姚 芳，姜 濤，劉明宇，董超群，鄭 帥

（1.河北工業(yè)大學(xué)電氣工程學(xué)院省部共建電工裝備可靠性與智能化國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津300130；2.河北工業(yè)大學(xué)電氣工程學(xué)院河北省電磁場(chǎng)與電器可靠性重點(diǎn)實(shí)驗(yàn)室，天津300130；3.中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司河北省分公司，石家莊050000）

逆變技術(shù)廣泛應(yīng)用于新能源發(fā)電、特種電源等領(lǐng)域，以實(shí)現(xiàn)電能變換。在整個(gè)逆變系統(tǒng)中，逆變器故障率較高，其可靠性低于其它部分[1]，其中IGBT故障占了較大比重[2]。為防止逆變器故障在系統(tǒng)中發(fā)展擴(kuò)大，有必要進(jìn)行逆變器開(kāi)路故障診斷研究。

故障特征提取是故障診斷的基礎(chǔ)。國(guó)內(nèi)外學(xué)者針對(duì)逆變器開(kāi)路故障特征提取方法展開(kāi)多方研究，其中頻譜分析法廣為接受。文獻(xiàn)[3]利用加窗傅里葉變換WFT（windowed Fourier transform）提取逆變器輸出電壓或電流的正序?qū)ΨQ分量，以譜殘差和譜相位為基礎(chǔ)構(gòu)造特征向量，但在處理非平穩(wěn)信號(hào)時(shí)效果差；文獻(xiàn)[4]利用頻譜分析提取逆變器橋臂電壓特征，以諧波幅值和相位作為逆變器故障特征向量；文獻(xiàn)[5]利用提取逆變器得到的電壓和電流做頻譜分析和直流分量分析，進(jìn)而進(jìn)行診斷定位，但計(jì)算復(fù)雜。用頻譜分析法提取逆變器輸出電壓或電流中的故障特征信息，因丟失了時(shí)域信息而對(duì)突變信號(hào)分析效果差。

故障診斷是連接逆變器故障特征提取與后續(xù)容錯(cuò)的重要環(huán)節(jié)。國(guó)內(nèi)外關(guān)于逆變器開(kāi)路故障診斷的研究成果主要涉及專家診斷法、故障字典法、神經(jīng)網(wǎng)絡(luò)法和深度學(xué)習(xí)法等。基于專家系統(tǒng)的逆變器故障診斷技術(shù)，診斷速度快，但依賴于知識(shí)經(jīng)驗(yàn)，僅當(dāng)故障類型存在于庫(kù)中時(shí)才能正確診斷[6-7]；故障字典法通過(guò)查表方式診斷逆變器故障，結(jié)構(gòu)簡(jiǎn)單、性能穩(wěn)定，但同樣有一定的局限性[8]；用神經(jīng)網(wǎng)絡(luò)法進(jìn)行逆變器故障診斷，診斷精度高，但診斷精度取決于權(quán)值、閾值的設(shè)定，還存在收斂速度慢、陷入局部最優(yōu)解等問(wèn)題[9-12]；基于深度學(xué)習(xí)理論的逆變器故障診斷，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，診斷精度更高、規(guī)避了收斂慢的問(wèn)題，但算法依賴于神經(jīng)元的個(gè)數(shù)[13-16]。

針對(duì)頻譜分析法用于逆變器故障特征提取時(shí)的時(shí)域信息丟失問(wèn)題，本文融合逆變器故障電流的峭度和脈沖指標(biāo)，提出歸一化的6維故障特征向量。針對(duì)神經(jīng)網(wǎng)絡(luò)法的局部最優(yōu)和極限學(xué)習(xí)機(jī)對(duì)神經(jīng)元個(gè)數(shù)的依賴問(wèn)題，本文提出了基于灰狼算法GWO（grey wolf optimization）極限學(xué)習(xí)機(jī)ELM（extreme learning machine）優(yōu)化方法，即GWO-ELM，用于逆變器開(kāi)路故障診斷。

1 逆變器功率管開(kāi)路故障分析

逆變器正常運(yùn)行狀態(tài)的等效拓?fù)淙鐖D1所示。逆變器功率管可能發(fā)生開(kāi)路或短路故障，短路故障時(shí)間一般在10μs以內(nèi)，以現(xiàn)有條件難以檢測(cè)，通常通過(guò)熔斷快速熔絲轉(zhuǎn)化為開(kāi)路故障。

