光伏逆變器IGBT器件接線故障診斷方法

趙智強,帕孜來·馬合木提,劉行行,周昂

(新疆大學 電氣工程學院,新疆 烏魯木齊 830017)

自大力發(fā)展新能源以來,以太陽能為代表的清潔能源備受矚目,逆變器作為整個發(fā)電系統(tǒng)的核心裝置,其性能對電力系統(tǒng)的安全與穩(wěn)定運行有直接的影響,其中絕緣柵雙極型晶體管(insulated gate bipolar transistor,IGBT)因具有耐高電壓、高電流的突出特性,便作為首選的功率開關(guān)器件.文獻[1-2]結(jié)果表明,光伏逆變器多布置于沙漠、高原等惡劣環(huán)境下,導致IGBT器件容易發(fā)生各類故障,其中IGBT的故障率占逆變器電力電子器件故障的70%[1-2].

按照逆變器的故障性質(zhì)可分為參數(shù)性故障和結(jié)構(gòu)性故障,由IGBT等功率開關(guān)器件損壞引起的短路故障[3-4]、開路故障[5-6]和間歇性失火故障[7]3類常見的結(jié)構(gòu)性故障已經(jīng)有了大量的研究,但目前IGBT接線故障的研究有限.由于焊接不當、連接引線老化、環(huán)境變化等引起的IGBT與引線接點之間產(chǎn)生寄生電阻[8-10],并且隨著設備運行,寄生電阻不斷增大,這是一個漸變的故障過程,其特征不足以觸發(fā)保護裝置,但若未被檢測到,連接點會產(chǎn)生更多的熱量,不但會對其他器件造成影響,而且隨著應力累計質(zhì)變?yōu)椴豢赡孓D(zhuǎn)的結(jié)構(gòu)性故障,將增加維修成本甚至危害人身安全.

針對IGBT器件故障,文獻[11]將三相電流Clark變換得到矢量表達式,結(jié)合電流矢量軌跡斜率和極性定位開關(guān)器件的故障位置.文獻[1]將三相電流Concordia變換,利用電流矢量瞬時頻率、瞬時角度信息進行故障診斷與定位.文獻[12]利用IGBT的電流殘差變化率,通過與設定閾值來檢測故障位置.文獻[13]首先對三相電流進行小波分析再進行Concordia變換,得出輸出電流的運行軌跡,從而完成故障特征提取.文獻[9、14]對三相電流Clark變換后獲取時域特征,接著利用一種算法進行特征優(yōu)選,但是選取的時域特征維度依舊龐大,會降低處理和診斷速度.文獻[15-16]指出利用三相電流作為檢測信號易受外界干擾,會嚴重影響電流軌跡,不利于故障分離,且后續(xù)診斷時間較長.相比之下,基于電壓的方法需要的檢測時間更短[17-18],提高了對逆變器的診斷效率.針對以上情況,文獻[16]將電網(wǎng)中性點與直流側(cè)負極間的電壓作為特征量,并使用電壓矢量角度法,完成開關(guān)器件的檢測.文獻[6]對電壓信號進行小波包分解與重構(gòu)來判斷故障所處的頻帶范圍,然后選擇了基于能量譜與功率譜結(jié)合的故障檢測方式,雖然在診斷時間和效果上都有了提高,但是特征提取以及診斷過程過于繁瑣,不利于實現(xiàn)快速準確診斷.文獻[14,19]采用極限學習機(extreme learning machine, ELM)診斷模型,學習速度慢,易出現(xiàn)過度訓練,導致泛化性能下降.文獻[20]采用KELM,收斂速度、泛化性能都有提高,但其核參數(shù)和正則化系數(shù)存在較大的隨機性,導致診斷性能不穩(wěn)定.因此,采用一種簡便快捷且不易受外界干擾的方法進行特征提取,并利用高效的分類模型完成IGBT接線故障的診斷具有重要意義.

1 故障機理分析

在光伏發(fā)電、風力發(fā)電等系統(tǒng)中,采用如圖1所示的Z源逆變器代替?zhèn)鹘y(tǒng)的逆變器,利用其獨特的升降壓特性,能充分適用于直流鏈電壓波動大的場合,同時不需要設定死區(qū)時間,能有效減小諧波污染,改善輸出電流波形質(zhì)量.

