一种级联三电平逆变器的故障诊断装置制造方法及图纸

一种级联三电平逆变器的故障诊断装置，包括核心控制器与处理器、电流传感器、AD采样板和显示屏，电流传感器采集级联三电平逆变器中任一个三电平逆变器模块的直流侧电流并由AD采样板转换为数字信号后传送至核心控制器与处理器；核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量；核心控制器与处理器基于神经网络进行故障诊断，在训练神经网络时将核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本；利用训练好的神经网络根据核心控制器与处理器的输入端信号提取的故障特征量诊断级联三电平逆变器的故障类型并由显示屏显示出来。本实用新型专利技术成本低体积小，应用范围广，灵活性高，稳定度好。

A fault diagnosis device of cascaded three-level inverter

【技术实现步骤摘要】
一种级联三电平逆变器的故障诊断装置
本技术属于电力故障诊断领域，涉及一种级联三电平逆变器的故障诊断装置。
技术介绍
随着电力电子技术的发展，电力电子变换器被广泛应用于大功率场合，为了适应大功率场合的高压、大电流，多电平变换器技术应运而生。级联三电平逆变器是多电平电路拓扑结构的一种，其由于具有模块化、易拓展的优点，被广泛应用于光伏并网系统和贯通式牵引供电系统等领域。但多电平电路使用了数量较多的开关器件，任何一个器件故障都有可能导致整个电路停止工作，导致变换器可靠性降低，造成不可估量的经济损失，甚至造成灾难性事故。一般地，功率变换器的故障可分为开关管的开路故障和短路故障。短路故障存在的时间极短，可在硬件电路上进行处理，也可以将快速熔丝植入电路中，将短路故障转化为开路故障，利用开路故障诊断方法加以处理。因此，有必要研究级联逆变器的开路故障诊断技术，达到减少维护成本，减少意外停机的时间，提高系统运行可靠性的目的。针对逆变器的故障诊断国内外已经有一些研究基础。主要分为两种：一种是对电路进行建模，分析总结故障特征，直接利用硬件电路实现故障诊断；另一种是额外增加所需要的传感器提取输出侧电压或者电流对其进行数学处理后作为故障特征量，再利用贝叶斯网络、支持向量机等方法来实现故障诊断。但是针对级联三电平逆变器，若仍采用普通逆变器的故障诊断方法，由于其模块数量大，开关状态多电路复杂，电路建模困难，使得故障诊断难度较大，成本较高。而且通常需要提取级联逆变器中每个级联模块的桥臂电压，每个模块需要两个电压传感器，额外增加太多传感器不仅增加系统的成本，也增加了系统本身的不可靠性。因此，针对级联逆变器，亟需研究一种低硬件成本、高诊断效率的故障诊断方法。
技术实现思路
针对上述传统诊断方法提取输出侧信息进行数学处理得到故障特征量存在的传感器数量需求高、系统成本高、诊断难度大和可靠性不高的问题，本技术提出一种级联三电平逆变器的故障诊断装置，只需要在输入侧设置一个电流传感器，且可以将故障定位到具体模块中的具体开关器件并通过显示屏实时显示故障状态，减小了系统硬件成本，提高了系统可靠性。本技术采用的技术方案是：一种级联三电平逆变器的故障诊断装置，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；所述故障诊断装置包括核心控制器与处理器、电流传感器、AD采样板和显示屏，所述电流传感器的输入端连接所述级联三电平逆变器的M个三电平逆变器模块中任意一个三电平逆变器模块的直流侧，用于采集该三电平逆变器模块的直流侧电流；所述AD采样板的输入端连接所述电流传感器的输出端，用于将所述电流传感器采集的模拟信号转换为数字信号后传送至所述核心控制器与处理器的输入端；所述核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量；所述核心控制器与处理器基于神经网络进行故障诊断，在训练神经网络时将所述核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本；训练好神经网络之后，训练好的神经网络根据所述核心控制器与处理器的输入端信号提取的故障特征量诊断所述级联三电平逆变器的故障类型；所述显示屏的输入端连接所述核心控制器与处理器的输出端，用于将神经网络的诊断结果显示出来。具体的，所述核心控制器与处理器还用于产生所述级联三电平逆变器中N×M个开关管的驱动信号连接所述N×M个开关管的栅极。具体的，在训练神经网络时，所述电流传感器用于采集所述级联三电平逆变器处于正常工作时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流，以及当所述级联三电平逆变器中有且只有第m个三电平逆变器模块中的第n个开关管故障时连接所述电流传感器的三电平逆变器模块在不同调制度下的直流侧电流，n和m均为正整数，且n取1至N，m取1至M。与现有技术相比，本技术的有益效果为：根据输入侧的电流信息获取故障类型，仅额外增加一个传感器即可实现多模块级联三电平逆变器的故障诊断，减小了故障诊断的硬件成本和体积，提高了系统的可靠性；本技术能够将故障定位到具体故障的器件级；电流传感器安装位置可任意选择；本技术的诊断装置与级联模块数无关、也与负载大小无关，应用范围广，灵活性高，稳定度好。附图说明图1是实施例中将本技术提出的一种级联三电平逆变器的故障诊断装置用于诊断级联NPC三电平逆变器时，所应用的级联NPC三电平逆变器的拓扑结构。图2是本技术提出的一种级联三电平逆变器的故障诊断装置所应用的级联NPC三电平逆变器无故障和S11,,S12,S15,S16,S21,S22,S31单管故障时级联输出电压和直流侧电流Id仿真波形图。图3是本技术提出的一种级联三电平逆变器的故障诊断装置所应用的级联NPC三电平逆变器为无故障和S11,,S12,S15,S16,S21,S22,S31单管故障时直流侧电流Id仿真频谱图。图4是实施例中本技术提出的一种级联三电平逆变器的故障诊断装置所应用的BP神经网络训练流程。图5是本技术提出的一种级联三电平逆变器的故障诊断装置所应用的级联NPC三电平逆变器故障诊断的系统总体框图。图6是神经网络实时故障诊断结果。图7是本技术提出的一种级联三电平逆变器的故障诊断装置所应用的级联NPC三电平逆变器故障诊断的流程框图。具体实施方式下面结合附图和具体实施例对本技术做进一步说明。本技术通过采集级联三电平逆变器输入侧的电流信息，结合神经网络完成故障诊断，使用本技术提出的故障诊断装置进行故障诊断的具体方法为：步骤1、级联三电平逆变器在开环工作的情况下，采集级联三电平逆变器正常工作时的采样信号向量和级联三电平逆变器中每一个开关管故障时的采样信号向量，共1+N×M个采样信号向量构成向量矩阵；采集级联三电平逆变器正常工作时的采样信号向量的具体方法为：设置初始调制度和结束调制度，选择M个三电平逆变器模块中的任意一个三电平逆变器模块作为指定模块，分别采集指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成级联三电平逆变器正常工作下的采样信号向量，K为正整数；采集级联三电平逆变器中第m个三电平逆变器模块中第n个开关管故障时的采样信号向量的具体方法为：令有且只有第m个三电平逆变器模块中第n个开关管故障，分别采集指定模块从初始调制度到结束调制度之间K个不同调制度下在一个工频周期内的直流侧电流，K次采集的电流结果构成第m个三电平逆变器模块中第n个开关管故障时的采样信号向量，n和m均为正整数，且n∈[1,N]，m∈[1,M]；步骤2、对步骤1得到的向量矩阵中的1+N×M个采样信号向量中每一次采集的电流结果，共(1+N×M)×K个电流采样结果分别进行快速傅立叶变换后提取各自的故障特征向量；这(1+N×M)×K个故障特征向量分别表示级联三电平逆变器在正常情况下和本文档来自技高网...

