一种逆变器钳位二极管与支撑电容的复合故障诊断方法与流程

文档序号:11134266阅读:954来源:国知局
一种逆变器钳位二极管与支撑电容的复合故障诊断方法与制造工艺
本发明涉及一种逆变器钳位二极管与支撑电容的复合故障诊断方法,属于电力电子装置故障诊断领域。
背景技术
:多电平变换器是一种通过改变变换器自身拓扑结构来实现高压大功率输出的新型变换器,它无需升降压电路和均压电路。与二电平逆变器相比,多电平逆变器具有功率开关电压应力低、功率器件串联均压、输出电压波形谐波含量低、电磁干扰问题小、开关损耗小和工作效率高等优点,因而这种结构的逆变器在高电压、大电流、大功率领域应用广泛,如日本700系新干线、上海磁悬浮列车以及和谐号CRH列车等等。在多电平变换器中最典型的是二极管NPC(NeutralPointClamped)三电平逆变器,其电路原理图如图1所示。然而,随着三电平逆变器中电力电子元件的增加,其可靠性会随之下降,若逆变器中一个或多个电力电子元件发生故障,可能使得整个逆变器装置无法工作,如不及时诊断出故障源,必将产生巨大的经济损失。因此针对三电平逆变器的故障诊断显得尤为重要。三电平逆变器中有12个IGBT功率管,6个钳位二极管和2个直流支撑电容,IGBT的故障诊断方法在很多文献中已有提出,然而钳位二极管和支撑电容的复合故障诊断方法却鲜有人提出。实际上,由于逆变器恶劣的工作环境影响,这种复合故障是有可能发生的。钳位二极管可以降低IGBT两端的电压应力,同时它也起着保护支撑电容的作用,如果逆变器中某个钳位二极管发生了故障,那么受其保护的直流支撑电容将处于更恶劣的工作环境,易引发支撑电容被击穿,形成钳位二极管和支撑电容的连锁故障。针对此种情况,本发明提出一种基于EMD和遗传算法支持向量机的逆变器复合故障诊断方法。复合故障诊断的目标在于建立机器运行状态与机器运行状态特征参数之间的关系,为了诊断机器运行状态,关键在于提取复合故障的特征及辨别故障模式。基于数据驱动的思想,利用逆变系统运行过程中不断产生着反应运行机理和状态的数据,通过适当有效的分析和提取,可以快速实现逆变系统的故障检测与识别,这比传统的只靠人工检测和维修去定位故障有效率得多。经验模态分解(EMD)是一种新型自适应信号时频处理方法,特别适用于非线性非平稳信号的分析处理。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。SVM是一种基于统计学习理论的机器学习算法,逆变器复合故障诊断属于多值分类问题。多值分类问题也是SVM研究的一个重要方向。技术实现要素:针对上述
背景技术
的不足,本发明提供一种逆变器钳位二极管与支撑电容的复合故障诊断方法。本发明为解决上述技术问题采用以下技术方案:本发明提供一种逆变器钳位二极管与支撑电容的复合故障诊断方法,包括如下步骤:步骤1,通过仿真软件建立三电平逆变电路的电气仿真模型;由于逆变器中的钳位二极管对支撑电容有保护作用,故仅研究钳位二极管和支撑电容的复合故障,对复合故障进行分类并对复合故障种类进行标号;步骤2,通过仿真软件分别获取无故障及各种复合故障下的逆变器输出侧三相电流信号Ia、Ib、Ic;步骤3,对步骤2中获取的Ia、Ib、Ic分别进行EMD分解,得到相应的固有模态函数组;分别提取固有模态函数组中任一固有模态函数与其上一级固有模态函数的相关系数作为故障特征,构造故障特征向量;步骤4,获取数据样本;根据步骤1划分的故障种类和步骤3获得的所有故障特征向量,对每种故障特征向量添加随机噪声,每类故障选取若干组样本,得到故障样本;步骤5,将步骤4获得的故障样本输入到支持向量机分类器中进行训练,建立针对各种故障的分类器;步骤6,实时采集逆变器输出侧三相电流信号,根据步骤2-3的方法得到相应的故障特征向量,输入步骤5中建立的分类器中,从而完成故障诊断。作为本发明的进一步优化方案,步骤4中分别对选择的每个故障特征向量添加5%的随机噪声。作为本发明的进一步优化方案,步骤1中所述三电平逆变电路,包括三相桥臂电路和两个直流支撑电容C1、C2,其中,每相桥臂包括串联的四只功率管IGBT以及并联在功率管IGBT两端的两只钳位二极管,三相桥臂共六只钳位二极管D1、D2、D3、D4、D5、D6。