光伏逆变器IGBT器件接线故障诊断方法

赵智强,帕孜来·马合木提,刘行行,周昂

(新疆大学 电气工程学院,新疆 乌鲁木齐 830017)

自大力发展新能源以来,以太阳能为代表的清洁能源备受瞩目,逆变器作为整个发电系统的核心装置,其性能对电力系统的安全与稳定运行有直接的影响,其中绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)因具有耐高电压、高电流的突出特性,便作为首选的功率开关器件.文献[1-2]结果表明,光伏逆变器多布置于沙漠、高原等恶劣环境下,导致IGBT器件容易发生各类故障,其中IGBT的故障率占逆变器电力电子器件故障的70%[1-2].

按照逆变器的故障性质可分为参数性故障和结构性故障,由IGBT等功率开关器件损坏引起的短路故障[3-4]、开路故障[5-6]和间歇性失火故障[7]3类常见的结构性故障已经有了大量的研究,但目前IGBT接线故障的研究有限.由于焊接不当、连接引线老化、环境变化等引起的IGBT与引线接点之间产生寄生电阻[8-10],并且随着设备运行,寄生电阻不断增大,这是一个渐变的故障过程,其特征不足以触发保护装置,但若未被检测到,连接点会产生更多的热量,不但会对其他器件造成影响,而且随着应力累计质变为不可逆转的结构性故障,将增加维修成本甚至危害人身安全.

针对IGBT器件故障,文献[11]将三相电流Clark变换得到矢量表达式,结合电流矢量轨迹斜率和极性定位开关器件的故障位置.文献[1]将三相电流Concordia变换,利用电流矢量瞬时频率、瞬时角度信息进行故障诊断与定位.文献[12]利用IGBT的电流残差变化率,通过与设定阈值来检测故障位置.文献[13]首先对三相电流进行小波分析再进行Concordia变换,得出输出电流的运行轨迹,从而完成故障特征提取.文献[9、14]对三相电流Clark变换后获取时域特征,接着利用一种算法进行特征优选,但是选取的时域特征维度依旧庞大,会降低处理和诊断速度.文献[15-16]指出利用三相电流作为检测信号易受外界干扰,会严重影响电流轨迹,不利于故障分离,且后续诊断时间较长.相比之下,基于电压的方法需要的检测时间更短[17-18],提高了对逆变器的诊断效率.针对以上情况,文献[16]将电网中性点与直流侧负极间的电压作为特征量,并使用电压矢量角度法,完成开关器件的检测.文献[6]对电压信号进行小波包分解与重构来判断故障所处的频带范围,然后选择了基于能量谱与功率谱结合的故障检测方式,虽然在诊断时间和效果上都有了提高,但是特征提取以及诊断过程过于繁琐,不利于实现快速准确诊断.文献[14,19]采用极限学习机(extreme learning machine, ELM)诊断模型,学习速度慢,易出现过度训练,导致泛化性能下降.文献[20]采用KELM,收敛速度、泛化性能都有提高,但其核参数和正则化系数存在较大的随机性,导致诊断性能不稳定.因此,采用一种简便快捷且不易受外界干扰的方法进行特征提取,并利用高效的分类模型完成IGBT接线故障的诊断具有重要意义.

1 故障机理分析

在光伏发电、风力发电等系统中,采用如图1所示的Z源逆变器代替传统的逆变器,利用其独特的升降压特性,能充分适用于直流链电压波动大的场合,同时不需要设定死区时间,能有效减小谐波污染,改善输出电流波形质量.

图1 Z源逆变器拓扑及特征提取流程Fig.1 Z source inverter topology and feature extraction process

Z源逆变器的主电路由Z源网络、IGBT器件和二极管构成,由于本文只考虑IGBT器件接线故障,因此具体建模为漏极端上串联1个电阻[8-9],R1～R6所示.正常情况下,IGBT引线等造成的杂散电阻约为几欧姆,为了区分杂散电阻与接线电阻,设定杂散电阻0～6 Ω,接线电阻6.1～50 Ω[15].

