萬紅， 任曉紅， 范晉瑜， 俞嘯， 丁恩杰

(1.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇 徐州 221008；2.中國礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221008)

0 引言

隨著工業(yè)的快速發(fā)展，變頻器以其優(yōu)異的性能在中高壓、大功率設(shè)備上得到了廣泛的應(yīng)用[1-2]。三電平逆變器作為礦井提升機系統(tǒng)中的關(guān)鍵設(shè)備之一，發(fā)生故障后會嚴(yán)重影響礦井提升機的安全，帶來不同程度的人員傷亡和財產(chǎn)損失。因此，及時發(fā)現(xiàn)并處理三電平逆變器故障可有效保障礦井提升機的安全，對礦山安全生產(chǎn)有著重要意義[3]。

在實際運行過程中，三電平逆變器故障多發(fā)生于功率開關(guān)器件——絕緣柵型雙極晶體管(Insulated Gate Bipolar Transistor, IGBT)。三電平逆變器功率開關(guān)器件發(fā)生的最常見的故障為短路故障和開路故障[4]。短路故障可以通過保護電路實時檢測到，一旦三電平逆變器功率開關(guān)模塊發(fā)生短路，保護電路會斷開IGBT，將短路故障轉(zhuǎn)換為開路故障[5-6]。而開路故障會引起電流和電壓的畸變，但不會產(chǎn)生過電流，也不會觸發(fā)電路保護，必須通過一定的故障診斷技術(shù)進行檢測[7]，長期在畸變電流電壓驅(qū)動下工作會造成電動機損傷，甚至導(dǎo)致嚴(yán)重事故[8]，所以，三電平逆變器開路故障的檢測與診斷是當(dāng)前研究的熱點問題。

目前，三電平逆變器開路故障診斷方法主要有基于解析模型的方法、基于信號處理的方法和基于知識的方法。

基于解析模型的方法通過計算電流閾值判斷故障，主要有基于電流軌跡、電流矢量變換等方法。文獻[9-10]提出了一種基于輸出電流軌跡的三電平逆變器開路故障在線診斷方法，但三電平逆變器負(fù)載變化范圍大，該方法對負(fù)載變化敏感，缺乏較好的適應(yīng)性。文獻[11]提出了一種基于信號對稱重構(gòu)預(yù)處理的多尺度自適應(yīng)故障診斷方法，實現(xiàn)了微電網(wǎng)三電平逆變器在變負(fù)載情況下的任意開關(guān)故障的診斷，但是三電平逆變器的運行過程是一個復(fù)雜的非線性、時變的動態(tài)過程，基于電流矢量變換或者電流瞬時角度確定故障相位的解析模型難以完全模擬實際運行情況。文獻[12]提出了基于電流矢量和瞬時角度平均值的快速故障檢測方法，該方法對工況變化和噪聲較為敏感，在有噪聲影響的情況下故障診斷準(zhǔn)確率較低。

基于信號處理的方法主要通過時域計算技術(shù)和頻域計算技術(shù)提取電流或電壓信號的時域或頻域特征，進而利用特征學(xué)習(xí)實現(xiàn)故障診斷。文獻[13]通過時域計算技術(shù)從電流特征中識別早期的故障，然后使用支持向量機分類器實現(xiàn)故障分類，該方法提取到了信號的時域特征，但卻忽略了信號頻域中包含的重要信息。文獻[14]提出了基于傅里葉變換與支持向量機(FFT-RPCA-SVM)的故障診斷方法，利用傅里葉變換提取特征，利用相對主成分分析進行降維，利用支持向量機實現(xiàn)故障分類，但該方法只適應(yīng)小樣本的故障診斷，雖然利用傅里葉變換分析方法提取了信號頻域特征，但卻丟失了信號的時域特征，在信號突變的情況下故障識別率較低。

隨著計算機計算能力的提升，智能算法被廣泛應(yīng)用在各個領(lǐng)域，針對故障診斷問題，國內(nèi)外學(xué)者提出了貝葉斯、模糊推理、人工神經(jīng)網(wǎng)絡(luò)等基于知識的故障診斷方法。文獻[15]利用神經(jīng)網(wǎng)絡(luò)，在不改變電流采樣率的情況下對不同頻率電流進行分析，實現(xiàn)了IGBT故障的準(zhǔn)確診斷，神經(jīng)網(wǎng)絡(luò)具有強大的學(xué)習(xí)能力，但是存在收斂速度慢、易陷入局部最小值的問題。文獻[16]提出了利用基于堆棧自編碼器的深度神經(jīng)網(wǎng)絡(luò)進行特征提取，利用SOFTMAX進行分類的故障診斷方法。文獻[17]提出了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的開路故障檢測方法，僅需要利用三電平逆變器輸出電流就可以進行故障診斷，但該方法需要大量數(shù)據(jù)學(xué)習(xí)，且計算量較大，不能滿足實時診斷的需求。

