基于多神經網絡的三電平逆變器器件開路故障診斷方法

陳丹江 葉銀忠

（1.上海海事大學 上海 200135 2.浙江萬里學院 寧波 315100 3.上海應用技術學院 上海 200235）

1 引言

多電平技術是一種通過改變變換器自身拓撲結構來實現高壓大功率輸出的新型變換器。與傳統的兩電平電路相比，由于輸出電壓電平數增加，輸出波形具有更好的諧波頻譜，每個開關器件所承受的電壓應力較小[1-5]。但是多電平電路由于使用了數量較多的開關器件，也致使電路的可靠性相應降低。任何一個器件故障都可能導致整個電路停止工作，有時甚至會影響到其他電路的安全，造成嚴重事故或不可估量的經濟損失[6]。

目前國內外針對二極管中點鉗位（Neutral-Point Clamped，NPC）逆變器的故障診斷問題已開展了不少研究。例如，文獻[7]分析了NPC三電平逆變器在單個功率器件開路故障下的電路工作情況及故障表現形式，并由此提出根據檢測逆變器輸出側PWM電壓波形和輸出電流極性來診斷功率管開路故障的故障診斷方案。該方法具有診斷迅速、可靠性高的優點，但其診斷結果并沒有精確定位到某個器件，需要再進行人工查找。文獻[8]對文獻[7]的一個問題進行了修正，指出NPC逆變器的鉗位二極管和內管的故障表現形式是不同的，從而也是可以加以區分的，并進行了實驗驗證。文獻[9]針對NPC逆變器單個功率器件開路故障，提出利用三相電流波形的電流軌跡方法來進行故障診斷。文獻[10]把每相的橋臂中點和直流電壓中心點之間的電壓（leg-voltage）和正常情況下的電壓進行比較，利用比較結果進行單個功率器件故障的診斷。

但是，目前的研究工作基本上只考慮單個器件開路的故障模式。從可靠性角度看，單純研究單個器件開路故障顯然不夠全面，因此，為了提高三電平逆變器的可靠性，本文引入兩個器件同時開路的故障模式。針對三電平逆變器單個功率器件開路和兩個功率器件同時開路的多種故障模式，本文提出了一種新的故障診斷方法，該方法對逆變器的多個橋臂電壓進行快速傅里葉變換，提取故障特征，并利用一個多神經網絡的結構進行故障診斷。圖1為本文研究的三電平逆變器的主電路拓撲。

圖1 三電平逆變器主電路拓撲Fig.1 Topology of three level inverter

2 故障特征分析

圖1 所示的三電平逆變器主電路的單個橋臂簡化圖如圖2 所示。考慮到三電平逆變器主要應用在變頻器等三相三線的場合，三相負載中性點n 和電容電壓中點o 不進行連接。所以，本文研究的對象比以往的研究有進一步拓展。首先，定義三個橋臂電壓如下：

“中橋臂電壓”，即橋臂中點a 和電容電壓中點o 之間的電壓，記為Vao。下文簡稱為橋臂電壓，亦即文獻[10]中的leg-voltage。

“上橋臂電壓”，即au點和o 點之間的電壓，記為auoV。

“下橋臂電壓”，即ad點和o 點之間的電壓，記為 adoV。

圖2 三電平逆變器單個橋臂簡化圖Fig.2 Simple bridge of three level inverter

2.1 單個功率器件開路的情況

共考慮Sa1～Sa4、VDa5、VDa6等六個功率器件單獨開路的情況。考慮到電路的對稱性，只分析Sa1、Sa2和VDa5三個器件的開路情況，它們代表了單個器件開路的典型故障。

利用PSIM 軟件進行仿真，設輸入直流電壓Ud為100V，每相負載為8Ω電阻串聯20mH 電感，功率器件采用理想開關和二極管。圖3a～3d 分別為無故障以及三種典型故障的橋臂電壓仿真波形。

