三电平逆变器IGBT开路的复杂故障检测

崔力慧，刘 洋

(山东科技大学 电气与自动化工程学院，山东 青岛 266590)

三电平逆变器IGBT开路的复杂故障检测

崔力慧，刘 洋

(山东科技大学 电气与自动化工程学院，山东 青岛 266590)

针对三电平逆变器绝缘栅双极型晶体管(IGBT)的开路故障，分析了在逆变器交叉两桥臂各有一个IGBT开路故障时的输出电压信号特点；然后利用傅里叶变换提取故障电压信号的直流分量、基波幅值、基波相位以及二次谐波相位,然后转换为故障特征向量，并由此采用BP神经网络来进行故障诊断。为了提高故障诊断的精度，利用改进的粒子群算法(PSO)来优化BP神经网络的参数。最后，通过对三电平逆变器的仿真进行实验验证，仿真结果证明了该方法的正确性和可行性。

三电平逆变器；故障诊断；BP神经网络；粒子群算法

大功率多电平逆变器适合高压、大容量的场合，近年来在工业生产中得到愈来愈广泛地应用。在现有的多电平逆变器中，三电平逆变器是被广泛使用的一种，相比于传统的两电平逆变器，随着电平数的增加，每一相桥臂都由更多的功率开关管和二极管组成，使得三电平逆变器结构更加复杂，且调制策略也更加复杂；同时，复杂的调制策略又令功率开关管连续开断，使逆变器不停地工作在多种模式下，势必造成开关器件故障的概率随之增加。每个开关器件都会对逆变器的可靠、高效运行产生影响，轻则会降低逆变器的工作效率，严重时甚至会产生重大事故[1]。

由于短路时，过大的电流会使IGBT损坏，使得短路故障最终还是归结为开路故障。所以，事实上对三电平逆变器的故障诊断，其实就是对功率开关管(IGBT)的开路故障诊断[2]。当三电平逆变器发生功率管开关开路故障时，逆变器仍能工作，但其输出电压波形会发生畸变。文献[3]将三电平逆变器的开路故障分为9大类。其中，第一到第三大类故障为发生在同一桥臂的简单故障，共25种；第4到第9大类为交叉两桥臂各有一个功率管开关器件同时发生开路的复杂故障，共48种。文献[4]最早以不同触发角下的故障波形作为神经网络的输入，以晶闹管开路故障作为神经网络的输出建立神经网络，随后进行神经网络的训练，映射出故障波形和故障类型之间的关系，从而完成对三相整流电路的故障诊断，但只研究了仅有一个功率管发生开路故障的简单诊断。文献[5]使用建立BP神经网络的方法完成对故障的诊断，但BP神经网络存在收敛速度慢，且易于陷入局部最优等弊端[6]。文献[7]觉察到BP神经网络存在的缺点正是遗传算法(GA)的优势，是以其结合遗传算法来优化BP神经网络中的初始权值与阈值，从而使优化后的BP神经网络可以得到更好的预测输出。

同遗传算法相似，粒子群算法(PSO)是仿真鸟类觅食的行为模式，被提出来用于解决优化问题的方法[8]。仿照鸟类觅食行为，粒子种群初始化为一群随机粒子，同时所有粒子都有一个优化函数确定的适应度值来衡量其好坏，然后通过不断地迭代，每一个粒子都经过寻求两个极值来更新自己。其中，一是当前粒子自身找到的最优解，是自己的个体极值；二是整个群体找到的最优解，是全局极值。相比于遗传算法，粒子群算法更简单，计算更方便，求解速度更快。因此，本研究在以上文献的基础上，对文献[3]提到的48种复杂故障，采样三电平逆变器输出信号为测量信号，并用PSO优化BP神经网络中的权值和阈值，完成对二极管中点箝位式三电平逆变器的IGBT开路故障诊断的研究。

1 三电平逆变器的故障分析和提取

1.1 逆变器的故障分析

本文考虑的二极管中点箝位式三电平逆变器是由直流电源、三相三电平逆变桥、三相LC滤波器及三相负载组成，其拓扑结构如图1所示。

由图1可见其主电路拓扑结构具有一定程度上的对称性，所以其逆变器的输出波形也表现出一定的对称性[9]。故此以A相为例，当三电平逆变器工作在无故障(正常)情况时，逆变器输出端将产生如图2所示的平稳正弦波。

图1 二极管箝位式三电平逆变器主电路图Fig.1 The main circuit diagram of three-level diode-clamped inverter

图2 三电平逆变器A相相电压Fig.2 The phase A phase voltage of the three-level inverter

当三电平逆变器发生故障时，由于其结构较为复杂，分别对每个IGBT的状态进行检测实现起来比较困难。因此，针对不同故障的情形，并且考虑到逆变器的输出电流会随着负载的改变而发生相对应的改变，本文选取检测逆变器的三相输出电压波形来作为我们分析故障的信息。