針對現(xiàn)有三電平逆變器開路故障診斷方法存在的以上問題，本文提出了一種基于小波分析和粒子群優(yōu)化支持向量機(Wavelet Transform-Partical Swarm Optimization-Support Vector Machines，WT-PSO-SVM)的故障診斷方法。利用小波變換提取三相電流信號各頻段能量，并計算正半周比例系數(shù)，采用粒子群尋優(yōu)支持向量機參數(shù)以構(gòu)建最優(yōu)分類器，將歸一化的能量值與正半周比例系數(shù)作為分類特征輸入分類器進行故障分類。仿真實驗結(jié)果證明：WT-PSO-SVM故障診斷方法能精確識別三電平逆變器的IGBT開路故障，較其他故障診斷方法有更高的診斷精度和速度。

1 三電平逆變器故障分析

以二極管鉗位式(Neutral Point Clamped, NPC)三電平逆變器為例進行故障分析。NPC三電平逆變器由直流側(cè)2個串聯(lián)直流支撐電容和A，B，C三相橋臂組成，每相橋臂包括2個鉗位二極管、4個功率開關(guān)、4個續(xù)流二極管。NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)

NPC三電平逆變器的12個IGBT中，單個IGBT發(fā)生故障比較多，2個IGBT同時發(fā)生故障有一定的概率，并且會造成嚴(yán)重的危害，3個或3個以上的IGBT同時發(fā)生故障的概率非常小[18]，所以,本文只對單個IGBT和2個IGBT故障的情形進行研究。將三電平逆變器IGBT發(fā)生開路故障的情況共分為6類：① IGBT正常運行，沒有發(fā)生故障，共有1種情況。② 只有1個IGBT發(fā)生故障，共有12種情況。③ 同一橋臂的不同半橋的2個IGBT同時發(fā)生故障，共有12種情況。④ 同一橋臂的相同半橋的2個IGBT同時發(fā)生故障，共有6種情況。⑤ 不同橋臂的相同半橋的2個IGBT發(fā)生故障，共有24種情況。⑥ 交叉連接(不同橋臂不同半橋)的2個IGBT故障，共有24種情況。將①—③定義為簡單故障，⑤—⑥定義為復(fù)雜故障。同一橋臂相同半橋的2個IGBT故障與橋臂內(nèi)側(cè)單個IGBT故障輸出端電流特征相同，無法直接根據(jù)輸出端三相電流進行區(qū)分，必須安裝電壓互感器測量每一相橋臂的局部電壓才能做出判斷，成本較高，本文不對此故障類型進行診斷。本文所研究的NPC三電平逆變器開路故障見表1，共計73種故障狀態(tài)。

通過Matlab的Simulink仿真模塊建立NPC三電平逆變器電路仿真模型，提取不同故障下輸出端的三相電流作為診斷信號，正常狀態(tài)和部分IGBT開路故障情況下的三相電流Ia、Ib、Ic波形如圖2所示。

圖2(a)為正常運行狀態(tài)下的輸出電流波形，各相電流近似正弦波。圖2(b)為Sa1發(fā)生開路故障時的電流波形，A相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周不變。圖2(c)為Sa1和Sa3同時發(fā)生開路故障時的電流波形，A相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周電流幅值幾乎為零。圖2(d)為Sb1和Sc3同時發(fā)生開路故障時的電流波形，B相正半周電流幅值為正常電流幅值的一半左右，負(fù)半周電流波形幾乎不變，C相正半周電流幅值不變，負(fù)半周電流幅值幾乎為零。由以上分析可知，三電平逆變器IGBT開路故障會導(dǎo)致輸出三相電流不同程度的畸變，且不同位置發(fā)生故障時的輸出電流波形有較為明顯的差別，可以對三電平逆變器輸出三相電流進行分析，提取故障特征，從而完成故障診斷。

