李 文 帕孜來·馬合木提 李高原

(新疆大學 電氣工程學院,烏魯木齊 830017)

隨著逆變器技術的發(fā)展,產(chǎn)生了許多新型逆變器.其中,三電平T 型逆變器憑借交流輸出諧波小、開關損耗低和效率高等諸多優(yōu)勢被廣泛應用,現(xiàn)已得到國內外學者的高度關注[1].逆變器功率管的故障類型有開路故障和短路故障.短路故障發(fā)生時間較短,通常為幾微秒,不易檢測,系統(tǒng)中通常會串聯(lián)快速熔斷器等硬件保護電路,可將短路故障轉化為開路故障進行處理[2].本文研究三電平T 型逆變器的開路故障,所提及的故障均為IGBT 的開路故障.常見的逆變器開路故障診斷方法有基于解析模型、知識和數(shù)據(jù)驅動的方法[3-4].文獻[5]使用Park矢量法對三相兩電平逆變器進行故障識別,這種方法需要識別歸一化電流平均值的正負屬性,根據(jù)故障定位變量是否超過閾值從而確定故障標志,由故障標志確定故障管.但是,該方法在確定閾值的時候需要通過大量實驗得出.文獻[6]使用逆變器輸出功率對IGBT 進行開路故障診斷,由于依靠功率作為故障特征,故用該方法在設備空載的情況下進行診斷很容易出現(xiàn)誤診斷.文獻[7]對三電平逆變器進行邏輯建模,對實際模型和故障模型進行特征提取,通過對比實際模型與故障模型的殘差從而識別出故障類型.但是,該方法需要復雜的邏輯建模,而且模型與實際系統(tǒng)往往存在一定的誤差.文獻[8]將逆變器輸出三相電壓信號轉化為兩相信號作為特征量,利用神經(jīng)網(wǎng)絡對其進行辨識從而識別故障管,但是該方法需要大量的訓練數(shù)據(jù),診斷速度慢.

本文使用模糊邏輯對三電平T 型逆變器進行故障診斷,對逆變器的輸出電流求均方根值和平均值,以均方根電流值和電流平均值作為特征量,使用模糊邏輯對該特征量進行辨識.實驗表明,通過建立的模糊規(guī)則,可以準確識別出故障類型.該方法不需要復雜的數(shù)據(jù)計算,診斷時間短,能準確識別出故障類型.

1 模糊邏輯

模糊邏輯在模糊控制和系統(tǒng)辨識領域發(fā)揮著重要作用.在處理辨識問題時通常分為以下步驟:模糊化,模糊推理,去模糊化.對于經(jīng)典的布爾邏輯,只能辨識“0”或者“1”,其基本運算是“與”、“或”、“非”.但對于模仿人腦的計算方式,布爾邏輯已不能滿足需要,模糊邏輯便用來解決一些模糊分類和決策問題.

1.1 模糊化

模糊化是模糊邏輯的前提,是將模糊器輸入的精確量轉化為模糊量.模糊集合基于數(shù)學的思維方法,定量處理事務和概念的不確定性或模糊性[9].模糊化的過程主要是建立故障征兆集X和故障原因集Y;再構造模糊隸屬度函數(shù),建立模糊矩陣R;最后通過模糊算子合成算法,求解模糊方程,確定故障原因[10].式(1)為故障征兆向量.式(2)為故障原因向量,表示故障征兆出現(xiàn)的原因.對于集合A,x屬于X,μA(x)為隸屬度,其值介于0和1之間,如式(3)所示.μA(x)的值越大,表示事件x發(fā)生的可能性越大.

1.2 模糊規(guī)則

建立模糊規(guī)則旨在建立模糊關系矩陣,模糊關系矩陣是根據(jù)故障征兆和故障原因之間的模糊關系建立的,如式(4)所示.R為模糊關系矩陣,該矩陣中的元素值介于0和1之間,表征故障征兆X與故障原因Y關聯(lián)性的量化值[11].矩陣中的元素值越大,表示從故障征兆推理出故障原因的可能性越大.模糊推理如式(5)所示,其中Y表示故障原因向量,“·”表示模糊算子.

1.3 去模糊化

當數(shù)據(jù)模糊化完畢之后,需要去模糊化以便形成精確量.常用的去模糊化方法有最大隸屬度法、重心法和加權平均法[12].其中重心法去模糊化由于其計算方便,適合用于分類問題.本文使用的是重心法去模糊化,如式(6)所示.

式中:μA(x)為隸屬度.

2 特征提取

2.1 三電平T型逆變器拓撲

圖1為三電平T 型逆變器拓撲結構.該拓撲結構中IGBT 發(fā)生開路故障概率大,相應的故障診斷研究尤為重要[13].開關管的短路故障一般需要在微秒級的時間內檢測到并給予排除,目前主要采用成熟的硬件檢測和保護方案[14],在此不進行診斷.本文主要研究三電平T 型逆變器IGBT 開路故障,其中包括單管開路故障和雙管開路故障.由于三電平T 型逆變器三相對稱的緣故,本文的故障分析選取其中兩相.

圖1 三電平T 型逆變器拓撲結構

2.2 故障特征提取

首先需要測量每相均方根電流值,判斷每相均方根電流值是否相等.如果相等,則無故障發(fā)生,如式(7)所示.正常無故障情況下,每相均方根值相等.如果均方根值不相等,則判斷有故障發(fā)生,此時需要測量電流平均值,如式(8)所示.式中,N表示一個周期內的電流采樣次數(shù),i(n)表示三相電流值.

