基于小波包和量子神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷

丁 毅，何怡剛，李 兵，崔介兵

（合肥工業(yè)大學電氣工程與自動化學院，合肥 230009）

隨著太陽能及風能等新能源設(shè)備并網(wǎng)規(guī)模不斷擴大，逆變器的應用日益廣泛［1］。相比傳統(tǒng)的兩電平逆變器，三電平逆變器具有承受電壓高、功率大和工作可靠穩(wěn)定等優(yōu)點，更加受到人們重視［1-2］。由于三電平逆變器增加了IGBT器件使用數(shù)量，電路拓撲結(jié)構(gòu)復雜，使用數(shù)據(jù)表明，逆變器故障中IGBT器件故障占比高達60%。可見，IGBT工作穩(wěn)定性直接關(guān)系到新能源設(shè)備的正常運行狀態(tài)，一旦發(fā)生故障將造成巨大損失，甚至威脅電網(wǎng)運行安全［1-3］。因此，有必要對逆變器中IGBT器件展開故障診斷研究。

三電平逆變器電路拓撲結(jié)構(gòu)復雜，電路具有較強的非線性特征，因此，建立電路精確數(shù)學模型比較困難，目前，逆變器故障診斷通常采用基于信號的方法。陳丹江等［4］將IGBT橋臂電壓信號作為多神經(jīng)網(wǎng)絡(luò)輸入向量，提出了主神經(jīng)網(wǎng)絡(luò)結(jié)合輔助神經(jīng)網(wǎng)絡(luò)的三電平逆變器開路故障診斷方法，該方法算法復雜，提取采樣點也比較多，對于系統(tǒng)性能要求較高，主要適用于器件數(shù)量較少情形。Wang等［5］利用傅里葉變換處理逆變器故障信號，提出了主成分分析結(jié)合相關(guān)向量機的三電平逆變器故障診斷方法，實驗結(jié)果表明：所提方法具有診斷模型稀疏性高和診斷性能好的優(yōu)點，但其相關(guān)向量訓練時間過長，且參數(shù)難以確定。余運俊等［6］直接將橋臂電壓測量信號作為網(wǎng)絡(luò)輸入向量，提出了基于小波包分解結(jié)合概率神經(jīng)網(wǎng)絡(luò)三電平逆變器開路故障診斷方法，算法可靠性高，但其未對含有噪聲的測量信號做預處理，影響了其診斷速度。殷實等［7］提出了一種基于卡爾曼濾波的方法，通過卡爾曼濾波算法建立故障診斷模型，進而通過對比電流差的變化，確定故障位置，缺點是模型通用性較差。沈艷霞等［8-9］利用負載相電壓最大值和最小值定位故障位置，并采用快速傅里葉變換（FFT）方法提取信號諧波幅值，提出了基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，但FFT方法忽略了故障時頻域相關(guān)性，損失了大量有用信息。

逆變器故障診斷方法需要較好的抗干擾能力和診斷準確度。針對逆變器電路高度非線性、IGBT故障特征難以提取及故障診斷實時性要求高等問題，本文提出了基于小波包分析和量子神經(jīng)網(wǎng)絡(luò)的三電平逆變器故障診斷方法。采用三電平逆變器IGBT上、中、下橋臂電壓測量信號作為故障信號，利用小波包分析方法提取電壓信號能量譜，提取故障信號特征；利用量子神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障診斷，通過硬件實驗測試平臺驗證了該算法有效性和可行性。

1 基本原理

采集逆變器橋臂電壓，按照一定比例確定訓練集和驗證集；對訓練集數(shù)據(jù)進行小波包分解，形成小波包能量譜熵故障特征并降維，獲得特征向量矩陣作為量子神經(jīng)的輸入向量并訓練，獲取量子神經(jīng)網(wǎng)絡(luò)模型；利用驗證集數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型進行驗證，測試模型分類性能。

1.1 小波包變化

傳統(tǒng)FFT方法通過將信號分解為不同頻率的正弦波組合來實現(xiàn)信號特征分析，但其屬于頻域方法，并不涉及時域信息，無法獲取頻率成分時間信息，主要適用于平穩(wěn)信號處理［10-11］。小波包變換發(fā)展于小波變換，其通過將信號投影至一個由小波伸縮形成的一組基函數(shù)上反映全頻帶故障信息，可以更加精細地分析信號特征，適合同時分析低頻信號和高頻信號，克服了小波分析高頻段頻率分辨率不理想及低頻時間分辨率不理想的情況［8］。小波包分解層數(shù)越多，其分解信號愈細化，但其對硬件要求就越高，綜合考慮，本文采用3層小波包，小波包分解示意圖如圖1所示。

