基于信号稀疏表示的NPC三电平逆变器故障诊断方法技术

基于信号稀疏表示的NPC三电平逆变器故障诊断方法，(1)对NPC三电平逆变器的拓扑结构和开路故障类型进行分析，同时在MATLAB/SIMULINK环境搭建NPC三电平逆变器故障仿真模型，模拟开路故障类形，采样三相相电压信号Y作为分析的特征信号；(2)对三相相电压信号Y进行分析，通过信号稀疏表示的方法，得到过完备字典D和稀疏系数X，将稀疏系数X作为信号的特征信息；(3)建立多分类支持向量机模型，用训练样本对支持向量机进行训练，将已训练的支持向量机保存；用测试样本测试训练好的支持向量机模型，分析故障诊断结果。其将信号稀疏表示和支持向量机结合取得了良好的诊断效果，具有诊断正确率高等优点。

Fault diagnosis method of NPC three-level inverter based on signal sparse representation

【技术实现步骤摘要】
基于信号稀疏表示的NPC三电平逆变器故障诊断方法
本专利技术属于电力电子故障诊断领域。
技术介绍
近年来，在高压大功率应用场合，三电平逆变器受到越来越多的关注，它产生的背景是为了克服传统两电平逆变器开关应力大，直流母线电压利用率低等缺点，通过对主电路拓扑的改进，使得三电平逆变器具有相当多的优势，例如功率器件串联均压、功率管应力低，电磁干扰问题小，输出电压电流的谐波含量低，工作效率高等。虽然三电平逆变器有诸多优点，但是由于电平数增加，主电路中功率管数量成倍的增加，电路结构和内部的控制策略变得更加复杂，并且功率管在驱动信号的作用下始终要高频率的进行的导通和截止状态的切换，同时还要承受高电压和大电流，基于以上种种因素，三电平逆变器发生故障的可能性变大，导致逆变系统的可靠性降低。三电平逆变器的故障主要与功率管故障有关，逆变器在工作过程中功率管会发生短路故障和开路故障。通常，逆变装置中会设计保护电路，功率管一旦发生短路故障，保护电路迅速作用，将短路故障转为开路故障，以开路故障的形式进行诊断。虽然人们为了提高系统的可靠性和可维护性而采取降额设计或者采用并联冗余器件或电路的方法，但这些方法会使系统的造价提高，同时在一些体积和重量严格受限的场合，冗余设计难以满足要求。为改善这种状况，已有学者提出逆变器的容错技术，即在诊断出系统故障后，通过自动补偿故障的影响来维持系统的稳定性和尽可能地恢复系统故障前的性能，但是准确的故障诊断结果是进一步实施容错控制的前提和保障。所以，对逆变器的故障诊断策略进行研究，研究有效的故障诊断方法，及时分析处理故障征兆，确定故障发生的位置就显得尤为重要。三电平逆变器至今已有多年的发展历程，产生了大量拓扑结构，其基本拓扑结构可以分为三类：H桥级联型、中点箝位型(NPC)和飞跨电容型。由于中点箝位型多电平逆变器性能稳定、控制较易实现等优点，已逐渐成为多电平逆变器的主流。本专利技术主要针对NPC三电平逆变器进行故障诊断研究。故障特征提取技术和故障辨识技术是实现逆变器故障诊断两个难点。故障特征提取是指当逆变器发生故障，对相关物理量进行分析，采用适当的特征提取技术，提取这些物理量的特征信息，使得提取到的特征信息能够完整准确的表征当前故障类型(故障特征提取是故障诊断的前提)。故障辨识是指根据故障特征提取技术提取到的故障特征信息，采用有效的故障辨识方法，实现故障的诊断和定位。
技术实现思路
