基于自適應滑模觀測器的中點鉗位型三電平并網逆變器開路故障診斷

許水清 黃文展 何怡剛 胡友強 程庭莉

（1.合肥工業大學電氣與自動化工程學院 合肥 230009 2.輸配電裝備及系統安全與新技術國家重點實驗室（重慶大學） 重慶 400044）

0 引言

隨著新能源發電的快速發展，并網逆變器作為連接新能源發電系統和公用電網的有效接口，具有舉足輕重的作用。在各種并網逆變器拓撲中，中點鉗位型（Neutral-Point-Clamped,NPC）三電平逆變器由于具有器件電壓應力低、功率損耗小和輸出電壓諧波含量少等優點，得到了廣泛應用[1]。然而由于運行環境多變，加上開關管器件數量較多且電路結構復雜，使得任何一個開關管故障均可導致NPC三電平并網逆變器無法正常工作，甚至引發二次故障，造成重大經濟損失和安全事故。因此，NPC 三電平并網逆變器開關管故障診斷具有十分重要的研究意義和應用價值。

NPC 三電平并網逆變器開關管故障主要分為短路故障和開路故障[2]。短路故障由于具有演變速度快和危害程度大等特點，通常在逆變器中集成硬件檢測裝置和保護電路，將短路故障轉化為開路故障來處理[3]。因而，本文主要研究NPC 三電平并網逆變器的開關管開路故障。目前，開關管開路故障診斷方法從技術上主要分為數據驅動法和模型法。

數據驅動法主要包括信號處理法[4-5]、人工智能法[6]以及兩者相結合的算法[7]等。如文獻[8]利用電流矢量瞬時頻率和電流矢量瞬時角度來構造故障檢測變量，提出了基于電流矢量特征分析的逆變器開路故障診斷方法。文獻[9]首先采用基于累積和算法的故障監測方法，其次提出基于歸一化輸出電流平均值和絕對平均值的故障識別方法實現功率器件開路故障診斷。文獻[10]首先利用滑動三角化處理提取相電流信號的多尺度趨勢特征，然后利用回聲狀態網絡進行故障分類從而實現微電網逆變器開路故障診斷。然而，數據驅動法過度依賴所獲得數據的數量和質量，譬如人工智能法需要大量數據進行訓練，復雜度較高，限制了其在實際工程中的應用。

模型法主要通過分析和估計實際逆變器輸出與參考模型輸出之間的殘差來進行故障診斷[11]。如文獻[12]通過建立三相逆變電路電流觀測器，利用三相電流測量值與觀測值之間的誤差構造故障檢測變量，實現開關管開路故障診斷。文獻[13]利用龍伯格觀測器觀測三相電壓源逆變器的輸出電流，并利用輸出電流特征設計自適應閾值以實現故障診斷。文獻[14]設計了一種電流區間滑模觀測器精確估計逆變器正常工作時的三相電流，并根據觀測電流與測量電流的殘差特征構造殘差信息表實現開關管開路故障定位。文獻[15]構造了三相電壓源逆變器的微分電流觀測器，并利用微分電流測量值與觀測值之間的殘差設計診斷變量，從而實現開路故障診斷。模型法具有診斷時間短和計算成本低等優點，然而如何建立精確的模型并設計合適的閾值是保證模型法有效性和魯棒性的關鍵。

目前，國內外針對NPC 三電平逆變器的開關管開路故障診斷問題已取得了一些研究成果[16]。如文獻[17]利用小波包能量譜熵提取橋臂電壓信號特征，通過自適應矩估計小波神經網絡建立故障字典，實現逆變器開路故障診斷。文獻[18]根據NPC 三電平逆變器輸出相電流均值識別故障相，隨后在短時間內注入無功電流實現開關管故障定位。文獻[19]提出了基于模型與數據處理相結合的NPC 三電平逆變器開路故障診斷方法，首先通過建立比例積分滑模觀測器估計三相輸出電流，然后對相電流和電網電壓的故障特征進行數據處理實現故障定位。文獻[20]提出了一種基于知識驅動和數據驅動的開關管開路故障診斷方法，首先利用Concordia 變換對故障電流樣本進行處理，然后基于隨機森林算法實現故障分類。文獻[21]基于特征矩陣聯合近似對角化和獨立分量分析進行故障特征提取，然后利用神經網絡實現了NPC 三電平逆變器開關管故障定位。然而目前這些故障診斷算法，算法復雜度較高，診斷時間較長且大多只能實現單管故障診斷。