圖1 Z源逆變器拓撲及特征提取流程Fig.1 Z source inverter topology and feature extraction process

Z源逆變器的主電路由Z源網(wǎng)絡、IGBT器件和二極管構(gòu)成,由于本文只考慮IGBT器件接線故障,因此具體建模為漏極端上串聯(lián)1個電阻[8-9],R1～R6所示.正常情況下,IGBT引線等造成的雜散電阻約為幾歐姆,為了區(qū)分雜散電阻與接線電阻,設定雜散電阻0～6 Ω,接線電阻6.1～50 Ω[15].

結(jié)合以上分析,本文以Z源逆變器的6個IGBT器件存在的各類接線故障模型為例,進行故障診斷.因三相電壓信號含有豐富的IGBT接線故障信息,故可作為故障檢測信號依據(jù).根據(jù)實際要求,建立基于MATLAB/Simulink的仿真模型參數(shù)如下:光伏陣列輸出直流電壓Ud為400 V,50 Hz,Lf為50 μH,LC為10 mF,Z源網(wǎng)絡電感L1和L2的標稱值為1 mH,電容C1和C2的標稱值均為3 300 μF.

各IGBT器件發(fā)生接線故障的概率相同,但2個以上的IGBT器件同時發(fā)生故障的情況幾乎不存在[21].因此,本文僅針對單管IGBT和雙管IGBT存在的接線故障進行分析與診斷.將正常模式及4類IGBT接線故障細分為22類故障狀態(tài),分別研究了多種故障狀態(tài),具體故障類型見表1.其中,F0為正常模式,F1～F6為單管故障,F7～F12為雙管I型故障,F13～F18為雙管Ⅱ型故障,F19～F21為雙管Ⅲ型故障.

表1 接線故障類型

4類故障通過Simulink仿真,獲取各模式下相電壓UA、UB、UC信號波形.為盡可能滿足接線電阻實際發(fā)生的情形,考慮到接線電阻阻值變化的隨機性和任意性,對于正常狀態(tài)F0,在0～6 Ω任意取60組不同的接線電阻阻值;對于故障狀態(tài)F1～F21,在6.1～50 Ω之間也分別取60組不同的接線電阻阻值,即每類故障狀態(tài)下分別獲取60組三相電壓信號,則共有1 320組信號樣本.下文對于故障狀態(tài)的說明均以F19獲取的三相電壓為例.

2 基于電壓平均值的故障特征提取

2.1 電壓信號

圖2a和圖2b對比可知,發(fā)生接線故障時的電壓波形相較于正常狀態(tài)發(fā)生了一定程度的畸變失真,但是不同故障之間的電壓波形變化較難區(qū)分.而Concordia變換不僅在逆變器的故障診斷中能夠獲取表征逆變器狀態(tài)的信息[1,13],而且在保留固有特征信息的同時通過信息壓縮能有效減少數(shù)據(jù)樣本量.對三相電壓Ua、Ub、Uc采用Concordia變換,其公式如下:

a.正常狀態(tài)F0時三相電壓波形;b.故障F19時三相電壓波形;c.正常狀態(tài)f0變換后電壓波形;d.故障F19變換后電壓波形;e.正常狀態(tài)F0二維連續(xù)情況;f.故障F19二維連續(xù)情況;g.電壓均值散點

(1)

式中,Uα、Uβ為Ua、Ub、Uc在α-β平面內(nèi)的壓縮信息.

當Uα、Uβ在α-β二維坐標系上展現(xiàn)時,表現(xiàn)為一個連續(xù)圖形,如圖2e、2f所示.當逆變器處于正常狀態(tài)時接近為一個連續(xù)的規(guī)則圓,處于故障狀態(tài)時為一個連續(xù)的不規(guī)則圓.

通過正常狀態(tài)、故障狀態(tài)下的Uα、Uβ波形變化以及Uα、Uβ在α-β二維坐標系上表現(xiàn)形式,可以初步推斷電壓Uα、Uβ含有豐富的接線故障信息.但是,僅通過以上2種方式難以準確區(qū)分多種不同程度的接線故障,接下來通過α-β坐標內(nèi)的電壓平均值分布特性來驗證IGBT器件接線故障的可分性[9],

(2)

如圖2g所示,正常狀態(tài)時電壓平均值位于坐標原點附近,偏差極小;當發(fā)生接線故障時,電壓平均值會偏離坐標原點,且偏差較大.由此可見,三相電壓Concordia變換后平均值對IGBT接線故障有較好的敏感性,可以初步將其作為表征故障的特征.

2.2 故障特征分析

針對表1的故障類型,在保證分布圖直觀清晰的情況下,各故障編碼下分別取20個阻值進行分布特性分析.

