0 引言

　　多電平逆變器相對傳統(tǒng)的兩電平逆變器具有開關(guān)損耗小、輸出諧波含量低等優(yōu)點，但是隨著開關(guān)數(shù)量的成倍增加，也大大降低了多電平逆變器的可靠性。任何一個開關(guān)管發(fā)生故障后，將導(dǎo)致整個逆變器不能正常工作，從而導(dǎo)致一些經(jīng)濟損失甚至還可能引發(fā)重大安全事故。因此，對多電平逆變器進行故障診斷研究，特別是應(yīng)用自動故障診斷技術(shù)對提高多電平逆變器的可靠性具有很大的經(jīng)濟價值與現(xiàn)實意義[1]。

　　目前國內(nèi)外學(xué)者針對多電平逆變器的故障診斷都有較為深入的研究。有學(xué)者提出運用變換器交流側(cè)PWM電壓UPWM和電流的極性來判斷功率開關(guān)管的故障[2]，該方法的診斷速度快，可靠性也高，但其診斷結(jié)果無法精確定位具體發(fā)生故障的功率管。此外，一些學(xué)者對于逆變器故障診斷，提出了基于模型的故障診斷方法[3-4]，引入鍵合圖等建模方法對其進行建模，其方法提高了診斷正確率，但其分析過程比較復(fù)雜。

　　近年來，隨著神經(jīng)網(wǎng)絡(luò)理論的引入，為故障診斷問題提供了一種新途徑，神經(jīng)網(wǎng)絡(luò)的非線性特性特別適合用于逆變器這樣的混雜系統(tǒng)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)需要預(yù)先給定期望輸出值以及大量故障學(xué)習(xí)樣本。因此，筆者根據(jù)自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特點將其應(yīng)用于多電平逆變器的故障診斷中，利用小波包變換對三電平逆變器的上、中、下橋臂電壓進行變換，提取故障能量系數(shù)，組成其相應(yīng)的故障特征矢量作為SOM神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)獲勝神經(jīng)元的位置來判斷其逆變器的故障模式。

1 三電平逆變器故障特征分析與提取

　　在實際運用中逆變電源主電路出現(xiàn)較多的故障是功率管的開路與短路故障。短路故障會導(dǎo)致過流保護，其存在的時間較短，并且其自身的保護電路也會很快使其變?yōu)殚_路。實際應(yīng)用中多個開關(guān)器件同時發(fā)生故障的幾率比較低，因此本文僅對最多兩個功率半導(dǎo)體元件開路作故障作分析。圖1為本文所研究的三電平逆變器的主電路拓撲結(jié)構(gòu)圖。

　　1.1 三電平逆變器故障模式分析

　　基于每相的基本情況都相同，本文就已單相電路為研究對象，研究其開路故障情況，如圖2所示。利用MATLAB進行仿真，設(shè)輸入直流電壓為530 V，功率管采用理想的開關(guān)元件和二極管。定義“A相中點橋臂電壓”為Vao，即橋臂中點a與電容電壓中點o之間的電壓；“上橋臂電壓”為Vbo；“下橋臂電壓”為Vco[5]。由于三電平逆變器的主電路存在對稱性，所以這里就給出了Sa1、Sa2、VD1開路的故障波形圖。圖3為單個功率開關(guān)管開路時中點橋臂電壓Vao的仿真波形[6]。

　　當(dāng)功率開關(guān)管同時有兩個出現(xiàn)開路故障時，存在兩種情況：一類是兩個開關(guān)管處于同一橋臂；第二類是兩個開關(guān)管處于不同的橋臂。對于第二類情況，相當(dāng)于某個橋臂的單個開關(guān)管開路，因此，本文僅分析第一類情況。以橋臂a為研究對象，可以分為6種故障模式?？紤]到主電路存在對稱性，因此本文就只給出了Sa1和Sa2、Sa1和Sa3、Sa1和Sa4、Sa2和Sa3同時開路時的中點臂電壓Vao的波形，如圖4所示。

