三端口雙向直流變換器斷路故障綜合診斷方法

陳周牛，谷偉平

（重慶人文科技學(xué)院機(jī)電與信息工程學(xué)院，重慶 401524）

當(dāng)前三端口雙向直流變換器技術(shù)隨著微電子技術(shù)、功率半導(dǎo)體制造技術(shù)及其邊沿技術(shù)的快速發(fā)展，逐漸得到飛躍進(jìn)展[1-2]。三端口雙向直流變換器的應(yīng)用范圍較為廣泛，如醫(yī)療、通信、新能源發(fā)電系統(tǒng)及航天航空等領(lǐng)域，具有多變的輸出樣式、較高的效率及較寬的穩(wěn)壓范圍等特點(diǎn)[3-4]。但是三端口雙向直流變換器在運(yùn)行時若有故障出現(xiàn)，且不能快速對出現(xiàn)的故障進(jìn)行隔離，便會產(chǎn)生整體系統(tǒng)崩潰的嚴(yán)重后果。為此越來越多的國內(nèi)外學(xué)者加入到對三端口雙向直流變換器故障診斷的研究中[5-7]。

三端口雙向直流變換器中所出現(xiàn)的故障，大部分為功率開關(guān)管的斷路與短路故障[8]，這是由于功率開關(guān)管是三端口雙向直流變換器中比較脆弱的一部分。其若發(fā)生故障，其所在電路內(nèi)其余元器件的電流與電壓應(yīng)力均會增長，此時若未能對故障迅速處理，便可能造成嚴(yán)重的二次（回路）故障，導(dǎo)致整體系統(tǒng)崩潰[9]，所以對三端口雙向直流變換器中功率開關(guān)管的故障診斷方面，更多學(xué)者相繼展開研究[10]。其中，Park T 提出了一種基于電感電流斜率的故障診斷方法，此方法是針對boott 變換器而言的故障診斷方法，Shahbazi M 提出了一種基于現(xiàn)場可編程門陳列FPGA（field-programmable gate array）的實(shí)時故障診斷方法，此方法對Park T 提出的方法進(jìn)行了有效改進(jìn)；對開關(guān)管斷路和短路的診斷以對直流側(cè)電流的檢測方法而得到實(shí)現(xiàn)，此方法由Kim S Y 提出，是針對全橋零電壓開關(guān)ZVS（zero voltage switch）變換器而言的診斷方法。

綜上所述，以上各學(xué)者所提出的故障診斷研究方法存在診斷時間長或診斷成本高等缺陷，為此，本文提出一種基于遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)診斷方法，此方法對于三端口雙向直流變換器的故障診斷具有省時、效率高的特點(diǎn)。

1 三端口雙向直流變換器設(shè)計

1.1 三端口雙向直流變換器的工作原理

在SHEV 電氣驅(qū)動系統(tǒng)內(nèi)可達(dá)到轉(zhuǎn)換功率、速度與頻率調(diào)節(jié)的核心裝置即為三端口雙向直流變換器。變換器拓?fù)湫问脚c傳統(tǒng)T 型三電平AC-DC變換器類似，分離出直流側(cè)的一個分壓電容作為蓄電池端口，交流側(cè)與直流輸出、蓄電池端口之間均為單級功率變換[11]。三端口雙向直流變換器的仿真拓?fù)淙鐖D1 所示。圖1 中的交流系統(tǒng)頻率與電源電壓分別為50 Hz、220 V，高頻隔離變壓器Th的變比為1∶1∶1，漏感LPa=LPb=LPc，且其三端是對稱的半橋結(jié)構(gòu)。

圖1 三端口雙向直流變換器仿真拓?fù)銯ig.1 Simulation topology of three-port bidirectional DC converter

