基于深度学习的模块化五电平变换器开路故障诊断方法

发布时间：2020-05-29 09:10

【摘要】：模块化多电平变换器(MMC)作为柔性直流输电系统的核心单元,它含有大量的电力电子子模块(SM),且每个子模块都是潜在的故障点。因此,在子模块发生故障的情况下,故障必须及时诊断。由于MMC拥有大量结构对称且完全相同的子模块,使得诊断出哪个子模块发生故障非常具有挑战性。为了保护SM电路,以减少SM故障的影响,一些驱动保护电路已被集成到子模块控制器上,如过热、过流、过载继电器。但这些保护电路设计复杂且诊断能力较弱,无法识别出某些故障,使得保护容易失效。而深度学习是当前机器学习领域的研究热点,凭借其强大的特征自动提取能力,已经在多个领域取得了成功,比如图像识别、语音识别等领域。因此,本文基于深度学习理论,对模块化五电平逆变器子模块开路故障诊断方法进行了研究。本文主要研究工作如下:首先,本文研究了模块化五电平变换器的拓扑结构和工作原理,基于此,深入分析了模块化五电平变换器子模块开路故障的故障特性,并从故障特性分析中确立了以模块化五电平变换器24个子模块电容电压为特征变量进行故障诊断。鉴于输入深度学习模型的数据都是图像或者二维矩阵,所以将24个子模块的电容电压信号组合成24通道序列信号。为了开展后续基于深度学习的故障诊断实验,本文以PSCAD/EMTDC为仿真平台搭建了模块化五电平变换器故障仿真模型,通过改变桥臂电抗、子模块电容值等参数,共收集864个24通道序列信号数据样本。其次,针对子模块出现开路故障时电容电压只会出现微弱变化,使得故障特征不够明显,导致通过传统机器学习算法提取特征比较困难,所以本文提出了基于深度卷积神经网络(DCNN)的模块化五电平变换器子模块开路故障诊断方法,该方法沿着24通道序列移动大小为24×200滑动窗口获得“灰度图”样本,紧接着将其输入到DCNN中进行逐层有监督特征学习,自动提取原始故障数据集的深层特征,最后将深层特征连接到Softmax分类器输出故障诊断结果。实验结果表明,故障诊断平均准确度达到98.16%。最后,鉴于模块化五电平变换器在线监测设备收集的数据大都是无标签数据,本文有提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平变换器子模块开路故障诊断方法,该方法将模块化五电平变换器子模块开路故障检测与定位问题转化成分类问题,首先沿着24通道序列移动大小为24 × 40滑动窗口获得灰度图,紧接着将其转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。实验结果表明,所提出的故障诊断方法平均准确度达到98.09%,且具有较高的鲁棒性。
【图文】：

拓扑结构图,电平变换器,模块化,拓扑结构

其中每个子模块包括２个ＩＧＢＴ器件乃和丁２、２个反并联二极管Ｄｌ和Ｄ２以及逡逑１个直流侧电容器ＣＳＭ。为子模块输入电流，Ｕｓｍ为子模块输出电压，Ｕｃ为子模块逡逑的电容电压，各物理量的参考方向如图２－１所示。逡逑ＳＭＩ邋Ｉ￣￣Ｊｈ邋ＳＭ９｜￣｜ｄＳＭ１７ｊ逦°邋尸逡逑Ｈ邋ＳＭ２１邋ＨｓｍｉｏＩ邋ＨＳＭ１８｜逡逑Ｌｊ邋ＳＭ３｜邋Ｌ｜ＳＭ１１｜邋￣ｊＳＭ１９｜逦逦１邋ＳＭ邋１逡逑ｚｊ邋ＳＭ４１邋ＨＳＭ１２｜邋ＨＳＭ２0｜逦｜逡逑Ｉ。0邋ｉ０邋＾￣ｌＴ逦，，逦逡逑Ｙ］邋逦邋ｒ￣逡逑ａｆ邋＾逦Ｔｊ＾Ｄ，逡逑广N邋ｕ逡逑ＨｓＭ１４｜邋ＨｓＭ２２｜逦．逦—．逡逑ｕ－｜逡逑逦ｐｉ＾ｌ逦°逦逦逡逑图２－１模块化五电平变换器拓扑结构逡逑２．邋１．２模块化五电平变换器工作原理逡逑模块化五电平变换器的拓扑结构如图２－１所示。在模块化五电平变换器拓扑中｜８２１，逡逑每个相单元由８个子模块构成，而上桥臂拥有４个半桥型子模块，下桥臂拥有４个半桥逡逑型子模块，如图２－２所示。在图２中，实线主要表示模块化五电平变换器的上桥臂电压，逡逑虚线主要表示模块化五电平变换器的下桥臂电压，粗实线表示模块化五电平变换器的整逡逑个直流侧电压。要保证模块化五电平变换器正常运行需要满足如下两个条件［９］：逡逑（１）必须维持模块化五电平变换器直流侧的电压恒定。根据图２－２，要想维持模块逡逑化五电平变换器直流侧电压保持不变

电平变换器,模块化,必要条件,子模块

电平变换器子模块中两个开关器件７；和ｒ２施加开通或关断信号，可实现模块化五电平变逡逑换器子模块的不同运行模式［９，８Ｇ＿８２］。正常运行时，７；和７；不能同时导通，因此共有三种逡逑运行状态，分别称为投入状态、切除状态和闭锁状态［８３＿８５］，如图２－３所示。逡逑（１）
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM46

【参考文献】