尹橋宣, 段 斌, 沈夢君, 屈相帥

(1. 智能計算與信息處理教育部重點實驗室, 湘潭大學(xué), 湖南省湘潭市 411105;2. 湖南省風(fēng)電裝備與電能變換協(xié)同創(chuàng)新中心, 湘潭大學(xué), 湖南省湘潭市 411105)

0 引言

模塊化多電平變換器(modular multilevel converter,MMC)作為一種新型的柔性一次設(shè)備[1],已被廣泛應(yīng)用在電力系統(tǒng)中,顯著提升了電能的轉(zhuǎn)換和傳輸效率,增強了電力系統(tǒng)的調(diào)控能力與靈活性[2-3]。MMC的子模塊(sub-module,SM)含有大量的功率器件,使得MMC每個子模塊都是潛在故障點[4-5]。為了保護子模塊電路,減少子模塊故障的影響,一些驅(qū)動保護電路已被集成到子模塊控制器上,如過熱、過流、過載繼電器[6-8]。但這些保護電路設(shè)計復(fù)雜且診斷能力較弱,無法識別出某些故障類型,使得保護容易失效[8]。因此,研究一種高效的故障診斷方法對MMC穩(wěn)定運行至關(guān)重要。

近年來,國內(nèi)外針對多電平逆變器故障診斷的方法大致可劃分為3類:①基于數(shù)學(xué)模型的方法[9];②基于信號處理的方法[10-11];③基于知識的方法[12-13]?；跀?shù)學(xué)模型的方法,需要構(gòu)建準(zhǔn)確的數(shù)學(xué)模型進行故障類型識別,而多電平逆變器屬于高階、非線性、強耦合系統(tǒng),難以構(gòu)建出準(zhǔn)確的數(shù)學(xué)模型,故基于數(shù)學(xué)模型的故障診斷方法應(yīng)用于多電平逆變器存在局限性[14]?；谛盘柼幚淼姆椒ㄖ饕谢陬l譜分析和基于小波變換兩種方法：基于頻譜分析的方法主要將采集到的信號從時域變換到頻域上,提取故障波形的頻譜特征,實現(xiàn)故障診斷[15]；而基于小波變換的方法具有良好的時頻局部化特性,能夠有效地提取故障特征,與其他方法相結(jié)合能夠完成各種故障診斷任務(wù)[16]。盡管這些方法已應(yīng)用于多電平逆變器故障診斷中,但它們需要許多與特定系統(tǒng)配置相關(guān)的先驗知識,而且確定實現(xiàn)過程需要不斷調(diào)整。因此,基于信號處理的方法可能相當(dāng)耗時且缺乏通用性?；谥R的方法通常先對采樣數(shù)據(jù)進行特征提取,然后利用決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機等分類器[17-18]進行故障分類識別。而特征提取過程作為關(guān)鍵步驟,通常很耗時且需要大量的帶標(biāo)簽數(shù)據(jù)獲取先驗知識,而且特征大多數(shù)是手動設(shè)計,很難獲得故障數(shù)據(jù)的深層次特征。

深度學(xué)習(xí)作為機器學(xué)習(xí)領(lǐng)域的一種新興方法,以其強大的自動特征提取能力在圖像識別、語音識別等領(lǐng)域已取得了顯著的成果[19-21]。在深度學(xué)習(xí)模型中,棧式稀疏自動編碼器(stacked sparse auto-encoder,SSAE)作為無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò),能在有標(biāo)記數(shù)據(jù)有限的情況下進行特征學(xué)習(xí),而且整體性能要優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等模型[21]。因此,本文提出了一種基于SSAE的模塊化五電平逆變器(modular five-level inverter,MFLI)子模塊開路故障診斷方法。該方法將故障檢測與定位問題轉(zhuǎn)化為深度學(xué)習(xí)擅長的分類問題,利用SSAE進行無監(jiān)督特征學(xué)習(xí),構(gòu)建原始故障數(shù)據(jù)的深層特征表達,最后將深層特征連接到Softmax分類器輸出故障診斷結(jié)果。因此,本文所提出的方法具有如下2個優(yōu)點:①傳統(tǒng)方法耗時的手工特征設(shè)計過程被自動特征學(xué)習(xí)過程替代;②通過無監(jiān)督特征學(xué)習(xí)充分利用MFLI在線監(jiān)測設(shè)備收集的大量未標(biāo)記數(shù)據(jù)。此外,為了提高該方法的抗噪性能,利用已添加高斯白噪聲的數(shù)據(jù)對SSAE進行訓(xùn)練,以提高其特征表達魯棒性。