在有功功率輸入與輸出情況下，三端口雙向直流變換器的各端口均能夠工作。由每個橋臂開關(guān)管脈沖移向操控策略對三端口雙向直流變換器的不同端口間的能量流動情況實(shí)行操控。在對高頻隔離變壓器T 實(shí)行等效操作時可將激磁電感忽視，并通過三繞組變壓器中三角形模型實(shí)現(xiàn)等效操作。將3 個電壓源相連的電感網(wǎng)絡(luò)為Th，Q1與Q3、Q1與Q5各開關(guān)管間的脈沖移相角依次以?ab、?ac表示，且?ab＞?ac。通過了解不同橋臂開關(guān)管的情況，依據(jù)上下開關(guān)管的通斷情況，設(shè)變壓器各端口相對的脈沖電壓依次為ua、ub、uc。以ua為參考，ub、uc的移相角分別為?ab、?ac，當(dāng)電壓比參考電壓超前時其移相角設(shè)為負(fù)，滯后時則設(shè)為正。通過?ab、?ac可對3 個端口間能量的流動實(shí)現(xiàn)控制。當(dāng)?ab＞0、?ac＞0、?ab＞?ac時，能量從ua流向ub、ua流向uc、uc流向ub。此時，ua作為電源，ub作為負(fù)載。圖中箭頭方向代表能量流動方向。

1.2 三端口雙向直流變換器故障類型分析

電力電子器件斷路與單相接地故障是三端口雙向直流變換器故障中較為多見的故障[12-14]，在此本文主要研究電力電子器件的斷路故障特點(diǎn)。對此斷路故障實(shí)行分類時可依據(jù)出現(xiàn)斷路故障的數(shù)量、部位及經(jīng)仿真研究所得直流側(cè)母線電流波形實(shí)現(xiàn)。三端口雙向直流變換器故障類型見表1。

表1 中的M 與T 分別表示斷路故障與正常運(yùn)行狀態(tài)。因3 個或大于3 個器件共同產(chǎn)生故障的概率較低，故在此不做研究。

在對故障特點(diǎn)信號進(jìn)行選擇時，因考慮到某些故障帶來的電壓降和諧波的改變可通過逆變器與整流器間的電容實(shí)現(xiàn)補(bǔ)償，造成無法正常檢測到故障，所以將直流側(cè)電流信號作為故障信號。在系統(tǒng)有故障出現(xiàn)時，電路的情況能夠通過直流側(cè)電流信號波形的變化信息給予反饋。整流電流的諧波是通過整流電壓的諧波決定的，因6 脈波整流電壓的諧波次數(shù)是6k（k=1，2，…），故整流電流的諧波次數(shù)同為6k。由此可見，通過各種頻率成分組合而成的此電流信號，其不同頻率成分信號囊括了對應(yīng)的不同故障信息。所以，為對系統(tǒng)的不同故障情況進(jìn)行表征，應(yīng)處理整流側(cè)輸出直流電流，并將恰當(dāng)?shù)念l率段信號當(dāng)成故障特點(diǎn)信息量。

1.3 故障綜合診斷方法

1.3.1 故障綜合診斷方法過程

故障綜合診斷方法過程如圖2 所示。從待測三端口雙向直流變換器中采集信號，并采用快速傅里葉變換FFT（fast Fourier transform）方法分解信號獲取不同頻率端，將信號劃分成測試樣本和訓(xùn)練樣本，其中訓(xùn)練樣本用于訓(xùn)練完成拓?fù)浣Y(jié)構(gòu)構(gòu)件以及權(quán)值和閾值設(shè)置的神經(jīng)網(wǎng)絡(luò)，采用訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)對測試樣本進(jìn)行測試，依據(jù)測試誤差計算法中的個體適應(yīng)度，采用適應(yīng)度高的染色體進(jìn)行復(fù)制、交叉以及變異差值，獲取新群體，并判斷新群體是否滿足終止條件，滿足則停止迭代運(yùn)算，并獲取最佳神經(jīng)網(wǎng)絡(luò)權(quán)值的閾值，不滿足則對神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行重新復(fù)制，并再次循環(huán)運(yùn)算，直至獲取最佳群體?？傮w上看，本文方法進(jìn)行三端口雙向直流變換器斷路故障綜合診斷的過程為：將直流側(cè)母線輸出電流作為特征量，對不同故障類型進(jìn)行細(xì)致分類之后，研究各故障下所輸出的電流特性，以FFT分解信號，獲取各個頻率段，并結(jié)合遺傳算法BP 神經(jīng)網(wǎng)絡(luò)綜合實(shí)現(xiàn)故障診斷。

