馬立新，吳興鋒，費(fèi)少帥

(上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院，上海200093)

0 引言

隨著電力電子裝置及分布式電源的廣泛應(yīng)用，電力系統(tǒng)的電能質(zhì)量問(wèn)題日趨嚴(yán)重，嚴(yán)重威脅電網(wǎng)的安全運(yùn)行和電力設(shè)備的正常使用［1］。有源電力濾波器(APF)是一種新型的諧波治理和無(wú)功補(bǔ)償裝置，因其動(dòng)態(tài)響應(yīng)速度快、補(bǔ)償特性好等優(yōu)點(diǎn)，得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注［2］。

事實(shí)上，APF 系統(tǒng)中的任何一個(gè)功能單元、任何一個(gè)元器件都有發(fā)生故障的可能，而APF 逆變器中的IGBT 因長(zhǎng)時(shí)間工作在高頻、高溫狀態(tài)，是APF 中易損壞的器件［3］。為了提高系統(tǒng)的可靠性，增長(zhǎng)APF 的安全運(yùn)行時(shí)間，為IGBT 損壞后APF 的維修贏得時(shí)間，需要對(duì)APF 進(jìn)行故障診斷。APF 逆變器的故障可分為IGBT 開路和短路故障，因短路故障存在時(shí)間很短，通過(guò)硬件電路檢測(cè)IGBT 的漏－源極壓降就可檢測(cè)IGBT短路故障。IGBT 發(fā)生開路故障后，APF 往往還能夠繼續(xù)運(yùn)行，但對(duì)電力系統(tǒng)危害很大，不僅達(dá)不到諧波治理的效果，還會(huì)向電網(wǎng)注入諧波，其他IGBT 也會(huì)流過(guò)更大的電流，影響電力設(shè)備的正常使用，如不及時(shí)處理將會(huì)引起更大的事故［4］。

目前，國(guó)內(nèi)外學(xué)者在IGBT 開路故障的診斷上做了大量研究，主要有電壓或電流直接檢測(cè)法、參考模型法及智能診斷法等［5］。直接檢測(cè)電壓或電流的方法需要檢測(cè)每個(gè)被診斷的器件的電壓和電流，需要增加很多額外的電壓傳感器，增加了成本，而且電流的檢測(cè)對(duì)負(fù)載很敏感，負(fù)載變化會(huì)造成誤診斷。參考模型法難以建立精確的數(shù)學(xué)模型，對(duì)逆變器復(fù)雜電路的建模過(guò)于復(fù)雜而不太實(shí)用。專家系統(tǒng)和故障樹是傳統(tǒng)的智能診斷方法，專家系統(tǒng)法難以窮盡所有IGBT 開路故障來(lái)獲取完備的知識(shí)庫(kù)，不易實(shí)現(xiàn)故障準(zhǔn)確匹配;故障樹法雖然直觀通用性好，但對(duì)于復(fù)雜的APF 系統(tǒng)所需的決策樹很大，故障變化時(shí)不易進(jìn)行調(diào)整。

在IGBT 開路故障診斷領(lǐng)域，已研究出了很多新型的智能診斷方法?？焖俑道锶~變換(FFT)將時(shí)域信號(hào)轉(zhuǎn)換成易于分析的頻域信號(hào)，對(duì)信號(hào)處理具有較好的頻域定位特性［6-7］，能夠完整地提取各種故障信號(hào)的特征;人工神經(jīng)網(wǎng)絡(luò)在處理非線性問(wèn)題中有自學(xué)習(xí)與自適應(yīng)能力［8-9］，能夠?qū)崿F(xiàn)準(zhǔn)確的故障定位。

為了減少傳感器的使用數(shù)量，解決傳統(tǒng)方法對(duì)負(fù)載敏感的問(wèn)題，本研究結(jié)合FFT 和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)來(lái)實(shí)現(xiàn)APF 的故障診斷，運(yùn)用FFT 提取單傳感器采集的信號(hào)的特征，建立基于FFT 和神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)，最后采集非學(xué)習(xí)樣本進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 APF 故障診斷原理