1 MFLI工作原理及故障分析

1.1 MFLI拓?fù)浣Y(jié)構(gòu)

MFLI基本拓?fù)浣Y(jié)構(gòu)[22]如圖1所示,共有6個橋臂,每個橋臂由4個子模塊和1個電抗器(L0)串聯(lián)而成,每相單元由上橋臂和下橋臂組成。其中每個子模塊包括2個IGBT器件T1和T2、2個反并聯(lián)二極管D1和D2,以及1個直流側(cè)電容器CSM。圖中:iarm為子模塊輸入電流;USM為子模塊輸出電壓;UC為子模塊的電容電壓;各物理量的參考方向如圖1所示。

圖1 MFLI電路拓?fù)浣Y(jié)構(gòu)Fig.1 Topology structure of MFLI circuit

1.2 子模塊故障特性

MFLI子模塊故障通常分為2種類型[23]:短路故障和開路故障。短路故障破壞性較大,因而子模塊驅(qū)動電路中一般配備了短路保護模塊,當(dāng)短路故障發(fā)生時,由本地閉鎖該子模塊,確保系統(tǒng)仍可正常運行。開路故障危害相對較小,因而不易被立即檢測到,從而造成電壓電流波形畸變等后果,威脅到系統(tǒng)的正常運行[6-8,24]。因此,本文主要研究子模塊中絕緣柵雙極型晶體管(IGBT)器件的開路故障,包括T1開路故障、T2開路故障、T1和T2同時開路故障3種類型。子模塊開路故障后橋臂電流的正負(fù)所對應(yīng)的子模塊輸出電壓特性與子模塊正常運行時有所不同[23],具體區(qū)別如下。

1)類型Ⅰ:T1開路故障,如圖2(a)所示。對于投入狀態(tài)下的子模塊,當(dāng)iarm>0時電流流經(jīng)D1和CSM,電容仍可正常充電,子模塊輸出電壓為UC。但當(dāng)iarm<0時,電流被迫流經(jīng)D2,此時電容無法正常放電,子模塊輸出電壓USM=0,與正常狀態(tài)不同。對于切除狀態(tài)下的子模塊,其運行情況與正常時一致。

2)類型Ⅱ:T2開路故障,如圖2(b)所示。對于切除狀態(tài)下的子模塊,當(dāng)iarm>0時電流流經(jīng)D1和CSM,電容被充電,子模塊輸出電壓USM=UC,不同于正常狀態(tài)下的USM=0。其他情況均與正常時一致。

3)類型Ⅲ:T1和T2同時開路故障。類型Ⅲ的故障特性同時包含了類型Ⅰ和類型Ⅱ的故障特性,即在子模塊處于投入狀態(tài)且iarm<0和子模塊處于切除狀態(tài)且iarm>0這兩種情況下,電流iarm的流向與子模塊輸出電壓USM的值均與正常狀態(tài)時不同。

圖2 子模塊開路故障Fig.2 Open-circuit fault for SMs

由以上分析可知,T1和T2開路故障會導(dǎo)致電容異常充放電,因此在子模塊出現(xiàn)開路故障時電容電壓會出現(xiàn)波動?，F(xiàn)有子模塊開路故障檢測與定位的方法主要采用人工比較子模塊電容電壓的方法,即通過計算故障子模塊電容電壓與正常運行子模塊電容電壓之間差值實現(xiàn)故障檢測與定位[1,6-7]。這類方法不僅需要花費一定的計算時間,而且當(dāng)橋臂電流很小時,故障子模塊電容電壓與正常運行子模塊電容電壓的差值也會很小,故障特征不夠明顯,使得故障檢測與定位工作變得很難。本文將MFLI中子模塊電容電壓信號組合成24通道序列信號,利用SSAE以無監(jiān)督方式從中自動提取數(shù)量最少且擬合最好的深層次特征信息,減少故障診斷中人工特征提取的工作量,提高故障診斷效率。