圖2 BP 神經(jīng)網(wǎng)絡(luò)故障綜合診斷方法過程Fig.2 Process of comprehensive fault diagnosis method based on BP neural network

1.3.2 故障特點(diǎn)提取

因某些故障帶來的電壓降和諧波的改變可通過逆變器與整流器間的電容實(shí)現(xiàn)補(bǔ)償，造成無法正常檢測到故障，故將直流側(cè)電流信號Idc作為故障特點(diǎn)信號，通過FFT 分解信號獲取差異頻率段，故障診斷特征量為20 kHz 頻率段直流側(cè)電流信號能量，為完成三端口雙向直流變換器斷路故障綜合識別與診斷，采用基于遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)故障診斷方法實(shí)現(xiàn)。

將采集到的信號數(shù)據(jù)進(jìn)行適當(dāng)處理，可提升故障類別與故障元件檢測的準(zhǔn)確率，具體處理步驟為：

（1）對電機(jī)常規(guī)運(yùn)行狀態(tài)下的直流側(cè)電流幅值iedc進(jìn)行計算時，可由驅(qū)動操控器內(nèi)的每個功率開關(guān)的開關(guān)情況信息與每相電流值實(shí)現(xiàn)運(yùn)算，運(yùn)算出的電流幅值即為橋臂上下2 個功率開關(guān)在各種開關(guān)情況下的常規(guī)電流。

（2）將現(xiàn)實(shí)檢測的直流側(cè)電流值idc同常規(guī)運(yùn)行狀態(tài)下運(yùn)算所得的電機(jī)直流側(cè)電流iedc進(jìn)行對比，若兩值存在誤差，那么表明已產(chǎn)生故障。

（3）因仿真實(shí)驗(yàn)均以理想運(yùn)行情況存在，但現(xiàn)實(shí)中電機(jī)運(yùn)行時的檢測信號易被傳感器等附加元件所干擾，導(dǎo)致運(yùn)算值和檢測值之間出現(xiàn)誤差。所以要避免這種誤差的產(chǎn)生，需將特點(diǎn)量g 引入，用以衡量iedc和idc之間的誤差，并診斷所產(chǎn)生的故障。特點(diǎn)量g 的表達(dá)式為

式中，ib為所選擇的邊界值，其最大值應(yīng)小于參考相電流，最小值應(yīng)大于idc和iedc之差的絕對值。

經(jīng)實(shí)驗(yàn)驗(yàn)證，idc和iedc之差的幅值隨參考相電流的增長而增長；在不同負(fù)載運(yùn)行時，idc和iedc之差的幅值依然隨之改變。故邊界值ib屬于一個參考相電流Iref的函數(shù)，而不是一個常數(shù)，其計算公式為

式中，函數(shù)中系數(shù)的確定是通過數(shù)次變負(fù)載與空載實(shí)驗(yàn)得出的。

當(dāng)idc和iedc之差是負(fù)值時，即特點(diǎn)量g=-1，idc＜iedc，說明供電電源向電機(jī)提供的能量比常規(guī)情況下電機(jī)應(yīng)具備的能量低，此時功率管產(chǎn)生斷路故障；當(dāng)idc和iedc之差是正值時，即特點(diǎn)量g=1，idc＞iedc，說明供電電源向電機(jī)提供的能量比常規(guī)情況下電機(jī)應(yīng)具備的能量高，此時功率管產(chǎn)生短路故障。但是對于故障元件與故障相依然不能通過此特點(diǎn)量精準(zhǔn)檢測到。由直流側(cè)電流可輕松地反饋出功率變換器所產(chǎn)生的單故障，此時會有和常規(guī)情況不等的電流從故障相繞組經(jīng)過。由于idc和iedc之差的絕對值對應(yīng)故障相電流的幅值，所以將變量en引入，此變量即為故障相電流in和|idc-iedc|的關(guān)系，可表示為

