技术领域
[0001] 本发明涉及一种电力器件故障诊断技术，特别涉及一种具有多神经网络结构的中点钳位三电平逆变器多模式故障诊断电路及其诊断方法。
相关背景技术
[0002] 相对于传统的两电平逆变器，多电平逆变器具有输出电平数增加、更好的谐波频谱、器件所承受的电压应力小等优势，但是由于多电平电路使用了数量较多的开关器件，导致电路的可靠性相应降低，任何一个器件故障都有可能导致整个电路停止工作，甚至会影响到其他电路的安全，造成不可估量的经济损失。
[0003] 目前国内外针对二极管中点钳位（Neutral-Point Clamped，NPC）三电平逆变器的故障诊断问题已开发不少技术方法。例如，分析NPC三电平逆变器在单个功率器件开路故障下的电路工作情况及故障表现形式，并由此提出根据检测逆变器输出侧PWM电压波形和输出电流极性来诊断功率管开路故障的故障诊断方案。该方法具有诊断迅速、可靠性高的优点，但其诊断结果并没有精确定位到某个器件，需要再进行人工查找。还有针对NPC逆变器单个功率器件开路故障，提出利用三相电流波形的电流轨迹方法来进行故障诊断技术，把每相的桥臂中点和直流电压中心点之间的电压（leg-voltage）和正常情况下的电压进行比较，利用比较结果进行单个功率器件故障的诊断。但是，这些技术基本上只考虑单个器件开路的故障模式。从可靠性角度看，单纯研究单个器件开路故障显然不够全面，因此，为了提高三电平逆变器的可靠性，本发明针对三电平逆变器单个功率器件开路和两个功率器件同时开路的多种故障模式，提出对逆变器的多个桥臂电压进行快速傅里叶变换，提取故障特征，并利用一个多神经网络的结构进行故障诊断。
具体实施方式
[0009] 如图1所示具有多神经网络结构的NPC三电平逆变器多模式故障诊断电路框图，电路主要包括：NPC三电平逆变器电路1，三相负载2，桥臂电压故障特征提取模块3，主神经网络模块4，辅助神经网络A模块5，辅助神经网络B模块6，故障确定显示模块7。NPC三电平逆变器电路1由上、中、下三个三相桥臂并联组成，桥臂电压故障特征提取模块3分别采集三个三相桥臂的每相桥臂的电信号进行处理，将采集的中桥臂信号进行故障特征提取后送主神经网络模块4 ，将采集的上、下桥臂信号进行故障特征提取后送分别送辅助神经网络A模块5和辅助神经网络B模块6，主神经网络模块4、辅助神经网络A模块5和辅助神经网络B模块6的输出接故障确定显示模块7，NPC三电平逆变器电路1驱动三相负载2。 如图2所示NPC三电平逆变器电路图，三电平逆变器每相由4 个IGBT（绝缘栅双极型晶体管）S1～S4功率元件串联组成，每相的中间点，即S2和S3中点a、b、c为三电平逆变器输出接对应三相负载，每个功率器件反并联1 个续流二极管，三相并联接直流电Ud，每相中间两个串联IGBT功率元件S2和S3上并联接两个串联的二极管D5、D6，直流Ud中性点0接串联的两个二极管Da5、Da6中间点，这样每个功率器件耐压值可降低一半，更适合于大功率交流传动系统的控制。例如a 相，当Sa1、Sa2导通时，点a 对中性点0 的电压为Ud / 2；当Sa2、Sa3导通时，点a对中性点O的电压为0；当Sa3、Sa4导通时，点a 对O点的电压为-Ud /2。故三电平逆变器每相可输出3 种电平状态，三相共可输出27种电平状态。
[0010] 如图3所示NPC三电平逆变器单个桥臂电路图，本发明定义三个桥臂电压为：“中桥臂电压”，即桥臂中点a 和直流电压中点o 之间的电压，记为Vao；“上桥臂电压”，即au 点和o 点之间的电压，记为Vauo ；“下桥臂电压”，即ad 点和o 点之间的电压，记为Vado 。
[0011] 如图4所示NPC三电平逆变器两个功率器件同时开路时的工作状态图，当单个功率器件开路时，共有Sa1～Sa4、VDa5、VDa6 等六个功率器件单独开路的情况。考虑到电路的对称性，只需分析Sa1、Sa2 和VDa5 三个器件的开路情况，图4中（a）、（b）、（c）分别为Sa1、VDa5和Sa2 开路时的工作状态图，它们代表了单个器件开路的典型故障。图5所示单个功率器件开路时桥臂电压波形图，图5a～5d 分别为无故障以及三种典型故障的桥臂电压仿真波形。当两个功率器件同时开路时，共有两种情况：一是两个器件处于同一个桥臂，比如Sa1 和Sa3；二是两个器件处在不同的桥臂上，比如a 相桥臂的Sa1 和b 相桥臂的Sb1。对于后者，相当于某个桥臂上的单个器件开路，可以利用上述单独开路情况的特征通过相应桥臂上的桥臂电压加以区分。对于两个器件处于同一个桥臂情况，以桥臂a 为例，此时共有6 种不同的故障模式，即Sa1 和Sa2、Sa1 和Sa3、Sa1 和Sa4、Sa2 和Sa3、Sa2 和Sa4、Sa3 和Sa4同时开路。由于电路的对称性，只需分析前4 种情况，它们代表了两个器件同时开路的典型故障，如图6所示两个功率器件同时开路时4 种典型故障的桥臂电压波形图。