作为本发明的进一步优化方案,步骤1中复合故障的分类具体为六类:一,逆变器钳位二极管D1发生故障导致直流支撑电容C2发生故障;二,逆变器钳位二极管D3发生故障导致直流支撑电容C2发生故障;三,逆变器钳位二极管D5发生故障导致直流支撑电容C2发生故障;四,逆变器钳位二极管D2发生故障导致直流支撑电容C1发生故障;五,逆变器钳位二极管D4发生故障导致直流支撑电容C1发生故障;六,逆变器钳位二极管D6发生故障导致直流支撑电容C1发生故障。作为本发明的进一步优化方案,步骤3中对步骤2中获取的Ia、Ib、Ic分别进行EMD分解,得到相应的固有模态函数组;选取固有模态函数组中的前五个固有模态函数,分别提取这五个固有模态函数中任一固有模态函数与其上一级固有模态函数的相关系数作为故障特征,构造故障特征向量。作为本发明的进一步优化方案,对故障样本进行分类,每类各选一部分作为训练样本,其余的作为测试样本,并对训练样本进行归一化处理,选取支持向量机RBF核函数exp(-gamma|u-v|^2)对训练样本进行分类,用训练样本训练支持向量机,利用遗传算法对支持向量机惩罚系数c、参数g进行寻优,得到训练模型,对训练好的模型用测试样本进行测试,验证故障判断准确性。本发明采用以上技术方案与现有技术相比,具有以下技术效果:1)本发明首先通过对三电平逆变器进行电气化仿真建模,然后对钳位二极管进行故障注入,再研究支撑电容两端电压变化,可以获取复合故障的所有故障模式;2)本发明采用EMD方法对逆变器输出侧三相电流进行分解,并将相邻的IMF之间的相关系数应用于故障特征的提取,所获取的故障特征向量更易于表征故障特征;3)本发明采用遗传算法对SVM参数进行寻优,所获取的SVM参数是全局最优的,避免陷入局部最优,并且寻优速度快;4)通过本发明,只需将经过处理后的故障信息输入SVM分类器,就可以快速输出故障类别,实现了故障的实时诊断。附图说明图1为二极管NPC三相三电平逆变器电路原理图。图2为无故障下的支撑电容两端的电压,其中,(a)为C1两端的电压,(b)为C2两端的电压。图3为钳位二极管D1发生故障下的支撑电容两端的电压,其中,(a)为C1两端的电压,(b)为C2两端的电压。图4为无故障下的逆变器输出侧三相电流,其中,(a)为a相电流,(b)为b相电流,(c)为c相电流。图5为D1C2故障下的逆变器输出侧三相电流,其中,(a)为a相电流,(b)为b相电流,(c)为c相电流。图6为D2C1故障下的逆变器输出侧三相电流,其中,(a)为a相电流,(b)为b相电流,(c)为c相电流。图7为无故障下的A相电流信号Ia的EMD分解图。图8为无故障下的A相电流信号Ia的频谱分析图。图9为D1C2故障下的A相电流信号Ia的EMD分解图。图10为D1C2故障下的A相电流信号Ia的频谱分析图。图11为样本集的可视化图。图12为遗传算法寻优图。具体实施方式下面结合附图对本发明的技术方案做进一步的详细说明:本发明方法提供一种三电平逆变器电路,如图1所示,具体结构为:包括三相桥臂电路和两个直流电压源,其中,每相桥臂包括串联的四只功率管IGBT以及并联在IGBT两端的两只钳位二极管,钳位二极管由上至下由左往右依次标号为D1、D2、D3、D4、D5、D6。直流电压源包括两只直流支撑电容,标号为C1、C2。本发明是通过下述方法和步骤实现的:第一步,测出无故障下的逆变器直流支撑电容两端的电压,如图2所示,可见支撑电容两端的电压很平稳。然后将短路故障注入到钳位二极管D1,由于短路故障会在瞬间演变成开路故障,这里将演变时间定为0.02秒,在此种故障情况下测出逆变器直流支撑电容两端的电压,如图3所示;与图2相比,直流支持电容C1两端的电压Uc1从1500v骤降到0v,直流支撑电容C2两端的电压Uc2从1500v直升到3000v,可见,当钳位二极管D1放生故障后,受到剧烈影响的必然是直流支撑电容C2,直流支撑电容C2很有可能因为两端电压过高而被击穿,这里假定D1发生故障0.03秒后C2被击穿。同样的,当钳位二极管D2发生故障时,受到剧烈影响的必然是支撑电容C1,因此复合故障模式共有6种,分别是D1和C2发生复合故障,D2和C1发生复合故障,D3和C2发生复合故障,D4和C1发生复合故障,D5和C2发生复合故障,D6和C1发生复合故障,依次将故障分类并标记为D1C2、D2C1、D3C2、D4C1、D5C2、D6C1。第二步,在这6种复合故障情况加上无故障情况下,逐一进行故障仿真,分别获取逆变器输出测三相电流,无故障情况下的三相电流如图4所示,D1C2故障下的三相电流如图5所示,D2C1故障下的三相电流如图6所示;与图4相比,图5和图6的三相电流信号发生明显改变。