馬子旸，張朝龍, ，何怡剛

(1.安慶師范大學(xué) 電子工程與智能制造學(xué)院，安徽 安慶 246052;2.武漢大學(xué) 電氣與自動(dòng)化學(xué)院，武漢 430072)

0 引言

NPC三電平逆變器的輸出電壓高且容量大，產(chǎn)生的電流諧波含量少，工作效率高，因此近些年來(lái)廣泛應(yīng)用于新能源發(fā)電及電能貯備系統(tǒng)中。NPC三電平逆變器的電路拓?fù)浣Y(jié)構(gòu)較普通逆變器更為復(fù)雜，其功率開(kāi)關(guān)器件頻繁地閉合關(guān)斷，易發(fā)生開(kāi)路故障，會(huì)引起系統(tǒng)中電力電子器件的過(guò)飽和問(wèn)題，產(chǎn)生的過(guò)高電流會(huì)損壞設(shè)備，存在著極大的安全隱患。為了避免故障對(duì)系統(tǒng)的正常運(yùn)行造成影響，選擇合適的故障診斷方法對(duì)于提升系統(tǒng)的穩(wěn)定性，保證系統(tǒng)可靠性方面至關(guān)重要。

傳統(tǒng)的逆變器開(kāi)路故障診斷策略通常單一的依靠信號(hào)處理的方法，主要體現(xiàn)在通過(guò)獲取開(kāi)關(guān)管開(kāi)路故障時(shí)刻的電壓或者電流信號(hào)來(lái)提取相關(guān)信息。三相電流與克拉克變換相結(jié)合，得出電流的運(yùn)行軌跡，從而判斷故障發(fā)生的位置[1-2]。通過(guò)提前設(shè)定電壓殘差的相關(guān)閾值，來(lái)檢測(cè)并判斷IGBT的故障部位，實(shí)現(xiàn)快速定位[2-3]。但上述所提及的傳統(tǒng)方法易受到外界干擾信號(hào)的波及，且對(duì)采集信號(hào)的純度要求較高，依賴(lài)性強(qiáng)，所以故障準(zhǔn)確率較低。

現(xiàn)有的逆變器開(kāi)路故障診斷策略更多是基于信號(hào)提取和機(jī)器學(xué)習(xí)方法相結(jié)合，當(dāng)故障發(fā)生時(shí)，對(duì)系統(tǒng)的故障信號(hào)進(jìn)行識(shí)別分類(lèi)及定位。傅里葉變換可以有效地提取出逆變器電壓信號(hào)的頻域和時(shí)域特征，但是只能在單一范圍內(nèi)取得成效，故無(wú)法全面提取故障信息。小波分析和概率神經(jīng)網(wǎng)絡(luò)(PNN, probabilistic neural network)相結(jié)合，穩(wěn)定性高，但輸入端的測(cè)量信號(hào)未進(jìn)行去噪處理，故診斷速率一般。主成分分析(PCA, principal component analysis)加上支持向量機(jī)(SVM，support vector machine)[4-5]，針對(duì)混雜系統(tǒng)取得了良好效果，但不同故障狀態(tài)下的模型參數(shù)難以抉擇。經(jīng)驗(yàn)?zāi)B(tài)分解(EMD, empirical mode decomposition)[6-7]將原本復(fù)雜的故障信號(hào)分解成若干段本征模態(tài)分量(IMF, instrinic mode function)作為故障特征值進(jìn)行分析，化繁為簡(jiǎn)，但EMD在遞歸式分解的過(guò)程中存在模態(tài)混疊從而可能導(dǎo)致誤診[8-9]。