[0012] 对比图5 和图6 可以发现，Sa2 单独开路（见图5（c））与Sa1 和Sa2 同时开路（见图6（a））的桥臂电压具有相同的电平逻辑特征。根据电路的对称性可以得知，Sa3 单独开路与Sa3 和Sa4 同时开路的桥臂电压具有相同的电平逻辑特征。考虑图3 上半桥臂中a 点和o 点之间的通路（即只分析Sa1、Sa2 和VDa5，以及对应的续流二极管），可以得出，当a 相电流ia＞0 时，有两种工作状态，分别如图4a 和4b 所示；当电流ia＜0 时，电流只能流过VDa1和VDa2。当Sa2 单独开路时，工作状态1 和2（图4（a）和4（b）） 都不可能实现，只可能出现工作状态3（图4（c））；同样当Sa1 和Sa2 同时开路时，也只能出现工作状态3。因此，电路工作原理分析表明，在Sa2 单独开路与Sa1 和Sa2 同时开路两种故障模式下，桥臂电压Vao是相同的。这意味着，只利用桥臂电压无法实现这两种故障模式的分离。为实现上述这两种故障模式的区分，本发明引入新的故障特征信息，即引入上面定义的上桥臂电压和下桥臂电压，图7a 为Sa2 单独开路的上桥臂电压波形图，图7b 为Sa1 和Sa2 同时开路的上桥臂电压波形图，可以看出，两者波形区分还是比较明显的。
[0013] 如图8所示具有多神经网络的结构框图，其主神经网络的输入为桥臂电压Vao，用来区分表1 中11 种故障模式（包括“无故障”）；辅助神经网络A 的输入为上桥臂电压Vauo 以及主神经网络Sa2或者Sa1+ Sa2故障模式的输出向量；辅助神经网络B 的输入为下桥臂电压Vado以及主神经网络Sa3或者Sa3+ Sa4故障模式的输出向量。表1所示利用主神经网络进行区分的各种故障模式和对应的输出向量，表2 和表3 所示利用辅助神经网络进行区分的故障模式和对应输出向量。图8 中，故障信号在输入到每个神经网络之前，要事先经过特征提取。本发明采用快速傅里叶变换方法，对桥臂电压或者上下桥臂电压进行故障特征提取。
[0014] 表1表2
表3
如图9所示单个功率器件开路时桥臂电压波形对应的幅频特性图。如图10所示两个功率器件同时开路时桥臂电压波形对应的幅频特性图。经频谱分析，得到与图5 和图6 波形分别对应的图9 和图10幅频特性图（波形的基波频率为50Hz，载波频率为1.5kHz）。根据电力电子电路PWM 调制电路输出波形的特性可知，三电平逆变器桥臂电压波形进行傅里叶展开，其幅值除了分布在基波及其倍数外，主要分布在载波频率的整数倍及其附近。根据这个特点，分别为三个神经网络的输入选取相应的特征向量，并根据诊断结果反馈进行反复修改，最后确定特征向量的具体选取。对于主神经网络，特征向量选取直流分量、基波、两倍基波、三倍基波、载波分量（1.5kHz）、载波分量附近（1.4kHz 和1.6kHz）、两倍载波分量的幅值、直流分量、基波和两倍基波的相位，共11维。对于两个辅助神经网络，特征向量选取直流分量、基波和两倍基波的幅值，共3 维。
[0015] 根据图8 所示结构构建3 个神经网络，其中主神经网络的输入层节点为11 个，隐含层节点为22个，输出层节点为6 个；2 个辅助神经网络的输入层节点为3 个，隐含层节点为7 个，输出层节点为2 个。神经网络传递函数均采用Sigmoid 函数，训练方法采用反向传播的Levenberg-Marquardt 算法。这种算法可避免计算赫赛矩阵，从而减少训练中的计算量和内存需求量。
[0016] 本发明采用主神经网络模块测量中桥臂电压，用于诊断三电平逆变器单桥臂器件开路11 种故障模式（包括“无故障”）；辅助神经网络A模块测量上桥臂电压，辅助神经网络B 模块主要测量下桥臂电压，用于诊断三电平逆变器单桥臂器件开路另4种故障模式，并通过主神经网络模块和辅助神经网络A、B模块相结合，共同诊断三电平逆变器每相桥臂单个器件开路和多个器件同时开路共13种的多故障模式。本发明涉及的多神经网络结构的NPC三电平逆变器多模式故障诊断电路及其诊断方法，能区分多种故障模式，实现精确定位到故障器件，且算法结构简化，可避免计算赫赛矩阵，从而减少训练中的计算量和内存需求量，运算块，诊断结果精度高，抗干扰能力强。