表1 三電平逆變器開路故障類型

(a)正常狀態(tài)

(b)Sa1發(fā)生開路故障

(c)Sa1和Sa3發(fā)生開路故障

(d)Sb1和Sc3發(fā)生開路故障

2 故障診斷方法

WT-PSO-SVM故障診斷方法主要包括故障特征提取、故障分類訓(xùn)練和參數(shù)優(yōu)化3個過程。故障診斷流程如圖3所示。三電平逆變器發(fā)生故障時的三相電流波形會產(chǎn)生畸變，不同開路故障波形有較大差異，經(jīng)小波分解后在高、中、低各頻帶的投影也有很好的區(qū)分度，故可以提取電流各頻帶能量作為故障特征。對能量特征進行歸一化處理，計算電流正半周比例系數(shù)，組成特征向量作為PSO-SVM的輸入進行訓(xùn)練，訓(xùn)練完成的PSO-SVM分類器用于故障的分類。

圖3 故障診斷流程

Step1：對三相電流信號進行三層小波分解，得到4個頻帶的小波分解系數(shù)并進行重構(gòu)，得到重構(gòu)信號Sn。計算電流信號的能量值。設(shè)第n個(n=0,1,2,3)重構(gòu)信號Sn的能量為En，則有

(1)

式中：j為小波分解層數(shù)；Xn為Sn的幅值。

Step2：以能量為元素構(gòu)造特征向量，特征向量T為

(2)

(3)

歸一化的能量特征向量T′為

(4)

Step3：小波變換提取到故障能量特征后，部分故障下所提取的能量十分接近，而其正負(fù)半周電流幅值有明顯差異，因此,引入表征正負(fù)半周電流幅值的正半周電流比例系數(shù)作為輔助特征。正半周比例系數(shù)定義為一個周期內(nèi)電流正半周平均值與整個周期內(nèi)正負(fù)半周平均值的絕對值之比，記為Kmean。

(5)

式中：I為電流值；mean(·)表示求平均值；abs(·)表示求絕對值。

Step4：小波變換提取電流能量歸一化特征與正半周系數(shù)作為SVM輸入，采用高斯核函數(shù)計算不同特征樣本間的距離，依據(jù)間隔最大化原則尋找分類超平面實現(xiàn)樣本分類，完成SVM分類器構(gòu)建。

Step5：為了提高故障診斷方法的泛化能力，利用粒子群算法對SVM的核函數(shù)參數(shù)g和懲罰系數(shù)C進行優(yōu)化。隨機初始化粒子的初始位置與速度，設(shè)定最大迭代次數(shù)為200次，利用交叉驗證的方法計算適應(yīng)度值并更新粒子速度和位置，達到迭代次數(shù)后將最佳適應(yīng)度值的參數(shù)作為PSO-SVM核函數(shù)參數(shù)g和懲罰系數(shù)C，最終實現(xiàn)故障診斷，并利用測試集樣本驗證故障診斷方法的準(zhǔn)確性。

2.1 基于小波變換的故障特征提取

基于小波變換對信號進行分解，提取信號的時頻域信息，將信號分解為細(xì)節(jié)部分和逼近部分[19]，可以在保證故障信息完整性的同時最小化特征維度。信號f(t)的小波變換Wf(a,b)可以表示為

(6)

通過小波分解將時域信號分解到不同的頻帶上，三層小波分析樹形分解如圖4所示，對信號進行三層小波分解可以得到4個頻帶的小波分解系數(shù)，總重構(gòu)信號S可表示為

S=A3+D3+D2+D1

(7)

式中：A3為信號的近似分量；D3，D2，D1為信號的細(xì)節(jié)分量。

圖4 三層小波分析樹形分解

2.2 支持向量機故障分類

通過小波變換提取的特征具有非線性、高維的特點，故采用SVM作為分類器進行故障分類。

對于分類問題，SVM依據(jù)間隔最大化原則，尋找分類超平面對樣本進行分類。由z個樣本組成的樣本集M={xi,yi|i=1,2,…,z},xi∈R,yi∈R，R表示實數(shù)集，將樣本空間映射到更高維空間，令φ(x)表示x映射到高維空間后的特征向量，劃分超平面對應(yīng)的算法f(x)為

f(x)=wTφ(x)+l

(8)

式中：w為超平面的法向量；l為超平面截距。

分類間隔d為

(9)