圖3 單個功率器件開路時橋臂電壓仿真波形Fig.3 Simulation waveforms of bridge voltage when single device open

比較圖3 中的正常模式下的波形與各種故障模式下的波形可以發現，故障只導致了區域A 中的橋臂波形在電平上發生了變化，這種電平特性反映了各種故障模式的特征，可以作為故障診斷的依據。然而，僅僅根據電平邏輯，是不足以完全實現多故障模式的精確診斷的。根據頻譜分析原理[11]，不同的周期信號將含有不同的諧波分量，這些諧波分量包含了豐富的信息。因此，完全可以應用橋臂電壓波形的頻譜分析結果來構成故障的特征信息，以實現上述故障模式的診斷。本文也將應用這類故障特征，并將在第3 節詳述。

2.2 兩個功率器件同時開路

兩個功率器件開路有兩種情況：一是兩個器件處于同一個橋臂，比如Sa1和Sa3；二是兩個器件處在不同的橋臂上，比如a 相橋臂的Sa1和b 相橋臂的Sb1。對于后者，相當于某個橋臂上的單個器件開路，可以利用上節所述的特征通過相應橋臂上的橋臂電壓加以區分。此處僅分析第一種情況。以橋臂a 為例，此時共有6 種不同的故障模式，即Sa1和Sa2、Sa1和Sa3、Sa1和Sa4、Sa2和Sa3、Sa2和Sa4、Sa3和Sa4同時開路。由于電路的對稱性，只需分析前4 種情況即可，它們代表了兩個器件同時開路的典型故障。利用PSIM 仿真，得到這4 種典型故障的波形圖，如圖4 所示。

圖4 兩個功率器件同時開路時橋臂電壓仿真波形Fig.4 Simulation waveforms of bridge voltage when two devices open at the same time

對比圖3 和圖4 可以發現，Sa2單獨開路（見圖3c）與Sa1和Sa2同時開路（見圖4a）的橋臂電壓具有相同的電平邏輯特征。根據電路的對稱性可以得知，Sa3單獨開路與Sa3和Sa4同時開路的橋臂電壓具有相同的電平邏輯特征。

現對圖3c 和圖4a 兩種情況進行分析。考慮圖2 上半橋臂中a 點和o 點之間的通路（即只分析Sa1、Sa2和VDa5，以及對應的續流二極管），可以得出，當a 相電流ia＞0 時，有兩種工作狀態，分別如圖5a 和5b 所示；當電流ia＜0 時，電流只能流過VDa1和VDa2，如圖5c 所示。當Sa2單獨開路時，工作狀態1 和2 都不可能實現，只可能出現工作狀態3；同樣當Sa1和Sa2同時開路時，也只能出現工作狀態3。因此，電路工作原理分析表明，在Sa2單獨開路與Sa1和Sa2同時開路兩種故障模式下，橋臂電壓Vao是相同的。這意味著，只利用橋臂電壓無法實現這兩種故障模式的分離。

圖5 三電平逆變器工作狀態圖Fig.5 Diagram of three level inverter working states

綜上所述，必須引入新的故障特征信息，才能對上述所有故障加以區分。這里引入上面定義的上橋臂電壓和下橋臂電壓，圖6a 為Sa2單獨開路的上橋臂電壓，圖6b 為Sa1和Sa2同時開路的上橋臂電壓，可以看出，兩者區分還是比較明顯的。

圖6 上橋臂電壓仿真波形Fig.6 Simulation waveforms of upper bridge voltage

3 故障診斷

3.1 多神經網絡結構

神經網絡在不少領域已經成為研究、開發和應用的熱點，在電力電子電路的故障診斷中也得到了比較廣泛地應用[12-17]。為了解決上述三電平逆變器的多模式故障診斷問題，本文提出一種多神經網絡的結構，圖7 為其基本框圖。