1.1 功率管開(kāi)路故障模式

逆變器多個(gè)功率管同時(shí)發(fā)生故障的概率極低，可假設(shè)最多2只功率管同時(shí)故障，則有4種故障模式：Ⅰ.單管開(kāi)路（如T1或T4開(kāi)路等）；Ⅱ.同相兩管開(kāi)路（如T1、T4開(kāi)路等）；Ⅲ.同側(cè)兩管開(kāi)路（如T1、T3開(kāi)路等）；Ⅳ.異側(cè)異相兩管開(kāi)路（如T1、T6開(kāi)路等）。逆變器無(wú)故障運(yùn)行模式用〇表示。逆變器單管及兩管開(kāi)路故障具體分類如表1所示。

1.2 功率管單管開(kāi)路故障分析

功率管單管IGBT開(kāi)路故障時(shí)，該管當(dāng)通不通。上管IGBT開(kāi)路時(shí)，阻斷了電流由逆變器流向電網(wǎng)的通路；下管IGBT開(kāi)路時(shí)，阻斷了電流由電網(wǎng)流向逆變器的通路。

以T1開(kāi)路故障為例進(jìn)行分析，其電流通路如圖2所示，電流由電網(wǎng)至逆變器的通路有2條（圖2中虛線），輸出電流不受影響；電流由逆變器至電網(wǎng)的可能通路僅有1條（圖2中實(shí)線）。此時(shí)，a相輸出電流ia（ia=i（1）+i（4））不存在大于0的情況，即ia≤0，故D4不會(huì)導(dǎo)通。由基爾霍夫定律知ia+ib+ic=0，因ia上半周缺失，則ib、ic皆會(huì)出現(xiàn)不同程度的畸變。

為驗(yàn)證上述推斷，基于Simulink/Plecs搭建了聯(lián)合仿真模型。其中：直流母線電壓為600 V，并網(wǎng)相電壓為220 V，功率為10 kW，環(huán)境溫度為25℃。T1開(kāi)路時(shí)，逆變器輸出的三相并網(wǎng)電流仿真波形如圖3所示。

由圖3可見(jiàn)，T1開(kāi)路故障后，a相ia只有下半周波形，驗(yàn)證了T1開(kāi)路故障電流通路理論分析的正確性；a相電流非正、a相線路為逆變器至電網(wǎng)的單向電流通路，b、c相電流有正有負(fù)，三相并網(wǎng)電流ia、ib、ic有不同程度的畸變。

為了研究逆變器開(kāi)路故障對(duì)非故障橋臂功率器件的影響，仿真選擇在15 s時(shí)，待功率器件結(jié)溫穩(wěn)定后進(jìn)行故障模擬。

圖4為a相開(kāi)路故障前、后逆變器中非故障相橋臂器件結(jié)溫變化。從圖中可以看出，相較未故障時(shí)，IGBT工作結(jié)溫發(fā)生明顯變化，且IGBT結(jié)溫波動(dòng)發(fā)生變化，導(dǎo)致各個(gè)功率管所受熱應(yīng)力不平衡，進(jìn)而使逆變器可靠性降低。

表2 器件結(jié)溫情況Tab.2 Junction temperature of devices

T1開(kāi)路故障30 s時(shí)逆變器IGBT及反并聯(lián)二極管結(jié)溫情況如表2所示?？梢钥闯觯琓1開(kāi)路故障后，由于三相電流不對(duì)稱且流經(jīng)6個(gè)IGBT及6個(gè)反并聯(lián)二極管的電流值不同，使得IGBT和二極管結(jié)溫峰值、波動(dòng)均不同。

由此可見(jiàn)，三相逆變器單橋臂開(kāi)路故障會(huì)造成輸出電流畸變，且各橋臂結(jié)溫不均衡，增加了進(jìn)一步故障的可能性，對(duì)系統(tǒng)的安全運(yùn)行產(chǎn)生不利影響。

2 逆變器多種開(kāi)路故障時(shí)域特征提取

逆變器單、雙管開(kāi)路故障后，可測(cè)性良好的三相并網(wǎng)電流ia、ib、ic畸變明顯，其峭度和脈沖指標(biāo)等時(shí)域特征參數(shù)均含故障信息，可從中提取有利于提高故障診斷快速性和準(zhǔn)確性的故障特征量。