SVM根據(jù)間隔最大化原則求解分類超平面，即

s.t.yi(wTφ(xi)+l)≥1,i=1,2,…,z

(10)

s.t.yi(wTφ(xi)+l)≥1

(11)

凸優(yōu)化二次規(guī)劃問題可以采用拉格朗日乘子法求解，拉格朗日函數(shù)為

(12)

式中α為拉格朗日系數(shù)。

凸優(yōu)化二次規(guī)劃問題就轉(zhuǎn)化為關(guān)于α的問題：

αi≥0,i=1,2,…,z

(13)

通過求解α可以得到劃分超平面算法中的參數(shù)w，l。求解α?xí)婕坝嬎銟颖緓i和xj映射到特征空間之后的內(nèi)積φT(xi)φ(xj)，特征空間的維數(shù)高，直接計算比較困難，故在此引入SVM的核函數(shù)k(xi,xj)：

(14)

式中σ為高斯核的帶寬，σ>0。

φT(xi)φ(xj)可表示為xi,xj在原始樣本空間中通過引入k(xi,xj)所計算得到的函數(shù)值。

k(xi,xj)=<φ(xi),φ(xj)>=φT(xi)φ(xj)

(15)

最終f(x)可表示為

(16)

2.3 PSO算法優(yōu)化SVM

SVM分類準(zhǔn)確率、泛化能力與核函數(shù)參數(shù)g和懲罰系數(shù)C有一定關(guān)系，隨著C增大，SVM容易出現(xiàn)過擬合問題，而C過小則容易出現(xiàn)欠擬合問題；隨著g減小，SVM的性能會提升，但過小,SVM會變?yōu)榫€性模型。利用PSO對SVM的參數(shù)進行優(yōu)化可以在不增加訓(xùn)練樣本的情況下提高分類的準(zhǔn)確率和泛化能力，PSO-SVM算法步驟如下：

Step1：初始化PSO運行參數(shù)，在允許范圍內(nèi)隨機產(chǎn)生m個粒子的初始位置和速度，利用樣本訓(xùn)練SVM分類器，并采用交叉驗證的方法計算適應(yīng)度值，設(shè)置每個粒子最優(yōu)位置(P)為粒子當(dāng)前位置，計算個體極值與全局極值，整個粒子群最優(yōu)位置(G)為個體極值最好的粒子的位置。

Step2：用式(17)更新每個粒子的速度vi(k+1)和位置xi(k+1)。

(17)

式中：q為慣性因子；c1，c2為學(xué)習(xí)因子；r1，r2為[0,1]的均勻隨機數(shù)；k為當(dāng)前迭代次數(shù)；vi(k)和xi(k)為當(dāng)前第i個粒子的速度和位置,i=1,2,…，m。

Step3：更新P與G，P更新為適應(yīng)度值高于當(dāng)前個體極值的位置，G更新為所有粒子中極值最好的個體位置，且比當(dāng)前全局極值的粒子的位置好，同時更新個體極值與全局極值。

Step4：達到預(yù)設(shè)的最大迭代次數(shù)或達到預(yù)期效果就終止迭代，否則返回Step2。

Step5：得到最佳的參數(shù)組合，完成PSO-SVM分類方法構(gòu)建。

3 實驗與結(jié)果分析

通過Matlab的Simulink仿真模塊搭建了NPC三電平逆變器的故障仿真模型，采樣頻率為10 kHz，采樣時間為0.1 s，每組采樣1 000個數(shù)據(jù)點。為保證實驗的準(zhǔn)確性，進行9種工況下的采樣，直流側(cè)電壓U、負(fù)載電阻R、負(fù)載電感L分別設(shè)置如下：①U=280 V，R=1 Ω，L=0.01 H；②U=400 V，R=1 Ω，L=0.01 H；③U=720 V，R=1 Ω，L=0.01 H；④U=280 V，R=5 Ω，L=0.01 H；⑤U=400 V，R=5 Ω，L=0.01 H；⑥U=720 V，R=5 Ω，L=0.01 H；⑦U=280 V，R=1 Ω，L=0.05 H；⑧U=400 V，R=1 Ω，L=0.05 H；⑨U=720 V，R=1 Ω，L=0.05 H。每種工況下采集5組電流信號，73種故障狀態(tài)下共采集3 285個電流信號作為實驗樣本Case1，加入10%的高斯白噪聲作為實驗樣本Case2。加入10%高斯白噪聲后，Sa2故障時A相電流波形如圖5所示。