對故障相和故障類別的判斷在此引入第2 個特點(diǎn)量Pn，其表達(dá)式為

當(dāng)特點(diǎn)量Pn=1 時，表明電機(jī)的第n 相產(chǎn)生故障；由于偶爾會有數(shù)個Pn=1 共同產(chǎn)生，因此須確定僅有一個Pn=1 時，方可確認(rèn)有故障產(chǎn)生。

1.3.3 BP 神經(jīng)網(wǎng)絡(luò)

由于BP 神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)收斂速率低的缺點(diǎn)，對整體最小點(diǎn)無法確保能夠收斂得到[15-16]，為提高故障模式的識別效果，此算法通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的起始閾值與權(quán)重值進(jìn)行優(yōu)化，提升優(yōu)化之后的BP 神經(jīng)網(wǎng)絡(luò)對故障實(shí)行分類的精準(zhǔn)度。

在創(chuàng)建BP 神經(jīng)網(wǎng)絡(luò)時，三層神經(jīng)網(wǎng)絡(luò)便可妥善處理普通模式識別問題，其中隱層神經(jīng)網(wǎng)絡(luò)數(shù)量n2與輸入層神經(jīng)元數(shù)量n1間的關(guān)系可表達(dá)為

S 型正切函數(shù)與S 型對數(shù)函數(shù)分別為神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元與輸出層神經(jīng)元二者的傳遞函數(shù)，為實(shí)現(xiàn)最低網(wǎng)絡(luò)輸出誤差，應(yīng)通過Levenberg-Marquardt算法訓(xùn)練網(wǎng)絡(luò)，并對閾值與權(quán)值持續(xù)進(jìn)行修正。

為確保預(yù)估結(jié)果更精準(zhǔn)，本文修正時有別于以往的BP 神經(jīng)網(wǎng)絡(luò)所使用的隨機(jī)權(quán)值與閾值，而是采用支持向量機(jī)算法來對獲取輸出誤差最低的最優(yōu)權(quán)值與閾值進(jìn)行修正。

1.3.4 修正方法

使用支持向量機(jī)進(jìn)行修正，支持向量機(jī)是一種數(shù)據(jù)挖掘方法，其是建立在統(tǒng)計學(xué)理論基礎(chǔ)上的一種新型智能技術(shù)，在解決小樣本、非線性和高維模式識別問題中，支持向量機(jī)算法具有許多獨(dú)特的優(yōu)勢，非常適合解決故障模式的識別問題。

（1）選擇被測電路的典型狀態(tài)，輸入測試激勵，利用測試平臺測量電路在正常和故障狀態(tài)下的數(shù)據(jù)，將其利用小波包分解進(jìn)行預(yù)處理，為了區(qū)分不同的故障，對特征數(shù)據(jù)也進(jìn)行歸一化處理到[-1，1]，構(gòu)造樣本集（xi，yi），i=1，2，…，n，其中xi是電路板在各典型狀態(tài)下的數(shù)據(jù)特征，而yi∈[-1，1]標(biāo)志電路板的狀態(tài)。如果yi=1，表示電路板處于正常狀態(tài)；若yi≠-1，表示電路板處于某個故障狀態(tài)。

（2）對支持向量機(jī)進(jìn)行訓(xùn)練，根據(jù)各電路的實(shí)際情況選擇不同的核函數(shù)，訓(xùn)練完畢后，就可以得到各典型狀態(tài)下的特征數(shù)據(jù)與電路板的典型故障之間的映射關(guān)系,其模型為