2.3 診斷策略

判斷有故障發(fā)生后,需要進一步判別是哪一種故障類型.此時運用模糊邏輯,將三相電流平均值模糊化,運用模糊規(guī)則,反模糊化后可以準確識別故障管.診斷策略的示意圖如圖2所示.

圖2 診斷策略

其中,故障征兆向量為逆變器輸出的三相電流平均值的相對大小,每一相有13種故障征兆向量,分別為NVB(負極大),NB(負大),NM(負中),NS(負小),NVS(負極小),NVVS(負最小),ZO(零),PVVS(正最小),PVS(正極小),PS(正小),PM(正中),PB(正大),PVB(正極大).其中NVB 表示電流平均值模糊化后達到負極大值的范圍,NB 表示電流平均值模糊化后達到負大值的范圍,以此類推.由于Sa1和Sa3管故障時,B 和C 兩相的電流平均值太小,介于0～0.2A,如圖3所示.所以設置了NVVS和PVVS這兩種故障征兆向量對其進行辨識.

圖3 Sa1 和Sa3 管0.06s開路故障平均電流

由于T 型逆變器三相對稱緣故,所以診斷選擇的單管故障為A 相的4個功率管Sa1、Sa2、Sa3、Sa4.雙管同相故障選擇A 相的兩管故障.雙管異相故障選擇A、B 兩相的不同相兩管故障,總計20種故障.其中Ia為A 相電流的平均值,Ib為B 相電流的平均值,Ic為C 相電流的平均值.當Ia的故障征兆為NB,Ib為PVS,Ic為PVS時,應用模糊規(guī)則后即可識別為Sa1故障.同理,當Ia模糊化后為NVB,Ib為PS,Ic為PS時,應用模糊規(guī)則后即可識別為Sa1和Sa2故障,模糊規(guī)則見表1.

表1 模糊規(guī)則表

3 實驗結果

本文仿真實驗模型在Matlab/Simulink 環(huán)境中搭建.如圖4所示.整個模型由脈沖電路、濾波電路、測量電路和模糊分類構成.其中LCL濾波電路如圖5所示,主要由濾波電感和濾波電容構成.由于三相對稱,因此A,B,C三相的濾波電感和電容參數(shù)相同.仿真參數(shù)見表2.

圖4 仿真模型

圖5 LCL濾波電路結構

表2 仿真模型具體參數(shù)

3.1 單管故障

在0.06s時Sa1管開路故障,此時均方根電流值不相等,判斷有故障發(fā)生,如圖6(a)所示.與此同時A 相和B、C相電流平均值不為零,如圖6(b)所示.

圖6 Sa1 管0.06s開路故障

應用模糊規(guī)則,對故障特征進行辨識.如圖7所示,辨識結果為1,對應模糊規(guī)則表為Sa1管故障.其診斷時間僅為0.008s,如圖8所示.

圖7 Sa1 管故障時模糊輸出

圖8 Sa1 管0.06s故障時模糊診斷輸出結果

3.2 雙管故障

雙管故障分為同相雙管故障和不同相雙管故障[15].由于三相對稱,本文的雙管故障同相側選擇A相,不同相的雙管故障選擇A、B相.0.06s時,Sa2管故障和Sb3管故障,圖9(a)所示為故障后的均方根電流值.從圖中可以看出A、B、C 三相的均方根電流值不相等,判斷發(fā)生了故障.圖9(b)為故障后的電流平均值,從圖中可以看出,故障發(fā)生后A,B兩相電流平均值不為0,C相電流平均值接近于0.

圖9 Sa2 管和Sb3 管0.06s故障

此時應用模糊規(guī)則,將三相電流平均值輸入至建立好的模糊規(guī)則,辨識結果為16,如圖10所示,根據(jù)模糊規(guī)則表即可識別出為Sa2管和Sb3管故障.雙管故障從發(fā)生故障到診斷出故障用時僅為0.013s,如圖11所示,為雙管故障時的模糊診斷輸出結果.

圖10 Sa2 管和Sb3 管故障時模糊輸出

圖11 Sa1 管和Sb3 管0.06s故障時模糊診斷輸出結果

3.3 結果分析

以上實驗表明,本文提出的基于模糊邏輯的三電平T 型逆變器故障診斷具有諸多優(yōu)勢.首先,在特征提取的時候,只需提取出逆變器輸出側的三相電流信號,無需增設額外的傳感器.其次,本文的故障診斷將單管故障診斷時間縮短至0.008s,雙管故障診斷時間縮短至0.013s.本文方法與相關方法的對比見表3.

表3 本文方法與相關方法的對比

4 結語

本文應用模糊規(guī)則,用均方根電流判別系統(tǒng)是否發(fā)生故障,用平均化后的電流值作為故障特征.實驗結果表明:

1)將電流平均值模糊化后,通過建立的模糊規(guī)則,可使三電平T 型逆變器功率管的單管開路故障診斷時間降低至1/2基波周期內,雙管開路故障診斷時間降低至3/4基波周期內.

2)該方法無需增設額外的傳感器,無需設定診斷閾值,無需復雜的數(shù)據(jù)處理,仿真驗證了所提診斷策略的準確性.