首先，采样逆变器输出的三相电压波形，并进行降维处理，经d-q变换后，得：

(1)

继而对Uq和Ud进行傅里叶变换，提取各次谐波幅值与相位。

如图3为Sa1和Sb1同时发生故障时的Ud电压波形，并对Ud进行傅里叶变换后，得到如图4所示的Ud的频谱图。

图3 Sa1，Sb1故障时Ud波形Fig.3 Ud waveform with open-circuit fault of Sa1, Sb1

图4 Sa1，Sb1故障时Ud频谱图Fig.4 Ud spectrum with open-circuit fault of Sa1, Sb1

分析图4可以发现，Ud进行傅里叶变换后，包含直流分量在内，前二次谐波分量含量最高，其他次谐波总的谐波畸变率不足5%。因此，直流分量以及其前两次谐波的幅值和相位中就基本上蕴含了可以进行故障诊断的特征信息。同样地，Uq进行变换后的波形分析与Ud相似。本研究选用Ud和Uq各自的直流分量、基波幅值、基波相位和二次谐波相位，作为构成故障特征向量的元素，并以此作为后面我们神经网络训练样本的输入。仿真实验时发现，利用更多的奇次谐波分量构成故障特征向量，由于增加了神经网络的输入维数，使得结构更复杂，权值与阈值的寻优时间增加，训练难度加大，学习时间更长，并且得到的结果准确率还略微有所下降。

图5 Sa4，Sb4故障时Ud波形Fig.5 Ud waveform with open-circuit fault of Sa4, Sb4

此外，如图5所示，当Sa4和Sb4同时发生故障时，波形沿X轴对折反转后与上述图4故障的波形形状相同,仅是相位相差180°。用数学关系可以表示成U1(t)=-U2(t+T/2)，其输出电压波形经过傅里叶变换后得各次谐波的幅值相等,奇数次谐波的相位相等,偶数次谐波相位相差T/2周期，总的谐波畸变率(total harmonic distortion，THD)相等[10]。经过分析，研究的48种故障中，两两具有这种关系。

1.2 逆变器故障特征提取

按上节分析，利用傅里叶变换提取48种故障情况下的故障特征向量，因篇幅所限，仅列出部分的故障特征向量，如表1。

从表1中仍然可以看出1.1节中所说的两两对应的关系。由此，将48种复杂故障的情形分为24类，采用五位二进制数按对应的十进制0～24来编号表示，具有两两对应关系的两种故障则表示形式相同；最后在末位再加一位，用来区分具有两两对应关系的两类故障。这样就完成了用六位二进制数对48种故障编码工作，而且故障编码也会作为本研究后续神经网络的期望输出。实验证明，比起普通6位二进制编码，采用这种编码方式时，神经网络的学习时间较短且测试正确率更高[10]。

表1 故障特征向量及其编码Tab.1 Fault feature vector and its coding

2 基于改进PSO优化BP神经网络的故障诊断

在标准BP神经网络中，权值和阈值的修正是正比于误差函数沿梯度降低，由于误差函数可能存在多个极值点，会使网络陷入局部最小值，从而不能保证其为误差平面的全局最小值。于是，出现了诸如附加动量因子和自适应学习效率方法与仿真学算法相结合的思想。利用PSO优化调节BP网络的权值和阈值，可以从本质上解决BP算法依赖梯度下降法的固有缺点。

2.1 数学描述

粒子群算法的数学描述如下：在D维的目标搜寻空间中，初始化N个粒子，其中：Xi=(xi1,xi2,……,xiD)表示第i个粒子的当前位置；Pi=(pi1,pi2,……,piD)为第i个粒子到目前为止的最优值；Pgi=(pgi1,pgi2,……,pgiD)为到目前为止的全部粒子的最优值。则传统的标准的PSO就是按下面的公式更新自身的速度和位置[11]:

Vi(k+1)=ωVi(k)+c1r1(Pi(k)-Xi(k))+c2r2(Pg(k)-Xi(k))，

(2)

Xi(k+1)=Xi(k)+Vi(k+1)。

(3)

式中：k是迭代次数，c1、c2是学习常数，r1、r2是介于0和1之间的随机数，ω为惯性权重。

从公式(2)～(3)可以看出，粒子的移动方向由V(k)，P(k)-X(k)和Pg(k)-X(k)所决定，因此其各自系数就决定了各自的重要性[12]。

惯性权重ω是粒子群算法中极其重要的一个参数。目前，普通选用惯性权重ω是迭代次数的函数(沿直线从0.9线性递减到0.4的线性函数)的方法，即：

(4)