其中主神經網絡的輸入為橋臂電壓Vao，用來區分表1 中11 種故障模式（包括“無故障”）；輔助神 經網絡A的輸入為上橋臂電壓auoV，輔助神經網絡B的輸入為下橋臂電壓adoV。表1 列出了利用主神經網絡進行區分的各種故障模式和對應的輸出向量，表2 和表3 列出了利用輔助神經網絡進行區分的故障模式和對應輸出向量。

圖7 多神經網絡結構框圖Fig.7 Diagram of multi neural network

表1 主神經網絡區分的故障模式和輸出向量Tab.1 Fault patterns and output vectors of main neural network

表2 輔助神經網絡A 區分的故障模式和輸出向量Tab.2 Fault patterns and output vectors of auxiliary neural network A

表3 輔助神經網絡B 區分的故障模式和輸出向量Tab.3 Fault patterns and output vectors of auxiliary neural network B

3.2 特征提取

在圖7 中，故障信號在輸入到每個神經網絡之前，都要事先經過特征提取。本文應用快速傅里葉變換方法，對橋臂電壓或者上下橋臂電壓進行故障特征提取。經頻譜分析，得到與圖3 和圖4 波形分別對應的幅頻特性如圖8 和圖9 所示（波形的基波頻率為50Hz，載波頻率為1.5kHz）。對其他各種故障模式，均可執行這一分析。根據電力電子電路PWM 調制電路輸出波形的特性可知[18]，三電平逆變器橋臂電壓波形進行傅里葉展開，其幅值除了分布在基波及其倍數外，主要分布在載波頻率的整數倍及其附近。根據這個特點，分別為三個神經網絡的輸入選取相應的特征向量，并根據診斷結果反饋進行反復修改，最后確定特征向量的具體選取。

圖8 圖3 波形對應的幅頻特性Fig.8 Spectral characteristic diagram of figure 3

圖9 圖4 波形對應的幅頻特性Fig.9 Spectral characteristic diagram of figure 4

對于主神經網絡，特征向量選取直流分量、基波、兩倍基波、三倍基波、載波分量（1.5kHz）、載波分量附近（1.4kHz 和1.6kHz）、兩倍載波分量的幅值、直流分量、基波和兩倍基波的相位，共 11維。

對于兩個輔助神經網絡，特征向量選取直流分量、基波和兩倍基波的幅值，共3 維。

根據圖7 所示結構構建3 個神經網絡，其中主神經網絡的輸入層節點為11 個，隱含層節點為22個，輸出層節點為6 個；2 個輔助神經網絡的輸入層節點為3 個，隱含層節點為7 個，輸出層節點為2 個。神經網絡傳遞函數均采用Sigmoid 函數，訓練方法采用反向傳播的Levenberg-Marquardt 算法。這種算法可避免計算赫賽矩陣，從而減少訓練中的計算量和內存需求量[19]。

3.3 與傳統神經網絡比較

按照傳統的神經網絡結構，利用單獨一個神經網絡對表1～表3 中的故障模式進行識別，則每種模式都必須采樣上、中、下三個橋臂電壓，按照本文主神經網絡的故障特征選取方法，則設計的神經網絡至少包含33 個輸入節點，結構和計算量都遠比本文提出的多神經網絡復雜。

首先從結構上來說，33 個輸入節點的神經網絡，按照經驗來說，隱含層節點數為（33×2+1=67）個節點[20]，輸出同樣為6 個節點，因此，傳統的神經網絡結構是一個33×67×6的結構，比多神經網絡結構要龐大很多。

其次從計算量上來說，設i、j、k分別為三層神經網絡的輸入層、隱含層和輸出層節點數，根據人工神經網絡的基本原理[21]，設傳遞函數為Sigmoid函數

則神經網絡運算一遍需要的乘法（或除法）次數為(i+3)×j=(j+3)×k，加法（或減法）次數為(i+1)×j=(j+1)×k，另外還需要j+k次指數運算。圖10 比較了傳統單個神經網絡和本文提出的多神經網絡各運算一遍需要的運算次數。圖中對所有運算次數進行了歸一化處理，其中黑色表示傳統單個神經網絡乘法、加法和指數運算的歸一化次數，灰色和白色表示本文提出的多神經網絡的各運算次數，其中灰色表示只用到主神經網絡的情況，白色的表示同時用到主神經網絡和輔助神經網絡的情況。