2 基于SSAE的MFLI故障診斷方法

2.1 SSAE

自動編碼器(auto-encoder,AE)是一種由輸入層、隱含層和輸出層組成的3層神經(jīng)網(wǎng)絡(luò)[25-27],其結(jié)構(gòu)具有對稱性,如圖3所示。AE通過隱含層對輸入數(shù)據(jù)進行編碼,然后由重構(gòu)輸入數(shù)據(jù)得到輸出。通過使重構(gòu)誤差最小,獲得最佳的數(shù)據(jù)隱含層表達。稀疏自動編碼器(sparse auto-encoder,SAE)主要在AE的損失函數(shù)上添加稀疏約束項,以提高其特征學(xué)習(xí)能力[25-26]。由于SAE的構(gòu)造能力有限,所以為了構(gòu)成表達能力更強的函數(shù),通常將多個SAE依次堆疊構(gòu)成深度網(wǎng)絡(luò)結(jié)構(gòu),即SSAE[27-28]。在SSAE網(wǎng)絡(luò)結(jié)構(gòu)中,前一個SAE的隱含層輸出作為后一個SAE的輸入。根據(jù)后文3.3節(jié)可知,本文所提出的故障診斷模型采用由2層SAE構(gòu)成的SSAE,即由1個輸入層、2個隱含層和1個輸出層構(gòu)成,其結(jié)構(gòu)見附錄A圖A1。

圖3 AE結(jié)構(gòu)Fig.3 Architecture of AE

xZCA=Ux

(1)

為便于表示,文中繼續(xù)使用x表示經(jīng)過預(yù)處理的輸入數(shù)據(jù)xZCA,依次執(zhí)行編碼和解碼過程。

(2)

(3)

(4)

則第1層SAE的損失函數(shù)為:

(5)

(6)

(7)

SSAE的訓(xùn)練過程由無監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)2個階段構(gòu)成。在預(yù)訓(xùn)練階段,逐層訓(xùn)練每個SAE,得到原始輸入的深度特征表達,由此避免傳統(tǒng)深度結(jié)構(gòu)容易陷入局部極小值的問題。在微調(diào)階段,將SSAE的所有層作為一個整體來構(gòu)建代價函數(shù),利用BP算法調(diào)整所有層的權(quán)值參數(shù),經(jīng)過微調(diào)后的故障診斷的準(zhǔn)確度和泛化能力可顯著提高。

2.2 Softmax分類器

本文將MFLI子模塊開路故障診斷問題轉(zhuǎn)化為分類問題,通過Softmax分類器[28]的輸出來判斷是否發(fā)生故障及故障發(fā)生的位置。具體地,將MFLI中24個子模塊按照從A相到C相,每相中從上臂到下臂的順序依次標(biāo)記為1到24。從子模塊故障發(fā)生前采樣到的樣本標(biāo)記為“正?！?標(biāo)簽為0;從故障發(fā)生后采樣到的樣本標(biāo)記為“故障”,標(biāo)簽為發(fā)生故障的子模塊的標(biāo)號,即1到24中的某個數(shù)。把“正?！焙?4個不同子模塊發(fā)生“故障”定義為不同的類別,則一共有25種樣本類別。因此,只需通過Softmax分類器預(yù)測出“數(shù)據(jù)帶”樣本的類別,就能判斷MFLI中是否有子模塊發(fā)生故障并確定是哪一個子模塊發(fā)生故障(即故障位置)。

(8)

(9)

Softmax分類器的損失函數(shù)為:

(10)

(11)

利用L-BFGS-B優(yōu)化算法訓(xùn)練Softmax分類器,以最小化損失函數(shù)Js(θ)為目標(biāo),訓(xùn)練得到最優(yōu)的參數(shù)θ∈Rk×nh2,將參數(shù)θ重塑成W(3)∈Rnh2×k。

2.3 基于SSAE的MFLI故障診斷流程

基于SSAE的MFLI子模塊開路故障診斷的具體步驟如下。

步驟1:選取MFLI中的24個子模塊電容電壓信號組合成24通道序列,按照min-max方式對24通道序列信號進行歸一化處理。

步驟2:利用大小為24lwindow(lwindow為窗口長度)的滑動窗口按時間順序等間隔切割24通道序列信號,獲得“數(shù)據(jù)帶”樣本,即灰度圖。將所有24通道序列信號切割獲得的灰度圖合并成一個樣本集,并按照一定比例劃分為訓(xùn)練樣本集和測試樣本集。

