【精彩論文推薦】湘潭大學 尹橋宣,段斌等:模塊化五電平逆變器子模塊開路故障的智能診斷方法

電力系統自動化2018-07-16 22:12:47

 提示點擊""關注本刊微信


原文發表在《電力系統自動化》2018年第42卷第12期,歡迎品讀。



本文引文信息

尹橋宣, 段斌, 沈夢君, 等. 模塊化五電平逆變器開路故障的智能診斷方法 [J]. 電力系統自動化, 2018, 42(12): 127-133. DOI: 10.7500/ AEPS20170714008.

YIN Qiaoxuan, DUAN Bin, SHEN Mengjun, et al. Intelligent Diagnosis Method for Open-circuit Fault of Sub-modules in Modular Five-level Inverter [J]. Automation of Electric Power Systems, 2018, 42(12): 127-133. DOI: 10.7500/ AEPS20170714008.



模塊化五電平逆變器子模塊開路故障的智能診斷方法

DOI: 10.7500/AEPS20170714008

尹橋宣,段斌,沈夢君,屈相帥



1

研究背景


模塊化多電平變換器(modular multilevel inverter, MMC)作為一種新型的柔性一次設備,已被廣泛應用在電力系統中,顯著提升了電能的轉換和傳輸效率,增強了電力系統的調控能力與靈活性。但因MMC中含有大量的電力電子子模塊(sub-module,SM),且每個子模塊都是潛在的故障點。因此,在子模塊發生故障的情況下,故障必須及時診斷。由於MMC擁有大量結構對稱且完全相同的子模塊,使得診斷出哪個子模塊發生故障非常具有挑戰性。為了保護SM電路,以減少SM故障的影響,一些驅動保護電路已被集成到子模塊控制器上,如過熱、過流、過載繼電器。但這些保護電路設計複雜且診斷能力較弱,無法識別出某些故障,使得保護容易失效。因此,研究一種高效的故障診斷方法對MMC穩定運行至關重要。


近年來,國內外針對多電平逆變器故障診斷的方法大致可劃分為3類:①基於數學模型的方法;②基於信號處理的方法;③基於知識的方法。儘管上述三種故障診斷方法很好且已經被證明是有效的,但是應用於模塊化五電平逆變器存在侷限性,尤其特徵提取過程需要根據特定的系統配置和參數進行手動設計,而且無法提取深層次特徵。鑑於深度學習擁有強大的自動特徵提取能力,並在圖像識別、語音識別等領域已取得了顯著的成果,本文提出了一種基於棧式稀疏自動編碼器(SSAE)的模塊化五電平逆變器(MFLI)子模塊開路故障診斷方法。該方法將故障檢測與定位問題轉化為深度學習擅長的分類問題,利用SSAE進行無監督特徵學習,構建原始故障數據的深層特徵表達,最後將深層特徵連接到Softmax分類器輸出故障故障診斷結果。


2

子模塊故障特性


本文主要研究MFLI子模塊開路故障包括T1開路故障、T2開路故障、T1和T2同時開路故障三種類型。子模塊開路故障後橋臂電流的正負所對應的子模塊輸出電壓特性與子模塊正常運行時有所不同。通過分析可知,T1、T2開路故障會導致電容異常充放電,因此在子模塊出現開路故障時電容電壓會出現波動。現有SM開路故障檢測與定位的方法主要採用人工比較子模塊電容電壓的方法,即通過計算故障SM電容電壓與正常運行SM電容電壓之間差值實現故障檢測與定位。這類方法不僅需要花費一定的計算時間,而且當橋臂電流很小時,故障SM電容電壓與正常運行SM電容電壓的差值也會很小,故障特徵不夠明顯,使得故障檢測與定位工作變得很難。本文將MFLI中24個SM電容電壓信號組合成24通道序列信號,利用SSAE以無監督方式從中自動提取有利於故障檢測與定位的深層次特徵信息,減少了人工特徵提取的工作量,提高故障診斷效率。