圖10 傳統單個神經網絡和多神經網絡的運算次數比較Fig.10 Calculation times between single neural network and multi neural network

4 實驗和診斷結果

構建三電平逆變器的實際電路，主要參數如下：輸入直流電壓 90 ～110V，輸入電容采用兩個1 000μF、耐壓450V的電解電容串聯，主開關采用IRF640，鉗位二極管采用FR307，負載為每相8Ω電阻和 20mH 電感串聯。驅動和控制信號利用TMS320F2812 產生，采用載波同相層疊方式，調制波為50Hz 正弦波，載波頻率為1.5kHz，DSP 產生的驅動信號經過總線驅動器74HC245 后，由TLP250芯片隔離放大驅動功率開關。圖11 為單個器件開路的橋臂電壓波形及其頻譜，圖12 為兩個器件同時開路的橋臂電壓波形及其頻譜。為了便于相互比較，所有8 個圖中的坐標單位保持一致，其中橋臂電壓波形縱軸為20V/格，橫坐標為4ms/格，頻譜波形縱坐標為5V/格，橫坐標為500Hz/格。

圖11 單個器件開路時橋臂電壓實驗波形及其頻譜Fig.11 Experimental waveforms and their spectrums of bridge voltage when single device open

圖12 兩個器件同時開路時橋臂電壓實驗波形及其頻譜Fig.12 Experimental waveforms of bridge voltage and their spectrums when two devices open at the same time

針對表1～表3 中的13 種故障模式，改變NPC逆變器的輸入直流電壓，分別取90V、100V 和110V三種電壓，每種電壓下取SPWM 波形的調制比從0.2 到1，間隔為0.1，因此每種故障可得到27 組原始數據。

利用三個LEM 電壓傳感器LV28-P 對上、中、下三個橋臂電壓進行隔離采樣，采樣得到的數據經過AD 口輸入到DSP2812，然后對數據進行FFT 變換并輸入到已訓練好的神經網絡進行診斷。把其中調制比為0.5、0.7 和0.9的數據作為測試樣本，其余的作為訓練樣本。表4 為多神經網絡的診斷結果，表中還對原始數據加入10%的白噪聲進行對比。從表4 可以看出，除了加入10%白噪聲時主神經網絡的精度為96.77%，其余的都是100%。這里精度γ定義為

表4 多神經網絡的診斷結果Tab.4 Diagnosis result of multi neural network

5 結論

本文提出了一種多神經網絡的結構，實現了三電平NPC 逆變器的單個器件開路、多個器件同時開路等多種不同故障模式的診斷。算法結構簡單，計算量小，易于在實際應用中實現。為了實現難區分故障模式的分離，本文利用了上、中、下橋臂電壓來提取故障特征。實驗診斷結果表明，本文提出的方法可以診斷出多種故障模式，并可精確定位到具體的故障器件，診斷精度高，抗噪聲干擾能力強。

[1]Hochgraf C,Lasseter R,Divan D,et al.Comparison of multilevel inverters for static Var compensation[C].IEEE Conference on Industrial Applications,1994:921-928.

[2]Menzies R W,Steimer P,Steinke J K.Five level GTO inverters for large induction motor drives[C].IEEE Institute for Advanced Studies Annual Meeting,1993:593-601.

[3]Stemmler H.Power electronics in electric traction applications[C].IEEE Annual Conference of the Industrial Electronics Society,1993:707-713.

[4]Steimel A.Electric railway traction in europe[J].IEEE Transactions on Industry Applications,1996,2:7-17.