步驟3:使用訓(xùn)練樣本集訓(xùn)練SSAE網(wǎng)絡(luò)模型和Softmax分類器,獲得最佳參數(shù),得到故障診斷模型。

步驟4:將測試樣本集輸入已訓(xùn)練好的故障診斷模型進行故障診斷。

3 模型參數(shù)調(diào)整與分析

3.1 MFLI仿真系統(tǒng)搭建和實驗數(shù)據(jù)獲取

為驗證所提故障診斷方法的可行性,本文按照圖1的MFLI拓?fù)浣Y(jié)構(gòu)在PSCAD/EMTDC軟件環(huán)境下搭建仿真系統(tǒng),系統(tǒng)頻率50 Hz,系統(tǒng)容量5.5 MVA,直流側(cè)電壓10 kV。通過改變附錄A表A1所示的系統(tǒng)參數(shù)生成由子模塊電容信號組成的24通道序列信號數(shù)據(jù)集,并嘗試所有參數(shù)的組合,共收集864個24通道序列信號數(shù)據(jù)樣本。MFLI仿真系統(tǒng)在2.0 s處發(fā)生故障,并以20 kHz的采樣頻率采集0～4 s時間范圍內(nèi)24個子模塊電容電壓信號,構(gòu)成24通道序列信號。SM1三種開路故障仿真波形見附錄A圖A2。為了開展后續(xù)基于SSAE的故障診斷實驗,首先對24通道序列信號進行歸一化預(yù)處理,然后利用大小為24lwindow的滑動窗口在每個24通道序列中按時間順序等間隔采樣n個“數(shù)據(jù)帶”樣本,最后根據(jù)實驗需要設(shè)置n和lwindow。

在SSAE模型參數(shù)調(diào)整和分析實驗中,窗口長度lwindow和每個24通道序列信號采樣樣本數(shù)量n分別設(shè)置為40和100。由于數(shù)據(jù)帶的大小為24×40,因此模型的輸入層節(jié)點數(shù)為960,而“正?！焙?4個不同子模塊共有25種樣本類別,則輸出層節(jié)點數(shù)為25。在故障診斷模型中,SAE的權(quán)重衰減參數(shù)λ設(shè)為0.003,稀疏懲罰項權(quán)重系數(shù)β設(shè)為3,Softmax分類器的代價函數(shù)中的權(quán)重衰減參數(shù)λs的值設(shè)為0.000 1,模型訓(xùn)練時迭代次數(shù)設(shè)為400。每個子模塊隨機抽取6個24通道序列樣本,即共144個24通道序列樣本,獲得一個含有14 400個“數(shù)據(jù)帶”樣本的數(shù)據(jù)集,把該數(shù)據(jù)集隨機劃分為10 080個“數(shù)據(jù)帶”樣本(即數(shù)據(jù)集的70%)作為訓(xùn)練集,4 320個“數(shù)據(jù)帶”樣本(即數(shù)據(jù)集的30%)作為測試集進行本節(jié)實驗,討論分析故障參數(shù)對故障診斷實驗效果的影響。

3.2 隱含層神經(jīng)元數(shù)對模型效果的影響

當(dāng)隱含層神經(jīng)元的數(shù)量較少時,所學(xué)習(xí)到的特征有限,容易導(dǎo)致模型的特征表達能力不足。反之,又容易導(dǎo)致模型過擬合。通過10折交叉驗證法和網(wǎng)格搜索自動調(diào)參方法進行相關(guān)實驗,討論隱含層神經(jīng)元數(shù)量對故障診斷結(jié)果的影響。附錄A圖A3為當(dāng)稀疏參數(shù)ρ=0.2時SSAE的2個隱含層在不同神經(jīng)元數(shù)目下的測試結(jié)果圖。由圖A3可知,故障診斷準(zhǔn)確度會隨著神經(jīng)元數(shù)目的增加而增加,而當(dāng)2個隱含層的神經(jīng)元數(shù)目均為120時實驗結(jié)果最好,達到97.13%。此外,從圖A3中可以看出,隱含層節(jié)點數(shù)越多時,故障診斷準(zhǔn)確度不一定越高,過多的節(jié)點數(shù)可能會導(dǎo)致SSAE過擬合。

3.3 隱含層數(shù)量對模型效果的影響

隨著隱含層數(shù)量的增加,模型能學(xué)習(xí)更高層、更抽象的數(shù)據(jù)特征表示,但隱含層數(shù)量過多時又容易導(dǎo)致模型過擬合,因此有必要討論隱含層數(shù)量對故障診斷效果的影響。本文設(shè)置SSAE中隱含層的數(shù)量分別為{1,2,3},隱含層神經(jīng)元數(shù)分別為{150,120,100,90},且各層神經(jīng)元數(shù)量保持一致,設(shè)置稀疏參數(shù)ρ=0.2。不同隱含層數(shù)量對應(yīng)的故障診斷實驗結(jié)果見附錄A圖A4。從圖A4中可以看出,當(dāng)隱含層數(shù)量為2時,實驗結(jié)果最好,故障診斷準(zhǔn)確度為97.13%。當(dāng)隱含層數(shù)量為3時,故障診斷準(zhǔn)確度明顯下降,說明此時SSAE出現(xiàn)過擬合。由以上分析可知,隱含層數(shù)量設(shè)置得過大或者過小都會導(dǎo)致故障診斷準(zhǔn)確度降低。