圖1 三層小波包分解示意圖

小波包定義為由尺度函數(shù)φ（x）確定的函數(shù)族｛un（t）；n＝0，1，2，…，n，+∞｝，即：

式中：k為采樣點序列，k＝0，1，2，…，n，n為信號總采樣點數(shù)，｛hk｝k∈z和｛gk｝k∈z是一組高低通組合正交鏡像濾波器，信號通過該濾波器進行抽樣操作，進而實現(xiàn)子空間劃分。

1.2 小波能量譜特征

三電平逆變器故障信號可通過小波包分析進行不同頻帶分解，得到不同尺度下的不同頻帶信號，若故障信號采樣點數(shù)足夠多，則可將頻帶分解到足夠細。

故障信號s（t）經(jīng)過小波包i層分解后將在第i層得到2i個信號的子頻帶，則s（t）可以表征為

式中：fi，j（tj）為小波包分解后信號在第 i層中（i，j）分解節(jié)點的重構(gòu)信號。

各頻帶能量可以作為信號特征反映逆變器工作狀態(tài)，將其作為量子神經(jīng)網(wǎng)絡(luò)輸入向量，最終便可實現(xiàn)器件故障診斷［11］。故障信號 s（t）經(jīng)過小波包分解后得到的頻譜能量為

式中：Ei，j（tj）為故障信號經(jīng)小波包分解后第 i層第j個節(jié)點的頻帶能量。

同時，為便于后期量子神經(jīng)網(wǎng)絡(luò)處理，需對小波頻帶能量進行歸一化處理，最終構(gòu)成故障特征量，即為小波包能量譜，表示為

Daubechies（dbN）系列小波具有正交、緊支撐、光滑度隨階數(shù)增加而增加等優(yōu)點，但其階數(shù)越高，其時域緊支撐性減弱，同時計算量大大增加，實時性變差［11］。為了使信號能量譜較好地表達信號特點，同時兼顧計算量，本文選取db20小波基函數(shù)。

1.3 量子神經(jīng)網(wǎng)絡(luò)

量子神經(jīng)網(wǎng)絡(luò)（quantum neural network，QNN）利用量子理論中量子并行性的這一巨大優(yōu)勢，通過將量子力學機理融入傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計算緩慢，難以處理大量復雜數(shù)據(jù)、缺乏模糊性等問題［12］。在QNN神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)中，通過將Sigmoid函數(shù)的疊加形式融入隱含層各神經(jīng)元的激勵函數(shù)，并且加入量子間隔，從而使神經(jīng)網(wǎng)絡(luò)模型能夠有效處理具有較大模糊性的數(shù)據(jù)，即對于處理具有一定重合的不同故障模式數(shù)據(jù)時，具有較好的效果，此外，使得網(wǎng)絡(luò)多分類能力得到提高。量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 量子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在算法具體實施過程中，若特征向量位于交叉類邊界上，則通過量子神經(jīng)網(wǎng)絡(luò)將其分配給與該向量相關(guān)的所有類。如果特征向量不模糊，則將其分配給相應的類。因此，特征矢量與故障類之間就能達到一種精確的對應關(guān)系，顯著提高診斷效率［13］。

設(shè)神經(jīng)網(wǎng)絡(luò)輸入層為 X＝（x1，x2，…，xk），輸出層為 Y＝（y1，y2，…，ym），各層間的激勵函數(shù)采用Sigmoid函數(shù)，k和m分別為輸入層及輸出層神經(jīng)元個數(shù)。量子間隔則根據(jù)需要診斷的故障原件數(shù)決定，并與之保持數(shù)量一致。

則量子神經(jīng)網(wǎng)絡(luò)數(shù)學模型為

式中：θs為量子間隔；s是量子間隔數(shù)；β是陡度因子。

QNN學習過程中，各個單元之間權(quán)值更新均采用梯度下降法來改變權(quán)值和誤差反向傳播，同時為防止算法訓練陷入局部極小值，本文引入Adam梯度下降算法，其具有動態(tài)調(diào)整學習率及附加動量特征，從而實現(xiàn)全局最優(yōu)，提高訓練速度。具體步驟如下：

