運(yùn)行狀態(tài)，本文共計(jì)研究13種運(yùn)行狀態(tài)。通過(guò)測(cè)量三電平ANPC中IGBT器件得到上、中、下橋臂電壓進(jìn)行研究，上橋臂電壓為au和中性點(diǎn)O之間的電壓，記為Vauo，中橋臂和下橋臂與此類似，分別記作Vao和Vado。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)搭建

ANPC三電平光伏逆變器實(shí)驗(yàn)平臺(tái)如圖4所示，平臺(tái)包括直流測(cè)電壓源、數(shù)字示波器、主控開關(guān)、控制板和差分探頭等。其中，直流側(cè)電壓源電壓可調(diào)范圍為0～200 V，直流側(cè)電容為3.3 mF，最高耐壓值為450 V；主控開關(guān)由18個(gè)IGBT組成，每相負(fù)載為1個(gè)2Ω電阻串聯(lián)1個(gè)1 mH電感；數(shù)字示波器選用安捷倫DSOX3034T，采樣帶寬為350 MHz，差分探頭為 PINTECH-CP3015a（100MHz，1 500 V）?？刂瓢宀捎?DSP開發(fā)板，板載TMS 320芯片采用載波反向疊加方式產(chǎn)生驅(qū)動(dòng)信號(hào)，經(jīng)驅(qū)動(dòng)器和驅(qū)動(dòng)芯片隔離放大，其載波頻率為20 kHz，調(diào)制波為50 Hz正弦波。

圖4 ANPC三電平光伏逆變器實(shí)驗(yàn)平臺(tái)

3.2 實(shí)驗(yàn)分析

為了驗(yàn)證本文算法的抗干擾能力及有效性，考慮實(shí)驗(yàn)室條件，實(shí)驗(yàn)中直流側(cè)電壓選取100 V、100±2 V及100±5 V，每一輸入電壓條件下調(diào)制比選擇0.5、0.6、0.7、0.8、0.9、1。每種故障選取30組樣本數(shù)據(jù)，樣本總數(shù)為13×30＝390組故障數(shù)據(jù)。將390組數(shù)據(jù)樣本分為2部分，一部分選取調(diào)制比為0.6和0.9的采樣數(shù)據(jù)進(jìn)行測(cè)試，另一部分?jǐn)?shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)?，F(xiàn)以直流側(cè)電壓100 V，調(diào)制比0.8為例研究說(shuō)明。部分單器件故障如圖5所示。

正常情況下橋臂電壓信號(hào)穩(wěn)定，信號(hào)圖如圖5（a）所示，幾乎沒(méi)有雜波信號(hào)干擾。從圖5（b）可以看出，正半周電壓為0，表明正電壓完全被阻斷，因此當(dāng)Ta1發(fā)生故障時(shí)，正電壓完全開路。

雙器件故障共計(jì)有9種情況，實(shí)際運(yùn)行中，Ta2和Ta3在各自周期內(nèi)不停關(guān)斷，較易發(fā)生故障，故選取Ta1和Ta2、Ta1和Ta32種典型雙器件故障加以分析，信號(hào)圖如圖6所示。

圖5 單器件故障圖

圖6 部分雙器件故障

ANPC三電平逆變器在正負(fù)周期更替時(shí)通常會(huì)產(chǎn)生脈沖電壓，通過(guò)Ta2流至上橋臂，所以上橋臂中存在較大的脈沖電壓，因此，單器件故障時(shí)上橋臂負(fù)半周期存在脈沖電壓。這一現(xiàn)象剛好可以在Ta1和Ta2同時(shí)故障波形與單器件Ta1故障波形類似時(shí)加以區(qū)分，如圖6所示。

3.3 實(shí)驗(yàn)結(jié)果

Ta2故障及Ta2和Ta5故障2種故障類的小波包能量譜特征如表1和表2所示，由表1和表2可見(jiàn)，不同故障類型的橋臂小波能量譜熵存在一定區(qū)別，實(shí)驗(yàn)證明，可以較好區(qū)分2種故障。

表1 Ta2故障小波包能量譜熵

表2 Ta2和Ta5故障小波包能量譜

對(duì)得到的三橋臂的小波包能量譜特征進(jìn)行歸一化處理，輸入到量子神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別。每次測(cè)試均重復(fù)10次，最后以平均值為最終結(jié)果。

為驗(yàn)證本文方法（簡(jiǎn)稱算法1）的有效性，選取目前常用的幾種其他方法：

算法2——粒子群優(yōu)化結(jié)合支持向量機(jī)算法，首先利用粒子群優(yōu)化提取故障特征，其次采用支持向量機(jī)進(jìn)行故障分類。

算法3——快速傅里葉變換+主成分分析+后向傳播神經(jīng)網(wǎng)絡(luò)算法，首先利用支持向量機(jī)提取故障特征，其次采用主成分分析對(duì)故障特征降維，最后利用后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行分類學(xué)習(xí)。

算法4——小波包變換結(jié)合概率神經(jīng)網(wǎng)絡(luò)算法，首先利用小波包變換提取故障特征，其次采用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類學(xué)習(xí)。

4種的平均診斷準(zhǔn)確度、診斷率和單次故障診斷時(shí)間如表3所示。由表3可見(jiàn)，本文方法在訓(xùn)練準(zhǔn)確度、診斷準(zhǔn)確度具有明顯優(yōu)勢(shì)，單次診斷時(shí)間方面也有較高優(yōu)勢(shì)，綜合表現(xiàn)較好。

表3 4種診斷方法

此外，基于上述方法，不同電壓及調(diào)制比情況下的平均診斷準(zhǔn)確度、診斷率和單次故障診斷時(shí)間如表4所示，其在不同電壓及調(diào)制比情況下的診斷準(zhǔn)確度、診斷率和單次故障診斷時(shí)間比較平穩(wěn)，抗干擾能力表現(xiàn)較好。

表4 部分不同電壓及調(diào)制比

4 結(jié)論

將小波包分析與量子神經(jīng)網(wǎng)絡(luò)結(jié)合用于三電平逆變器故障診斷，對(duì)逆變器輸出三相橋臂電壓信號(hào)進(jìn)行小波包分解，獲取信號(hào)故障特征，再將故障特征輸入量子神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲取故障分類。實(shí)驗(yàn)結(jié)果表明：本文中提出的診斷方法準(zhǔn)確率達(dá)到99.56%，單次故障診斷時(shí)間為0.134 s，相比其他3種常見(jiàn)的算法，所提算法在訓(xùn)練準(zhǔn)確率、診斷準(zhǔn)確度和單次診斷時(shí)間方面具有綜合優(yōu)勢(shì)，能有效提取故障信息并進(jìn)行故障診斷，適用于在線診斷。