3.4 稀疏參數(shù)對模型效果的影響

SAE的核心思想是把所有隱含層神經(jīng)元的平均激活水平限制在較小的范圍內(nèi),但對于它的稀疏性參數(shù)的選擇沒有給出明確的指示。本文通過10折交叉驗證法確定稀疏參數(shù)ρ范圍為[Smin,Smax]。為了滿足稀疏條件,Smax的值選擇不能過大。同時,Smin的值也不能過小,否則所有隱含的節(jié)點都不能被有效地激活,也會降低特征提取的效率。不同稀疏參數(shù)下故障診斷準(zhǔn)確度的誤差見附錄A圖A5,結(jié)果表明,對于給定的數(shù)據(jù)集,當(dāng)稀疏參數(shù)設(shè)定在[0.15,0.35]之間時,整體故障診斷精度達到96%以上;當(dāng)參數(shù)取得過小,如稀疏參數(shù)ρ=0.05時,故障診斷準(zhǔn)確度下降到88.15%。而當(dāng)參數(shù)值達到0.4以上時,故障診斷精度會迅速下降,誤差大大增加。因此,在本文實驗中,稀疏參數(shù)會在[0.15,0.35]之間選擇。其中ρ=0.2時,實驗結(jié)果最好,達到97.13%。

4 實驗結(jié)果分析

4.1 實驗結(jié)果

從3.1節(jié)獲得的數(shù)據(jù)集中為每個子模塊隨機抽取4個24通道序列信號樣本,即共96個24通道序列樣本,按照同樣的方式生成含有9 600個“數(shù)據(jù)帶”樣本的數(shù)據(jù)集,對完成參數(shù)調(diào)試的模型進行驗證。附錄A圖A6是當(dāng)2個隱含層的神經(jīng)元數(shù)目都為120且ρ=0.2時,其故障診斷準(zhǔn)確度所對應(yīng)的混淆矩陣?；煜仃嚨男袑?yīng)樣本所屬的真實類別,列對應(yīng)模型給出樣本的預(yù)測類別。

從附錄A圖A6中可以看出,故障診斷精度較高,經(jīng)計算可得平均正確率為98.09%。出現(xiàn)錯誤的故障診斷主要是因為MFLI仿真系統(tǒng)中子模塊由正常狀態(tài)突變?yōu)楣收蠣顟B(tài)后,電容電壓不會立即突變,而是隨著充放電過程逐漸發(fā)生變化,導(dǎo)致在故障時刻點前后采樣到的正常樣本和故障樣本之間相似性高,容易混淆,導(dǎo)致故障檢測與定位出現(xiàn)誤差。實驗結(jié)果表明,基于SSAE的MFLI故障診斷模型能夠以很高的準(zhǔn)確度完成故障診斷。

4.2 故障診斷時間

為獲取故障診斷時間,從3.1節(jié)獲得的數(shù)據(jù)集中為每個子模塊隨機抽取3個24通道信號樣本,共72個24通道信號樣本,繪制每個信號樣本的模型輸出。由于本文MFLI仿真實驗設(shè)定子模塊開路故障開始時間為第2 s,因此在24通道序列的1.9～2.4 s時間段內(nèi),利用滑動窗口以1 ms的步長從左向右移動,獲得500個大小為24×40的“數(shù)據(jù)帶”樣本,作為訓(xùn)練好的模型輸入,獲得故障診斷模型的預(yù)測輸出并進行濾波操作,最后繪制出每個“數(shù)據(jù)帶”樣本的模型輸出,如附錄A圖A7所示。具體地,在檢測到故障前,每個“數(shù)據(jù)帶”樣本的模型輸出為0,即“無故障”類別。當(dāng)檢測到子模塊故障后,模型的輸出為故障子模塊的標(biāo)號,即1～24之間的某個數(shù)。為清楚顯示每個“數(shù)據(jù)帶”樣本對應(yīng)的模型輸出,在原始輸出上添加了一個服從正態(tài)分布N(0,0.1)的常數(shù),將所有輸出稍微向上或向下移動。本文對各子模塊的故障檢測時間進行了統(tǒng)計,見附錄A圖A8。最快檢測時間為13 ms,最慢檢測時間為52 ms,平均檢測時間為31.47 ms。相比于文獻[31]利用子模塊電容電壓值比較的方法定位子模塊,故障診斷時間為100 ms,本文具有一定優(yōu)勢。

