肖　靚，王　磊，陳　雷，寧　卜

(1.佛山電力設計院有限公司，廣東佛山528200；2.西北電力設計院有限公司 系統(tǒng)規(guī)劃部，陜西西安710075；3.中國能源建設集團 廣東省電力設計研究院，廣東廣州510530；4.國網(wǎng)冀北電力有限公司，北京100053)

基于BP神經(jīng)網(wǎng)絡的STATCOM主回路故障診斷

肖靚1，王磊2，陳雷3，寧卜4

(1.佛山電力設計院有限公司，廣東佛山528200；2.西北電力設計院有限公司 系統(tǒng)規(guī)劃部，陜西西安710075；3.中國能源建設集團 廣東省電力設計研究院，廣東廣州510530；4.國網(wǎng)冀北電力有限公司，北京100053)

摘要：STATCOM主回路主要由電力電子器件構成。電力電子器件過載能力小，損壞速度快，故障發(fā)生前征兆較難捕捉。設計合理有效的STATCOM主回路故障診斷方法可在故障發(fā)生后及時對故障管進行定位，盡快排除故障，使裝置恢復正常運行。人工神經(jīng)網(wǎng)絡技術具有很強的非線性映射特征和自學習能力，非常適用于STATCOM主回路電力電子器件的故障診斷。以三相三橋臂STATCOM為研究對象，建立其主回路IGBT或續(xù)流二極管單管開路故障模式并提取故障特征，根據(jù)神經(jīng)網(wǎng)絡非線性映射特性，建立BP神經(jīng)網(wǎng)絡來學習及存儲故障特征信號和故障類型的映射關系。MATLAB仿真表明,該神經(jīng)網(wǎng)絡能夠準確地診斷和定位STATCOM主回路開關元件單管開路故障，具有很好的故障識別能力。

關鍵詞：STATCOM；開路故障；BP神經(jīng)網(wǎng)絡

中圖分類號：TM743

文獻標識碼:A

DOI:10.3969/j.issn.1672-0792.2015.03.009

收稿日期：2015-01-15。

作者簡介：肖靚(1984-)，女，工程師，主要研究方向為電力系統(tǒng)規(guī)劃及運行，E-mail：7070711@qq.com。

Abstract：The main circuit of STATCOM is composed of power electronic devices. Due to the fact that the switches have a low overload capacity and can be damaged in an instant and the sign of a coming failure is difficult to catch, it’s necessary to devise a reasonable and effective fault diagnosis method for the STATCOM main circuit, which can locate and debug the faulty switches in time, and clear the failure as soon as possible, and then the device can be back to normal running. With the strong nonlinear mapping characteristics and self-taught ability, application of artificial neural network technique has been widely used in STATCOM of the fault diagnosis of the main circuit of the power electronic device. Set the three-phase bridge arm STATCOM as its research object, the main loop of the IGBT or the freewheeling diode single open circuit fault modes was established and the fault feature was extracted. Based on the nonlinear neural network mapping characteristics, BP neural network method of fault diagnosis was used, and the structure and parameters were designed to train the network. MATLAB simulation showed that The artificial neural network can accurately diagnose and localize the STATCOM main circuit switching element single open circuit faults and has a good ability in fault identifying.

Keywords：STATCOM; open-fault; BP neural network

0引言

靜止同步補償器(STATCOM)由于其控制靈活，調(diào)節(jié)范圍廣及能對系統(tǒng)進行動態(tài)補償?shù)葍?yōu)點，成為無功補償裝置的發(fā)展方向。其主回路由電力電子器件構成，由于電力電子器件的過載能力小、損壞后不易被察覺，一旦發(fā)生故障會使裝置輸出電流波形惡化甚至對裝置造成損害[1]。因此對STATCOM主回路進行快速的故障診斷與定位十分必要。