支持向量機(jī)的故障診斷方法修正流程如圖3所示。

圖3 支持向量機(jī)的方法修正流程Fig.3 Correction process of support vector machine method

2 實(shí)驗(yàn)分析及結(jié)果

2.1 故障診斷結(jié)果分析

現(xiàn)以某種類型的三端口雙向直流變換器為診斷對象，檢測本文故障診斷方法對該直流變換器開關(guān)管故障診斷的有效性。在MATLAB/Simulink 軟件環(huán)境中對其進(jìn)行仿真實(shí)驗(yàn)，其中仿真拓?fù)淙鐖D1 所示，所用實(shí)驗(yàn)臺如圖4 所示，電路的關(guān)鍵參數(shù)見表2。為電感（變壓器）的磁芯部分增添一個簡單繞組，實(shí)現(xiàn)對電感（變壓器）電壓的衡量。在對信號進(jìn)行預(yù)處理時，應(yīng)設(shè)計恰當(dāng)?shù)男盘柗糯箅娐放cRC 濾波器，避免輔助繞組的電壓存在高頻紋波的可能。

圖4 實(shí)驗(yàn)臺Fig.4 Experimental bench

表2 實(shí)驗(yàn)臺主要參數(shù)Tab.2 Main parameters of experimental bench

當(dāng)三端口雙向直流變換器工作于電流持續(xù)模式時，其開關(guān)管的斷路故障由診斷電路負(fù)責(zé)診斷。實(shí)驗(yàn)中處于正常工作狀態(tài)下的三端口雙向直流變換電路器的電壓um的時序如圖5 所示。在以開關(guān)管的驅(qū)動信號P1直接對故障進(jìn)行診斷時，因開關(guān)管的通斷存在延時，造成診斷電路內(nèi)M1r與M2r信號產(chǎn)生窄脈沖的問題，將導(dǎo)致診斷電路存在診斷誤差，故應(yīng)對驅(qū)動信號P1進(jìn)行適當(dāng)?shù)难訒r，防止診斷誤差的產(chǎn)生。

圖5 延遲對實(shí)驗(yàn)波形的影響Fig.5 Influence of delay on experimental waveform

三端口雙向直流變換器開關(guān)管的斷路與短路故障的正確診斷結(jié)果如圖6 所示。在開關(guān)管處并聯(lián)一個0 Ω 電阻完成短路故障，將驅(qū)動信號消除后可得到開關(guān)管的斷路故障。

圖6 電路故障診斷實(shí)驗(yàn)波形Fig.6 Experimental waveforms during circuit fault diagnosis

通過圖6 可看出，在三端口雙向直流變換器處于正常工作狀態(tài)時，其電壓um和理論值非常接近，如圖6（a）所示，電壓um在三端口雙向直流變換器開關(guān)管產(chǎn)生斷路故障的狀態(tài)下，在之后的一個開關(guān)時期內(nèi)均為負(fù)；如圖6（b）所示，電壓um在開關(guān)管產(chǎn)生短路故障的狀態(tài)下，在之后的一個開關(guān)時期內(nèi)均為正。所以，故障指示信號MP1與MP2在診斷電路正常工作時，始終為高電平；如圖6（a）所示，在開關(guān)管產(chǎn)生斷路故障的狀態(tài)下，只有M1r產(chǎn)生窄脈沖，MP1快速變成低電平；如圖6（b）所示，在開關(guān)管產(chǎn)生短路故障的狀態(tài)下，MP1仍然快速變成低電平，而產(chǎn)生窄脈沖的只有M2r。由此可說明，對三端口雙向直流變換器的開關(guān)故障診斷可通過本文方法完成，且本文方法的診斷時間均在一個開關(guān)周期之內(nèi)，診斷效率較高。

2.2 故障診斷性能分析

劃分三端口雙向直流變換器所處的SHEV 電氣驅(qū)動系統(tǒng)中的IWBT 器件所出現(xiàn)的斷路故障類型，具體為：①以W0表示器件處于正常運(yùn)行情況下，此時僅有1 種情況；②以W1表示此時有1 個器件存在故障，分為6 種情況；③以W2表示同相的上下兩臂中有2 個器件存在故障，如Q1、Q4，此時分為3 種情況；④以W3表示各相的2 個器件均存在故障，如Q1、Q6，此時共有12 種情況；⑤以W4表示有3 個或大于3 個的器件存在故障，此種情況在此不研究。