峭度為一種有量綱參數(shù)，對(duì)沖擊信號(hào)敏感。按其定義，逆變器三相電流的峭度ik-kur可表示為

式中，N為1個(gè)電流周期采樣點(diǎn)數(shù)。

脈沖指標(biāo)為一種無(wú)量綱參數(shù)，用于檢測(cè)信號(hào)中是否存在沖擊。按其定義，逆變器三相電流的脈沖指標(biāo)ik-f可表示為

考慮故障診斷方法對(duì)逆變工況的普適性，對(duì)三相并網(wǎng)電流的峭度及脈沖指標(biāo)進(jìn)行歸一化處理，可得歸一化峭度Ik-kur和歸一化脈沖指標(biāo)Ik-f分別為

可用三相電流的歸一化峭度構(gòu)造故障特征向量[Ia-kur，Ib-kur，Ic-kur]，或用三相電流的歸一化脈沖指標(biāo)構(gòu)造故障特征向量[Ia-f，Ib-f，Ic-f]。

以1.2節(jié)中的仿真平臺(tái)為基礎(chǔ)，提取逆變器無(wú)故障模式和21種故障模式的故障特征向量（部分），如表3所示，三相歸一化峭度值和三相歸一化脈沖指標(biāo)值分布如圖5所示。

表3 基于統(tǒng)計(jì)學(xué)參數(shù)的時(shí)域故障特征向量（部分）Tab.3 Time-domain fault eigenvectors based on statistical parameters（part）

由表3和圖5（a）可知，根據(jù)歸一化峭度值只能判別故障大類和故障相，但不能區(qū)分同相橋臂上、下開(kāi)關(guān)管故障，即無(wú)法準(zhǔn)確區(qū)分Ⅰ類故障。如故障4和故障7，其三相電流峭度值與其它故障不同，可以判斷出b相單管開(kāi)路，但二者之間無(wú)法辨別，即可以判斷出為Ⅰ類b相單管開(kāi)路故障，但不能確定故障管為b相上管還是b相下管。

由表3和圖5（b）可知，因Ⅰ類故障的歸一化脈沖指標(biāo)值各不相同，故其可區(qū)分Ⅰ類故障。但故障8、故障9和故障10的三相歸一化脈沖指標(biāo)值相近，無(wú)法判別同相橋臂上、下兩管故障，即Ⅱ類故障。

融合逆變器三相電流的歸一化峭度和歸一化脈沖指標(biāo)，設(shè)計(jì)6維故障特征向量，即

對(duì)22種運(yùn)行模式下6維故障特征向量的相關(guān)性分析表明，兩兩模式的6維故障特征向量各不相同或相近，可以用于故障相和故障管的辨識(shí)。

3 基于GWO-ELM的開(kāi)路故障診斷

3.1 功率管開(kāi)路故障GWO-ELM診斷模型構(gòu)建

3.1.1 功率管開(kāi)路故障ELM診斷模型構(gòu)建

根據(jù)三相并網(wǎng)電流ia，b，c半周期的采樣數(shù)據(jù)，按式（3）和式（4）計(jì)算歸一化的6維故障特征量x。將6維故障特征量x作為ELM的輸入，單、雙管開(kāi)路故障編號(hào)作為輸出（yj=j，j=1，2，…，22），構(gòu)建l層隱含層的ELM故障診斷模型。通過(guò)n組樣本數(shù)據(jù)訓(xùn)練該模型，可確定出輸入層與隱含層第i個(gè)神經(jīng)元的連接權(quán)值矩陣wi、隱含層第i個(gè)神經(jīng)元與輸出層之間的連接權(quán)值矩陣βi和第i個(gè)神經(jīng)元的閾值bi。激勵(lì)函數(shù)為g（x），則ELM的輸入、輸出關(guān)系為

ELM模型需人為設(shè)定隱含層神經(jīng)元個(gè)數(shù)l，l過(guò)多會(huì)增加模型的訓(xùn)練時(shí)間，過(guò)少會(huì)降低故障診斷精度[17]。