近幾年興起的人工神經(jīng)網(wǎng)絡技術具有很強的非線性映射特征和自學習能力，非常適用于STATCOM主回路電力電子器件的故障診斷[2]。其中，采用誤差反向傳播算法的BP神經(jīng)網(wǎng)絡在故障診斷方面運用最廣。故本文主要應用BP神經(jīng)網(wǎng)絡進行STATCOM主回路IGBT或續(xù)流二極管單管開路的故障診斷。

1STATCOM主回路故障模型

圖1所示為由6個IGBT和反并聯(lián)的續(xù)流二極管構成的三相三橋臂STATCOM主回路。目前對電力電子開關器件短路故障的檢測與保護已作為一般商業(yè)驅(qū)動芯片的標準配置[3]，發(fā)生短路故障能在瞬間做出反應，故本文只研究開路的情況。開路故障主要由串接熔斷器熔斷，觸發(fā)脈沖丟失等[4]引起。STATCOM主回路正常狀態(tài)和IGBT或續(xù)流二極管單管開路時各種故障模式分類如下，共13種。以五位編碼表示各種故障模式，其中前兩位表示故障類別，后三位表示故障管。

正常狀態(tài)：00000；

圖1　STATCOM主回路

IGBT開路：T1(01001)，T2(01010)，T3(01011)，T4(01100)，T5(01101)，T6(01110)；

續(xù)流二極管開路：D1(10001)，D2(10010)，D3(10011)，D4(10100)，D5(10101)，D6(10110)。

2故障特征的提取

任一IGBT或續(xù)流二極管開路，都會使三相輸出電流和直流側電流波形發(fā)生變化。由于在STATCOM發(fā)出感性無功和發(fā)出容性無功時主回路換流過程不同，使得同種故障在不同工況下三相輸出電流波形不同，故應分開討論。定義式(1)和直流側電流開關頻率處的相位Φ為STATCOM發(fā)出感性無功時的特征量；式(2)和直流側電流開關頻率處的相位Φ為STATCOM發(fā)出容性無功時的特征量。其中d為輸出相電流平均值與其絕對值的平均值之比[5]：

(1)

(2)

特別的，當STATCOM發(fā)出零無功時，故障特征的提取與發(fā)出感性無功時相同；規(guī)定若da=db=dc=0或ha=hb=hc=0時，Φ=0。

3用于診斷的神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種多層前饋型網(wǎng)絡，可以實現(xiàn)從輸入到輸出的任意非線性映射。神經(jīng)網(wǎng)絡一般由輸入層、隱層和輸出層構成[6]。理論上，一個三層(包括輸入層)網(wǎng)絡，經(jīng)過訓練可對大多數(shù)函數(shù)達到任意精度的逼近[7]。因此本文采用三層神經(jīng)網(wǎng)絡結構，網(wǎng)絡的輸出層作用函數(shù)采用純線性函數(shù)，隱層作用函數(shù)采用Sigmoid函數(shù)

BP神經(jīng)網(wǎng)絡學習算法原則是通過不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡輸出與期望之間的均方差達到最小。對網(wǎng)絡權值和閾值的修正是沿著負梯度方向進行的，但有時由于學習速率過快，容易使系統(tǒng)產(chǎn)生振蕩和陷入局部極小，可添加一動量項α(r)以提前預測誤差改變方向，防止在誤差修正方向上的突然變化。采用“批處理”的學習方法，網(wǎng)絡參數(shù)的學習表達式為：

(3)