但是目前針對(duì)逆變器開(kāi)關(guān)管器件開(kāi)路故障的研究進(jìn)展依然不夠全面可靠，故本文提出一種基于EEMD模糊熵和PSO-KELM的故障診斷方法[10-11]，EEMD在EMD基礎(chǔ)之上加以改進(jìn)，具有很強(qiáng)的抗模態(tài)混疊能力。模糊熵則對(duì)電壓信號(hào)的波動(dòng)畸變具有很強(qiáng)的敏感性，將二者結(jié)合可以及時(shí)檢測(cè)出逆變器系統(tǒng)的電壓突變。KELM是由極限學(xué)習(xí)機(jī)(ELM， extreme learning machine)優(yōu)化改進(jìn)而來(lái)[8-9]，在保留ELM學(xué)習(xí)速率快和泛化性強(qiáng)的基礎(chǔ)上，核函數(shù)的加入再加上粒子群優(yōu)化使得KELM的穩(wěn)定性大幅提高，在信號(hào)處理過(guò)程中分類(lèi)性能較好。

鑒于現(xiàn)有的研究工作與進(jìn)展，本文在Matlab/Simulink平臺(tái)搭建NPC三電平逆變器仿真模型，采樣電壓信號(hào)，利用EEMD先將原始信號(hào)處理成若干段穩(wěn)定的IMF模態(tài)分量和一個(gè)余項(xiàng)，經(jīng)相關(guān)系數(shù)法準(zhǔn)則去除掉作用小的分量，然后計(jì)算剩余IMF分量的有效模糊熵值，形成能表征不同類(lèi)型開(kāi)路故障時(shí)刻的特征向量，通過(guò)優(yōu)化過(guò)的PSO-KELM進(jìn)行分類(lèi)，最終可達(dá)到較高的故障診斷準(zhǔn)確率。

1 診斷方法理論介紹

1.1 模糊熵的特征提取

模糊熵使用隸屬度函數(shù)和均值算法作為度量判據(jù)，將故障特征向量作為樣本信息，模糊相似度量后進(jìn)行有效分類(lèi)，可解決其他類(lèi)型熵劃分故障特征在時(shí)間序列尺度上過(guò)于單一的問(wèn)題，且較為穩(wěn)定。模糊熵利用指數(shù)函數(shù)(模糊函數(shù)邊界的梯度是為n,寬度是為r)來(lái)計(jì)算向量之間的相似性，對(duì)于一段若干個(gè)序列點(diǎn)排列成的時(shí)間序列，模糊熵的計(jì)算公式如下：

先對(duì)時(shí)間序列處理得到m維向量，即是:

(1)

隨機(jī)定義兩向量之間的間隔為兩者所對(duì)應(yīng)元素絕對(duì)值的最大差值，即是：

max{[x(i+k)-u0(i)]-[x(j+k)-u0(i)]}-

[x(j+k)-u0(j)]}

(i,j=1,2,...N-m,i≠j)

(2)

定義模糊函數(shù)是為：

(3)

模糊匿度函數(shù)在m+1維上的形式如下：

(4)

式中，r表示函數(shù)的相似容限。

由以上這些步驟可以得到模糊熵值是為：

FuzzyEn(m,n,r)=

(5)

在N為具體的有限數(shù)字時(shí)，得到模糊熵的數(shù)學(xué)表達(dá)式如下：

FuzzyEn(m,n,r,N)=lnψm(n,r)-lnψm+1(n,r)

(6)

1.2 EEMD方法

EEMD是利用高斯白噪聲獨(dú)特的時(shí)頻域特性，將其與原始信號(hào)相結(jié)合，經(jīng)過(guò)多次分解得到所有的本征模態(tài)分量后對(duì)其取均值，因?yàn)楦咚拱自肼暷軌虮ＷC每個(gè)模態(tài)分量在時(shí)域中的有序性，使得不同的時(shí)間尺度信號(hào)匹配到適宜的參考尺度上，從而在一定程度上消除模態(tài)混疊，算法具體過(guò)程如下：

確定信號(hào)x(t)并添加標(biāo)準(zhǔn)差為常數(shù)，均值為零的高斯白噪聲ni(t),則公式如下：

x(t)=xi(t)+ni(t)