3.1.2 基于隱含層尋優(yōu)的功率管開(kāi)路故障GWOELM診斷模型構(gòu)建

為優(yōu)選功率管開(kāi)路故障ELM診斷模型隱含層神經(jīng)元個(gè)數(shù)l，將GWO植入ELM模型。設(shè)置最大迭代次數(shù)N、l的上下界和種群數(shù)量M的初始值，并在給定范圍內(nèi)隨機(jī)產(chǎn)生M個(gè)隱含層神經(jīng)元，l=[L1，L2，…，Lm，…，LM]T。

當(dāng)l=Lm時(shí)，用ELM故障診斷模型進(jìn)行n容量樣本的極限學(xué)習(xí)，對(duì)比ELM模型的輸出yj與故障編號(hào)的實(shí)際值，確定診斷正確的樣本量k；計(jì)算分類錯(cuò)誤率F（Lm）=（1-k/n）×100%，將其作為適應(yīng)度函數(shù)；依次從中選取適應(yīng)度最好的個(gè)體Lα、Lβ和Lδ，將其作為當(dāng)前輪次迭代的最優(yōu)種群，用于指導(dǎo)更新，更新規(guī)則為

式中：t為當(dāng)前迭代次數(shù)；a為收斂因子，隨迭代次數(shù)t從2線性遞減到0；Lp為更新前適應(yīng)度最好的個(gè)體，分別為L(zhǎng)α、Lβ和Lδ；Dpm為個(gè)體與適應(yīng)度最好個(gè)體的距離，分別為Dαm、Dβm和Dδm；Lpm為第m個(gè)個(gè)體在3個(gè)最優(yōu)個(gè)體指導(dǎo)下的更新值，分別為L(zhǎng)αm、Lβm和Lδm；r1和r2均是[0,1]的隨機(jī)數(shù)；C=2r1；A=2ar2-a。

按式（7）～式（9）更新適應(yīng)度最好的3個(gè)個(gè)體，Lpm（t）更新為L(zhǎng)pm（t+1），Lm按式（10）更新，即

m遍歷M個(gè)隱含層神經(jīng)元數(shù)值完成1輪次迭代，直至最優(yōu)解更新前后一致或達(dá)到最大迭代次數(shù)N，此時(shí)適應(yīng)度最好的個(gè)體Lα確定為隱含層神經(jīng)元個(gè)數(shù)l。通過(guò)訓(xùn)練確定當(dāng)前ELM故障診斷模型中的參數(shù)（wi，bi，βi）為GWO-ELM故障診斷模型的參數(shù)集。

功率管開(kāi)路故障GWO-ELM診斷模型如圖6所示，其中陰影部分為GWO算法優(yōu)選ELM模型隱含層神經(jīng)元個(gè)數(shù)l的流程。

實(shí)際訓(xùn)練時(shí)，由GWO算法優(yōu)選出的ELM模型隱含層神經(jīng)元個(gè)數(shù)為408。

3.2 基于GWO-ELM的開(kāi)路故障診斷

GWO算法參數(shù)設(shè)置：初始種群數(shù)量M=10；最大迭代次數(shù)N=100；要優(yōu)化的ELM隱含層節(jié)點(diǎn)個(gè)數(shù)c上、下限為[1,500]，c取整數(shù)。仿真獲得800組訓(xùn)練樣本和80組測(cè)試樣本輸入GWO-ELM，輸出為故障序號(hào)1～22。為減小隨機(jī)因素的影響，算法重復(fù)執(zhí)行100次，計(jì)算100次故障診斷精度的平均值。

為說(shuō)明故障特征參數(shù)融合的有效性，采用以下3種時(shí)域故障特征向量分別輸入GWO-ELM進(jìn)行分析：三相電流的峭度值（3維）；三相電流的脈沖指標(biāo)值（3維）；三相電流的峭度值和脈沖指標(biāo)值融合（6維），測(cè)試結(jié)果如表4所示。

由表4可知，采用單一特征參數(shù)訓(xùn)練和測(cè)試都無(wú)法達(dá)到高精度要求，但把二者融合后訓(xùn)練樣本和測(cè)試樣本的平均診斷精度分別為99.95%和99.81%，說(shuō)明這種方法提取的6維故障特征向量可以準(zhǔn)確判別不同故障模式，具備極高的故障開(kāi)關(guān)管定位性能。