圖1 子模塊開路故障



3

基於SSAE的MFLI故障診斷方法


3.1   

基於SSAE的MFLI子模塊開路故障診斷模型由1個輸入層、2個隱含層和1個Softmax分類器構成,如圖2所示。本文將MFLI子模塊開路故障診斷問題轉化為分類問題,首先將子模塊電容電壓信號組合成多通道序列信號,然後沿著多通道序列移動大小為滑動窗口獲得“數據帶”樣本,緊接著將“數據帶”轉化成向量輸入SSAE中進行逐層無監督特徵學習,構建原始故障數據集的深層特徵簡明表達,最後將深層特徵簡明表達連接到Softmax分類器輸出故障診斷結果。具體地,將MFLI中24個子模塊按照從A相到C相,每相中從上臂到下臂的順序依次標記為1到24。從子模塊故障發生前採樣到的樣本標記為“正常”,標籤為0;從故障發生後採樣到的樣本標記為“故障”,標籤為發生故障的子模塊的標號,即1到24中的某個數。把“正常”和24個不同子模塊發生“故障”定義為不同的類別,則一共有25種樣本類別,因此只要預測出“數據帶”樣本的類別,就可以判斷MFLI中是否有子模塊發生故障並確定是哪一個子模塊發生故障(即故障位置)。

圖2  基於SSAE的MFLI故障診斷模型框架圖


3.2  故障診斷流程 

基於SSAE的MFLI子模塊開路故障診斷的具體步驟如下。


步驟1:選取MFLI中的24個SM電容電壓信號組合成24通道序列,按照Min-Max方式對24通道序列信號進行歸一化處理。


步驟2:利用大小為24×40的滑動窗口按時間順序等間隔切割24通道序列信號,獲得“數據帶”樣本,即灰度圖,將所有24通道序列信號切割獲得的灰度圖合併成一個樣本集,並按照一定比例劃分為訓練樣本集和測試樣本集。


步驟3:使用訓練樣本集訓練SSAE網絡模型和softmax分類器,獲得最佳參數,得到故障診斷模型。


步驟4:將測試樣本集輸入到已訓練好的故障診斷模型進行故障診斷。


4

實驗結果分析


4.1  實驗結果 

本文以PSCAD/EMTDC為仿真平臺搭建模塊化五電平變換器的故障仿真模型,然後通過改變橋臂電抗、子模塊電容值等系統參數生成由子模塊電容信號組成的24通道序列信號數據集,並嘗試所有參數的組合,共收集864個24通道序列信號數據樣本。每個子模塊隨機抽取6個24通道序列樣本,即共144個24通道序列樣本,獲得一個含有14400個“數據帶”樣本的數據集,把這個數據集隨機劃分10080個“數據帶”樣本(即數據集的70%)作為訓練集,4320個“數據帶”樣本(即數據集的30%)作為測試集進行實驗,獲得最優故障診斷模型參數。緊接著,從數據集中為每個子模塊隨機抽取4個24通道序列信號樣本,即共96個24通道序列樣本,按照同樣的方式生成含有9600個“數據帶”樣本的數據集,對最優故障診斷模型進行驗證。圖3是故障診斷準確度所對應的混淆矩陣。

圖3  基於SSAE的MFLI故障診斷實驗結果


4.2  故障診斷時間 

從數據集中為每個子模塊隨機抽取3個24通道信號樣本,共72個24通道信號樣本,繪製每個信號樣本的模型輸出。由於本文MFLI仿真實驗設定SM開路故障開始時間為第2s,因此在24通道序列的1.9s到2.4s時間段內,利用滑動窗口以1ms的步長從左向右移動,獲得500個大小為24×40的“數據帶”樣本,作為訓練好模型的輸入,獲得故障診斷模型的預測輸出並進行濾波操作,最後繪製出每個“數據帶”樣本的模型輸出,如圖4所示。對各子模塊的故障檢測時間進行了統計,如圖5所示。最快檢測時間為13ms,最慢檢測時間為52ms,平均檢測時間為31.47ms。