(7)

信號(hào)xi(t)進(jìn)行EMD分解得到若干個(gè)IMFs分量cij(t)與一個(gè)剩下的殘留分量ri(t)。

重復(fù)一二兩步共H次，進(jìn)行總體平均以消除高斯白噪聲的影響，得到EEMD分解的第j個(gè)IMF分量：

(8)

因?yàn)樵谏鲜龅?jì)算的過(guò)程中，分解產(chǎn)生的一些誤差客觀上將會(huì)影響到最終求得的IMF分量的準(zhǔn)確性，不是所有的IMF分量都可以代表原始信號(hào)的相關(guān)特征，所以有必要去除掉無(wú)效的IMF份量?？梢酝ㄟ^(guò)計(jì)算相關(guān)系數(shù)來(lái)確定：

(9)

式中，原始信號(hào)x與IMF分量ci的協(xié)方差為Cov(x,ci),原始信號(hào)x的方差為D(x)。Puci的取值范圍是為[-1,1]，[0,1]表示的是正相關(guān)，[-1,0]則表示負(fù)相關(guān)。相關(guān)系數(shù)的絕對(duì)值大小反映了分解得到的本征模態(tài)分量和原始信號(hào)的線性相關(guān)度，絕對(duì)值越大，相關(guān)度越高，有效性則越強(qiáng)。

使用EEMD分解得到特征提取后的模糊熵IMF分量，并適當(dāng)剔除一些無(wú)關(guān)分量，即為EEMD多尺度模糊熵。

1.3 基于PSO-KELM的故障識(shí)別

通過(guò)EEMD模糊熵有效提取故障信息后，要根據(jù)故障的不同類(lèi)型來(lái)進(jìn)行劃分，本文采用核函數(shù)極限學(xué)習(xí)機(jī)進(jìn)行故障識(shí)別。ELM屬于單隱層前饋神經(jīng)網(wǎng)絡(luò)(SHFNN, single hidden feedforward neural networks),其優(yōu)勢(shì)在于不需要人為調(diào)整隱藏層的偏置和權(quán)重，可以隨機(jī)生成，但其結(jié)構(gòu)則相對(duì)較為簡(jiǎn)單，故引入核函數(shù)來(lái)提高性能。

ELM的輸出函數(shù)如下：

(10)

式中，h(x)是對(duì)應(yīng)輸入樣本x的隱藏層輸出，是隱藏層和輸出層之間的輸出權(quán)重向量，H是隱藏層輸出矩陣。

定義KELM的核矩陣為：

ΩKELM=HHT:ΩKELM=h(xi)h(xj)=KKELM(xi,xj)

(11)

由上面二式可得到KELM的輸出函數(shù)為：

(12)

1.4 PSO優(yōu)化KELM步驟分析

粒子群算法是研究人員觀察鳥(niǎo)類(lèi)鋪食過(guò)程中相關(guān)群體以及個(gè)體運(yùn)動(dòng)規(guī)律的所歸納總結(jié)出的優(yōu)化算法。從微觀粒子運(yùn)動(dòng)的角度出發(fā)，針對(duì)解空間的可行域中每個(gè)粒子以及對(duì)周?chē)Ｗ拥乃阉髂芰?，?dòng)態(tài)調(diào)整其具體的空間位置和運(yùn)動(dòng)速度，粒子的適應(yīng)度函數(shù)依賴(lài)于局部極值P和整體極值G的變化，并在優(yōu)化迭代時(shí)不斷更新，具體的計(jì)算公式如下：

Vid=ωVid+C1random(0,1)(Pgd-Xid)+

C2random(Pgd-Xid)

Xid=Xid+Vid

(13)