針對上述問題，本文提出了一種基于自適應滑模觀測器的NPC 三電平并網逆變器開路故障診斷方法。該方法首先設計了收斂速度快且顯著抑制抖振的自適應滑模觀測器；其次提出了基于電流形態因子的故障檢測方法；然后利用電流殘差構造故障定位變量進行故障定位；最后通過建立前次故障狀態的自適應滑模觀測器實現雙開關管開路故障診斷。本文提出的故障診斷算法有如下優點：①建立了新的自適應滑模觀測器：通過設計新型自適應趨近律，構建了收斂速度快且顯著抑制抖振的自適應滑模觀測器，輸出電流估計更加精確；②提出了新的故障檢測與定位方法：根據設計的電流形態因子，構造兩個故障檢測特征量并設計自適應閾值，同時結合電流殘差構造故障定位變量進行故障定位，故障診斷結果準確性更高、魯棒性更強；③提出了新的雙管故障診斷方法：在首次故障發生后，通過用故障開關函數替代原開關函數來建立前次故障狀態的自適應滑模觀測器，能夠驗證首次故障診斷的準確性并實現雙開關管開路故障診斷。實驗結果驗證了本文所提算法的有效性和魯棒性。

1 NPC 三電平并網逆變器混合邏輯動態模型

1.1 正常狀態下的逆變器混合邏輯動態模型

NPC 三電平并網逆變器拓撲結構如圖1 所示。圖中，逆變電路每相橋臂由四個開關管Qxj（x=a,b,c;j=1,2,3,4）、四個續流二極管VDxj和兩個鉗位二極管VD1x、VD2x組成；Udc為直流側電壓；R為等效電阻；L為濾波電感；O 為直流側中性點。

圖1 NPC 三電平并網逆變器拓撲結構Fig.1 Topology of NPC three-level grid-connected inverter

由圖1 可得系統狀態方程為

式中，uan、ubn、ucn為逆變器三相相電壓；ea、eb、ec為電網電壓。

根據電路拓撲約束關系和星形聯結特點可得

式中，σx為開關函數。由于σx受開關管和二極管導通狀態影響，根據NPC 三電平逆變器的工作原理，σx可表示為

式中，on 為器件導通。

在此基礎上，選取變量sxj表示開關管Qxj的開關狀態，sxj=1 表示開關管導通，sxj=0 表示開關管關斷。并引入變量μx表示電流方向，μx=1表示電流由逆變電路流出，μx=0表示電流流入逆變電路。以a 相為例，可得理想情況下a 相開關函數與開關狀態的關系見表1。

表1 理想情況下a 相開關函數與開關狀態的關系Tab.1 The relationship between switching function and switching state of phase-a in the ideal case

由表1 可以看出，理想情況下開關狀態sx1與sx3互反，開關狀態sx2與sx4互反。然而，在逆變器實際運行中，為了防止開關狀態切換過程中直流側電容直通而設置死區，使得開關狀態短時間內存在sx1=sx3=0 和sx2=sx4=0 的情況。例如，當開關狀態sa1=0、sa2=1、sa3=0、sa4=0 時，若電流通過VD1a和Qa2流向交流側，則σa=0如圖2a 所示；若電流通過VDa2和VDa1流向直流側，則σa=1如圖2b 所示。類似地，可得到實際運行中a 相輸出電壓在不同開關狀態和電流方向下開關函數見表2。

圖2 sa 1 = 0,sa 2 = 1,sa 3 = 0,sa4=0時電流路徑Fig.2 Current paths of sa 1 = 0,sa 2 = 1,sa 3 = 0,sa4=0