圖4  不同類型的子模塊故障對應的模型輸出圖


圖5  各子模塊故障檢測平均時間統計圖


4.3  對比結果 

將本文提出的基於SSAE的故障診斷模型與BP神經網絡BPNN和支持向量機SVM等兩種方法進行比較分析,實驗得到SSAE,SVM,BPNN的正確率分別為98.09%,86.78%,93.67%。可見,本文方法比其他方法的實驗結果在診斷上具有一定的優勢。


4.4  抗噪性能 

本文向訓練集數據樣本添加不同強度的高斯白噪聲,對SSAE進行訓練,以提高其特徵表達的魯棒性,實驗結果如下:噪聲強度分別為5%,10%,15%,20%,25%時,正確率分別為96.71%,95.93%,93.84%,93.29%,91.71%。可以看出,當噪聲的強度為25%時,故障診斷準確度仍能達到91.71%,說明該方法的抗噪性能較好。


5

結語


在MFLI發生子模塊故障後及時完成故障檢測與定位,並結合相應的保護策略保障MFLI的正常運行,這一工作具有一定的工程應用價值和現實意義。本文將深度學習技術應用於MFLI故障診斷領域,把故障診斷問題轉換成深度學習模型所擅長的分類問題,將MFLI子模塊電容電壓信號組成24通道序列信號,並沿24通道序列信號移動大小為24×40的採樣窗口獲得“數據帶”樣本。然後利用SSAE對“數據帶”樣本進行無監督學習,自動提取故障深層特徵。最後將深層特徵連接到Softmax分類器輸出故障診斷結果。結果表明,所提出算法平均故障診斷準確度達到了98.09%。此外,向訓練集數據樣本添加不同強度的高斯白噪聲,對SSAE進行訓練,提高了其特徵表達的魯棒性。


由於深度學習模型參數調整複雜,選取不當可使模型陷入局部最小或過擬合,影響分類結果。因此下一步需對參數調整方法進行深入研究。同時考慮獲取真實MFLI電路中的數據來驗證模型的普適性及拓展深度學習理論在電力系統故障診斷領域中的應用。


下方查看歷史文章




《電力系統自動化》2018年第12期目次


【精彩論文推薦】山東大學 周安平,楊明等:電力系統運行調度中的高階不確定性及其對策評述


【精彩論文推薦】國家電網有限公司 冷喜武,陳國平等:智能電網監控運行大數據分析系統總體設計


主要作者及團隊介紹

尹橋宣,湘潭大學信息工程學院碩士研究生,主要研究方向:信息物理能源系統以及深度學習。

 

段斌,教授,博士生導師,湘潭大學“韶峰學者”,湘潭大學信息工程學院院長,湘潭大學電氣工程一級碩士學位點負責人。研究領域包括:電力系統自動化、電力通信網絡與系統、電力傳輸與轉換、工程教育信息科學與技術。

 

湘潭大學電能變換團隊,湖南省風電裝備與電能變換協同創新中心5個核心團隊之一,主要研究新型電能變換設備保護、控制、故障診斷,以及含風系統有功、無功控制與優化。近5年,團隊承擔國家自然科學基金項目、企業合作課題20餘項,發表SCI/EI論文120餘篇,研究成果先後獲得湖南省科技進步獎2項,湖南省專利獎1項。


鄭重聲明:根據國家版權局相關規定,紙媒、網站、微博、微信公眾號轉載、摘編本微信作品,需包含本微信名稱、二維碼等關鍵信息,並在文首註明《電力系統自動化》原創。個人請按本微信原文轉發、分享。


關於《電力系統自動化》


點擊左下方“閱讀原文”查看原文











閱讀原文

TAGS: