基于MVMD-互相關時頻域特征的風電變流器開路故障診斷

中圖分類號：TN710-34；TM464 文獻標識碼：A 文章編號：1004-373X（2025）16-0031-07

Wind power converter open circuit fault diagnosis based on MVMDcross-correlation time-frequencydomain feature

HOURui12，LI Ran

（1.CollegeofElectricalEngineering，NorthChina UniversityofScienceandTechnology，TangshanO63210，China; 2.HebeiProvieWindolardrogntoagSafetyoitoigndnteligntOeratioToloovatioenterTangshaia

Abstract：Inalusion totheproblemsof single-opencircuitand double-opencircuit faultsof power tubes in thegrid-side converterof permanentmagnetsynchronouswind generator，a diagnosismethod combining multivariatevariational mode decomposition（MVMD）andcross-correlation time-frequencydomainfeaturesisproposed.Thethre-phasemidpointvoltageof thegrid-sideconverteriscoletedasteoriginaldata.Thethre-phasemidpointvoltageistakenasthethre-chaelputdata ofMVMDandisdecomposed，toobtainseverallayersofintrinsicmodefunctions （IMF）.Bycalculatingthemutualcelaion betweentheoriginalsignaldataandtheIMFfunctionofeachlayer，theIMFthatcanbestreflectthefeaturesandtrendsof the originalsignalisselected，andthenitsaverageenvelopeandtheoriginaldataareextractedintimedomainandfrequency domain.Theobtained featuresareinputintothebidirectionallongshorttermmemory（BiLSTM）networkforthe training， realizingthelocationofthefaultpowertube.Theexperimentalresultsshowthattheproposedmethodcanefectivelyidentifyand classify 22 states of the grid-side converter，and the accuracy of testing set can reach 99.55% ：

Keywords：windturbineconverter;MVMD;time-frequencydomain feature;open circuit fault diagnosis;IMFcomponent; BiLSTM;IGBT

0 引言

近年來，清潔和可再生能源發電受到廣泛關注永磁同步發電機（PMSG）通過背靠背變流器實現并網[2，因繞組結構簡單、可以簡化設備控制等優點，在風能發電領域應用廣泛。其統計數據顯示，風力發電變流器的主要故障表現為功率器件絕緣柵雙極型晶體管（Insulated GateBipolar Transistor，IGBT）的開路和短路情況[3]，其中短路故障通常會瞬時發生，因此直接診斷存在一定困難。為了應對這一挑戰，在硬件電路中通常采用植入熔絲的方法，將短路故障變為開路故障4。因此，對于風力發電變流器的可靠運行而言，診斷IGBT開路故障尤為重要。

目前針對風電變流器故障診斷技術的研究主要集中在分析模型和數據驅動的方法上5。文獻[6]針對永磁同步發電機組的逆變器開路故障，建立一種預測電流模型，并利用電流矢量殘差來區分故障開關模塊，實現了逆變器開路故障的快速診斷。基于模型的故障診斷方法診斷時間短，診斷結果準確率較高，但獲得準確模型的難度較大。與此相比，基于數據驅動的方法則不存在上述問題。文獻[7]針對永磁同步風力發電機組網側變流器開路問題，提出一種基于多元經驗模態分解（MEMD）和支持向量機（SVM）的方法。文獻[8]針對雙饋感應發電機（DFIG）系統的開路問題，提出了一種基于偏度和小波分解的故障診斷方法，有效利用了小波分解系數的整體瞬態行為。文獻[9]針對雙饋風機系統的背靠背變流器開路故障問題，將歸一化的傳感器信號樣本作為輸人訓練長短期記憶（LSTM）網絡，實現了背靠背變流器的故障診斷。文獻[10]針對永磁同步風力發電機組網側變流器開路問題，提出一種結合VMD、能量熵和時域特征的故障診斷方法。實驗結果表明，該方法具有較高的準確性。

以上方法均取得了較好的故障診斷效果，但隨著風電機組監測控制與數據采集系統的廣泛應用，對數據的處理速度和故障診斷準確率提出了更高的要求[11]。針對上述需求，本文選擇風力發電機組網側變流器的三相中間點電壓作為原始信號，利用多元變分模態分解（Multivariate Variational Mode Decomposition，MVMD）同時將其分解，再根據互相關關系得到最能反映原始信號特征成分的IMF分量；接著，對所選IMF的平均包絡和原始信號進行時頻域特征提取；最后將所得特征作為輸入，對BiLSTM網絡進行訓練，實現風力發電機組網側變流器的開路故障診斷。

1分析永磁同步風電變流器的開路故障

根據圖1所示的網側變流器拓撲結構可知，網側變流器包括6個IGBT模塊，主要功能是將直流電轉換為與電網頻率匹配的交流電。利用濾波器對諧波進行濾除，以減少對電網的干擾。再通過輸人變壓器實現升壓，從而順利實現并網操作。

圖1中的直流鏈路通常由單個電容器表示，但為了分析方便，本文中用兩個串聯的電容代替，并在它們之間標記電位 ^[12-13]N_p 。該文將網側變流器A、B、C三相與N_P 端之間存在的電壓稱為中間點電壓，例如中間點電壓（20 U_A，Np 是A相對于 N_P 端的電壓。未出現故障時， U_A，Np

的值皆為 ±U_d 。

圖1網側變流器拓撲圖

本文針對網側變流器中6個IGBT可能會發生的單開路故障、雙開路故障以及正常運行等22種狀態進行研究。具體而言，可以細分為四種情況：變流器正常運行、單相單橋臂IGBT開路故障、單相雙橋臂IGBT開路故障以及異相雙橋臂IGBT開路故障，詳見表1。

表1IGBT模塊22類狀態類型及編號

表中的變量 T₁～T₆ 分別對應圖1中6個IGBT模塊。

2故障診斷方法

2.1多元變分模態分解（MVMD）

MVMD在對多通道數據進行分解時，能夠從輸入的多通道數據中提取多元調制振蕩，同時處理多個信號通道，并從中提取出在頻率和時間上都相互關聯的振蕩信號。具體分解過程4如下。

1）將 ∣c∣ 個通道的輸人數據記為 x（t）= 提取 k 個多元調制振蕩 u_k（t） ，即：

式中： u_k（t）=[u₁（1），u₂（2），…，u_c（t）]°

2）利用Hilbert變換獲取 u_k（Ω_t） 中每個振蕩的解析信號，記為 ，然后將其調制到對應的中心頻率 ω_k □基于此，構建以下約束變分函數：

式中： ?_t 為對 Φ_t 求偏導； u_k，c（t） 為 ∣c∣ 通道分解后的第 k 個IMF分量： u₊^k，c（t） 為對應 c 通道中 u_k（t） 每一個振蕩的解析信號

3）在解決多個變分問題的過程中，相應的增廣拉格朗日函數如下：

4）應用交替方向乘子法進行交替更新，從而計算得到分解后的信號分量和中心頻率。模態更新表示為：

得到的中心頻率更新表示為：

2.2互相關系數

在信號處理中，互相關的概念不僅可以用來衡量兩個時間序列 f（i） 和 g（i） 在不同時刻取值之間的相似程度，還可以用于在信號中找到某個模式的存在，其提供了更廣泛的信號分析功能。互相關函數歸一化處理公式為：

式中： m_f 和 m_g 分別為 f（i） 與 g（i） 的平均值。

2.3 時域特征

峰度是一種用于表征概率分布尾部形狀和峰值陡峭程度的統計量，計算公式為：

式中： n 為樣本數； X_i 為每個樣本的值； 為樣本均值； s

為樣本標準差。

偏度可以衡量數據分布相對于平均值的不對稱性，表示數據在平均值兩側偏斜的程度和方向，計算公式為：

2.4頻域特征

風力發電機組在運行過程中若發生IGBT開路故障，網側變流器三相中間點電壓信號中會引入一定的諧波與沖擊信號，因此研究其頻率特征對實現故障診斷十分關鍵。

2.4.1 包絡分析

平均包絡能夠有效反映信號的主要頻率成分，并提供更清晰的頻率特征描述，其計算公式如下：

式中： 為平均包絡； e_u（n） 為上包絡線； 為下包絡線。

2.4.2平均包絡主頻率

為了獲得選定IMF平均包絡的主頻率，首先需要將其從時域轉換到頻域。對平均包絡 e_m（n） 進行離散傅里葉變換的公式為：

式中： N 為信號長度； k=0，1，2，…，N-1;e_m（n） 為時域信號；E_m（k） 為頻域信號；j為虛數單位。其次，為了將離散傅里葉變換的結果映射到實際物理頻率，需要計算頻率向量，公式為：

式中： k=0，1，2，…，N-1;f（k） 為頻率向量； F_s 為采樣頻率。再次，為了找到信號中最顯著的頻率成分，需要得到頻譜的幅值譜，計算公式為：

式中： E_m（k） 為頻譜信號； 為 E_m（k） 的實部；?（E_m（k）） 為 E_m（k） 的虛部。最后，主頻率為頻譜信號的幅值譜中幅值最大的頻率成分，找到幅值譜中最大幅值的索引 k_max ，即可由頻率向量得到選定IMF分量平均包絡的主頻率 f（k_max）

2.5 雙向長短期記憶網絡

雙向長短期記憶（BiLSTM）網絡在每個時間步都同時考慮了過去和未來的信息，使得它對信息中的長距離依賴關系更為敏感，從而提升了網絡的分類效果。BiLSTM網絡結構如圖2所示。

圖2BiLSTM網絡結構圖

2.6故障診斷流程

針對永磁同步風力發電機組網側變流器故障，本文所提方法的流程如圖3所示，具體步驟如下。

1）基于仿真平臺模擬風力發電機組網側變流器22種運行狀態，采集相應的中間點電壓信號UA.NUB，NrU_C，Np 作為原始數據。

2）利用MVMD對 U_A，Np?U_B，Np?U_C，Np 進行分解，獲得每相中間點電壓能反映原始信號在不同時間尺度上特征變化的本征模態函數（IMFs）。

3）對每個IMF層與原始信號進行互相關系數的計算，選擇互相關系數最高的IMF分量；然后利用離散傅里葉變換將選定IMF層的平均包絡轉換到頻域，通過幅值譜找到選定IMF平均包絡的主頻率；再針對該IMF分量和原始信號分別進行峰度和偏度計算，以獲取時域特征。

4）融合三相中間點電壓和選定IMF分量獲得的時頻域特征，對22種狀態下的15維特征向量進行組合，得到包含2200個樣本特征信息的特征矩陣。

5）將特征矩陣輸入到BiLSTM網絡中，參與網絡的訓練，最終實現故障的識別分類，完成風力發電機組網側變流器的故障診斷。

3仿真分析與實驗論證

為采集實驗所需風力發電機組網側變流器的運行數據，在Matlab/Simulink環境中搭建了永磁同步風力發電機組網側變流器模型，系統主要仿真參數如表2所示。實驗中，采集22種運行狀態的三相中間點電壓 U_A，NP，U_B，NP，U_C，NP ，每個電壓周期（T）采集2000個數據點。為了增加樣本的多樣性，在窗口長度為3T的數據中，利用 s=20 的滑動步長，每種運行狀態取100個數據長度為 1.15T 的數據樣本，22種運行狀態共得到樣本2200個。

圖3風電變流器故障診斷流程

表2系統主要仿真參數

3.1三相中間點電壓的MVMD分解

經多次實驗，MVMD選擇參數組合 [K，α]=[4，50.33] 以該參數組合對22種運行狀態下的三相中間點電壓進行MVMD分解，每相中間點電壓可得4個IMF分量。以 T₁T₆ 模塊故障為例，三相中間點電壓中，A相電壓呈現出沖擊信號的特點，B相電壓上半周期消失，下半周期波形發生顯著變化，C相電壓波形幾乎不受影響，如圖4所示。

3.2互相關時頻域特征

3.2.1 互相關系數

在進行三相中間點電壓的MVMD分解后，一般而言，與原始信號互相關系數較高的IMF包含更多有效故障信息。以正常狀態、T故障 故障、 T₁T₃ 故障 Ω_?T₁T₄ 故障共5種狀態下A相中間點電壓的MVMD分解為例，各IMF分量與原始信號的互相關系數圖如圖5所示。

從圖5中可以發現，不同故障類型下，各IMF分量與原始信號的互相關系數存在差異。因此，不應對某一固定IMF分量進行分析，而是根據互相關關系，選取原始信號以及與其最相關的IMF分量進行時域、頻域特征分析。

3.2.2 時域特征分析

以正常狀態、T故障 .T₁T₂ 故障 ??T₁T₃ 故障、 T₁T₄ 故障共5類狀態下的A相中間點電壓為例，經MVMD分解后與原始信號互相關系數最大的IMF分量依次記為IMF_M0Δ_NIMF_M1Δ_NIMF_M2Δ_NIMF_M3Δ_NIMF_M4Δ_N 5類狀態下，20個樣本的選定IMF分量的時域特征數值如圖6所示。

圖5IMF分量互相關系數圖

圖4TT開路三相中間點電壓MVMD分解圖

圖65類狀態A相選定IMF分量時域特征圖

3.2.3 頻域特征分析

在頻域分析中，主頻率是描述故障發生時信號頻率特征變化的一個關鍵指標。以 T₁T₆ 模塊故障為例，三相中間點電壓經MVMD分解后，根據互相關關系選定IMF分量的平均包絡及其主頻率，如圖7所示。

圖7選定IMF分量的平均包絡主頻率

3.3 BiLSTM網絡訓練

22種運行狀態下的三相中間點電壓經MVMD分解與互相關時域、頻域特征提取后，得到2200個運行數據樣本，每個數據樣本都包含三相中間點電壓的15維特征。將2200個運行數據樣本按照8：2分配，1760組為訓練集，440組為測試集，對BiLSTM網絡進行訓練。經多次實驗驗證，最終采用的BiLSTM網絡參數如表3所示。

表3BiLSTM網絡參數設置

為驗證網絡迭代訓練后的泛化能力，將測試集輸入網絡，所得分類混淆矩陣如圖8所示。

由圖8可知，網絡在測試集的440個樣本中僅存在2個樣本偏離正確預測類型，診斷準確率可以達到99.55% 。本文所提故障診斷方法成功實現了風電變流器IGBT模塊多種故障狀態的診斷。

3.4對比實驗分析

為了深人驗證本文所提故障診斷方法的有效性和優越性，選取6種不同的故障診斷方法進行了比較，結果如表4所示。

圖8測試集分類混淆矩陣

表46種方法診斷結果對比

從表4中可以觀察到，相較于EEMD，MVMD不僅可以同時對多個信號進行分解，而且分解所得模態函數（IMFs）包含了更有效的特征信息，故實驗1相較實驗4提升了 12.05% 的準確率。對比實驗1、實驗2和實驗3可以看出，相比LSTM和SVM，BiLSTM對故障有著更好的識別能力。對比實驗1、實驗5、實驗6可以看出，單一時域特征或頻域特征都無法充分提供故障診斷所需特征信息，而互相關時頻域特征使兩者信息互補，模型分類的準確率顯著提高。

4結論

為提高永磁同步風力發電機組網側變流器的故障診斷精度，本文提出一種將MVMD和互相關時頻域特征相結合的故障診斷方法。該方法利用MVMD對三相中間點電壓進行聯合分解，并對由互相關關系選定的IMF分量和原始信號進行時域、頻域特征提取。將所得特征矩陣輸人到BiLSTM網絡進行訓練，在測試集上取得了較高的分類準確率。并且通過不同的實驗對比，證明了本文方法相對于其他常見方法的優勢，具有一定的工程參考價值。

參考文獻

[1]張瑞成，白曉澤，董硯，等.基于LMD能量熵和定位分析的風 電變流器開路故障診斷[J].太陽能學報，2023，44（6）：484-494.

[2]XUEZY，LIMS，XIAHOUKS，etal.Adata-drivendiagnosis method of open-circuit switch faults for PMSG-based wind generationsystem [C]//2019IEEE12thInternational Symposium on Diagnostics for Electrical Machines，Power Electronicsand Drives（SDEMPED）. [S.I.]：IEEE，2019：481- 487.

[3]李輝，楊甜，譚宏濤，等.基于電壓和電流特征的雙饋風電變流 器功率器件開路故障綜合診斷[J].電工技術學報，2021，36 （16）：3433-3445.

[4]劉闖，寇磊，蔡國偉，等.基于人工智能的電力電子變換器開路 故障診斷研究綜述[J].電網技術，2020，44（8）：2957-2970.

[5] ZHENG X X， PENG P.Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost - SVM [J]. Journal of power electronics， 2019，19（2）：443-453.

[6]LIG，XUS，SUNZ，etal.Open-circuit faultdiagnosis for threelevelANPCinverterbased on predictivecurrentvector residual [J].IEEE transactions on industry applications，2023，59（6）： 6837-6851.

[7]LIANG J，ZHANGK.A new hybrid fault diagnosis method for wind energy converters [J].Electronics，2023，12（5）：1263.

[8]ROYT，RAYDK，CHATTOPADHYAYS.Skewnessdriven DFIG's DC link bus short and open circuit faults diagnosis using rotor and stator currents [J]. IEEE transactions on energy conversion，2024，39（1）：107-115.

[9]XUEZY，XIAHOUKS，LIMS，etal.Diagnosisofmultiple open-circuit switch faults based on long short -term memory network for DFIG-based wind turbine systems[J].IEEE journal of emerging and selected topics in power electronics，2019，8 （3）： 2600-2610.

[10]BAI X，LI M，DI Z，et al. Open circuit fault diagnosis of wind power converter based on VMD energy entropy and time domain feature analysis [J]. Energy science amp; engineering， 2024，12（3）：577-595.

[11]LIN Z，LIU X.Wind power forecasting ofan offshore wind turbine based on high - frequency SCADA data and deep learning neural network[J]. Energy，2020，201：117693.

[12]張靖軒，孫鶴旭，孫澤賢，等.小波神經網絡對風力發電機組 功率變流器的故障診斷[J].現代電子技術，2021，44（1）：162- 166.

[13]張靖軒，孫鶴旭，孫澤賢，等.計及變分模態分解和DBN的風 電變流器開路故障診斷[J].現代電子技術，2021，44（3）：134- 139.

[14]朱梓彬，孟安波，歐祖宏，等.基于多元模態分解與多目標算 法優化的深度集成學習模型的超短期風電功率預測[J].現代 電力，2024，41（3）：458-469.

作者簡介：侯銳（1997—），男，安徽毫州人，碩士研究生，研究方向為風力發電機組功率變流器的故障診斷。李然（2000—），男，承德人，碩士研究生，研究方向為機器學習和目標檢測。