[5]Jih Sheng Lai,Fang Zheng Peng.Multilevel converters-a New breed of power converters[J].IEEE Transactions on Industry Applications,1996,32:509-517.

[6]Ceballos S,Pou J,Robles E,et al.Three-leg fault-tolerant neutral-point-clamped converter[C].IEEE International Symposium on Industrial Electronics,2007:3180-3185.

[7]湯清泉,顏世超,盧松升,等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學報,2008,28(21):26-32.Tang Qingquan,Yan Shichao,Lu Songsheng,et al.Open-circuit fault diagnosis of transistor in three-level inverter[J].Proceedings of the CSEE,2008,28(21):26-32.

[8]周京華,劉輝臣,姚亞蘭,等.三電平大功率變頻器故障特征及診斷方法研究[J].電力電子技術,2009,43(6):1-3.Zhou Jinghua,Liu Huichen,Yao Lanya,et al.Research on the faults characteristics and the fault diagnosis methods of three-level high-power inverter[J].Power Electronics,2009,43(6):1-3.

[9]Ho In Son,Tae Jin Kim,Dae Wook Kang,et al.Fault diagnosis and neutral point voltage control when the 3-level inverter faults occur[C].Power Electronics Specialists Conference,2004:4558-4563.

[10]Jae Chul Lee,Tae Jin Kim,Dae Wook Kang,et al.A control method for improvement of reliability in fault tolerant NPC inverter system[C].37th IEEE Power Electronics Specialists Conference,2006:1-5.

[11]胡廣書.數字信號處理——理論、算法與實現[M].北京:清華大學出版社,2003.

[12]蘇鵬聲,王志強,姜建國.用人工神經網絡診斷電力電子電路主回路故障[J].清華大學學報(自然科學版),1999,39(3):19-22.Su Pengsheng,Wang Zhiqiang,Jiang Jianguo.Fault diagnosis of power electronic circuits using artificial neural networks[J].Journal of Tsinghua University(Science & Technology),1999,39(3):19-22.

[13]龍伯華,譚陽紅,許慧.基于量子神經網絡的電力電子電路故障診斷[J].電工技術學報,2009,24(10):170-175.Long Bohua,Tan Yanghong,Xu Hui.Fault diagnosis of power electronic circuits based on quantum neural network[J].Transactions of China Electrotechnical Society,2009,24(10):170-175.

[14]馬成才,顧曉東.基于神經網絡組與故障分級的故障診斷[J].系統工程與電子技術,2009,31(1):225-228.Ma Chengcai,Gu Xiaodong.Fault diagnosis with fault gradation using neural network group[J].Systems Engineering and Electronics,2009,31(1):225-228.

[15]蔡金錠,付中云.粒子群_神經網絡混合算法在三相整流電路故障診斷中的應用[J].電工電能新技術,2006,25(4):23-26.Cai Jinding,Fu Zhongyun.Application of particle group and neural network hybrid algorithm in fault diagnosis of three2phase rectification circuit[J].Advanced Technology of Electrical Engineering and Energy,2006,25(4):23-26.

[16]喬維德.基于改進粒子群算法神經網絡的電力電子電路故障診斷[J].電氣傳動自動化,2008,30(5):29-31.Qiao Weide.Fault diagnosis of power electronic circuits based on improved PSO algorithm neural network[J].Electric Drive Automation,2008,30(5):29-31.

[17]王云亮,孟慶學.基于小波包能量法及神經網絡的電力電子裝置故障診斷[J].電氣自動化,2009,31(2):25-27,45.Wang Yunliang,Meng Qingxue.Fault diagnosis of power electronic device based on wavelet packet energy method and neural network[J].Electrical Automation,2009,31(2):25-27,45.

[18]林渭勛.現代電力電子技術[M].北京:機械工業出版社,2006.

[19]聞新.Matlab 神經網絡仿真與應用[M].北京:科學出版社,2003.

[20]周東華,葉銀忠.現代故障診斷與容錯控制[M].北京:清華大學出版社,2000.