2.2.1 單管故障

a.單管故障;b.雙管Ⅰ型故障;c.雙管Ⅱ型故障;d.雙管Ⅲ型故障

2.2.2 雙管Ⅰ型故障

圖3b所示為異相同側(cè)橋臂雙管接線故障的電壓均值分布情況,6種故障近似位于6個扇區(qū)內(nèi),且接線電阻阻值越大,平均值點分布越接近原點,但各扇區(qū)的故障點在邊界處存在重疊現(xiàn)象,此時僅靠電壓均值的二位散點圖已經(jīng)達不到精準分類的效果.

2.2.3 雙管Ⅱ型故障

圖3c所示為異相異側(cè)橋臂雙管接線故障的電壓均值分布情況,6種故障近似位于6個扇區(qū)內(nèi).平均值點分布情況跟雙管Ⅰ故障模式一致,接線電阻阻值越大,分布點越接近原點.雖然這6種故障之間沒有明顯的重疊現(xiàn)象,但是不排除與其他類故障存在重疊的情況.

2.2.4 雙管Ⅲ型故障

為了進一步說明電壓均值點的分布與各類故障的對應關(guān)系,觀察各類故障之間是否存在交叉重疊的現(xiàn)象,繪制整體的電壓平均值二位散點圖,如圖4所示.

a.全局散點;b.部分區(qū)間內(nèi)散點;c.正常狀態(tài)散點

由以上分析可知,三相電壓Concordia變換后均值可以作為一種故障特征向量,但是在大數(shù)據(jù)樣本的情況下,僅依據(jù)電壓均值的二位散點圖難以保證各種故障的精確可分性.

3 基于ILSO-KELM的接線故障診斷

3.1 核極限學習機

為進一步增強ELM的泛化能力和穩(wěn)定性,引入核函數(shù)作為極端學習機的隱含層節(jié)點映射,構(gòu)建核極限學習機[19].

1)訓練樣本集D={(xi,ti)|i=1,2,…,N},其中xi=[xi1,xi2,…,xip]T、ti=[Ti1,Ti2,…,Tip]T為第i個輸入、輸出樣本,單隱層神經(jīng)網(wǎng)絡為

(3)

式中,g(·)為激活函數(shù),bj為第j個隱層元的偏置,yj為網(wǎng)絡輸出,βj、wj分別為輸出節(jié)點、輸入節(jié)點與隱層點之間的權(quán)重向量.

(4)

其矩陣表示為Hβ=T,求解最小二乘解β*,根據(jù)廣義逆理論,可得

β*=H+T=HT(HHT)-1,

(5)

式中,H為隱層點輸出,H+為H的廣義逆,T為期望輸出.

3)引入核函數(shù)ΩELM代替HHT,

(6)

式中,h(·)為隱層點輸出函數(shù),K(·)為核函數(shù).

4)選取RBF作為核函數(shù),其表達式為

(7)

5) KELM模型的輸出為

(8)

式中,I為對角矩陣,C為懲罰函數(shù).

3.2 改進的獅群算法

獅群算法[22]尋優(yōu)后期獅群個體的尋優(yōu)范圍受限,個體位置可能發(fā)生重疊而降低多樣性,易陷入局部最優(yōu).因此,本文利用混沌映射初始化LSO參數(shù),利于全局尋優(yōu).

3.2.1 Sine混沌映射初始化獅群

混沌映射具有規(guī)律性、隨機性、遍歷性等特點[23],替換隨機初始化的種群,可以豐富種群多樣性,改善全局搜索性.利用Sine混沌映射[24]初始化獅群位置,其表達式為

xi0+1+δsin(πxi0),

(9)

式中,i0為混沌變量迭代次數(shù),xi0為閾值變量,δ為控制參數(shù).

設種群的獅子數(shù)量為M,維度空間為D,成年獅子的數(shù)量為m,則有m=λM,其中λ∈(0,1)為成年獅子的比例因子.

隨機產(chǎn)生一組待尋優(yōu)閾值變量Xi=(Xi1,Xi2,…,XiD),i∈[1,M],利用Sine方程產(chǎn)生M組混沌變量,且映射到[Xmin,Xmax]的未知位置變量上.之后,不同類型的獅子按照各自方式來更新位置.

3.2.2 獅群更新方式

1)獅王在最優(yōu)位置處小范圍移動,具有最佳適應度值,其更新方式為

(10)

2)母獅在捕獵過程中與另一只母獅協(xié)作,其更新方式為

(11)

3)幼獅跟隨獅王和母獅活動,其更新方式為

(12)

3.3 基于ILSO-KELM的故障診斷模型

針對逆變器的IGBT接線故障不明顯、故障識別率低,快速準確地故障診斷尤為重要.因此,在結(jié)合三相電壓Concordia后的特性組成故障向量,采用改進的LSO算法優(yōu)化KELM建立診斷模型.