式中，ω為慣性因子，其數(shù)值的變化可以改變局部尋優(yōu)與全局尋優(yōu)的結(jié)果。C1和C2則分別表示個(gè)體學(xué)習(xí)因子的加速常數(shù)和社會(huì)學(xué)習(xí)因子的加速常數(shù)，random(0,1)則表示取0～1之間的隨機(jī)數(shù)。

在使用粒子群算法優(yōu)化核函數(shù)極限學(xué)習(xí)機(jī)的過(guò)程中，將PSO的優(yōu)化參數(shù)與KELM的隱層偏差與輸入權(quán)值相結(jié)合，使用KELM學(xué)習(xí)樣本的期望輸出和實(shí)際輸出的均方差誤差作為PSO的適應(yīng)值，不斷地優(yōu)化迭代，動(dòng)態(tài)更新每個(gè)粒子的位置和速度，當(dāng)算法逐步運(yùn)行到最大臨界值，此時(shí)種群的最大個(gè)體數(shù)即是最優(yōu)個(gè)體，以此往復(fù)訓(xùn)練，最后即得到粒子的真實(shí)輸出。由以上分析，可得出PSO優(yōu)化KELM步驟的算法流程如圖1所示。

圖1 PSO優(yōu)化KELM過(guò)程

先初始化PSO的基本參數(shù)，然后通過(guò)比較粒子的特征選擇閾值和權(quán)重，從而得到粒子選擇的特征個(gè)數(shù)和特征輸入，再結(jié)合KELM參數(shù)值建立故障診斷模型，對(duì)粒子的個(gè)體適應(yīng)度確定后，更新局部極值P和整體極值G，進(jìn)而更新每個(gè)粒子的位置與速度，重復(fù)以上步驟直到實(shí)現(xiàn)最大迭代次數(shù)，輸出KELM分類(lèi)器和分類(lèi)結(jié)果。

2 仿真實(shí)驗(yàn)分析

基于EEMD模糊熵和PSO-KELM的診斷流程如下：1)在MATLAB/SIMULINK平臺(tái)上搭建NPC三電平逆變器仿真模型，設(shè)置各種開(kāi)路故障狀況；2)采樣逆變器輸出端各類(lèi)故障狀態(tài)下的三相電壓信號(hào)，并對(duì)其作歸一化處理；3)將采樣好的電壓信號(hào)，通過(guò)EEMD進(jìn)行本征模態(tài)分解，得到若干個(gè)固有的模態(tài)分量，再通過(guò)觀察圖像和相關(guān)系數(shù)法選取有效的IMF分量，求取其相關(guān)的模糊熵，即是EEMD模糊熵；4)將求解得到的所有EEMD模糊熵作為特征向量矩陣集劃分為訓(xùn)練特征向量矩陣集和測(cè)試特征向量矩陣集；5)建立KELM模型，并用PSO對(duì)其優(yōu)化；6)將待測(cè)的訓(xùn)練特征向量矩陣集和測(cè)試特征向量矩陣集輸入到優(yōu)化好的PSO-KELM分類(lèi)器中，進(jìn)行故障識(shí)別，確定開(kāi)關(guān)管以及相關(guān)器件的工作狀態(tài)與故障情形；7)故障診斷后輸出結(jié)果，診斷率良好，表明該診斷方法切實(shí)可行。