【技术保护点】
1.一种级联三电平逆变器的故障诊断装置，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；/n其特征在于，所述故障诊断装置包括核心控制器与处理器、电流传感器、AD采样板和显示屏，/n所述电流传感器的输入端连接所述级联三电平逆变器的M个三电平逆变器模块中任意一个三电平逆变器模块的直流侧，用于采集该三电平逆变器模块的直流侧电流；/n所述AD采样板的输入端连接所述电流传感器的输出端，用于将所述电流传感器采集的模拟信号转换为数字信号后传送至所述核心控制器与处理器的输入端；/n所述核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量；所述核心控制器与处理器基于神经网络进行故障诊断，在训练神经网络时将所述核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本；训练好神经网络之后，训练好的神经网络根据所述核心控制器与处理器的输入端信号提取的故障特征量诊断所述级联三电平逆变器的故障类型；/n所述显示屏的输入端连接所述核心控制器与处理器的输出端，用于将神经网络的诊断结果显示出来。/n

【技术特征摘要】
1.一种级联三电平逆变器的故障诊断装置，所述级联三电平逆变器包括M个三电平逆变器模块，每个所述三电平逆变器模块包括N个开关管，N和M均为正整数；
其特征在于，所述故障诊断装置包括核心控制器与处理器、电流传感器、AD采样板和显示屏，
所述电流传感器的输入端连接所述级联三电平逆变器的M个三电平逆变器模块中任意一个三电平逆变器模块的直流侧，用于采集该三电平逆变器模块的直流侧电流；
所述AD采样板的输入端连接所述电流传感器的输出端，用于将所述电流传感器采集的模拟信号转换为数字信号后传送至所述核心控制器与处理器的输入端；
所述核心控制器与处理器将其输入端信号进行快速傅立叶变换并提取故障特征量；所述核心控制器与处理器基于神经网络进行故障诊断，在训练神经网络时将所述核心控制器与处理器的输入端信号提取的故障特征量作为神经网络的训练样本；训练好神经网络之后，训练好的神经网络根据所述核心...

【专利技术属性】
技术研发人员：何晓琼，刘余家，韩鹏程，万钰旆，舒泽亮，
申请(专利权)人：西南交通大学，
类型：新型
国别省市：四川;51