圖5為整體的故障診斷流程圖,具體步驟如下:

圖5 故障診斷流程Fig.5 Flowchart of overall fault diagnosis

1) 對采集的三相電壓信號進行Concordia變換得到兩相電壓Uα、Uβ,對其取均值,組成特征向量組,并分為訓練樣本、測試樣本.

2) 將訓練樣本輸入步驟2),測試樣本輸入步驟9).

3) 利用式(9)生成初始化種群.

4) 計算成年獅子的數(shù)量以及個體的歷史最優(yōu)位置,并設置為當前位置,將獅群最優(yōu)位置設為獅王位置.

5) 通過式(10)更新獅王位置,并計算適應度值;通過式(11)更新母獅位置;通過式(12)更新幼獅位置.

6) 計算個體適應度值,更新個體歷史最優(yōu)位置和獅群歷史最優(yōu)位置.

7) 判斷算法是否達到終止條件,若到達條件則跳到步驟8),否則跳到步驟5).

8) 輸出最終獅王位置,即為KELM的最優(yōu)參數(shù)(σ,C).

9) 將測試樣本輸入最優(yōu)參數(shù)(σ,C),建立ILSO-KELM分類模型,完成IGBT接線故障診斷.

4 驗證及對比分析

對采樣得到的1 320組信號樣本進行Concordia變換之后,取電壓均值,共得到1 320×2維的故障特征向量組.取每種狀態(tài)的40組信號樣本用作訓練集,其余20組信號樣本用作測試集.

為了驗證ILSO-LSSVM的運行性能,采用ILSO-KELM、LSO-KELM、PSO-KELM等3種方法對IGBT接線故障進行故障診斷與對比分析.圖6為3種算法優(yōu)化KELM的收斂效果,均迭代100次,種群數(shù)量均為20,將故障診斷的準確率作為適應度值.

圖6 適應度值與迭代次數(shù)的關(guān)系Fig.6 Relationship between fitness value and iteration times

由圖6可以看出:PSO-KELM的收斂速度慢且準確度低;ILSO-KELM與LSO-KELM相比,ILSO-KELM的收斂速度和準確度都有更大的改善.為了進一步驗證本文方法在逆變器的IGBT接線故障診斷方面的優(yōu)勢,進行了5種故障診斷方法的對比分析,如圖7所示.

a.SVM;b.ELM;c.KELM;d.PSO-KELM;e.LSO-KELM;f.ILSO-KELM

6種診斷方法的診斷準確率平均值、優(yōu)化模型的平均訓練用時及平均診斷用時如表2所示.

表2 各方法10次診斷的平均診斷準確率及用時

通過比較各診斷方法的診斷指標可以反映各方法診斷精度的優(yōu)劣性,同時比較各方法的運行時間可以反映各方法診斷效率的優(yōu)劣性.由圖7和表2可得出以下結(jié)論:

1) KELM比常見的分類器SVM、ELM的診斷準確率更高,診斷速度更快,這表明相對其余分類器,KELM在逆變器IGBT器件的接線故障有更佳的診斷能力.

2) LSO-KELM比PSO-KELM和KELM診斷準確率更高,訓練時間和診斷時間更短,這表明相對于不優(yōu)化或用PSO優(yōu)化KELM,LSO的尋優(yōu)效果更佳.

3) ILSO-KELM比LSO-KELM診斷準確率更高,速度更快,這表明利用改進后LSO優(yōu)化KELM在逆變器IGBT器件的接線故障上有更佳的診斷效率.

5 結(jié)論

以Z源光伏逆變器為例進行了IGBT器件接線故障的機理分析并劃定了故障分類準則,提出了基于電壓平均值與ILSO-KELM結(jié)合的故障診斷方法.

1) 通過對三相電壓Concordia變換后的兩相電壓取平均值的方法,獲取表征故障狀態(tài)的二維特征向量,能有效降低特征向量維度,提高診斷效率,并驗證了方法的可行性.

2) 通過Sine混沌映射改進原始LSO算法,依此對KELM模型進行參數(shù)尋優(yōu),完成了對IGBT接線故障的有效診斷.

3) 通過與多種方法對比,本文所提出的ILSO-KELM診斷模型在光伏逆變器IGBT器件接線故障上有更佳的診斷效果.