其中，iter为当前迭代次数，itermax为最大迭代次数。线性递减的惯性权重(本文称之为标准的PSO)使粒子在迭代过程的不同时期具有不同的探寻和开发能力，即在迭代初期收敛速度较快，迭代后期局部搜寻能力也不错，但这会导致收敛速度慢，容易陷入局部极小；同时，这种调节方式及其衍生的线性调节方式[13]都有个很大的弊端，所有迭代当中都不可能产生相同的惯性权重，倘若迭代过程中，某一次产生的惯性权重对某几次甚至以后所有的迭代都是最优的，那么这种方法将错过这个最优的值。

2.2 改进粒子群算法

针对上述标准PSO的弊端，本研究采取一种自适应动态随机调整粒子群惯性权重的方法。取(0，1)之间的随机数作为惯性权重的值，使粒子在各个时期都有获得合理探索和开发能力的机会 。首先，产生一个随机数作为初始惯性权重，在全局最优值不断变化时，保持惯性权重不变；当在全局最优值未发生变化时，此时希望能够加大惯性权重，使粒子具有较强的全局搜索能力；但取值(0,1)区间的随机数的概率是相同的，不能保证其一定能取到期望的较大的随机数，若能恰巧取到所需要的数值最好，但若取到较小的随机数，又会陷入局部最优值。因此，再对惯性进行线性调节，即令ω=ω+rand(0,1)ω。同时ω取值不能无限增大下去，要保证粒子具有均衡的全局和局部探索能力。所以为了兼顾局部探索能力，当ω>1时，令ω=ω-rand(0,1)ω。同时，由于ω的随机性，也加大了速度ν的随机性，当ν过小时，粒子位置变化就不明显，甚至若恰好使得ν=0，那么粒子在下一次或者以后多次的迭代中，甚至会出现停滞不前的情况。针对这个问题，对速度的最小值进行限定ν=0.5，以保证粒子能在大范围内寻求最优值。

3 仿真与验证

为了验证所提出的方法的正确性和可行性，建立三层结构的BP神经网络，输入层节点数同故障特征向量的维数相等为8，输入层和隐含层之间的神经元采用tansig函数；输出层节点数同前文所提到的故障编码位数相同为6，输出层和隐含层之间的神经元采用logsig函数；隐层节点数由试凑法及以往经验，选取节点数为22个；而在改进的PSO算法中，初始化种群粒子数目为40，PSO学习因子c1=2，c2=2，最大迭代次数iter=1 500，继而对BP神经网络的权值和阈值的迭代过程，利用改进的PSO的迭代过程取代。另外PSO的优化函数采用均方误差根函数：

(5)

其中：H为训练样本数，TlH、ZlH分别为期望输出和实际输出值。

仿真时，选取三电平逆变器输入电压为350、400、450 V，负载功率分别为40、45、50 kW情况下的故障数据，作为样本共计9组432个数据，取其中6组作为神经网络的训练样本，其余三组作为测试神经网络训练结果的样本，设定目标误差为0.001。如图6为标准PSO与改进后的PSO误差收敛曲线，从图中可以很明显的看出，改进后的PSO算法误差收敛速度比标准PSO更快，收敛准确度更高，收敛后的误差值极低；而误差函数值越低，说明神经网络训练的效果越好，实际输出与期望输出越接近，故障诊断的准确性就越高。

图6 误差收敛曲线图Fig.6 Convergence curve of the error

我们再将测试样本输入到网络中，由于篇幅所限，仅给出9大类中第4大类(上半桥交叉两桥臂各有一个IGBT发生开路故障)的12种复杂故障的部分测试数据，如表2。以Sa1、Sb2故障为例，期望输出故障的编码为100110，仿真的输出真实值与期望输出十分接近。对仿真的输出进行四舍五入后，能够看出，仿真的输出与期望的输出一致，并且分类结果稳定，正确率近乎百分之百。从而，当三电平逆变器发生开路故障时，从神经网络的输出可以判定到底发生的是哪一种故障，进而完成对逆变器的故障诊断。

表2 神经网络测试结果Tab.2 The test results of neural network

最后，通过上述仿真结果的分析，对比文献[10]，可以发现，相比附加动量因子和自适应学习效率的BP神经网络方法，本文采用的方法，训练次数少近乎一半，收敛速度快，期望误差更低，同时兼顾了系统的稳定性和网络的收敛速度；对比文献[7]可以发现，相比GA算法优化后的BP神经网络方法，本研究采用的方法，训练次数要更多，收敛速度稍慢，而期望误差及其分类结果的稳定性近似相同，但本方法在计算的方便性及编程实现问题上，优势则相对明显，易于在实践中实现。

4 结论

文中对三电平逆变器复杂开路故障进行了故障诊断研究。首先分析了逆变器输出电压的故障电压信号，并对输出的故障电压进行傅里叶变换，提取所需的故障特征向量信息；利用一种改进的PSO优化BP神经网络的方法对故障特征向量进行训练，通过神经网络的输出可以判定到底发生的是哪一种故障。通过仿真实验可以看出，该方法收敛速度快、精度高，并且由于PSO的简单可操作性，使其在实践中易于实现。

[1]KHOMFOI S,TOLBERT L M.Fault diagnostic system for a multilevel inverter using a neural network[J].IEEE Transactions on Power Electronics,2007,22(3):1062-1069.