4.3 對比結(jié)果

將本文提出的基于SSAE的故障診斷模型與反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機(SVM)等兩種方法進行比較分析,其中BPNN輸入層節(jié)點數(shù)為960,2個隱含層節(jié)點數(shù)分別為512和128,輸出層節(jié)點數(shù)為25。SVM采用“一對多”法實現(xiàn)多值分類,設(shè)定徑向基函數(shù)(RBF)核函數(shù)懲罰項參數(shù)C=1,核系數(shù)γ=0.02,實驗得到SSAE,SVM,BPNN的正確率分別為98.09%,86.78%,93.67%?？梢?本文方法比其他方法的實驗結(jié)果在診斷上具有一定的優(yōu)勢。

4.4 抗噪性能

為確保所提出的故障檢測與定位方法能夠在數(shù)據(jù)存在噪聲和測量誤差的情況下仍具有較好的性能,同時驗證特征提取過程的泛化性,本文向訓(xùn)練集數(shù)據(jù)樣本添加不同強度的高斯白噪聲,對SSAE進行訓(xùn)練,以提高其特征表達的魯棒性,實驗結(jié)果如下:噪聲強度分別為5%,10%,15%,20%,25%時,正確率分別為96.71%,95.93%,93.84%,93.29%,91.71%。可以看出,當(dāng)噪聲的強度為25%時,故障診斷準(zhǔn)確度仍能達到91.71%,說明該方法的抗噪性能較好。

5 結(jié)語

在MFLI發(fā)生子模塊故障后及時完成故障檢測與定位,并結(jié)合相應(yīng)的保護策略保障MFLI的正常運行,這一工作具有一定的工程應(yīng)用價值和現(xiàn)實意義。本文將深度學(xué)習(xí)技術(shù)應(yīng)用于MFLI故障診斷領(lǐng)域,把故障診斷問題轉(zhuǎn)換成深度學(xué)習(xí)模型所擅長的分類問題,將MFLI子模塊電容電壓信號組成24通道序列信號,并沿24通道序列信號移動大小為24×40的采樣窗口獲得“數(shù)據(jù)帶”樣本。然后利用SSAE對“數(shù)據(jù)帶”樣本進行無監(jiān)督學(xué)習(xí),自動提取故障深層特征。最后將深層特征連接到Softmax分類器輸出故障診斷結(jié)果。結(jié)果表明,所提出算法平均故障診斷準(zhǔn)確度達到了98.09%。此外,向訓(xùn)練集數(shù)據(jù)樣本添加不同強度的高斯白噪聲,對SSAE進行訓(xùn)練,提高了其特征表達的魯棒性。

由于深度學(xué)習(xí)模型參數(shù)調(diào)整復(fù)雜,選取不當(dāng)可使模型陷入局部最小或過擬合,影響分類結(jié)果。因此,下一步需對參數(shù)調(diào)整方法進行深入研究。同時考慮獲取真實MFLI電路中的數(shù)據(jù)來驗證模型的普適性，以及拓展深度學(xué)習(xí)理論在電力系統(tǒng)故障診斷領(lǐng)域中的應(yīng)用。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參考文獻

[1] 張正發(fā),李可軍,王卓迪,等.兼具開路故障診斷能力的MMC電容電壓測量方法[J].電力系統(tǒng)自動化,2017,41(7):114-119.DOI:10.7500/AEPS20160712008.

ZHANG Zhengfa, LI Kejun, WANG Zhuodi, et al. Measuring method of MMC capacitor voltage with diagnostic ability of open-circuit fault[J]. Automation of Electric Power Systems, 2017, 41(7): 114-119. DOI: 10.7500/AEPS20160712008.

[2] 郭敬梅,曾德輝,王鋼,等.基于輔助電路的MMC-HVDC直流故障處理策略[J].電力系統(tǒng)自動化,2016,40(16):90-97.DOI:10.7500/AEPS20151029001.

GUO Jingmei, ZENG Dehui, WANG Gang, et al. Auxiliary equipment based processing strategy for MMC-HVDC DC faults[J]. Automation of Electric Power Systems, 2016, 40(16): 90-97. DOI: 10.7500/AEPS20151029001.