2.1 電路模型及其故障情形分析

NPC三電平逆變器的拓?fù)浣Y(jié)構(gòu)如下：

主電路結(jié)構(gòu)由a,b,c三相橋臂組成，每相橋臂上包含2個(gè)鉗位二極管，4個(gè)功率開(kāi)關(guān)器件與續(xù)流二極管組成的電力電子設(shè)備，每一相電路由中性點(diǎn)相連，并在負(fù)載中性點(diǎn)(N點(diǎn))處交匯，呈三相三線制，總共包含12個(gè)以IGBT開(kāi)關(guān)管為主體的電力電子器件，橋端的輸出電壓通常有正電壓，0以及負(fù)電壓。鉗位二極管作為中點(diǎn)用于連接直流側(cè)電容器與電源開(kāi)關(guān)，LCL濾波器則用于濾波從逆變器中輸出的三相電壓用于為系統(tǒng)供電。門(mén)信號(hào)作為驅(qū)動(dòng)電源開(kāi)關(guān)狀態(tài)的方式，電源打開(kāi)時(shí)門(mén)信號(hào)為1，當(dāng)電源關(guān)閉時(shí)門(mén)信號(hào)則為0，本文采用傳統(tǒng)的PWM調(diào)制策略來(lái)控制門(mén)級(jí)信號(hào)，從而決定逆變器的開(kāi)關(guān)模式。

圖2 逆變器主電路拓?fù)?/p>

在運(yùn)行過(guò)程中，由于逆變器所處復(fù)雜的工作環(huán)境，且頻繁的開(kāi)通與關(guān)斷，所以其中的開(kāi)關(guān)管及相關(guān)器件發(fā)生故障在所難免，故障可分為短路故障和開(kāi)路故障，由于電路自帶保護(hù)電路，所以短路故障往往影響不大，而開(kāi)路故障則因?yàn)橄辔婚_(kāi)關(guān)器件所處位置的差異，以及受損數(shù)目有所不同，會(huì)造成逆變器整體輸出的電壓值紊亂從而影響系統(tǒng)的穩(wěn)定運(yùn)行。故障種類(lèi)紛繁復(fù)雜，通常情況下，3個(gè)及其以上數(shù)目的開(kāi)關(guān)器件同時(shí)發(fā)生故障的概率極低，本文不作討論，因模型有12個(gè)IGBT開(kāi)關(guān)管，故單一發(fā)生故障的情形有12種，同一相橋臂上兩開(kāi)關(guān)管同時(shí)發(fā)生故障的情形有12種，交叉橋臂上兩開(kāi)關(guān)管同時(shí)發(fā)生故障的情形為36種，上中下3個(gè)橋臂連同中性點(diǎn)之間構(gòu)成3種故障情形，將正常工作狀況也視為一種特殊的故障情形，總計(jì)64種故障情形，因?yàn)镹PC三電平逆變器在拓?fù)浣Y(jié)構(gòu)上符合嚴(yán)格的三相對(duì)稱(chēng)，避免實(shí)驗(yàn)數(shù)據(jù)重復(fù)訓(xùn)練測(cè)試，經(jīng)靈敏度測(cè)試，可得知實(shí)際故障有22種，為了便于區(qū)分對(duì)其進(jìn)行5位二進(jìn)制編碼，如表1所示。通過(guò)采樣各故障情形的三相電壓值作為故障診斷的特征信號(hào)進(jìn)行分析。

表1 故障情形及5位二進(jìn)制編碼

2.2 故障特征提取

采樣時(shí)間設(shè)置為1 s，每類(lèi)故障電壓信號(hào)的單次采樣點(diǎn)為1 000個(gè)，為了確保實(shí)驗(yàn)的客觀有效性，減少可能存在的實(shí)驗(yàn)誤差，對(duì)數(shù)據(jù)樣本統(tǒng)一做歸一化處理。對(duì)所有的故障電壓信號(hào)樣本采集完之后，通過(guò)EEMD將其逐一分解成若干段本征模態(tài)分量，因有22種故障情形，故單列出SU1故障時(shí)刻的電壓信號(hào)分解結(jié)果作為典型代表，設(shè)置輔助的白噪聲的標(biāo)準(zhǔn)差為原始標(biāo)準(zhǔn)差的0.2倍，設(shè)定迭代次數(shù)M=100,圖3為SU1開(kāi)關(guān)管開(kāi)路故障時(shí)刻電壓信號(hào)EEMD的分解結(jié)果。