[2]廖俊勃,帕孜来,支婵,等.三电平逆变器 IGBT 的开路故障诊断研究[J].电测与仪表,2015,52(20):35-40. LIAO Junbo ,PAZILAT,ZHI Chan,et al.Study on open-circuit fault diagnosis of the IGBT in three-level inverter[J].Electrical Measurement & Instrumentation,2015,52(20):35-40.

[3]肖刚.三电平逆变器故障诊断研究[D].西安:西安理工大学,2007.

[4]马皓,徐德鸿.基于神经网络的电力电子电路故障诊断[J].电力电子技术,1997,31(4):10-12. MA Hao,XU Dehong.Fault diagnosis of power electronic circuits based on neural network[J].Power Electronics,1997,31(4):10-12.

[5]杨金宝,张昌宏,陈平.基于改进 BP 神经网络的网络故障诊断研究[J].计算机与数字工程,2012,40(2):65-67. YANG Jinbao,ZHANG Changhong,CHEN Ping.Network fault diagnosis based on improved BP neural network[J].Computer and Digital Engineering,2012,40(2):65-67.

[6]闻新,李新,张兴旺.应用MATLAB实现神经网络[M].北京:国防工业出版社,2015.

[7]姜立昌.多电平逆变器 IGBT 故障诊断方法的研究[D].天津：河北工业大学,2014.

[8]KENNEDY J.Particle swarm optimization[C]//IEEE International Conference on Neural Networks,2002:1942-1948.

[9]王琛琛,李永东.多电平变换器拓扑关系及新型拓扑[J].电工技术学报,2011,26(1):92-99. WANG Chenchen,LI Yongdong.Multilevel converter topologies and two novel topologies[J].Transactions of China Electrotechnical Society,2011,26(1):92-99.

[10]张国锋.多电平逆变器的故障建模及诊断[D].长沙：中南大学,2012.

[11]刘坤,谭营,何新贵.基于粒子群优化的过程神经网络学习算法[J].北京大学学报(自然科学版),2011,47(2):238-244. LIU Kun,TAN Ying,HE Xingui.Particle swarm optimization based learning algorithm for process neural networks[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2011,47(2):238-244.

[12]韩月娇.粒子群算法的改进及其在 BP 神经网络中的应用[D].南昌:南昌航空大学,2012.

[13]张丹,韩胜菊,李建,等.基于改进粒子群算法的 BP 算法的研究[J].计算机仿真,2011,28(2):147-150. ZHANG Dan,HAN Shengju,LI Jian,et al.BP algorithm based on improved particle swarm optimization[J].Computer Simulation,2011,28(2):147-150.

(责任编辑：吕海亮)

Complex Open-circuit Fault Detection of the IGBT in a Three-level Inverter

CUI Lihui,LIU Yang

(College of Electrical Engineering and Automation,Shandong,University ofScience and Technology,Qingdao,Shandong 266590，China)

To solve the open-circuit fault of insulated gate bipolar transistor (IGBT) in three-level inverter, the characteristics of output voltage signal when the crossed two bridge arms were subject to an IGBT open circuit were analyzed in this paper. The DC component, the fundamental amplitude, the fundamental phase and the second-harmonic phase were extracted from fault voltage signal by using Fourier transform, which were later converted into a fault feature vector and fault diagnosis was conducted by BP neural network. In order to improve the diagnostic accuracy, the improved PSO(particle swarm optimization) was used to optimize parameters of BP neural network. By the simulation of the three-level inverter, its correctness and feasibility were verified.

three-level inverter;fault diagnosis;BP neural network;PSO

2017-04-07

中国博士后科学基金项目(2016M600546)；青岛市博士后研究人员应用研究项目(2016112)；山东科技大学研究生科技创新项目(SDKDYC170354)

崔力慧(1993—)，男，山东莱州人，硕士研究生，主要从事故障检测与诊断研究.E-mail：ccuilihui@163.com 刘 洋(1988—)，男，辽宁海城人，博士后，主要从事最优滤波、闭环系统、故障检测与诊断研究，本文通信作者. E-mail：lianinliyan@163.com

TM464

A

1672-3767(2017)04-0108-07

10.16452/j.cnki.sdkjzk.2017.04.016