表2 實際運行中a 相開關函數與開關狀態的關系Tab.2 The relationship between switching function and switching state of phase-a in practice

基于上述分析，在逆變電路正常工作狀態下，由表2 進行邏輯運算，可推導出a 相開關函數σa為

類似地，可推導出NPC 三電平并網逆變器在正常狀態下b 相和c 相開關函數為

由此可推導出，NPC 三電平并網逆變器正常狀態下的混合邏輯動態模型為

進一步地，式（6）可以寫為

式中，B為三階單位矩陣。

1.2 故障狀態下的逆變器混合邏輯動態模型

以a 相為例，當Qa1發生開路故障時，逆變器開關狀態sa1=0，則由表2 可得，a 相橋臂在不同開關狀態和不同電流方向下的開關函數見表3。

表3 Qa1 開路故障時a 相開關函數與開關狀態的關系Tab.3 The relationship between switching function and switching state of phase-a in Qa1 open-circuit fault

由此，對表3 進行邏輯運算，可推導出Qa1開關管開路故障狀態下a 相開關函數的表達式為

同理，可推導出Qa2、Qa3、Qa4開關管開路故障狀態下開關函數的表達式分別為

由式（7）所示的NPC 三電平并網逆變器混合邏輯動態模型可知，系統輸出電流取決于開關函數σ。當開關管Qxj發生開路故障時，將實際系統的開關函數等效成，則可得故障狀態下的混合邏輯動態模型為

式中，i＇為故障狀態下的輸出電流。

2 NPC 三電平并網逆變器故障診斷策略

在正常狀態下，NPC 三電平并網逆變器輸出電流值與觀測器估計的電流值相等。而當NPC 三電平并網逆變器發生開路故障時，逆變器輸出電流值將發生顯著變化，不再等于觀測器估計的電流值。基于上述性質，本文提出了一種基于新型自適應滑模觀測器的NPC 三電平并網逆變器開路故障診斷策略，能夠同時診斷單管和雙管開路故障，且診斷速度較快，可靠性更高。本文所提出的診斷方法原理如圖3 所示，主要包括自適應滑模觀測器設計、單管故障診斷和雙管故障診斷三個部分。

圖3 故障診斷原理Fig.3 Principle of fault diagnosis

2.1 自適應滑模觀測器設計

由于NPC 三電平并網逆變器在實際工作中存在測量噪聲等未知干擾，因此，式（7）的混合邏輯動態模型可以進一步描述為

式中，i∈R3為輸出電流；u=B1σ+B2e為輸入變量；y∈R3為輸出變量；v=[vavbvc]為有界未知擾動；C、D為三階單位矩陣。

在此基礎上，設計NPC 三電平并網逆變器的自適應滑模觀測器為

式中，∈R3為觀測器估計輸出電流；S=y-為滑模面；f(S)為自適應趨近律且滿足

定理 1：假設存在正定對稱矩陣P∈Rn×n使得ATP+PA+I＜ 0成立，則誤差動態方程

是漸近穩定的，e(t)=-i。

證明：選取如下的李雅普諾夫函數

對式（15）求導可得

當e(t)＞ 0時

當e(t)＜ 0時

由ζ＜N(S)＜ 1和D為三階單位矩陣可知，當觀測器增益k的值大于有界未知擾動時，有

綜上所述，若ATP+PA+I＜ 0，則＜0，即觀測誤差能夠漸近趨近于0，即。由此可得式（12）設計的自適應滑模觀測器是穩定的。

基于式（13）設計的自適應趨近律，本文提出的自適應滑模觀測器具有以下優點：

（1）收斂速度快：由式（13）知，當逆變器輸出電流遠離滑模面，即較大時，使得N(S)趨近于ζ，進而k/N(S)趨近于k/ζ。由 于0＜ζ＜1,k/N(S)值增大，表明到達滑模面的趨近速度增加，觀測器收斂速度快。

2.2 故障檢測方法

在構建NPC 三電平并網逆變器自適應滑模觀測器的基礎上，本節利用逆變器實際輸出電流值與觀測器估計電流值，構造兩個基于電流形態因子的故障檢測特征量，綜合兩個故障檢測特征量，實現NPC 三電平并網逆變器開路故障的高準確性和強魯棒性檢測。