　　通過對圖3與圖4的比對，可以發(fā)現(xiàn)Sa2單管開路與Sa1、Sa2同時開路時的橋臂電壓Vao具有相同的電平邏輯特征。因此，只應(yīng)用小波包變換單獨提取中點橋臂Vao各頻段能量系數(shù)不能區(qū)分這兩類故障模式。

　　經(jīng)仿真研究實驗分析，Sa2單獨開路時與Sa1、Sa2同時開路時的上橋臂電壓與下橋臂電壓其電平邏輯區(qū)分較為明顯，那么其波形所含能量值也就不同。所以，同時提取橋臂電壓Vao、Vbo和Vco各頻帶能量系數(shù)可以很好地表示各種故障模式。

　　1.2 三電平逆變器故障特征提取

　　根據(jù)小波包的一系列特性，利用小波包對信號進行分解，再對其分解系數(shù)進行重構(gòu)，得到各頻帶的能量值。在各頻帶的電壓能量中，包含了其相應(yīng)的故障信息，由此，提出“能量—故障”模式診斷識別方法[7-8]。本文采用小波包兩層分解后各頻帶的能量作為相應(yīng)故障模式的輸入向量，將三電平逆變器的單相故障進行編碼，利用小波包原理對相應(yīng)的故障橋電壓進行能量提取，其特征向量如表1所示。

2 SOM神經(jīng)網(wǎng)絡(luò)與模式識別

　　SOM神經(jīng)網(wǎng)絡(luò)是由芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家Coonan教授在1981年提出的，其網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖5所示[9]，由輸入層與競爭層（輸出層）組成。輸入層與輸出層的神經(jīng)元通過一個權(quán)值實現(xiàn)全連接。

　　SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是一種無導(dǎo)師指導(dǎo)與監(jiān)督的聚類方式，當(dāng)學(xué)習(xí)訓(xùn)練結(jié)束后，競爭層中的一個神經(jīng)元只針對某一類輸入矢量最為敏感從而產(chǎn)生最大輸出值，其他的神經(jīng)元只有最小值輸出。因此，對該網(wǎng)絡(luò)中具有最大輸出值的神經(jīng)元標(biāo)以其對應(yīng)的故障標(biāo)號，即可進行故障模式的識別與分類。其具體學(xué)習(xí)過程如下：

　　(1)用[0，1]之間的隨機數(shù)對輸入層與競爭層之間的連接權(quán)值進行初始化。

　　(2)把標(biāo)準(zhǔn)故障樣本P=[p1，p2，…，pn]T通過輸入層輸入網(wǎng)絡(luò)進行訓(xùn)練。

　　(3)由公式(1)找到使yi具有最大輸出值的神經(jīng)元i，i即為最佳匹配單元C。

　　(4)為使網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練后具有聚類功能，定義NC為C的一個拓撲鄰域。使NC內(nèi)的單元輸出為1，NC外的單元輸出為0。即：

　　(5)權(quán)值調(diào)整學(xué)習(xí)。對與勝出神經(jīng)元連接的各個權(quán)值進行訓(xùn)練修正。其權(quán)值訓(xùn)練公式如下：

　　其中，w(t)為學(xué)習(xí)因子，當(dāng)其減小到0時，學(xué)習(xí)訓(xùn)練結(jié)束。

　　(6)判斷網(wǎng)絡(luò)輸出結(jié)果。根據(jù)輸出結(jié)果判斷是否達到預(yù)先設(shè)定的結(jié)果，若符合預(yù)定結(jié)果則學(xué)習(xí)結(jié)束，否則返回步驟(2)，進行下一輪的學(xué)習(xí)。