1）設(shè)置初始參數(shù)搜索方向和學習效率；

2）計算歷史梯度指數(shù)衰減均值和指數(shù)衰減歷史二次方梯度均值；

3）根據(jù)步驟2）的歷史衰減均值和二次方梯度均值更新參數(shù)搜索方向和學習效率；

4）通過將參數(shù)不斷迭代，產(chǎn)生最優(yōu)值。

則量子間隔更新公式為

式中：ε是學習率；n是輸出神經(jīng)元個數(shù)；β為動量因子。學習率采用上述自適應調(diào)整方法，當誤差較大時 ε＝ε·▽ε；反之，則 ε＝ε·Δε，其中，▽ε、Δε分別為學習速率減小量和增加量。

2 ANPC拓撲結(jié)構(gòu)及故障模式

有源中性點鉗位（ANPC）三電平逆變器具有功率大、容量大及器件損耗平衡等特點，在工業(yè)生產(chǎn)中得到廣泛應用［14-16］。同時，IGBT故障主要為開路故障和短路故障，IGBT短路故障主要在硬件電路設(shè)計時加以考慮，本文以ANPC為研究對象，對其開路故障進行分析。ANPC三電平逆變器拓撲結(jié)構(gòu)如圖3所示。

圖3中，3個橋臂分別記為A、B、C相，每相橋臂分別標記為 Tx1、Tx2、Tx3、Tx4、Tx5、Tx6（x代表 a，b或c），直流側(cè)有2個電容C1和C2。在合理的調(diào)控下，P狀態(tài)下Tx6導通，可以減小開關(guān)損耗次數(shù)，提升逆變器轉(zhuǎn)換效率。N狀態(tài)下 Tx5導通的作用相同。

圖3 ANPC三電平逆變器拓撲結(jié)構(gòu)

IGBT故障有單管故障和多管故障，且多管故障中絕大部分為雙管故障，故本文只考慮IGBT單管故障和雙管故障2類情況。且僅研究A相中Ta1、Ta2和Ta53種單管故障模式；此外，考慮電路對稱性，僅研究涉及A相橋臂的雙管故障。對Ta1和Ta2、Ta1和 Ta3、Ta1和 Ta4、Ta1和 Ta5、Ta1和 Ta6、Ta2和Ta3、Ta2和 Ta5、Ta2和 Ta6、Ta5和 Ta6共 9種故障進行研究。包括正常運行狀態(tài)和12種故障運行狀態(tài)，本文共計研究13種運行狀態(tài)。通過測量三電平ANPC中IGBT器件得到上、中、下橋臂電壓進行研究，上橋臂電壓為au和中性點O之間的電壓，記為Vauo，中橋臂和下橋臂與此類似，分別記作Vao和Vado。

3 實驗結(jié)果與分析

3.1 實驗平臺搭建

ANPC三電平光伏逆變器實驗平臺如圖4所示，平臺包括直流測電壓源、數(shù)字示波器、主控開關(guān)、控制板和差分探頭等。其中，直流側(cè)電壓源電壓可調(diào)范圍為0～200 V，直流側(cè)電容為3.3 mF，最高耐壓值為450 V；主控開關(guān)由18個IGBT組成，每相負載為1個2Ω電阻串聯(lián)1個1 mH電感；數(shù)字示波器選用安捷倫DSOX3034T，采樣帶寬為350 MHz，差分探頭為 PINTECH-CP3015a（100MHz，1 500 V）?？刂瓢宀捎?DSP開發(fā)板，板載TMS 320芯片采用載波反向疊加方式產(chǎn)生驅(qū)動信號，經(jīng)驅(qū)動器和驅(qū)動芯片隔離放大，其載波頻率為20 kHz，調(diào)制波為50 Hz正弦波。

