[发明专利]基于GASF和CNN的三电平T型逆变器故障诊断方法

说明书

本发明提出一种基于GASF和CNN的三电平T型逆变器故障诊断方法，先通过格拉姆求和角场算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆矩阵变换转换为格拉姆矩阵图，再将格拉姆矩阵图作为卷积神经网络的输入，自适应的进行特征提取，避免人工提取特征的不确定性和复杂性，最后利用Adam优化的softmax分类器对CNN提取的故障特征进行分类，从而实现逆变器的故障诊断。

技术领域

本发明属于逆变器故障诊断技术领域，具体涉及一种基于GASF和CNN的三电平T型逆变器故障诊断方法。

背景技术

三电平T型拓扑是目前广泛应用的逆变器拓扑类型之一。三电平T型逆变器在光伏逆变、电机驱动、智能控制等领域均得到了广泛应用，其安全稳定的运行对提高整个系统的稳定性具有重要意义。随着设备长时间的运行，逆变器中的电子元器件因损耗环境等因素出现故障的可能性变大。一旦出现故障就会带来巨大的损失，严重时甚至导致整个系统瘫痪。因此为维护系统安全稳定的运行，快速准确的定位故障在电力电子系统中至关重要。

T型逆变器拓扑结构分析和故障分类

常见的多电平的电路拓扑主要有三种：二极管箝位型逆变器、飞跨电容箝位型逆变器和具有独立直流电源的级联型逆变器。

本发明所针对的T型三电平逆变器是中点箝位型逆变器的改进拓扑，其优势主要体现在减少了电流通路中的开关器件数量，减少了传导损耗。而且与二极管箝位型三电平逆变器相比，T型三电平逆变器的每个桥臂少用了两个箝位二极管，其控制方法和二极管箝位型三电平逆变器类似。T型三电平逆变器融合了两电平和三电平逆变器的优势，既有两电平逆变器传导损耗低，器件数目少的优点，又有三电平逆变器输出波形好，效率高的优点，是很有发展前景的一种三电平逆变器拓扑，具体结构如说明书附图1所示。

T型逆变器功率开关器件个数较多，共12个IGBT器件，因为发生故障的功率开关器件个数和所在位置的不同，导致故障种类多样。一般来说，3个或3个以上的功率开关器件同时发生开路故障的可能性很小。

表1故障分类

本发明只针对一个功率开关器件发生开路故障和两个开关同时发生开路故障的情形进行故障诊断的研究。1)单个功率管出现开路故障：以A相桥臂为例，即SA1、SA2、SA3、SA4，共4种开路故障的情况；2)两个功率管出现开路故障可分为两类情况：第一类为出现开路故障的两个开关管都在同一相,即在同一桥臂上，以A相桥臂为例，即SA1SA2、SA1SA3、SA1SA4、SA2SA3、SA2SA4、SA3SA4，共6种两个管子在同一相同时出现开路故障；第二类为出现故障的两个开关管分别在不同相，即在不同的桥臂上。以A相和B相桥臂为例，即SA1SB1、SA1SB2、SA1SB3、SA1SB4、SA2SB1、SA2SB2、SA2SB3、SA2SB4、SA3SB1、SA3SB2、SA3SB3、SA3SB4、SA4SB1、SA4SB2、SA4SB3、SA4SB4，共16种两个管子在不同相同时出现开路故障。再加上正常状态共计27种故障状态。故障分类如表1所示。

发明内容

针对现有技术存在的缺陷和不足，主要是针对逆变器故障诊断人工提取故障特征繁琐并且不够精确的问题，本发明提出了一种基于GASF和CNN的三电平T型逆变器故障诊断方法，即基于格拉姆求和角场(Gramian Summation Angular Field,GASF)和卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。首先将采集到的一维时序信号通过格拉姆求和角场方法映射为二维图像，再将二维图像作为CNN输入，发挥其提取图像特征的优势，最后由Softmax层输出故障诊断结果。通过对比分析，验证了所提出故障诊断方法的有效性。

本发明具体采用以下技术方案：