由EEMD分解圖可見(jiàn)，EEMD分解的電壓故障信號(hào)逐次從高頻到低頻分解出8個(gè)IMF分量和一個(gè)余項(xiàng)，IMF1到IMF6所包含的有效信息較之IMF7和IMF8要多，且通過(guò)計(jì)算相關(guān)系數(shù)，可以得知前面部分的IMF與原始信號(hào)相似度高，因此選取前6個(gè)高頻IMF分量更加能夠達(dá)到準(zhǔn)確表征原始信號(hào)的目標(biāo)，列出SU1管剔除無(wú)效分量后的IMF分布情況，同理可得出其他21種情況的有效IMF。

根據(jù)多尺度模糊熵的計(jì)算步驟，選取前6個(gè)IMF分量，設(shè)置嵌入維數(shù)m為4，相似容限r(nóng)為0.2 SD，模糊函數(shù)的梯度n選取為3。由多尺度模糊熵的計(jì)算公式，對(duì)該模態(tài)分量可以得出其相關(guān)的EEMD模糊熵，構(gòu)成的矩陣維度為1×3。由此推廣，對(duì)22種故障情形分別疊加100次的高斯白噪聲，將計(jì)算得到的模糊熵進(jìn)行排列組合，最終得到22×100×1×3維度的矩陣作為故障特征向量，為了對(duì)各類(lèi)故障進(jìn)行合理的區(qū)分，將EEMD模糊熵提取得到的數(shù)據(jù)樣本集做三維投影，箭頭EE表示每一類(lèi)故障的具體分布，如圖4所示。

圖4 EEMD模糊熵分布

由圖4觀察，不難發(fā)現(xiàn)各類(lèi)故障所對(duì)應(yīng)的EEMD模糊熵有著明顯的區(qū)分度，存在較大差異，適用于后續(xù)分類(lèi)器模型的訓(xùn)練和測(cè)試。

2.3 基于PSO-KELM的故障分類(lèi)識(shí)別

經(jīng)過(guò)模糊熵的計(jì)算后，將所有故障情形下的EEMD模糊熵的值作為特征向量矩陣集，故障類(lèi)型有22種，故設(shè)置22個(gè)故障標(biāo)簽依次標(biāo)記為1～22，每種故障為100組1×3的數(shù)據(jù)，可得總數(shù)據(jù)集為2 200。首先將數(shù)據(jù)集劃分為訓(xùn)練特征向量矩陣集和測(cè)試特征向量矩陣集，隨機(jī)選取每類(lèi)故障的前50組數(shù)據(jù)依次疊加22次組成總計(jì)1 100組數(shù)據(jù)集作為訓(xùn)練特征向量矩陣集，同理劃分剩余的數(shù)據(jù)集作為測(cè)試特征向量矩陣集使用。把訓(xùn)練特征向量矩陣集輸入到PSO-KELM分類(lèi)器中，對(duì)其進(jìn)行訓(xùn)練，完成故障診斷模型的建立，將測(cè)試特征向量矩陣集輸入到故障診斷模型中，測(cè)試相關(guān)的準(zhǔn)確率，最后的分類(lèi)結(jié)果作為評(píng)價(jià)分類(lèi)器優(yōu)劣的性能指標(biāo)。

本文使用PSO對(duì)KELM進(jìn)行參數(shù)優(yōu)化和驗(yàn)證利用PSO可以提高對(duì)故障數(shù)據(jù)集的搜索能力和延展性。設(shè)置PSO的相關(guān)參數(shù)，個(gè)體學(xué)習(xí)因子加速常數(shù)c1初始值為1.5，社會(huì)學(xué)習(xí)因子加速常數(shù)c2初始值為1.7，迭代次數(shù)G=100，終止代數(shù)pop=20。令KELM分類(lèi)器的隱層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)為L(zhǎng)，選取L=20，設(shè)置KELM的核函數(shù)類(lèi)型為徑向基核函數(shù)(RBF kernel，radial basis function)，最為重要的兩個(gè)實(shí)驗(yàn)參數(shù)分別是核函數(shù)參數(shù)g與正則項(xiàng)系數(shù)c，通過(guò)對(duì)KELM的多次訓(xùn)練，根據(jù)實(shí)驗(yàn)數(shù)據(jù)的對(duì)比，得出最優(yōu)的核函數(shù)參數(shù)g為8.883 94e+06，最優(yōu)正則項(xiàng)系數(shù)c為93.490 4。實(shí)驗(yàn)測(cè)試結(jié)果如圖5所示，此時(shí)PSO-KELM的分類(lèi)效果達(dá)到最佳，故障診斷的測(cè)試精度達(dá)到98.454 5%，實(shí)驗(yàn)結(jié)果理想，表明該方法切實(shí)可行，分類(lèi)效果較好。