结合以上分析,本文以Z源逆变器的6个IGBT器件存在的各类接线故障模型为例,进行故障诊断.因三相电压信号含有丰富的IGBT接线故障信息,故可作为故障检测信号依据.根据实际要求,建立基于MATLAB/Simulink的仿真模型参数如下:光伏阵列输出直流电压Ud为400 V,50 Hz,Lf为50 μH,LC为10 mF,Z源网络电感L1和L2的标称值为1 mH,电容C1和C2的标称值均为3 300 μF.

各IGBT器件发生接线故障的概率相同,但2个以上的IGBT器件同时发生故障的情况几乎不存在[21].因此,本文仅针对单管IGBT和双管IGBT存在的接线故障进行分析与诊断.将正常模式及4类IGBT接线故障细分为22类故障状态,分别研究了多种故障状态,具体故障类型见表1.其中,F0为正常模式,F1～F6为单管故障,F7～F12为双管I型故障,F13～F18为双管Ⅱ型故障,F19～F21为双管Ⅲ型故障.

表1 接线故障类型

4类故障通过Simulink仿真,获取各模式下相电压UA、UB、UC信号波形.为尽可能满足接线电阻实际发生的情形,考虑到接线电阻阻值变化的随机性和任意性,对于正常状态F0,在0～6 Ω任意取60组不同的接线电阻阻值;对于故障状态F1～F21,在6.1～50 Ω之间也分别取60组不同的接线电阻阻值,即每类故障状态下分别获取60组三相电压信号,则共有1 320组信号样本.下文对于故障状态的说明均以F19获取的三相电压为例.

2 基于电压平均值的故障特征提取

2.1 电压信号

图2a和图2b对比可知,发生接线故障时的电压波形相较于正常状态发生了一定程度的畸变失真,但是不同故障之间的电压波形变化较难区分.而Concordia变换不仅在逆变器的故障诊断中能够获取表征逆变器状态的信息[1,13],而且在保留固有特征信息的同时通过信息压缩能有效减少数据样本量.对三相电压Ua、Ub、Uc采用Concordia变换,其公式如下:

a.正常状态F0时三相电压波形;b.故障F19时三相电压波形;c.正常状态f0变换后电压波形;d.故障F19变换后电压波形;e.正常状态F0二维连续情况;f.故障F19二维连续情况;g.电压均值散点

(1)

式中,Uα、Uβ为Ua、Ub、Uc在α-β平面内的压缩信息.

当Uα、Uβ在α-β二维坐标系上展现时,表现为一个连续图形,如图2e、2f所示.当逆变器处于正常状态时接近为一个连续的规则圆,处于故障状态时为一个连续的不规则圆.

通过正常状态、故障状态下的Uα、Uβ波形变化以及Uα、Uβ在α-β二维坐标系上表现形式,可以初步推断电压Uα、Uβ含有丰富的接线故障信息.但是,仅通过以上2种方式难以准确区分多种不同程度的接线故障,接下来通过α-β坐标内的电压平均值分布特性来验证IGBT器件接线故障的可分性[9],

(2)

如图2g所示,正常状态时电压平均值位于坐标原点附近,偏差极小;当发生接线故障时,电压平均值会偏离坐标原点,且偏差较大.由此可见,三相电压Concordia变换后平均值对IGBT接线故障有较好的敏感性,可以初步将其作为表征故障的特征.

2.2 故障特征分析

针对表1的故障类型,在保证分布图直观清晰的情况下,各故障编码下分别取20个阻值进行分布特性分析.