首先，根據NPC 三電平并網逆變器的開路故障分析可知，當開關管發生故障時，逆變器輸出電流會發生畸變。因此，本文利用逆變器輸出電流畸變特性，構造基于電流形態因子的NPC 三電平并網逆變器故障檢測特征量Mx為

與此同時，利用自適應滑模觀測器的估計電流值，設計故障檢測特征量Mx的自適應閾值Tx為

當NPC 三電平并網逆變器正常工作時，可知φx＞0 且Mx＜1，Tx趨近于1。然而，當NPC 三電平并網逆變器發生故障時，相電流會發生一定程度的畸變，導致φx減小，增大，使得故障檢測特征量Mx迅速超過閾值Tx，從而實現NPC 三電平并網逆變器故障相檢測。

此外，為了消除測量噪聲及未知干擾對故障檢測的影響，提升故障檢測的準確性和魯棒性，避免故障誤報和漏報，綜合實際系統和觀測器輸出電流值，進一步構造故障檢測特征量ηx為

由NPC 三電平并網逆變器的開路故障分析可知，發生開關管開路故障的橋臂其輸出相電流畸變程度更大，因而可通過識別ηx的最大值來檢測故障相。

結合故障檢測特征量Mx和ηx，本文提出的NPC 三電平并網逆變器故障檢測算法可表示為

若邏輯變量Dx=1，則x相發生故障。

從式（23）可知，當NPC 三電平并網逆變器無故障時，故障檢測特征量Mx應小于閾值Tx，且故障檢測特征量ηx和其他兩相特征量相等，Dx=0。當NPC 三電平并網逆變器某相出現開關管開路故障時，其故障檢測特征量Mx將超過閾值Tx，且故障檢測特征量ηx將大于其他兩相特征量，Dx=1。通過綜合兩個故障檢測特征量，本文所提的故障檢測算法能夠降低噪聲及未知干擾等對故障檢測的影響，準確率更高、魯棒性更強，大大避免了故障檢測的誤報和漏報。

2.3 故障定位方法

在實現NPC 三電平并網逆變器故障檢測的基礎上，本節根據故障狀態下觀測器電流估計值與實際電流值的殘差，通過分析電流殘差中所包含的故障信息，構造基于電流殘差的故障定位變量，實現NPC 三電平并網逆變器開路故障定位。

首先，由NPC 三電平并網逆變器拓撲結構可知，當逆變器某相上橋臂發生開路故障時，該相輸出電流上半波出現衰減，使得觀測器電流估計值與正常電流值的殘差大于零。當逆變器某相下橋臂發生開路故障時，該相輸出電流下半波出現衰減，使得觀測器電流估計值與正常電流值的殘差小于零。因此電流殘差可以用來定位逆變器發生開路故障的橋臂。此外，從式（9）和式（10）可知，同相上橋臂或下橋臂的兩個開關管發生開路故障時，其實際系統輸出電流具有不同的變化特性。因而可以進一步利用實際輸出電流變化特性來定位逆變器橋臂發生開路故障的開關管。

綜上所述，結合電流殘差和實際輸出電流變化特性，本文構造NPC 三電平并網逆變器開路故障定位變量Px為

考慮到測量噪聲及未知擾動的影響，ξ設為在檢測到故障之前逆變器正常工作時電流基波幅值的5%。結合NPC 三電平并網逆變器開路故障電流變化特性，由式（24）可知，當Qx1發生開路故障時，Px=3/2；當Qx2發生開路故障時，Px=-1/2；當Qx3發生開路故障時，Px=-3/2；當Qx4發生開路故障時，Px=1/2。