(a)原始電流波形

(b)噪聲信號

(c)加入10%高斯白噪聲的電流波形

對采集的73種故障的三相電流數(shù)據(jù)進行db3三層小波分解，Sa2發(fā)生故障時A相電流信號小波分解結(jié)果如圖6所示，其中f(t)為原始電流信號，A3為小波分解后的近似分量，D1、D2、D3為細(xì)節(jié)分量。從圖6可看出，小波分解出的近似分量很好地保留了信號的波形特征。

對分解后的信號進行重構(gòu),提取各頻帶的能量并進行歸一化處理，表2為部分A相電流小波分析提取的能量特征。由表2可看出, 部分故障之間的能量區(qū)分度較大，但是也存在部分故障所提取的能量十分接近的情況，如Sa2和Sa3發(fā)生故障時，能量特征十分接近，單一地使用能量特征進行故障診斷容易造成誤判。

表2 部分A相電流小波分析提取的能量特征

(a)加入10%高斯白噪聲的電流波形

(b)小波變換后信號近似系數(shù)A3

(c)小波變換后信號細(xì)節(jié)系數(shù)D3

(d)小波變換后信號細(xì)節(jié)系數(shù)D2

(e)小波變換后信號細(xì)節(jié)系數(shù)D1

Sa2、Sa3故障時的電流波形如圖7、圖8所示。從圖7、圖8可看出，Sa2故障時，A相電流正半周幅值和正常狀態(tài)相同，負(fù)半周幅值趨近于0；Sa3故障時則相反，A相電流正半周幅值與正常狀態(tài)相同，負(fù)半周幅值趨近于0，2種故障正負(fù)半周幅值有明顯差異。不同故障間的正負(fù)半周幅值有明顯差異，所以，文中引入正半周比例系數(shù)作為故障識別的輔助特征。

(a)Sa2故障時A相電流波形

(b)Sa2故障時B相電流波形

(c)Sa2故障時C相電流波形

(a)Sa3故障時A相電流波形

(b)Sa3故障時B相電流波形

(c)Sa3故障時C相電流波形

計算得到的部分三相電流正半周比例系數(shù)見表3。由表3可看出，Sa2和Sa3三相電流的正半周比例系數(shù)有較大差異，利用正半周比例系數(shù)可以較好地區(qū)分2種故障。

表3 部分三相電流正半周比例系數(shù)

將三相電流能量特征和正半周比例系數(shù)組成的故障診斷特征輸入SVM分類器，并利用PSO算法進行參數(shù)尋優(yōu)。訓(xùn)練完成的SVM分類器可用于三電平逆變器開路故障特征樣本的分類。

利用Simulink三電平逆變器仿真模型導(dǎo)出9種工況下的3 285個電流信號進行實驗。原始電流信號為Case1，加入10%的高斯白噪聲信號為Case2。采用前6種工況的數(shù)據(jù)(2 190個樣本數(shù)據(jù))作為訓(xùn)練集進行訓(xùn)練，后3種工況(1 095個樣本數(shù)據(jù))作為測試集測試故障診斷方法的準(zhǔn)確性。

WT-PSO-SVM方法采用db3三層小波分解提取三相電流信號能量，歸一化能量和三相電流的正半周比例系數(shù)共15個特征作為SVM的輸入。SVM采用RBF核函數(shù)，PSO算法初始化種群數(shù)目為200，迭代次數(shù)為200，進行特征分類學(xué)習(xí)。WT-PSO-SVM方法在Case2上的PSO優(yōu)化SVM適應(yīng)度曲線如圖9所示，在迭代了17次之后,最佳適應(yīng)度能夠保持最高，計算得出適應(yīng)度最高時的懲罰系數(shù)C=6.2，核函數(shù)參數(shù)g=62.4。

圖9 PSO優(yōu)化SVM適應(yīng)度曲線

分別提取Case1與Case2的歸一化能量和正半周比例系數(shù)輸入訓(xùn)練完成的SVM分類器用于故障識別，WT-PSO-SVM算法在Case1與Case2測試集的故障識別準(zhǔn)確率分別為97.8%和97.3%。由于實驗樣本較多，無法完全展現(xiàn)所有樣本的測試情況，選取Case2測試集中4組(292個)樣本進行展示。部分樣本測試分類結(jié)果如圖10所示，故障類別標(biāo)簽按照表1中順序從1～73進行標(biāo)注。從圖10可看出,正確分類樣本為284個，錯誤分類樣本為8個，分類準(zhǔn)確率為97.3%。