2.2.1 单管故障

a.单管故障;b.双管Ⅰ型故障;c.双管Ⅱ型故障;d.双管Ⅲ型故障

2.2.2 双管Ⅰ型故障

图3b所示为异相同侧桥臂双管接线故障的电压均值分布情况,6种故障近似位于6个扇区内,且接线电阻阻值越大,平均值点分布越接近原点,但各扇区的故障点在边界处存在重叠现象,此时仅靠电压均值的二位散点图已经达不到精准分类的效果.

2.2.3 双管Ⅱ型故障

图3c所示为异相异侧桥臂双管接线故障的电压均值分布情况,6种故障近似位于6个扇区内.平均值点分布情况跟双管Ⅰ故障模式一致,接线电阻阻值越大,分布点越接近原点.虽然这6种故障之间没有明显的重叠现象,但是不排除与其他类故障存在重叠的情况.

2.2.4 双管Ⅲ型故障

为了进一步说明电压均值点的分布与各类故障的对应关系,观察各类故障之间是否存在交叉重叠的现象,绘制整体的电压平均值二位散点图,如图4所示.

a.全局散点;b.部分区间内散点;c.正常状态散点

由以上分析可知,三相电压Concordia变换后均值可以作为一种故障特征向量,但是在大数据样本的情况下,仅依据电压均值的二位散点图难以保证各种故障的精确可分性.

3 基于ILSO-KELM的接线故障诊断

3.1 核极限学习机

为进一步增强ELM的泛化能力和稳定性,引入核函数作为极端学习机的隐含层节点映射,构建核极限学习机[19].

1)训练样本集D={(xi,ti)|i=1,2,…,N},其中xi=[xi1,xi2,…,xip]T、ti=[Ti1,Ti2,…,Tip]T为第i个输入、输出样本,单隐层神经网络为

(3)

式中,g(·)为激活函数,bj为第j个隐层元的偏置,yj为网络输出,βj、wj分别为输出节点、输入节点与隐层点之间的权重向量.

(4)

其矩阵表示为Hβ=T,求解最小二乘解β*,根据广义逆理论,可得

β*=H+T=HT(HHT)-1,

(5)

式中,H为隐层点输出,H+为H的广义逆,T为期望输出.

3)引入核函数ΩELM代替HHT,

(6)

式中,h(·)为隐层点输出函数,K(·)为核函数.

4)选取RBF作为核函数,其表达式为

(7)

5) KELM模型的输出为

(8)

式中,I为对角矩阵,C为惩罚函数.

3.2 改进的狮群算法

狮群算法[22]寻优后期狮群个体的寻优范围受限,个体位置可能发生重叠而降低多样性,易陷入局部最优.因此,本文利用混沌映射初始化LSO参数,利于全局寻优.

3.2.1 Sine混沌映射初始化狮群

混沌映射具有规律性、随机性、遍历性等特点[23],替换随机初始化的种群,可以丰富种群多样性,改善全局搜索性.利用Sine混沌映射[24]初始化狮群位置,其表达式为

xi0+1+δsin(πxi0),

(9)

式中,i0为混沌变量迭代次数,xi0为阈值变量,δ为控制参数.

设种群的狮子数量为M,维度空间为D,成年狮子的数量为m,则有m=λM,其中λ∈(0,1)为成年狮子的比例因子.

随机产生一组待寻优阈值变量Xi=(Xi1,Xi2,…,XiD),i∈[1,M],利用Sine方程产生M组混沌变量,且映射到[Xmin,Xmax]的未知位置变量上.之后,不同类型的狮子按照各自方式来更新位置.

3.2.2 狮群更新方式

1)狮王在最优位置处小范围移动,具有最佳适应度值,其更新方式为

(10)

2)母狮在捕猎过程中与另一只母狮协作,其更新方式为

(11)

3)幼狮跟随狮王和母狮活动,其更新方式为

(12)

3.3 基于ILSO-KELM的故障诊断模型

针对逆变器的IGBT接线故障不明显、故障识别率低,快速准确地故障诊断尤为重要.因此,在结合三相电压Concordia后的特性组成故障向量,采用改进的LSO算法优化KELM建立诊断模型.

