非侵入式三相全桥逆变器复合故障诊断方法与流程

本发明涉及功率变换电路故障诊断技术领域，尤其涉及一种三相全桥逆变器复合故障诊断方法。

背景技术

随着全球社会和经济的发展，人类对能源的需求量也随之增加，发展新能源迫在眉睫。大功率变流器在新能源发电系统中得到了广泛的应用。新能源发电系统的容量不断增大，大功率变流器的结构日趋复杂，设备发生故障的概率也越来越大。有研究表明，新能源发电系统中，电气系统的故障率远高于其他子系统。变流器作为电气系统中的关键部分，其中逆变器存在mosfet功率器件，使得故障发生几率也越大。一旦逆变器发生故障，，如若不及时对故障器件进行维修处理，其导致的损失是巨大的。对逆变器进行故障诊断，判断故障类型和故障位置，，能够指导发电系统的维修与维护，对提高发电系统的稳定性和减少收益损失都具有十分重要的现实意义。

目前，国内外对于逆变器的复合故障诊断主要通过对不同故障器件组合模拟电路发生故障，来获取复合故障的电路信息。而电路中一旦器件数过多，则会组成大量不同情况的复合故障，而实际电路工作中，难以获得所有复合故障类型的电路信息。但单一器件故障的电路信息一般能够完整得到，仅获取单器件故障信息而能对复合故障进行诊断，将具有十分重要的意义。

本发明采用非侵入式的电路信号检测方法，仅采集三相电压信号，模拟三相全桥逆变器单器件故障，仅获取单器件故障的电路信息，训练胶囊神经网络，建立多模式诊断模型，将任意复合故障的电路信息，输入至模型，能够诊断出发生故障的器件位置。本发明中建立的多模式诊断模型，具有好的泛化能力，仅知道单器件故障信息就可以诊断单器件故障甚至复合故障。

技术实现要素：

本发明的目的在于提供一种仅检测电压信号的逆变器复合故障诊断方法。模拟不同工况下三相全桥逆变器单开关管故障模式下的工作情况，通过采集三相全桥逆变器的三相电压，对电压进行小波包分解，得到能量谱特征。根据小波包分解特征作为胶囊神经网络输入，输出为每个开关管的状态信息。

为实现上述目的，本发明的非侵入式三相全桥逆变器复合故障诊断方法，具体包括以下步骤：

步骤1：设置三相全桥逆变器的工作状态，分为正常工作中状态模式m1，单开关管开路故障m2、m3、m4、m5、m6、m7，并设置两开关管故障组合模式，三开关管故障模式。采集各种模式下三相电压信号数据；

步骤2：截取一段三相电压信号数据，采用三层小波包分解，提取24维小波包能量谱特征，将故障模式信息进行编码；

步骤3：将正常状态模式下的特征与单故障模式下的特征作为训练样本，输入至胶囊神经网络，输出为多维向量组，每个向量组代表一个开关管的属性；

步骤4：将两开关管故障以及三开关管故障下的小波包能量谱特征作为模型输入，输出为对应开关管的属性状态。

附图说明

图1是非侵入式三相全桥逆变器复合故障诊断流程图；

图2是三相全桥逆变器原理图；

具体实施方式

下面结合说明书附图对本发明的技术方案进行详细说明。

如图2所示，采集三相全桥逆变器的三相电压va、vb、vc，截取包含若干周期的一段数据，对电压数据进行小波包分解处理，得到小波包能量谱特征。根据正常状态模式下和单开关管的电路故障数据作为训练样本，训练胶囊神经网络模型，输出每个开关管器件的状态属性，以此建立能够诊断复合故障的神经网络模型。

非侵入式三相全桥逆变器复合故障诊断方法，具体实施方式如下：

步骤1：模拟正常状态下以及单开关管故障、以及复合故障电路工作状态，采集三相电压信息：

步骤1.1、模拟三相全桥逆变器正常状态模式下和单开关管的电路故障，设置正常状态模式m1，6种单开关管开路故障m2、m3、m4、m5、m6、m7。双开关管故障模式设置m2&m3、m2&m4、……m6&m7。

步骤1.2、采集各种故障情况下的三相电压va、vb、vc，将三个信号分别截取同相位的n点数据(包含若干个信号周期)；

步骤2：对n点va、vb、vc进行小波包分解。产生8个节点，采得的信号就被划分在8个频带上。三个电压信号分解得到小波包能量谱组成24维特征向量：

步骤3：根据训练样本训练胶囊神经网络，建立复合故障诊断模型：

步骤3.1、将正常状态模式与单器件故障的特征向量作为训练样本输入，训练胶囊神经网络，胶囊神经网络第l(l≥1，l∈z)层第i个胶囊的输出向量为ui，经过仿射变换后得到的l+1层的第j个胶囊的“预测向量”根据第l层第i个胶囊与l+1层的第j个胶囊之间耦合系数cij得到第l+1层的第j个胶囊的输入再将l+1层的第j个胶囊的输出使用非线性函数将向量的长度映射到0-1范围：

步骤3.2、由动态路由机制优化cij：

第一步：将l层第i个胶囊和l+1层第j个胶囊之间的bij初始化为0；

第二步：计算l层所有第i个胶囊的ci＝softmax(bi)；

第三步：计算l+1层的所有第j个胶囊的输入值

第四步：计算l+1层的所有第l个胶囊的输出值

第五步：将bij重新赋值为返回至第二步，迭代r次后继续第六步；

第六步：输出vj。

步骤3.3、根据损失函数，使用adam优化算法对网络结构参数进行优化：

网络的总损失为所有k个器件状态属性(即第k个胶囊)的损失函数和：

根据损失函数，使用adam优化算法进行对网络结构参数进行优化求解。

1.计算t时刻损失函数的梯度值：

2.计算梯度的一阶矩估计mt＝β1·mt-1+(1-β1)·gt和二阶矩估计β1、β2为控制mt和vt衰减的超参数。

3.由于在初始时间步长和衰减率非常小的情况下(即β接近于1)，矩估计值为偏差向0，通过下式得到偏差修正：

4.最终得到t时刻参数网络结构参数的估计值：其中参数ε是为了防止分母为0，一般取10-8。

不断迭代上述步骤，更新优化网络结构参数。

步骤4：根据单开关管开路数据建立的模型，使用复合故障数据测试模型性能，定位故障器件。