[3] PEREZ M A, BERNET S, RODRIGUEZ J, et al. Circuit topologies, modeling, control schemes, and applications of modular multilevel converters[J]. IEEE Transactions on Power Electronics, 2015, 30(1): 4-17.

[4] 胡鵬飛,林志勇,周月賓,等.適用于大規(guī)模MMC的分布式控制系統(tǒng)及兩級均壓策略[J].電力系統(tǒng)自動化,2014,38(11):79-84.DOI:10.7500/AEPS20131022006.

HU Pengfei, LIN Zhiyong, ZHOU Yuebin, et al. Distributed control system and two-layer voltage balancing method for large-scale modular multilevel converters[J]. Automation of Electric Power Systems, 2014, 38(11): 79-84. DOI: 10.7500/AEPS20131022006.

[5] 張建坡,趙成勇,郭麗.模塊化多電平換流器子模塊拓?fù)浞抡娣治鯷J].電力系統(tǒng)自動化,2015,39(2):106-111.DOI:10.7500/AEPS20130821005.

ZHANG Jianpo, ZHAO Chengyong, GUO Li. Simulation analysis on submodule topology of modular multilevel converter[J]. Automation of Electric Power Systems, 2015, 39(2): 106-111. DOI: 10.7500/AEPS20130821005.

[6] YANG Q, QIN J, SAEEDIFARD M. Analysis, detection, and location of open-switch submodule failures in a modular multilevel converter[J]. IEEE Transactions on Power Delivery, 2016, 31(1): 155-164.

[7] DENG F, CHEN Z, KHAN M R, et al. Fault detection and localization method for modular multilevel converters[J]. IEEE Transactions on Power Electronics, 2014, 30(5): 2721-2732.

[8] 李探,趙成勇,李路遙,等.MMC-HVDC子模塊故障診斷與就地保護策略[J].中國電機工程學(xué)報,2014,34(10):1641-1649.

LI Tan, ZHAO Chengyong, LI Luyao, et al. Sub-module fault diagnosis and the local protection scheme for MMC-HVDC system[J]. Proceedings of the CSEE, 2014, 34(10): 1641-1649.

[9] PEUGET R, COURTINE S, ROGNON J P. Fault detection and isolation on a PWM inverter by knowledge-based model[J]. IEEE Transactions on Industry Applications, 1997, 34(6): 1318-1326.

[10] CHOWDHURY F N, ARAVENA J L. A modular methodology for fast fault detection and classification in power systems[J]. IEEE Transactions on Control Systems Technology, 1998, 6(5): 623-634.

[11] TURPIN C, BAUDESSON P, RICHARDEAU F, et al. Fault management of multicell converters[J]. IEEE Transactions on Industrial Electronics, 2002, 49(5): 988-997.

[12] 龍伯華,譚陽紅,許慧,等.基于量子神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷[J].電工技術(shù)學(xué)報,2009,24(10):170-175.

LONG Bohua, TAN Yanghong, XU Hui, et al. Fault diagnosis of power electronic circuits based on quantum neural network[J]. Transactions of China Electrotechnical Society, 2009, 24(10): 170-175.

[13] WANG T, XU H, HAN J, et al. Cascaded H-bridge multilevel inverter system fault diagnosis using a PCA and multi-class relevance vector machine approach[J]. IEEE Transactions on Power Electronics, 2015, 30(12): 7006-7018.

[14] 李寧,李穎暉,朱喜華,等.基于混合邏輯動態(tài)模型和故障事件識別向量的新型逆變電路故障診斷[J].電網(wǎng)技術(shù),2013,37(10):2808-2813.

LI Ning, LI Yinghui, ZHU Xihua, et al. Fault diagnosis for new inverter circuits based on mixed logic dynamic model and incident identification vector[J]. Power System Technology, 2013, 37(10): 2808-2813.

[15] 陳如清,李強.一種基于頻譜分析的可控整流電路故障診斷方法[J].電機與控制學(xué)報,2005,9(1):80-85.

CHEN Ruqing, LI Qiang. A method for fault diagnosis in controlled rectifier based on frequency analysis[J]. Electric Machines and Control, 2005, 9(1): 80-85.

[16] 崔江,王強,龔春英.結(jié)合小波與Concordia變換的逆變器功率管故障診斷技術(shù)研究[J].中國電機工程學(xué)報,2015,35(12):3110-3116.