图5为整体的故障诊断流程图,具体步骤如下:

图5 故障诊断流程Fig.5 Flowchart of overall fault diagnosis

1) 对采集的三相电压信号进行Concordia变换得到两相电压Uα、Uβ,对其取均值,组成特征向量组,并分为训练样本、测试样本.

2) 将训练样本输入步骤2),测试样本输入步骤9).

3) 利用式(9)生成初始化种群.

4) 计算成年狮子的数量以及个体的历史最优位置,并设置为当前位置,将狮群最优位置设为狮王位置.

5) 通过式(10)更新狮王位置,并计算适应度值;通过式(11)更新母狮位置;通过式(12)更新幼狮位置.

6) 计算个体适应度值,更新个体历史最优位置和狮群历史最优位置.

7) 判断算法是否达到终止条件,若到达条件则跳到步骤8),否则跳到步骤5).

8) 输出最终狮王位置,即为KELM的最优参数(σ,C).

9) 将测试样本输入最优参数(σ,C),建立ILSO-KELM分类模型,完成IGBT接线故障诊断.

4 验证及对比分析

对采样得到的1 320组信号样本进行Concordia变换之后,取电压均值,共得到1 320×2维的故障特征向量组.取每种状态的40组信号样本用作训练集,其余20组信号样本用作测试集.

为了验证ILSO-LSSVM的运行性能,采用ILSO-KELM、LSO-KELM、PSO-KELM等3种方法对IGBT接线故障进行故障诊断与对比分析.图6为3种算法优化KELM的收敛效果,均迭代100次,种群数量均为20,将故障诊断的准确率作为适应度值.

图6 适应度值与迭代次数的关系Fig.6 Relationship between fitness value and iteration times

由图6可以看出:PSO-KELM的收敛速度慢且准确度低;ILSO-KELM与LSO-KELM相比,ILSO-KELM的收敛速度和准确度都有更大的改善.为了进一步验证本文方法在逆变器的IGBT接线故障诊断方面的优势,进行了5种故障诊断方法的对比分析,如图7所示.

a.SVM;b.ELM;c.KELM;d.PSO-KELM;e.LSO-KELM;f.ILSO-KELM

6种诊断方法的诊断准确率平均值、优化模型的平均训练用时及平均诊断用时如表2所示.

表2 各方法10次诊断的平均诊断准确率及用时

通过比较各诊断方法的诊断指标可以反映各方法诊断精度的优劣性,同时比较各方法的运行时间可以反映各方法诊断效率的优劣性.由图7和表2可得出以下结论:

1) KELM比常见的分类器SVM、ELM的诊断准确率更高,诊断速度更快,这表明相对其余分类器,KELM在逆变器IGBT器件的接线故障有更佳的诊断能力.

2) LSO-KELM比PSO-KELM和KELM诊断准确率更高,训练时间和诊断时间更短,这表明相对于不优化或用PSO优化KELM,LSO的寻优效果更佳.

3) ILSO-KELM比LSO-KELM诊断准确率更高,速度更快,这表明利用改进后LSO优化KELM在逆变器IGBT器件的接线故障上有更佳的诊断效率.

5 结论

以Z源光伏逆变器为例进行了IGBT器件接线故障的机理分析并划定了故障分类准则,提出了基于电压平均值与ILSO-KELM结合的故障诊断方法.

1) 通过对三相电压Concordia变换后的两相电压取平均值的方法,获取表征故障状态的二维特征向量,能有效降低特征向量维度,提高诊断效率,并验证了方法的可行性.

2) 通过Sine混沌映射改进原始LSO算法,依此对KELM模型进行参数寻优,完成了对IGBT接线故障的有效诊断.

3) 通过与多种方法对比,本文所提出的ILSO-KELM诊断模型在光伏逆变器IGBT器件接线故障上有更佳的诊断效果.