本专利技术的目的是提出一种基于信号稀疏表示的NPC三电平逆变器故障诊断方法。本专利技术是通过以下技术方案实现的。本专利技术所述的一种基于信号稀疏表示的NPC三电平逆变器故障诊断方法，包括如下步骤：(1)故障模型的建立：对NPC三电平逆变器的拓扑结构和开路故障类型进行分析，同时在MATLAB/SIMULINK环境搭建NPC三电平逆变器故障仿真模型，模拟开路故障类形。采样三相相电压信号Y作为分析的特征信号。(2)故障特征提取：对三相相电压信号Y进行分析，通过信号稀疏表示的方法，得到过完备字典D和稀疏系数(稀疏编码)X，将稀疏系数X作为信号的特征信息。(3)故障辨识：建立多分类支持向量机模型，用训练样本对支持向量机进行训练，将已训练的支持向量机保存。用测试样本测试训练好的支持向量机模型，分析故障诊断结果。进一步地，所述的步骤(2)故障特征提取：对三相相电压信号Y进行分析，通过信号稀疏表示的方法，得到过完备字典D和稀疏系数(稀疏编码)X，将稀疏系数X作为信号的特征信息。包括以下步骤：(1)建立目标函数。用信号稀疏表示方法进行故障特征提取，目标函数为：其中，Y＝[y1,y1,…,yi,…,yn]∈Rm×n是特征信号，D＝[d1,d2,…,dp]∈Rm×p(p＞＞m)是一个过完备字典，X＝[x1,x2,…,xi,…,xn]∈Rp×n是稀疏系数矩阵，S是稀疏度。信号稀疏表示用于特征提取的过程就是求解字典D和稀疏系数矩阵X的过程，其中X即为特征信号Y的特征信息；(2)K-SVD算法求解D和X。如附图3包括稀疏编码(求解X)和字典更新(求解D)两个交替迭代的过程。(a)稀疏编码稀疏编码过程用于求解满足方程(2)的信号稀疏系数X：字典D是固定的，目标是找到最佳的稀疏系数矩阵X来表示信号Y，本专利技术在稀疏编码阶段采用匹配追踪算法的优化算法正交匹配追踪算法。设特征信号为yi，则yi可以分解为其中，Rmyi为第m次迭代后得到的残差，R0yi＝yi，dγn为第n次迭代匹配到的第γ个原子，<Rnyi,dγn>为Rnyi和dγn的内积(最大值)。式(3)为匹配追踪算法的迭代过程。在式(3)的基础上，正交匹配追踪算法通过对已经参与迭代的原子利用施密特正交化方法进行正交化处理形成一组正交基，新的参与迭代的原子属于该正交基张成空间的补空间，不会是之前已经参与迭代的原子，因此字典中的任意一个原子最多参与一次迭代。与匹配追踪算法相比，正交匹配追踪算法的收敛速度更快，正交匹配追踪算法包括以下步骤：(1)初始化残差r、稀疏系数xi和原子位置索引Υ：(2)选择与残差r最大相关原子：(3)更新残差和稀疏表示系数：一般的，正交匹配追踪算法进行多次迭代才能得到满足要求的稀疏系数，若稀疏度为S，则正交匹配追踪算法步骤(2)和(3)需要迭代S次。(b)字典更新字典更新是逐列更新的，每次只更新D中某一列和X中相对应的行，而字典D其他列则固定不变，待该列完成更新后，再依次更新其他的列，更新过程为：||Y-DX||2＝||Ek-dkgk||2＝||Ek(J)-dkgk(J)||2+c(8)式(7)中，dj为字典D的第j列，gj为稀疏系数矩阵X的第j行。当更新第k个字典原子时，除去字典D中第k列和稀疏系数矩阵X的第j行，生成误差矩阵Ek。对Ek进行奇异值分解，Ek＝UΛVT，其中U和V是酉矩阵，Λ是对角元素由大到小排列的对角阵。取U的第一个列向量，作为新的dk，取V的第一个列向量与Λ的第一个元素的乘积作为新的gk。用新的dk取代之前的dk，这样就完成了一个原子的更新。然而，上述操作会出现一个问题，信号稀疏表示希望得到的稀疏系数xi是稀疏的，但是新的gk可能会使稀疏系数的稀疏度达不到要求。式(8)对字典更新过程做进一步处理，gk(J)是gk中非零元素组成的缩略矩阵，Ek(J)是Ek的缩略矩阵，由gk非零元素的位置决定Ek的缩略矩阵Ek(J)，对Ek(J)做SVD分解，Ek(J)＝UΛVT。取U的第一个列向量，作为新的dk，取V的第一个列向量与Λ的第一个元素的乘积作为新的gk，然后将gk中元素分配到合适位置，与更新前位置一一对应。这样就完成了一个原子的更新且保证稀疏系数满足稀疏度的约束。同理，按照相同的方法依次对字典D中其他各个原子进行更新。本专利技术的特点及有益效果：傅里叶变换，小波变换，主成分分析等信号分析方法是故障特征提取和故障诊断常用方法。然本文档来自技高网...