第三步,对无故障和每种复合故障下的三相电流信号Ia、Ib、Ic各自进行EMD分解,并对每个IMF分量进行频谱分析,无故障下的A相电流信号Ia的EMD分解及频谱分析如图7和图8所示,D1C2故障下的A相电流信号Ia的EMD分解及频谱分析如图9和图10所示。由于篇幅所限,其他信号的EMD分解图不再给出。每个电流信号经过EMD分解后将得到对应的固有模态函数组(IMFs),从IMFs中选取前五个IMF,通过计算选取的IMF与其上一级的IMF之间的相关系数作为故障特征,构造故障特征向量,因为Ia、Ib、Ic各含有五个相关系数,故一个故障特征向量包含有15个分量。每种复合故障所计算得到的相关系数如表1所示,其中,ρ1、ρ2、ρ3、ρ4、ρ5均表示相关系数。表1每种复合故障所计算得到的相关系数由表1可知,D1C2的复合故障特征向量定义为:P001=[ρ1(A),ρ2(A),ρ3(A),ρ4(A),ρ5(A),ρ1(B),ρ2(B),ρ3(B),ρ4(B),ρ5(B),ρ1(C),ρ2(C),ρ3(C),ρ4(C),ρ5(C)],即P001=[0.0410,0.3663,0.1008,0.4280,0.7797,0.4588,0.2765,0.0265,0.4112,0.8678,0.3635,0.3202,0.0601,0.7901,0.8582],维数为15维。第四步,为获得足够的训练和测试样本,对所获得的7种模式(包括无故障模式)的15维特征向量各添加5%的随机噪声,每类故障各选取50组作为训练样本,50组作为测试样本,这700组样本的可视化图如图11所示。第五步,建立SVM分类器。在MATLAB平台下利用LIBSVM工具箱对获得的350组训练样本进行训练。在没有先验知识的情况下,宜采用径向基函数K(Xi,Xj)=exp(-γ||Xi-Xj||2),γ>0作为SVM的核函数,而SVM的分类效果取决于惩罚参数C和核函数参数γ。遗传算法具有较强的搜索能力和良好的全局优化能力,为了获取最佳的惩罚参数C及核函数参数γ,这里利用遗传算法对SVM参数进行寻优,寻优过程如下:1、编码方式;遗传算法主要是对群体中的个体施加操作从而完成优化的,它只能处理以基因编码形式表示的个体。在使用遗传算法时需把优化问题解的参数形式转换成基因编码的表示形式,根据惩罚参数C和核函数参数γ可能的取值范围,选取C∈(0,100),γ∈(0,1000),C和γ均采用24位二进制数进行编码,这样一个染色体中就包含有48位二进制数。2、初始代数gen=0,设置最大进化代数maxgen=200,在C和γ的取值范围内,根据步骤一的编码方式随机生成20个个体作为一个种群。3、确定适应度函数;以参数C和γ为基础,用训练样本进行训练,以正分率作为遗传算法的适应度函数。4、按适应度值进行排序;对各染色体进行解码,并依据适应度值对染色体进行排序。5、遗传操作;①选择:根据各个个体的适应度值,采用随机遍历抽样方法从上一代群体中选择出一些优良的个体遗传到下一代种群。②交叉:将群体内的各个染色体随机搭配成对,对每一对个体,以某个交叉概率交换它们之间的部分基因。③变异:在群体中随机的选择一个个体,对于选中的个体以较小的变异概率,改变字符串中的某一位置上的字符,得到新的个体。6、终止条件:当群体中的进化代数大于100并且满足适应度函数值大于80并且前后代数的适应度函数值之差的绝对值小于0.02,或者进化代数达到maxgen时,终止,得到最优的C和γ;否则令gen=gen+1,转到步骤4。遗传算法的寻优过程如图12所示,最佳的C和γ组合为C=1.7347,γ=184.0841;将350训练样本作为输入对支持向量机进行训练,得到训练模型,然后将350组测试样本作为输入对训练好的SVM模型进行测试,测试效果如表2所示,可见分类器达到了很好的效果,分类准确率为100%表2测试效果故障模式测试样本数正确诊断数诊断率D1C25050100%D2C15050100%D3C25050100%D4C15050100%D5C25050100%D6C15050100%无故障5050100%total350350100%以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。当前第1页1 2 3 
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1