圖4 ANPC三電平光伏逆變器實驗平臺

3.2 實驗分析

為了驗證本文算法的抗干擾能力及有效性，考慮實驗室條件，實驗中直流側(cè)電壓選取100 V、100±2 V及100±5 V，每一輸入電壓條件下調(diào)制比選擇0.5、0.6、0.7、0.8、0.9、1。每種故障選取30組樣本數(shù)據(jù)，樣本總數(shù)為13×30＝390組故障數(shù)據(jù)。將390組數(shù)據(jù)樣本分為2部分，一部分選取調(diào)制比為0.6和0.9的采樣數(shù)據(jù)進行測試，另一部分數(shù)據(jù)作為網(wǎng)絡(luò)訓練數(shù)據(jù)?，F(xiàn)以直流側(cè)電壓100 V，調(diào)制比0.8為例研究說明。部分單器件故障如圖5所示。

正常情況下橋臂電壓信號穩(wěn)定，信號圖如圖5（a）所示，幾乎沒有雜波信號干擾。從圖5（b）可以看出，正半周電壓為0，表明正電壓完全被阻斷，因此當Ta1發(fā)生故障時，正電壓完全開路。

雙器件故障共計有9種情況，實際運行中，Ta2和Ta3在各自周期內(nèi)不停關(guān)斷，較易發(fā)生故障，故選取Ta1和Ta2、Ta1和Ta32種典型雙器件故障加以分析，信號圖如圖6所示。

圖5 單器件故障圖

圖6 部分雙器件故障

ANPC三電平逆變器在正負周期更替時通常會產(chǎn)生脈沖電壓，通過Ta2流至上橋臂，所以上橋臂中存在較大的脈沖電壓，因此，單器件故障時上橋臂負半周期存在脈沖電壓。這一現(xiàn)象剛好可以在Ta1和Ta2同時故障波形與單器件Ta1故障波形類似時加以區(qū)分，如圖6所示。

3.3 實驗結(jié)果

Ta2故障及Ta2和Ta5故障2種故障類的小波包能量譜特征如表1和表2所示，由表1和表2可見，不同故障類型的橋臂小波能量譜熵存在一定區(qū)別，實驗證明，可以較好區(qū)分2種故障。

表1 Ta2故障小波包能量譜熵

表2 Ta2和Ta5故障小波包能量譜

對得到的三橋臂的小波包能量譜特征進行歸一化處理，輸入到量子神經(jīng)網(wǎng)絡(luò)進行故障識別。每次測試均重復10次，最后以平均值為最終結(jié)果。

為驗證本文方法（簡稱算法1）的有效性，選取目前常用的幾種其他方法：

算法2——粒子群優(yōu)化結(jié)合支持向量機算法，首先利用粒子群優(yōu)化提取故障特征，其次采用支持向量機進行故障分類。

算法3——快速傅里葉變換+主成分分析+后向傳播神經(jīng)網(wǎng)絡(luò)算法，首先利用支持向量機提取故障特征，其次采用主成分分析對故障特征降維，最后利用后向傳播神經(jīng)網(wǎng)絡(luò)進行分類學習。

算法4——小波包變換結(jié)合概率神經(jīng)網(wǎng)絡(luò)算法，首先利用小波包變換提取故障特征，其次采用概率神經(jīng)網(wǎng)絡(luò)進行故障分類學習。

4種的平均診斷準確度、診斷率和單次故障診斷時間如表3所示。由表3可見，本文方法在訓練準確度、診斷準確度具有明顯優(yōu)勢，單次診斷時間方面也有較高優(yōu)勢，綜合表現(xiàn)較好。

表3 4種診斷方法

此外，基于上述方法，不同電壓及調(diào)制比情況下的平均診斷準確度、診斷率和單次故障診斷時間如表4所示，其在不同電壓及調(diào)制比情況下的診斷準確度、診斷率和單次故障診斷時間比較平穩(wěn)，抗干擾能力表現(xiàn)較好。

表4 部分不同電壓及調(diào)制比

4 結(jié)論

將小波包分析與量子神經(jīng)網(wǎng)絡(luò)結(jié)合用于三電平逆變器故障診斷，對逆變器輸出三相橋臂電壓信號進行小波包分解，獲取信號故障特征，再將故障特征輸入量子神經(jīng)網(wǎng)絡(luò)進行訓練獲取故障分類。實驗結(jié)果表明：本文中提出的診斷方法準確率達到99.56%，單次故障診斷時間為0.134 s，相比其他3種常見的算法，所提算法在訓練準確率、診斷準確度和單次診斷時間方面具有綜合優(yōu)勢，能有效提取故障信息并進行故障診斷，適用于在線診斷。