三电平光伏逆变器故障诊断研究

【摘 要】本文通过对三电平光伏逆变器的故障类型和当前常用的故障诊断方法进行分析，将不同故障诊断方法的优劣进行对比，发现当前的故障诊断方法存在一定的缺陷；提出一种基于小波变换和极限学习机神经网络相结合的逆变器故障诊断方法，该方法可实现对三电平光伏逆变器多模式故障的诊断。通过仿真实验，验证该方法的正确性和有效性。

【关键词】三电平光伏逆变器；故障诊断；小波变换；极限学习机神经网络

0 引言

近年来，新能源的运用越来越广泛，尤其是光伏产业受到了很大重视，逆变技术作为其中的关键技术之一，光伏逆变器的安全、稳定运行受到很大关注。由于多电平技术的发展及多电平技术的优势，目前应用较多的是三电平光伏逆变器，其输出波形谐波小，开关应力低。

虽然三电平逆变器优势很大，但其在效率提高的同时也带来了一定的麻烦，三电平逆变器的开关器件较两电平逆变器增加了一倍，而开关器件正是整个逆变器中最薄弱的环节，这就增加了逆变器发生故障的可能性，因此做到对逆变器故障的及时诊断就尤为重要。

本文以应用较多的三电平中点钳位型（NPC）光伏逆变器为研究对象，对目前广泛使用的一些故障诊断方法进行总结、分析，提出一种新的故障诊断方法，以提高目前故障诊断的速度及正确率。

1 故障类型分析

三电平逆变器的拓扑结构比较复杂，因此其故障形式也比较复杂。对于逆变器电路，大多数故障表现为功率开关器件的损坏，主要是由器件的开关特性引起的，其中以功率开关器件的开路故障和直通故障最为常见。直通故障存在时间很短，难以诊断，因此其诊断和保护方法多采用基于硬件电路的设计。所以本文只研究功率开关器件开路故障的情况。

三电平中点钳位型逆变器功率器件较多，故障组合数目众多，故障情况复杂，且其是三相对称结构，各相故障情况相同，因此本文只对其中一相（A相）进行分析，这样可以达到对所有故障类型都得以分析而又使诊断模型得到简化。三电平NPC型逆变器分为单功率器件故障和多功率器件故障两种情况，多功率器件故障又以两功率器件故障作为常见，所以本文主要研究单功率器件故障和两功率器件故障的情况。

三电平NPC型逆变器正常工作时A相有六种工作状态，而每种故障形式均对应其中的一种工作状态，但仅依靠工作状态还不能将各种故障形式一一区别出来，因为有不同的故障形式对应同一种工作状态的情况，因此还需要结合其他信息将故障情况进行区分。

故障情况分类可分为以下几种：

（1）正常运行，没有功率器件故障

（2）任一功率器件故障

（3）同一相两个功率器件故障

（4）不同相两个功率器件故障（可看为每个单相发生故障时的叠加情况）

2 常用故障诊断方法分析

目前国内关于三电平NPC型光伏逆变器的故障诊断已展开了大量研究。现阶段，三电平NPC型逆变器的故障诊断主要集中在两个方面：一是只考虑单个功率器件的开路故障，二是考虑到多功率器件故障模式，但目前尚缺少成熟故障诊断模型，以快速、精确的定位故障位置。

对于单功率器件的开路情况，文献[1]提出通过检测逆变器输出侧PWM电压和输出电流极性以识别功率管的开路故障，但其诊断结果没有精确定位到某个器件，需要进行人工查找，且对于高于三电平的多电平逆变器存在过多开路故障而不能精确定位的问题[2]。对于多功率器件故障模式，目前有不少文献提出了可行的方案，但也存在一定的问题，可靠性不高、诊断模型复杂等，都会对诊断结果造成较大影响。

故障诊断流程大致可分为故障信号采集、信号特征提取、故障诊断分类等几个步骤。故障诊断方法目前应用较多的是傅里叶分析、小波变换和人工神经网络、支持向量机、键合图理论等相结合的方法，但由于各自发展的局限性及诊断模型搭建的复杂性，其诊断效果有待进一步提高。

常用故障诊断方法可分为以下几类：

（1）基于信号处理的故障诊断方法

（2）基于人工神经网络的故障诊断方法

（3）基于支持向量机的故障诊断方法

（4）基于键合图理论的故障诊断方法

（5）其它一些故障诊断方法

3 故障诊断方法设计

本文通过对常用的一些故障诊断方法的分析，提出了一种新的三电平NPC型逆变器故障诊断方法。该方法采用小波变换对故障信号进行特征提取，然后利用极限学习机神经网络对故障情况进行分类识别。

小波变换的运用解决了傅里叶分析只能在频域上对稳定信号进行分析的局限性；极限学习机神经网络是一种将极限学习方法与单隐层前向神经网络相结合形成的新型分类方法，该方法具有参数易于选择且泛化能力好等优点，在保证计算精度的同时可以大幅度的缩短训练时间。

该新型故障诊断方法利用小波变换提取故障信号的能量谱作为故障特征向量；然后将故障特征向量输入到极限学习机神经网络中进行训练、诊断，由极限学习机神经网络的输出向量来对应不同的故障模式。

通过仿真实验表明，该方法可实现三电平NPC型逆变器的多模式故障诊断，且具有精度高、速度快等优点。

4 结论

本文通过对三电平中点钳位型逆变器的故障类型和当前国内常用的一些故障诊断方法进行了分析，发现目前的诊断模型或多或少的存在一些缺陷，不能很好的将故障精确快速的诊断出来。最后本文提出一种基于小波变换和极限学习机神经网络相结合的逆变器故障诊断方法，能够克服以往故障诊断模型中的不足之处，通过仿真实验证明了该方法具有很好的实用性。

【参考文献】

[1]汤清泉，颜世超，卢松升，等.三电平逆变器的功率管开路故障诊断[J].中国电机工程学报，2008，28（21）：26-32.

[2]陈丹江，叶银忠.基于多神经网络的三电平逆变器器件开路故障诊断方法[J].电工技术学报，2013，28（6）：120-126.

[3]肖刚.三电平逆变器故障诊断研究[D].西安：西安理工大学，2007.