3 SOM網(wǎng)絡(luò)在故障診斷中的應(yīng)用

　　利用表1中的標(biāo)準(zhǔn)知識樣本對SOM網(wǎng)絡(luò)進行訓(xùn)練，本文所設(shè)計的神經(jīng)網(wǎng)絡(luò)輸入矢量元素個數(shù)為10個，輸出層為10×10個神經(jīng)元。應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)對13個標(biāo)準(zhǔn)故障故障樣本進行分類，其訓(xùn)練后的故障映射圖如圖6所示。

　　在SOM網(wǎng)絡(luò)訓(xùn)練結(jié)束后，為了測試其網(wǎng)絡(luò)的泛化識別能力，對輸入樣本增加隨機數(shù)(隨機數(shù)范圍0～1之間)的10%的增量作為干擾來進行故障模式的識別。選取隨機數(shù)0.1的10%作為擾動量的識別結(jié)果如表2所示。

　　從表2中可以看出，SOM網(wǎng)絡(luò)除了第三組測試樣本的診斷結(jié)果與三電平逆變器的實際故障不符合以外，其余診斷結(jié)果完全正確。從中可以得出，SOM網(wǎng)絡(luò)具有較強的學(xué)習(xí)泛化能力。對已經(jīng)學(xué)習(xí)過的樣本，識別率為100%。因此，SOM神經(jīng)網(wǎng)絡(luò)能夠較好地識別三電平逆變器的各類開路故障，較好地完成逆變器的故障診斷。

4 結(jié)論

　　本文采用的被廣泛用于模式識別與分類領(lǐng)域的SOM網(wǎng)絡(luò)，不需要大量的樣本進行訓(xùn)練，不僅減小了神經(jīng)網(wǎng)絡(luò)的規(guī)模，同時也縮短了網(wǎng)絡(luò)訓(xùn)練的時間。通過對三電平逆變器的上、中、下3個橋臂電壓進行小波包分解提取各頻帶能量值，作為其相應(yīng)的故障特征。實驗診斷結(jié)果表明，將SOM網(wǎng)絡(luò)應(yīng)用于三電平逆變器的開路故障診斷中，不僅可以快速診斷出各故障模式的具體類型，其診斷精度也比較高，其故障模式分類效果很理想，為逆變器的在線故障監(jiān)測與診斷提供了一種很好的智能診斷算法。

　　參考文獻

　　[1] 肖剛.三電平逆變器故障診斷研究[D].西安：西安理工大學(xué)，2007.

　　[2] 湯清泉，顏世超，盧松升，等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學(xué)報，2008，28(21)：26-32.

　　[3] 王俊年，龔明，王海乾.大功率逆變器的鍵合圖模型及故障診斷方法[J].湖南科技大學(xué)學(xué)報：自然科學(xué)版，2014，29(1)：24-28.

　　[4] GONZ?魣LEZ-CONTRERAS B M，RULL?魣N-LARA J L，VELA-VALD?魪S L G，et al.Modelling, simulation and fault diagnosis of the three-phase inverter using bond graph[C].Industrial Electronics，2007.ISIE 2007.IEEE International Symposium on.IEEE，2007：130-135.

　　[5] LEE J，KIM T，KANG D，et al.A control method for impro-vement of reliability in fault tolerant NPC inverter system[C].Power Electronics Specialists Conference，2006.PESC′06.37th IEEE.IEEE，2006：1-5.

　　[6] 陳丹江，葉銀忠.基于多神經(jīng)網(wǎng)絡(luò)的三電平逆變器器件開路故障診斷方法[J].電工技術(shù)學(xué)報，2013，28(6)：120-126.

　　[7] 楊勇，郭凱，馬西仃.基于小波包和支持向量機的提升機滾動軸承故障診斷研究[J].礦山機械，2012，40(11)：41-44.

　　[8] 王云亮，孟慶學(xué).基于小波包能量法及神經(jīng)網(wǎng)絡(luò)的電力電子裝置故障診斷[J].電氣自動化，2009，31(2)：25-27.

　　[9] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2012.