CUI Jiang, WANG Qiang, GONG Chunying. Inverter power switch fault diagnosis technique research based on wavelet and Concordia transform[J]. Proceedings of the CSEE, 2015, 35(12): 3110-3116.

[17] 鄭連清,鄒濤,婁洪立.電力電子主電路故障診斷方法研究[J].高電壓技術(shù),2006,32(3):84-86.

ZHENG Lianqing, ZOU Tao, LOU Hongli. Fault diagnosis of power electronic circuits based on wavelet transform and neural network[J]. High Voltage Engineering, 2006, 32(3): 84-86.

[18] 胡清,王榮杰,詹宜巨.基于支持向量機的電力電子電路故障診斷技術(shù)[J].中國電機工程學(xué)報,2008,28(12):107-111.

HU Qing, WANG Rongjie, ZHAN Yiju. Fault diagnosis technology based on SVM in power electronics circuit[J]. Proceedings of the CSEE, 2008, 28(12): 107-111.

[19] DAHL G E, YU D, DENG L, et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J]. IEEE Transactions on Audio Speech & Language Processing, 2012, 20(1): 30-42.

[20] HANNUN A, CASE C, CASPER J, et al. Deep speech: scaling up end-to-end speech recognition[EB/OL]. [2014-12-19]. https://arxiv.org/obs/1412.5567.

[21] CHEN K, HU J, HE J. A framework for automatically extracting overvoltage features based on sparse autoencoder[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 594-604.

[22] 徐政,屠卿瑞,管敏淵.柔性直流輸電系統(tǒng)[M].北京:機械工業(yè)出版社,2013.

[23] 李可軍,張正發(fā),劉智杰,等.MMC橋臂不對稱運行特性分析及子模塊故障下的控制策略[J].高電壓技術(shù),2016,42(10):3059-3067.

LI Kejun, ZHANG Zhengfa, LIU Zhijie, et al. Characteristics analysis of MMC in arm asymmetrical operation and control strategy under submodule fault[J]. High Voltage Engineering, 2016, 42(10): 3059-3067.

[24] 管敏淵,徐政.模塊化多電平換流器子模塊故障特性和冗余保護[J].電力系統(tǒng)自動化,2011,35(16):94-98.

GUAN Minyuan, XU Zheng. Redundancy protection for sub-module faults in modular multilevel converter[J]. Automation of Electric Power Systems, 2011, 35(16): 94-98.

[25] TAO C, PAN H, LI Y, et al. Unsupervised spectral-spatial feature learning with stacked sparse autoencoder for hyperspectral imagery classification[J]. IEEE Geoscience & Remote Sensing Letters, 2015, 12(12): 2438-2442.

[26] XU J, XIANG L, LIU Q, et al. Stacked sparse autoencoder (SSAE) for nuclei detection on breast cancer histopathology images[J]. IEEE Transactions on Medical Imaging, 2016, 35(1): 119-130.

[27] 代杰杰,宋輝,楊祎,等.基于棧式降噪自編碼器的輸變電設(shè)備狀態(tài)數(shù)據(jù)清洗方法[J].電力系統(tǒng)自動化,2017,41(12):224-230.DOI:10.7500/AEPS20161201003.

DAI Jiejie, SONG Hui, YANG Yi, et al. Cleaning method for status data of power transmission and transformation equipment based on stacked denoising autoencoders[J]. Automation of Electric Power Systems, 2017, 41(12): 224-230. DOI: 10.7500/AEPS20161201003.

[28] 戴曉愛,郭守恒,任淯,等.基于堆棧式稀疏自編碼器的高光譜影像分類[J].電子科技大學(xué)學(xué)報,2016,45(3):382-386.

DAI Xiaoai, GUO Shouheng, REN Yu, et al. Hyperspectral remote sensing image classification using the stacked sparse autoencoder[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(3): 382-386.

[29] GLOROT X, BORDES A, BENGIO Y. Deep sparse rectifier neural networks[C]// International Conference on Artificial Intelligence and Statistics, April 11-13, 2011, Fort Lorderdale, USA.

[30] ZHU C, BYRD R H, LU P, et al. Algorithm 778: L-BFGS-B: Fortran subroutines for large-scale bound-constrained optimization[J]. ACM Transactions on Mathematical Software, 1997, 23(4): 550-560.

[31] SHAO S, WATSON A J, CLARE J C, et al. Robustness analysis and experimental validation of a fault detection and isolation method for the modular multilevel converter[J]. IEEE Transactions on Power Electronics, 2016, 31(5): 3794-3805.