結(jié)果表明，訓(xùn)練好的GWO-ELM模型在MATLAB 2016a平臺(tái)中對(duì)單個(gè)故障樣本的平均診斷時(shí)間為1.11×10-5s，運(yùn)算時(shí)間極短，遠(yuǎn)低于0.02 s，故該方法可以在故障發(fā)生后1個(gè)電流周期實(shí)現(xiàn)逆變器開(kāi)路故障診斷與定位。算法執(zhí)行100次的單個(gè)故障樣本診斷時(shí)間曲線如圖7所示。

基于三相電流提取故障特征后，GWO-ELM的部分輸入數(shù)據(jù)和輸出結(jié)果對(duì)照，如表5所示。

由表5可以看出，GWO-ELM故障辨識(shí)模型可以精確地完成多種故障辨識(shí)任務(wù)。

表4 3種時(shí)域特征向量的測(cè)試結(jié)果Tab.4 Test results of three time-domain eigenvectors

表5 GWO-ELM的部分輸入數(shù)據(jù)和輸出結(jié)果對(duì)照Tab.5 Comparison between partial input data and output results of GWO-ELM

4 實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證

為驗(yàn)證故障特征向量的合理性和故障診斷方法的有效性，搭建基于DSP28335控制的光伏逆變實(shí)驗(yàn)平臺(tái)，在SPWM控制策略下及1倍、0.5倍和0.1倍額定電流IN工況下，分別進(jìn)行5組共110次逆變器故障觸發(fā)實(shí)驗(yàn)，測(cè)試逆變器的穩(wěn)態(tài)三相故障電流，提取6維故障特征向量，用已經(jīng)訓(xùn)練好的GWO-ELM模型進(jìn)行故障診斷。額定電流IN工況下某組實(shí)驗(yàn)的6維故障特征向量分布和部分測(cè)試結(jié)果分別如圖8和表6所示。3種工況下的實(shí)際運(yùn)行模式和運(yùn)行模式的診斷結(jié)果如圖9所示。

表6 GWO-ELM的部分輸入數(shù)據(jù)和輸出結(jié)果對(duì)照（基于實(shí)測(cè)數(shù)據(jù)）Tab.6 Comparison between partial input data and output results of GWO-ELM（based on measured data）

圖9（a）～（c）分別為SPWM控制策略下1倍、0.5倍和0.1倍額定電流IN工況下的故障診斷結(jié)果。由圖9可以看出，每種工況下采集5×22（5組，每組22種故障模式）個(gè)數(shù)據(jù)樣本進(jìn)行辨識(shí)。結(jié)果表明，3種工況下開(kāi)路故障診斷結(jié)果較好，故障診斷準(zhǔn)確率分別為100%、99.09%和100%。

在SPWM控制策略下做類似的基于仿真的GWO-ELM故障診斷模型訓(xùn)練和測(cè)試，1倍、0.5倍和0.1倍額定電流IN工況下的診斷準(zhǔn)確率分別為100%、100%和98.18%。

5 結(jié)論

針對(duì)逆變器開(kāi)路故障，提出了基于時(shí)域的融合歸一化峭度與歸一化脈沖指標(biāo)的6維故障特征向量；考慮極限學(xué)習(xí)機(jī)診斷效果的不確定性，基于仿真與實(shí)驗(yàn)平臺(tái)的開(kāi)路故障實(shí)驗(yàn)數(shù)據(jù)，研究GWOELM的逆變器開(kāi)路故障診斷方法，實(shí)現(xiàn)了對(duì)逆變器單管或兩管同時(shí)故障的多模式故障診斷。

（1）提出基于時(shí)域的融合歸一化峭度與歸一化脈沖指標(biāo)的6維故障特征向量。結(jié)果表明，其相較于單一指標(biāo)的故障特征向量能更準(zhǔn)確地表征故障，準(zhǔn)確率達(dá)到了99.81%。

（2）為解決ELM模型隱含層神經(jīng)元個(gè)數(shù)的設(shè)定問(wèn)題，引入灰狼優(yōu)化算法，提出基于歸一化6維故障特征向量的GWO-ELM逆變器多管開(kāi)路故障診斷模型。結(jié)果表明，GWO-ELM診斷模型能夠準(zhǔn)確診斷單管及兩管開(kāi)路，且在多次驗(yàn)證后表明，針對(duì)不同工況下的故障診斷準(zhǔn)確率達(dá)到了98%以上。