本研究主要以并聯(lián)型有源電力濾波器為研究對(duì)象，它的系統(tǒng)結(jié)構(gòu)與故障診斷原理如圖1所示。

圖1 APF 結(jié)構(gòu)及診斷原理圖

非線性負(fù)載的接入會(huì)向電網(wǎng)注入諧波電流，通過(guò)電流互感器CT 檢測(cè)出三相負(fù)載電流，經(jīng)過(guò)諧波電流分析與計(jì)算環(huán)節(jié)，再根據(jù)諧波分量生成PWM 控制脈沖，從而將諧波電流抵消，使網(wǎng)側(cè)電流逼近于正弦波，達(dá)到電能質(zhì)量的規(guī)定水平［10］。

當(dāng)APF 逆變器中的IGBT 發(fā)生故障時(shí)，網(wǎng)側(cè)電流會(huì)發(fā)生很大的畸變，而且故障信號(hào)中包含了完備的故障信息。本研究通過(guò)電流互感器對(duì)網(wǎng)側(cè)電流進(jìn)行采樣，并運(yùn)用FFT 變換提取各故障信號(hào)的特征，再將該故障特征向量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，然后輸出IGBT 故障代碼，實(shí)現(xiàn)有源電力濾波器的故障診斷。

2 APF 故障分析

2.1 APF 故障仿真

本研究通過(guò)Matlab/Simulink 建立APF 故障仿真模型，采用ip～iq諧波檢測(cè)法，滯環(huán)控制策略根據(jù)諧波信號(hào)產(chǎn)生PWM 脈沖來(lái)控制各個(gè)IGBT 的工作，以三相橋式全控整流電路帶阻感負(fù)載產(chǎn)生諧波源。由于系統(tǒng)實(shí)際運(yùn)行時(shí)多個(gè)IGBT 同時(shí)故障的可能性比較小，目前診斷方法主要研究最多同時(shí)有2 個(gè)IGBT 發(fā)生開路故障的情況，可以把故障分為單個(gè)IGBT 開路或兩個(gè)IGBT 同時(shí)開路故障，共五大類、22 種故障。

第一類:無(wú)IGBT 故障，即正常運(yùn)行，側(cè)電流波形逼近于對(duì)稱的正弦波，APF 正常運(yùn)行時(shí)網(wǎng)側(cè)電流波形如圖2所示。

圖2 APF 正常運(yùn)行時(shí)網(wǎng)側(cè)電流波形

第二類:單個(gè)IGBT 開路故障，可以分為T1、T2、T3、T4、T5、T6共6 種故障，T3故障時(shí)的網(wǎng)側(cè)電流波形如圖3所示。

圖3 T3 開路故障時(shí)網(wǎng)側(cè)電流波形

第三類:同一橋臂的上下2 個(gè)IGBT 發(fā)生開路故障，可以分為T1T2、T3T4、T5T6共3 種故障，T1和T2故障時(shí)的網(wǎng)側(cè)電流波形如圖4所示。

第四類:同一半橋上的2 個(gè)IGBT 發(fā)生開路故障。可以分為T1T3、T1T5、T3T5、T2T4、T2T6、T4T6共6 種故障，T2和T6故障時(shí)的網(wǎng)側(cè)電流波形如圖5所示。

圖4 T1 和T2 開路故障時(shí)網(wǎng)側(cè)電流波形

圖5 T2 和T6 開路故障時(shí)網(wǎng)側(cè)電流波形

第五類:不同半橋交叉的2 個(gè)IGBT 發(fā)生開路故障，可以分為T1T4、T1T6、T2T3、T3T6、T2T5、T4T5共6 種故障，T2和T3故障時(shí)的網(wǎng)側(cè)電流波形如圖6所示。

圖6 T2 和T3 開路故障時(shí)網(wǎng)側(cè)電流波形

2.2 APF 故障特征提取

當(dāng)APF 逆變器發(fā)生故障時(shí)，APF 網(wǎng)側(cè)電流的波形不再是正弦波，必然會(huì)發(fā)生畸變，各故障對(duì)各頻段內(nèi)的信號(hào)影響很大，而且故障信號(hào)包含了不同故障各自的信息［11］。筆者通過(guò)對(duì)不同類型的故障電流波形進(jìn)行FFT 變換，獲得各頻段信號(hào)的幅值與相位，會(huì)發(fā)現(xiàn)在不同故障下各頻段信號(hào)的幅值與相位是不同的。