結合故障檢測變量和故障定位變量，本文提出的NPC 三電平并網逆變器故障診斷策略可表示為

式中，Qxf為發生開路故障的開關管。本文提出的故障診斷算法能夠檢測和定位NPC 三電平逆變器單管開路故障。

2.4 雙管開路故障診斷方法

在實現單管開路故障診斷的基礎上，雙管開路故障診斷策略如圖3 中的雙管故障診斷部分所示。圖3 中，本文假設兩個開關管發生故障的時間間隔大于1/2 基波電流周期，而不是同時發生故障，這是因為在實際中NPC 三電平并網逆變器的兩個開關管同時發生故障的概率非常小。基于以上假設，在實現前次開關管開路故障檢測和定位后，首先用1.2 節中推導出的故障后開關函數替代自適應滑模觀測器中的正常狀態開關函數，設計故障狀態下的自適應滑模觀測器，并估計出前次開關管開路故障下的輸出電流。然后，基于觀測器估計的故障電流，計算前次開關管開路故障后的故障檢測變量和故障定位變量，從而實現第二個開關管開路故障診斷。

需要指出的是，利用故障狀態下的自適應滑模觀測器估計故障電流對于實現雙管開路故障診斷具有重要意義。一方面，觀測器估計的故障電流可用于檢查前次開關管開路故障診斷結果的準確性，如果檢測結果準確，基于觀測器估計故障電流獲得的故障檢測變量不會超過自適應閾值，否則就會超過自適應閾值；另一方面，可利用估計故障電流和雙管開路故障輸出電流計算新的故障檢測變量和故障定位變量，診斷雙開關管開路故障。因此，在圖3所示的雙管故障診斷策略中，1/2 基波電流周期內的觀測器估計故障電流用于驗證前次開關管開路故障診斷結果的準確性，1/2 基波電流周期后的觀測器估計故障電流用于診斷雙開關管開路故障。綜上所述，本文提出的故障診斷算法能夠實現NPC 三電平并網逆變器雙管開路故障。

3 實驗驗證

為驗證本文所提出的NPC 三電平并網逆變器故障診斷方法的有效性和魯棒性，搭建了如圖4 所示的硬件在環實驗平臺進行實驗，實驗中的NPC 三電平并網逆變器主要參數見表4。此外，為便于觀察，在實驗測試完成后將信號保存在數字信號處理器中并導出至計算機，利用Matlab 重新繪制。

圖4 硬件在環實驗平臺Fig.4 Hardware-in-the-loop experimental platform

表4 NPC 三電平并網逆變器主要參數Tab.4 Main parameters of NPC three-level grid-connected inverter

3.1 單開關管開路故障診斷

圖5 給出了NPC 三電平并網逆變器a 相Qa1開路故障診斷的結果。從圖5 可以看出，當NPC 三電平并網逆變器未出現故障時，三相輸出電流為正弦波，故障檢測變量Ma遠小于自適應閾值Ta，且檢測變量ηa=ηb=ηc。當NPC 三電平并網逆變器發生Qa1開路故障后，三相輸出電流均出現一定程度的畸變，檢測變量Ma超過自適應閾值Ta，且此時檢測變量ηa＞ηb,ηa＞ηc，表明逆變器a 相橋臂發生開路故障。同時，故障定位變量Pa=3/2，根據式（25）所示的故障診斷準則可定位出逆變器Qa1發生開路故障。

圖5 Qa1 開路故障的實驗結果Fig.5 Experimental results for the Qa1 open-circuit fault

為進一步驗證所提故障診斷算法對不同開關管開路故障的有效性，圖6 給出NPC 三電平并網逆變器b 相Qb2開路故障診斷的結果。從實驗結果可以看出，當NPC 三電平并網逆變器發生Qb2開路故障后，故障檢測變量Mb迅速增大，自適應閾值Tb減小，使得Mb＞Tb，且此時檢測變量ηb迅速增大并超過ηa和ηc，這表明逆變器b 相橋臂發生開路故障。同時，故障定位變量滿足Pb=-1/2，可推導出NPC三電平并網逆變器Qb2發生開路故障。