圖5 PSO-KELM模型診斷結(jié)果

為了避免PSO-KELM在實(shí)驗(yàn)過(guò)程中所實(shí)現(xiàn)的診斷率存在偶然性，故對(duì)此進(jìn)行10次獨(dú)立實(shí)驗(yàn)，并且統(tǒng)計(jì)如表3所示。

表3 PSO運(yùn)行適應(yīng)度曲線

總體來(lái)說(shuō)，PSO方法在減少了更多的訓(xùn)練時(shí)間前提下，且保證了KELM能夠選擇更少的訓(xùn)練特征向量矩陣集時(shí)，依然能夠保證較高的故障診斷準(zhǔn)確率。圖6表明了PSO獨(dú)立運(yùn)行10次后統(tǒng)計(jì)得到的診斷率以及相對(duì)應(yīng)的診斷率的平均值情況。

圖6 PSO-KELM運(yùn)行10次的結(jié)果

驗(yàn)證本文提出的基于EEMD模糊熵和PSO-KELM診斷方法的客觀性與準(zhǔn)確性，在仿真實(shí)驗(yàn)中，將進(jìn)行過(guò)特征提取的EEMD模糊熵輸入到隨機(jī)森林(RF，random forest)，SVM這兩種分類(lèi)器中，再使用模糊熵提取故障特征向量，輸入到上述兩種分類(lèi)器和PSO-KELM中，劃分相同形式的訓(xùn)練集和測(cè)試集，在完全一致的實(shí)驗(yàn)條件下進(jìn)行對(duì)比分析，不同的故障診斷方法的診斷結(jié)果如表4所示。

表4 故障方法性能對(duì)比

與其他診斷方法的比較中不難得出，EEMD模糊熵與PSO-KELM相結(jié)合的故障診斷率優(yōu)于其他方法，說(shuō)明其提取的故障特征向量區(qū)分度更高，分類(lèi)器的實(shí)驗(yàn)效果更為準(zhǔn)確，可以客觀全面的反映NPC三電平逆變器的開(kāi)路故障狀態(tài)。

3 結(jié)束語(yǔ)

本文提出一種基于EEMD模糊熵和PSO-KELM的針對(duì)NPC三電平逆變器單一器件開(kāi)路以及多器件同時(shí)開(kāi)路的故障診斷方法。通過(guò)采樣NPC三電平逆變器的多路電壓信號(hào)，使用EEMD模糊熵進(jìn)行故障特征提取，歸一化后得到實(shí)驗(yàn)數(shù)據(jù)集，將其輸入到PSO-KELM中。診斷結(jié)果表明，算法的數(shù)據(jù)搜索性能強(qiáng)大，延展性好，易于實(shí)現(xiàn)，訓(xùn)練測(cè)試得到最優(yōu)的故障診斷率為98.454 5%，故障識(shí)別精度較好。在相同的實(shí)驗(yàn)條件下進(jìn)行對(duì)比實(shí)驗(yàn)分析，診斷能力均優(yōu)于其他方法，且適用于多類(lèi)故障情形，抗噪聲能力強(qiáng)，符合NPC三電平逆變器的在線診斷要求。