本研究以有源電力濾波器A 相網(wǎng)側(cè)電流為例，對(duì)采集到的網(wǎng)側(cè)電流進(jìn)行FFT 變換，得到各個(gè)頻段信號(hào)的幅值與相位。在獲取各個(gè)故障信號(hào)的特征時(shí)，發(fā)現(xiàn)不同故障對(duì)網(wǎng)側(cè)電流的直流分量、3 次諧波、5 次諧波、7 次諧波的幅值與相位影響較大，而且這8 個(gè)頻譜分量可以對(duì)應(yīng)唯一的故障類型，因此筆者將這8 個(gè)頻譜分量作為故障特征向量。為了減小負(fù)載變化對(duì)診斷的影響，便于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，需要對(duì)各諧波幅值進(jìn)行歸一化處理，最后將歸一化處理的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的提取。

在故障仿真中，為了獲取在不同負(fù)載下的網(wǎng)側(cè)電流信號(hào)，本研究分別將三相橋式全控整流電路諧波源的觸發(fā)角設(shè)為0°、30°、60°、90°等典型觸發(fā)角，并在各個(gè)典型觸發(fā)角下模擬各種IGBT 開路故障，獲取不同負(fù)載諧波源下網(wǎng)側(cè)電流的故障波形。本研究根據(jù)FFT變換的特征提取方法對(duì)不同負(fù)載諧波源和不同故障下的網(wǎng)側(cè)電流信號(hào)進(jìn)行分析，提取故障特征向量，共可得到88 組故障特征向量，將大量的故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，使神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的魯棒性和適應(yīng)能力。

3 APF 故障診斷系統(tǒng)的實(shí)現(xiàn)及分析

為了便于故障定位，本研究將IGBT 開路故障用代碼X6X5X4X3X2X1表示，其中X=1 或0。故障代碼的高3 位代表故障類型，低3 位用于確定IGBT 的準(zhǔn)確位置。筆者根據(jù)上文的故障分析對(duì)IGBT 故障進(jìn)行分類編碼的結(jié)果如表1所示。

表1 IGBT 故障類型代碼

在神經(jīng)網(wǎng)絡(luò)中，修改權(quán)值的規(guī)則稱為學(xué)習(xí)算法，BP 神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播算法。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由信息的正向傳播和誤差的反向傳播兩部分組成［12-13］。在正向傳播過(guò)程中，輸入信息經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)向反向傳播，將輸出信息的誤差按原來(lái)的連接通路返回，逐一修改各層神經(jīng)元的權(quán)值。不斷迭代的過(guò)程中，使得誤差達(dá)到最小，在得到合適的網(wǎng)絡(luò)連接權(quán)后就可對(duì)新的樣本進(jìn)行識(shí)別。

BP 神經(jīng)網(wǎng)絡(luò)作為模式識(shí)別的工具，采用3 層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為8 個(gè)神經(jīng)元，對(duì)應(yīng)于網(wǎng)側(cè)電流的8 個(gè)頻譜分量;隱層是輸入層與輸出層之間的連接，隱層神經(jīng)元越多則精度越高，但網(wǎng)絡(luò)亦趨于復(fù)雜，隱層神經(jīng)元過(guò)少則精度下降，甚至出現(xiàn)不收斂的結(jié)果［14］，經(jīng)多次試驗(yàn)，隱層設(shè)定為30 個(gè)神經(jīng)元時(shí)，網(wǎng)絡(luò)能夠快速收斂且輸出效果最好;由于輸出故障代碼為6 位，本研究設(shè)定輸出層為6 個(gè)神經(jīng)元，用來(lái)確定發(fā)生故障IGBT 的準(zhǔn)確位置。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，本研究通過(guò)電流互感器采集不同負(fù)載和不同故障下的A 相網(wǎng)側(cè)電流，并運(yùn)用上文特征提取方法獲得88 組故障特征向量，將這些特征向量作為神經(jīng)網(wǎng)絡(luò)輸入，故障類型代碼作為神經(jīng)網(wǎng)絡(luò)的期望輸出。為了克服傳統(tǒng)BP 訓(xùn)練算法的收斂速度慢和易陷入局部最優(yōu)的缺點(diǎn)，本研究采用收斂速度快、識(shí)別精度高的BFGS 擬牛頓優(yōu)化算法對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，學(xué)習(xí)率取0.1，整個(gè)訓(xùn)練過(guò)程的收斂程度如圖7所示。此時(shí)，該神經(jīng)網(wǎng)絡(luò)已訓(xùn)練完畢，能夠適應(yīng)動(dòng)態(tài)負(fù)載下的故障診斷，故障診斷系統(tǒng)可以調(diào)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)故障特征向量進(jìn)行分類，確定故障IGBT 的位置，實(shí)現(xiàn)了有源電力濾波器的故障診斷。