圖6 Qb2 開路故障的實驗結果Fig.6 Experimental results for the Qb2 open-circuit fault

3.2 雙開關管開路故障診斷

為驗證本文故障診斷算法對雙開關管開路故障診斷的有效性，圖7 給出了NPC 三電平并網逆變器a 相Qa1和Qa3開路故障診斷的實驗結果。從實驗結果可以看出，當Qa1發生開路故障后，故障檢測變量Ma迅速增大并超過自適應閾值Ta，同時檢測變量ηa同樣增大并大于ηb和ηc，故障定位變量Pa=3/2，這表明，a 相Qa1發生開路故障。在檢測出Qa1開路故障后，將Qa1故障狀態下開關函數替換原開關函數σ，構造Qa1故障狀態下的自適應滑模觀測器。從圖7 可以看出，故障檢測變量Ma逐漸變小并低于自適應閾值Ta，驗證了首次故障診斷結果的準確性。當a 相Qa3發生開路故障后，故障檢測變量Ma開始超過自適應閾值Ta，且故障檢測變量ηa也增加并大于ηb和ηc，而故障定位變量滿足，Pa=-3/2，表明，a 相Qa3發生開路故障。從實驗結果可以看出，本文所提診斷方法能夠實現NPC 三電平并網逆變器雙開關管開路故障診斷。

圖7 Qa1 和Qa3 開路故障的實驗結果Fig.7 Experimental results for the Qa1 and Qa3 open-circuit fault

為進一步驗證本文所提算法同樣適用異相雙開關管開路故障診斷，圖8 給出了a 相Qa1和b 相Qb1開路故障診斷的實驗結果。由圖8 的實驗結果可以看出，當NPC 三電平并網逆變器發生Qa1開路故障后，檢測變量Ma超過自適應閾值Ta，且檢測變量ηa大于ηb和ηc，同時故障定位變量Pa=3/2，根據故障診斷策略可定位出Qa1發生開路故障。基于Qa1開路故障診斷的結果，將Qa1故障狀態下開關函數σa＇1替換原開關函數σ，建立Qa1故障狀態下的自適應滑模觀測器。從實驗結果可以看出，基于Qa1故障狀態下的自適應滑模觀測器，故障檢測變量Ma小于自適應閾值Ta，從而表明首次故障診斷結果的準確性。當b 相Qb1發生開路故障后，故障檢測變量Mb逐漸增大并超過自適應閾值Tb，檢測變量ηb同樣增大并超過ηa和ηc，同時故障定位變量滿足Pb=3/2，表明b 相Qb1發生開路故障。此外，從圖8 可以看出，當Qb1發生開路故障后，故障檢測變量Ma雖然也大于自適應閾值Ta，但此時故障檢測變量ηa始終小于ηb，從而不會產生故障誤檢。實驗結果表明，該方法同樣能夠有效診斷異相雙管開路故障。

圖8 Qa1 和Qb1 開路故障的實驗結果Fig.8 Experimental results for the Qa1 and Qb1 open-circuit fault

3.3 電網電壓波動時的魯棒性驗證

為驗證本文所提診斷算法的魯棒性與可靠性，圖9 給出了電網電壓波動下的a 相Qa1開路故障診斷結果。從實驗結果可以看出，在電網電壓發生波動之前，故障檢測變量Ma、Mb、Mc均遠離其對應的自適應閾值Ta、Tb、Tc。當電網電壓從220 V 上升到305 V 后，盡管故障檢測變量Ma、Mb、Mc均有一定程度的波動，但仍遠遠小于其對應的自適應閾值，不會產生故障誤報。當引入Qa1開路故障后，故障檢測變量Ma逐漸增大并超過自適應閾值Ta，此時自適應閾值Tb、Tc雖出現相對劇烈的波動，但仍大于故障檢測變量Mb、Mc，因而仍可以正確判斷出a 相開關管發生開路故障。因此，實驗結果表明該方法對電網電壓波動等干擾具有強魯棒性，診斷穩定性高。

圖9 電網電壓波動時Qa1 開路故障的實驗結果Fig.9 Experimental results for the Qa1 open-circuit fault under grid voltage fluctuation