其中，η(r)為學習步長，k=2,3。

圖2表示了該三層網(wǎng)絡的拓撲結構，其算法流程圖如圖3所示。

圖2　三層神經(jīng)網(wǎng)絡拓撲結構

圖3　算法流程圖

4神經(jīng)網(wǎng)絡的學習訓練

網(wǎng)絡的參數(shù)取決于網(wǎng)絡的學習樣本，將直接影響學習后神經(jīng)網(wǎng)絡的故障診斷能力和網(wǎng)絡的泛化能力[8]。學習樣本又取決于提取的故障特征。由于STATCOM可在發(fā)出感性，容性及零無功三種工況內(nèi)平滑調(diào)節(jié)發(fā)出所需無功，故需按不同工況提取故障特征。發(fā)出感性和容性無功時按輸出額定補償電流的20%～100%，以每20%為一個分度變化，同時考慮到電力系統(tǒng)負荷電流不平衡，每個分度又包含負荷電流不平衡度εI[9]從0～30%，以10%為一個分度變化。故STATCOM發(fā)出感性和容性無功時各種故障狀態(tài)各有260組數(shù)據(jù)做為學習樣本。由此可知，網(wǎng)絡的輸入節(jié)點數(shù)為4，輸出節(jié)點數(shù)為5。隱層節(jié)點數(shù)的選取沒有直接的理論依據(jù)可尋[10]，具體的選擇需要經(jīng)過實際訓練的檢驗來不斷調(diào)整。對于BP網(wǎng)絡，選擇恰當?shù)碾[含層與隱含層節(jié)點數(shù)是個關鍵問題。這決定了網(wǎng)絡的規(guī)模，從而間接地影響到網(wǎng)絡的性能。若隱含層節(jié)點數(shù)太少，則網(wǎng)絡可能因為無法“記住”學習樣本而導致迭代不收斂；過多的隱含層節(jié)點數(shù)雖然能夠使網(wǎng)絡學習“記住”所有學習樣本，但會降低網(wǎng)絡的泛化能力，又可能會導致訓練時間過長，出現(xiàn)過度訓練的問題。目前還沒有確切的理論公式來指導隱含層與隱含層節(jié)點數(shù)的確定，全靠經(jīng)驗試湊，這就使該問題變得復雜。

常見計算隱含層節(jié)點數(shù)的經(jīng)驗公式有：

H=2N+1

(4)

(5)

0.02N

(6)

(7)

式中：H為隱含層節(jié)點數(shù)；N為輸入層節(jié)點數(shù)；M為輸出層節(jié)點數(shù)。

在構造網(wǎng)絡時，應在經(jīng)驗公式的基礎上，合理運用試湊法確定網(wǎng)絡的參數(shù)并對其進行仿真，綜合考慮網(wǎng)絡的收斂性及其泛化能力，不斷調(diào)整給定參數(shù)，最終確定較合理的隱含層節(jié)點數(shù)，使整個網(wǎng)絡的性能達到最優(yōu)。

將學習樣本作為網(wǎng)絡的輸入矩陣P(260×4)，目標輸出矩陣T(260×5)按照各種故障模式的編碼確定。采用“批量”學習方法，隱層節(jié)點數(shù)為15，學習速率初始值為0.05，動量系數(shù)為0.9，誤差目標數(shù)為0.001。隱層傳遞函數(shù)采用logsig，輸出層傳遞函數(shù)采用purelin，訓練函數(shù)采用trainlm。訓練前先對學習樣本進行歸一化處理。圖4為發(fā)出STATCOM感性無功、容性無功及零無功時的訓練誤差曲線圖[11]。

圖4各種工況誤差曲線圖

由圖可見，三種工況下誤差曲線收斂較快且輸出誤差平方和一直朝誤差減小的方向變化。STATCOM發(fā)出感性無功時迭代步數(shù)為37，發(fā)出容性無功時迭代步數(shù)為23，發(fā)出零無功時迭代步數(shù)為13時迭代終止，這時的權值和閾值用于以后的診斷。

5MATLAB仿真驗證

對于學習好的神經(jīng)網(wǎng)絡，對每種工況隨機挑選13組不同條件下各種故障管的故障特征信號為測試樣本進行仿真驗證。在STATCOM發(fā)出感性無功、發(fā)出容性無功和發(fā)出零無功時的仿真結果分別如表1、表2和表3所示。

根據(jù)表中的實際輸出按四舍五入取整(≥0.5取1，<0.5取0)，若得出的編碼與期望輸出相符，則判斷結果正確；若不符，則判斷結果錯誤。從表1、表2和表3可以看出，對于隨機挑選的測試樣本，所訓練的神經(jīng)網(wǎng)絡可以很好地完成故障的診斷與定位，正確率達到100%。