圖10 Case2部分測試樣本分類結(jié)果

進一步進行不同故障診斷方法對比實驗，不同故障診斷方法的準(zhǔn)確率比較如圖11所示。

利用快速傅里葉變換(Fast Fourier Transform, FFT)對三電平逆變器三相電流信號進行頻譜分析，信號的幅度譜表示對應(yīng)頻率的能量，而相位譜表示對應(yīng)頻率的相位特征。信號經(jīng)傅里葉變換,不同故障在直流分量、3次諧波、5次諧波的幅值和相位上有較大的區(qū)分度，故將此3個分量的幅值相位和正半周比例系數(shù)共21個特征作為BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)的輸入，進行分類訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)為Sigmoid函數(shù)，隨機初始化權(quán)重和偏置；特征向量為21維，BP神經(jīng)網(wǎng)絡(luò)的輸入層為21個神經(jīng)元；隱含層為單層，20個神經(jīng)元；輸出層為73個神經(jīng)元?；诟道锶~變換與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法(FFT-BPNN)在Case1與Case2測試集的故障識別準(zhǔn)確率分別為94.4%和89.4%。

圖11 不同故障診斷方法的準(zhǔn)確率比較

將經(jīng)傅里葉變換提取的直流分量、3次諧波、5次諧波的幅值、相位和正半周比例系數(shù)作為SVM的輸入進行分類學(xué)習(xí)?；诟道锶~變換與支持向量機的故障診斷方法(FFT-SVM)在Case1與Case2測試集的故障識別準(zhǔn)確率分別為95.3%和89.6%。

將三層小波提取的能量與正半周比例系數(shù)共15個特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入。BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)為Sigmoid函數(shù)，隨機初始化權(quán)重和偏置；特征向量為15維，BP神經(jīng)網(wǎng)絡(luò)的輸入層為15個神經(jīng)元；隱含層為單層，20個神經(jīng)元；輸出層為73個神經(jīng)元。基于小波變換與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法(WT-BPNN)在Case1與Case2測試集的故障識別準(zhǔn)確率分別為95.8%和94.9%。

從圖10、圖11可看出，F(xiàn)FT-BPNN與FFT-SVM方法準(zhǔn)確率較低，且在有噪聲情況下的準(zhǔn)確率波動較大。WT-BPNN方法可以有效實現(xiàn)三電平逆變器故障的診斷。WT-PSO-SVM方法診斷正確率最高達到97.8%，且在10%高斯白噪聲情況下依然可以準(zhǔn)確識別故障。

4 結(jié)論

(1)提出了基于小波分析和粒子群優(yōu)化支持向量機(WT-PSO-SVM)的故障診斷方法。對NPC三電平逆變器拓?fù)浣Y(jié)構(gòu)進行了分析，將三電平逆變器開路故障按照故障元件位置分為6類，通過仿真實驗對三電平逆變器輸出端三相電流波形進行初步分析，并利用db3三層小波對三相電流信號進行小波分解，得到4個頻帶的小波分解系數(shù)并進行重構(gòu)，提取重構(gòu)后各頻帶的能量值。由于提取能量較大會對SVM特征學(xué)習(xí)造成困難，故對各頻帶的能量進行歸一化處理，同時引入正半周比例系數(shù)輸入SVM。利用PSO算法優(yōu)化SVM參數(shù)，以提高泛化能力，用PSO-SVM故障診斷方法實現(xiàn)故障的分類。

(2)利用三電平逆變器輸出端三相電流作為原始電流數(shù)據(jù)樣本，在原始電流數(shù)據(jù)樣本下和加入10%高斯白噪聲的數(shù)據(jù)樣本下進行不同診斷方法對比實驗，實驗結(jié)果表明：WT-PSO-SVM故障診斷方法可準(zhǔn)確識別與定位三電平逆變器的開路故障，與傅里葉變換方法和BP神經(jīng)網(wǎng)絡(luò)算法相比，在變負(fù)載和有噪聲影響的情況下仍有較高的準(zhǔn)確率，準(zhǔn)確率達97.3%。