4 方法對比分析

4.1 觀測器性能對比分析

NPC 三電平并網逆變器的輸出電流精確估計是利用模型法實現開路故障診斷的核心。為了更直觀地說明本文所提新型自適應滑模觀測器的性能，本節將所提出的自適應滑模觀測器與文獻[22]中的傳統滑模觀測器以及文獻[23-24]中的改進滑模觀測器進行性能比較，實驗結果如圖10 所示。從圖10b的實驗結果可以看出，與文獻[22]中傳統滑模觀測器以及文獻[23-24]中的改進滑模觀測器相比，本文所提的自適應滑模觀測器不僅收斂速度快，能夠快速跟蹤系統輸出電流，而且還能夠顯著削弱穩定時的抖振。因此，本文所提的自適應滑模觀測器具有更好的動態和穩態性能。

圖10 不同觀測器性能比較Fig.10 Performance comparison of different observers

4.2 診斷方法對比分析

為了進一步驗證本文所提故障診斷方法的有效性，本節把本文方法與文獻[7,12,18-20]中診斷方法進行對比見表5。首先在故障檢測時間上，文獻[7,20]分別采用了概率神經網絡和隨機森林算法等智能算法進行故障檢測，其故障檢測時間大于一個電流基波周期。文獻[18]采用相電流周期均值法進行故障檢測，其檢測時間為一個電流基波周期20 ms。文獻[19]提出的比例積分滑模觀測器法的最大故障檢測時間為16.66 ms。文獻[12]提出的電流觀測器法雖診斷時間較短，但只能實現三相兩電平逆變器的單管開路故障診斷。圖11 給出了本文所提算法在NPC 三電平并網逆變器開關管不同時間發生開路故障時的故障檢測時間。從實驗結果看出，盡管本文方法能夠同時診斷NPC 三電平并網逆變器的單管和雙管故障，故障診斷能力更強，但無論逆變器開關管何時發生故障，其最大檢測時間仍小于14 ms，克服了檢測時間通常大于一個電流基波周期的缺點，檢測速度較快。

表5 診斷方法對比Tab.5 Comparison of the relevant diagnostic methods

圖11 Qb1 開路故障的檢測時間Fig.11 The detection time for the Qb1 open-circuit fault

此外，文獻[18]通過注入無功電流實現開關管故障定位，需要額外的輔助操作，復雜度較高，且只能診斷單開關管開路故障。文獻[19]提出的比例積分滑模觀測器法，需要較多的數據量，且只能實現單管和異相雙管故障診斷。文獻[20]首先利用Concordia 變換對故障電流樣本進行處理，然后基于隨機森林算法實現故障分類，該方法雖能夠實現雙管故障診斷，但需要大量的數據且復雜度較高。文獻[7]同樣采用復雜度較高的智能算法進行故障分類，需要大量的數據且只能診斷單管故障。而本文提出的自適應滑模觀測器法，只需利用逆變器輸出電流來構造故障診斷變量，無需增加額外硬件配置，且避免了智能算法對大量訓練樣本的需求，通過設置自適應檢測閾值保證了故障診斷的準確性和魯棒性，檢測時間較快，能夠同時實現單管和雙管故障診斷。因此，本文所提算法易于實現，且更能全面地診斷NPC 三電平并網逆變器開路故障。

5 結論

本文針對NPC 三電平并網逆變器開關管單管和雙管開路故障，提出了一種基于自適應滑模觀測器的開路故障診斷方法。首先通過開關管開路故障特征分析，建立了逆變器在正常狀態和開關管故障狀態下的混合邏輯動態模型。然后為實現系統輸出電流的精確估計，構建了收斂速度快且顯著抑制抖振的自適應滑模觀測器。在此基礎上，利用實際系統和觀測器輸出設計了基于電流形態因子的故障檢測變量，并提出了基于電流殘差的開路故障定位方法。此外，在首次故障發生后，通過用故障開關函數替代原開關函數，提出了基于首次故障狀態觀測的雙管開路故障診斷方法。本文所提方法診斷速度快，魯棒性強，能夠同時實現單管和雙管開路故障診斷，且避免使用大量故障樣本和額外的附加硬件。實驗驗證了本文所提診斷方法的有效性和魯棒性。