通過以上劃分可得到22 組種數(shù)據(jù)，通過此類種數(shù)據(jù)對BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行構(gòu)造。

以20 Hz 的基波頻率對故障的特點(diǎn)向量進(jìn)行提取，在進(jìn)行FFT 分析時，為各故障類別選擇一些情況下的直流母線電流波形進(jìn)行分析，依據(jù)分析結(jié)果可得出故障特點(diǎn)向量M=20 kHz 次諧波含量，由FFT分析所得的直流側(cè)電流樣本數(shù)據(jù)如表3 所示。

表3 不同故障狀態(tài)的樣本數(shù)據(jù)Tab.3 Sample data in different fault states

本文研究的4 種故障情況，其輸出可分別表示為：①以W0（0，0）表示無故障情況；②以W1（0，1）表示僅有1 個器件發(fā)生故障的情況；③以W2（1，0）表示同相的2 個器件共同發(fā)生故障的情況；④以W3（1，1）表示不同相的2 個器件共同發(fā)生故障的情況。

為進(jìn)一步檢測訓(xùn)練后的網(wǎng)絡(luò)，列出以下檢測網(wǎng)絡(luò)的測試數(shù)據(jù)，如表4 所示。

表4 試驗(yàn)樣品數(shù)據(jù)Tab.4 Data of test samples

以上仿真實(shí)驗(yàn)樣本的輸入與輸出參數(shù)分別為13、2 個，由此能夠得出隱層神經(jīng)元有27 個，故以13-27-2 設(shè)為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，那么權(quán)值與閾值分別有13×27+2×27=405 個、27+2=29 個，遺傳算法優(yōu)化后的參數(shù)數(shù)量是405+29=434 個。為令基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)故障診斷方法得以實(shí)現(xiàn)，須依據(jù)遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)的理論在MATLAB 軟件中進(jìn)行編程。其中，BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用MATLAB 自有的神經(jīng)網(wǎng)絡(luò)工具箱，遺傳算法應(yīng)用Sheffield 遺傳算法工具箱。得出的運(yùn)行結(jié)果為：優(yōu)化之后的權(quán)值與閾值矩陣及預(yù)估結(jié)果的最低誤差即為此算法的輸出結(jié)果。通過遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化后，優(yōu)化后網(wǎng)絡(luò)的預(yù)估結(jié)果最低誤差為0.033。

對比采用隨機(jī)權(quán)值與閾值的檢測樣本所得預(yù)估結(jié)果和采用優(yōu)化后權(quán)值與閾值的檢測樣本所得預(yù)估結(jié)果，具體對比數(shù)據(jù)見表5。

表5 預(yù)估結(jié)果對照Tab.5 Comparison between pre-estimated results

通過表5 可得，采用優(yōu)化后權(quán)值與閾值的BP神經(jīng)網(wǎng)絡(luò)所得出的預(yù)估結(jié)果誤差遠(yuǎn)低于采用隨機(jī)權(quán)值與閾值所預(yù)估結(jié)果的誤差。由此可見，在對三端口雙向直流變換器電子電路所有器件的斷路故障類型進(jìn)行診斷時，采用以遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，能夠提升診斷的準(zhǔn)確性。

在診斷性能的診斷時間部分，通過對比隨機(jī)權(quán)值與閾值的檢測樣本所得結(jié)果和采用優(yōu)化后權(quán)值與閾值的檢測樣本所得結(jié)果，具體對比數(shù)據(jù)如表5所示。隨機(jī)權(quán)值與閾值的檢測樣本所得診斷時間對比及優(yōu)化后權(quán)值與閾值的檢測樣本所得診斷時間對比如圖7、圖8 所示。