表2　發(fā)出容性無功神經(jīng)網(wǎng)絡仿真結果

表3　發(fā)出零無功神經(jīng)網(wǎng)絡仿真結果

6結論

本文以三相三線制STATCOM主回路為研究對象，利用IGBT和續(xù)流二極管單管開路時三相輸出電流和直流側電流開關頻率處的相位提取故障特征，根據(jù)神經(jīng)網(wǎng)絡非線性映射特性，建立BP神經(jīng)網(wǎng)絡來學習及存儲故障特征信號和故障類型的映射關系，仿真表明在負荷率由20%額定～100%額定、負荷電流不平衡度由0%～30%內(nèi)變化時，通過對樣本進行抽樣驗證，神經(jīng)網(wǎng)絡法的診斷正確率均達100%。采用神經(jīng)網(wǎng)絡法，無需拘泥于診斷過程，只需將故障信息輸入學習好的神經(jīng)網(wǎng)絡，就能給出正確診斷結果，計算量小，診斷正確率高。由于網(wǎng)絡的泛化能力強，對非學習樣本的數(shù)據(jù)也能進行正確的診斷，適用性廣。但由于神經(jīng)網(wǎng)絡的發(fā)展時間短，理論尚有不成熟的地方，對網(wǎng)絡參數(shù)選取不當易造成網(wǎng)絡不穩(wěn)定。

參考文獻:

[1]于泳，蔣生成，楊榮峰，等.變頻器IGBT開路故障診斷方法[J].中國電機工程學報，2011，31(9)：30-35.

[2]張敏，張君躍，呂明陽，等.改進控制律的變結構STATCOM無功補償控制[J].控制工程，2014，21(1)：5-8.

[3]Rothenhagen K，F(xiàn)uchs F W. Performance of diagnosis methods for IGBT open circuit faults in voltage source active rectifiers[C].Germany: IEEE 35th Annual Power Electronics Specialists Conference, 2004：4348-4354.

[4]李慧玲，李春明.一種基于遺傳算法和神經(jīng)網(wǎng)絡的故障診斷方法[J].電力科學與工程，2011，27(4)：43-47.

[5]Sleszynski W，Nieznanski J，Cichowski A.Open-transistor fault diagnostics in voltage-source inverters by analyzing the load currents[J].IEEE Transactions on Industrial Electronics，2009，56(11)：4681-4688.

[6]張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2009.

[7]鄧雨榮，郭麗娟，郭飛飛，等.引入二代小波的自適應BP神經(jīng)網(wǎng)絡局部放電故障識別[J].電力建設，2013，34(6)：87-91.

[8]張紅濤，張凌云，李曉丹，等.基于徑向基神經(jīng)網(wǎng)絡的風電場無功補償優(yōu)化算法[J].科技導報，2014，32(11)：49-54.

[9]同向前，王海燕，尹軍.基于負荷功率的三相不平衡度的計算方法[J].電力系統(tǒng)及其自動化學報，2011，23(2)：24-30.

[10]羅耀華，從靜.基于BP神經(jīng)網(wǎng)絡的三相逆變器故障診斷研究[J].應用科技，2010，37(6)：56-60.

[11]段文麗，白延麗，蔚飛.有載調(diào)壓變壓器、電容器組和STATCOM的協(xié)調(diào)控制研究[J].電網(wǎng)與清潔能源，2012，28(1)：54-59.

Failure Diagnosis of STATCOM Main Circuit Based on BP Neural Network

Xiao Liang1，Wang Lei2，Chen Lei3，Ning Bo4(1.Foshan Electric Power Design Institute Co. Ltd., Foshan 528200, China；2. Department of System Planning，Northwest Electric Power Design Institute Co. Ltd., Xian 710075, China；3.Energy China Guangdong Province Research Institute of Electric Power Design Institute, Guangzhou 510530, China；4.State Grid Jibei Electric Power Company Limited, Beijing 100053, China)