【技术保护点】
1.基于信号稀疏表示的NPC三电平逆变器故障诊断方法，其特征是包括如下步骤：/n(1)故障模型的建立：对NPC三电平逆变器的拓扑结构和开路故障类型进行分析，同时在MATLAB/SIMULINK环境搭建NPC三电平逆变器故障仿真模型，模拟开路故障类形，采样三相相电压信号Y作为分析的特征信号；/n(2)故障特征提取：对三相相电压信号Y进行分析，通过信号稀疏表示的方法，得到过完备字典D和稀疏系数X，将稀疏系数X作为信号的特征信息；/n(3)故障辨识：建立多分类支持向量机模型，用训练样本对支持向量机进行训练，将已训练的支持向量机保存；用测试样本测试训练好的支持向量机模型，分析故障诊断结果。/n

【技术特征摘要】
1.基于信号稀疏表示的NPC三电平逆变器故障诊断方法，其特征是包括如下步骤：
(1)故障模型的建立：对NPC三电平逆变器的拓扑结构和开路故障类型进行分析，同时在MATLAB/SIMULINK环境搭建NPC三电平逆变器故障仿真模型，模拟开路故障类形，采样三相相电压信号Y作为分析的特征信号；
(2)故障特征提取：对三相相电压信号Y进行分析，通过信号稀疏表示的方法，得到过完备字典D和稀疏系数X，将稀疏系数X作为信号的特征信息；
(3)故障辨识：建立多分类支持向量机模型，用训练样本对支持向量机进行训练，将已训练的支持向量机保存；用测试样本测试训练好的支持向量机模型，分析故障诊断结果。


2.根据权利要求1所述的基于信号稀疏表示的NPC三电平逆变器故障诊断方法，其特征是所述的步骤(2)故障特征提取，包括以下步骤：
(1)建立目标函数：用信号稀疏表示方法进行故障特征提取，目标函数为：



式中，Y＝[y1,y1,…,yi,…,yn]∈Rm×n是特征信号，D＝[d1,d2,…,dp]∈Rm×p(p＞＞m)是一个过完备字典，X＝[x1,x2,…,xi,…,xn]∈Rp×n是稀疏系数矩阵，S是稀疏度；信号稀疏表示用于特征提取的过程就是求解字典D和稀疏系数矩阵X的过程，其中X即为特征信号Y的特征信息；
(2)K-SVD算法求解D和X：包括稀疏编码和字典更新两个交替迭代的过程：
(a)稀疏编码：
稀疏编码过程用于求解满足方程(2)的信号稀疏系数X：



字典D是固定的，目标是找到最佳的稀疏系数矩阵X来表示信号Y，在稀疏编码阶段采用匹配追踪算法的优化算法正交匹配追踪算法；
设特征信号为yi，则yi可以分解为：



其中，Rmyi为第m次迭代后得到的残差，R0yi＝yi，dγn为第n次迭代匹配到的第γ个原子，<Rnyi,dγn>为Rnyi和dγn的内积；
式(3)为匹配追踪算法的迭代过程，在式(3)的基础上，正交匹配追踪算法通过对已经参与迭代的原子利用施密特正交化方法...

【专利技术属性】
技术研发人员：余运俊，裴石磊，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西;36