圖7 隨機(jī)權(quán)值與閾值的檢測樣本所得診斷時間對比Fig.7 Comparison of diagnostic time based on detection samples with random weights and threshold

圖8 優(yōu)化后權(quán)值與閾值的檢測樣本所得診斷時間對比Fig.8 Comparison of diagnostic time based on detection samples with optimized weights and threshold

通過圖7、圖8 對比可得，采用優(yōu)化后方法所得的診斷時間隨著頻率的增加呈現(xiàn)下降趨勢，當(dāng)頻率都在180 Hz 時，Q6開路隨機(jī)檢測耗時在2.0 s 左右，而優(yōu)化后的耗時在1.3 s 左右，Q3、Q6開路隨機(jī)檢測在1.6 s 左右，而優(yōu)化后在1.2 s 左右，Q2、Q3開路隨機(jī)檢測耗時在1.4 s 左右，而優(yōu)化后在1.0 s左右，Q3、Q5開路隨機(jī)檢測耗時在1.3 s 左右，而優(yōu)化后耗時在0.7 s 左右，根據(jù)實(shí)驗(yàn)結(jié)果可知，采用優(yōu)化檢測法低于采用隨機(jī)權(quán)值與閾值的診斷時間。由此可見，在對三端口雙向直流變換器電子電路所有器件的斷路故障類型進(jìn)行診斷時，采用以遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，可以有效提升診斷時間。

3 討論

在診斷三端口雙向直流變換器的故障時，通過恰當(dāng)?shù)墓收先蒎e控制方法，對故障快速而有效地進(jìn)行隔離，能夠使變換器的可靠程度有較高的提升。對于當(dāng)下診斷三端口雙向直流變換器故障方法中所出現(xiàn)的缺陷，如診斷成本較高、時間過長及通用程度低等，本文在此提出一種全新的診斷故障方法。創(chuàng)建處于SHEV 電氣系統(tǒng)內(nèi)的三端口雙向直流變換器仿真模型，以直流側(cè)母線輸出電流作為特點(diǎn)量，將功率器件的部位考慮到并合理劃分各故障類別，研究每種故障對應(yīng)的輸出直流電流特點(diǎn)，向各頻率段分解故障信號時通過FFT 實(shí)現(xiàn)，故障診斷特點(diǎn)向量為20 kHz 的頻率段信號能量，對于故障類別的識別通過基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)完成，依據(jù)仿真結(jié)果可得出：系統(tǒng)的故障特點(diǎn)信息能夠通過三端口雙向直流變換器的直流側(cè)電流信號反饋，此信號和電壓信號比較，不會產(chǎn)生諧波振蕩等影響因素；BP 神經(jīng)網(wǎng)絡(luò)在經(jīng)過遺傳算法優(yōu)化后，所得預(yù)估結(jié)果誤差小且更精準(zhǔn)。

由于當(dāng)下所存在的三端口雙向直流變換器大多是通過單管變換器變化得到的，且變換器內(nèi)不能缺乏磁性元件，故可加大推行本文所提方法，同時這也是接下來需分析的問題。

4 結(jié)語

本文以三端口雙向直流變換器為研究對象，探討其斷路故障的綜合診斷方法。通過建立三端口雙向直流變換器拓?fù)淠Ｐ?，并選取直流側(cè)母線輸出電流作為特點(diǎn)量，劃分功率器件的不同故障類別并分析各故障輸出電流特性，結(jié)合遺傳算法BP 神經(jīng)網(wǎng)絡(luò)綜合實(shí)現(xiàn)三端口雙向直流變換器斷路故障類型識別。且實(shí)驗(yàn)檢測得出本文方法可準(zhǔn)確有效地診斷三端口雙向直流變換器的斷路故障，降低其在新能源發(fā)電系統(tǒng)中使用時的故障發(fā)生率，及時隔離各部件故障，提升整個系統(tǒng)的安全運(yùn)行能力，為促進(jìn)現(xiàn)代微電子技術(shù)的飛速發(fā)展提供可靠依據(jù)。