圖7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

為了進(jìn)一步驗(yàn)證該方法的可行性，本研究采用非學(xué)習(xí)樣本數(shù)據(jù)，在實(shí)驗(yàn)中，通過(guò)移去IGBT 的驅(qū)動(dòng)信號(hào)來(lái)模擬IGBT 開路故障。由于篇幅所限，本研究?jī)H模擬了T3、T1T1、T3T5、T4T5開路故障，通過(guò)上文特征提取的方法提取各故障時(shí)的特征向量，再將故障特征輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障定位，實(shí)驗(yàn)結(jié)果如表2所示。由表2 可以看出，診斷輸出代碼經(jīng)過(guò)四舍五入后與設(shè)定代碼完全一致，從而證明該診斷方法的有效性。

表2 實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

結(jié)合FFT 變換與神經(jīng)網(wǎng)絡(luò)，本研究對(duì)有源電力濾波器進(jìn)行了故障診斷，分析了各種故障下的網(wǎng)側(cè)電流波形，運(yùn)用FFT 算法提取了APF 故障特征向量，并構(gòu)建了FFT 與神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷系統(tǒng)。該方法只需單個(gè)傳感器就能完成故障信息的提取，減少了診斷成本，通過(guò)采用智能診斷方法可解決因負(fù)載變化而誤診斷問(wèn)題。

筆者在診斷系統(tǒng)上進(jìn)行了測(cè)試驗(yàn)證，測(cè)試結(jié)果表明，該方法有較高的準(zhǔn)確率，診斷速度快，可以快速有效地識(shí)別IGBT 故障位置，能滿足故障診斷的要求，為APF 的故障在線診斷提供了參考。

［1］董偉杰，白曉民，朱寧輝，等.電力有源濾波器故障診斷與容錯(cuò)控制研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(18):65-72.

［2］馬立新，王曉丹，王月曉，等.APF 特定次諧波智能檢測(cè)方法的研究［J］.控制工程，2013，20(2):352-356.

［3］于 泳，蔣生成，楊榮峰，等.變頻器IGBT 開路故障診斷方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2011，31(9):30-35.

［4］安群濤，孫 力，趙 克，等.基于開關(guān)函數(shù)模型的逆變器開路故障診斷方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(6):1-6.

［5］WANG Long，LIU Yan-heng，LI Xiao-guang，et al.Analog circuit fault diagnosis based on distributed neural network［J］.Journal of Computers，2010，5(11):1747-1754.

［6］崔博文，任 章.基于傅里葉變換和神經(jīng)網(wǎng)絡(luò)的逆變器故障檢測(cè)與診斷［J］.電工技術(shù)學(xué)報(bào)，2006，21(7):37-43.

［7］趙建輝，趙建平，孫永匯，等.BP 神經(jīng)網(wǎng)絡(luò)在雷達(dá)故障診斷中的應(yīng)用［J］.兵工自動(dòng)化，2013，32(2):37-39，44.

［8］朱文材，胡海剛，朱鳴鶴，等.遺傳神經(jīng)網(wǎng)絡(luò)在軸系故障診斷中的應(yīng)用［J］.機(jī)電工程，2012，29(2):136-141.

［9］周大星，瞿 軍.基于Elman 神經(jīng)網(wǎng)絡(luò)的液壓起豎系統(tǒng)故障診斷研究［J］.液壓氣動(dòng)與密封，2013(13):24-26.

［10］馬立新，肖 川，林家雋，等.神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測(cè)方法［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23(3):24-29.

［11］王 磊，趙雷霆，張 鋼，等.電壓型PWM 整流器的開關(guān)器件斷路故障特征［J］.電工技術(shù)學(xué)報(bào)，2010，25(7):108-115.

［12］張梅軍，陳 灝，曹 勤，等.EMD 分解、分形理論和RBF 神經(jīng)網(wǎng)絡(luò)相結(jié)合的軸承智能故障診斷研究［J］.機(jī)械，2012(11):16-21.

［13］崔遜波，鄒 俊，阮曉東，等.基于加權(quán)概率神經(jīng)網(wǎng)絡(luò)的齒輪箱抗噪故障診斷［J］.機(jī)電工程，2010，27(2):54-57.

［14］郝紅衛(wèi)，蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法［J］.自動(dòng)化學(xué)報(bào)，2007，33(12):1247-1251.