一种逆变器开路故障在线诊断方法技术

本发明专利技术公开了一种逆变器开路故障在线诊断方法，包括如下步骤：S1、实时采集逆变器三相输出电流信号ia、ib、ic并进行傅里叶变换分析，得到逆变器发生不同开路故障时所表现的故障特征参数；S2、利用特征参数对故障特征参数进行预处理；S3、进行T

【技术实现步骤摘要】
一种逆变器开路故障在线诊断方法


[0001]本专利技术属于逆变器开路故障在线检测
，具体涉及一种逆变器开路故障在线诊断方法。

技术介绍

[0002]目前，逆变器广泛应用于新能源发电设备和工业生产的变频调速系统，其安全和可靠运行对整个系统和设备的安全稳定运行至关重要。它的主要功能是将直流电转换为交流电。当逆变器发生开路故障时，若不进行及时处理，将直接造成整个系统或设备瘫痪。因此寻找一种智能且有效的逆变器开路故障在线诊断方法，快速准确地发现其存在的故障情况是十分必要的。

技术实现思路

[0003]针对现有技术上存在的不足，本专利技术提供一种逆变器开路故障在线诊断方法。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种逆变器开路故障在线诊断方法，包括如下步骤：
[0006]S1、实时采集逆变器三相输出电流信号ia、ib、ic并进行傅里叶变换分析，得到逆变器发生不同开路故障时所表现的故障特征参数；
[0007]S2、利用特征参数对故障特征参数进行预处理；
[0008]S3、进行T
‑
S模糊神经网络的前件网络运算，得到前件网络的输出
[0009]S4、进行T
‑
S模糊神经网络的后件网络运算，得到故障诊断结果。
[0010]作为对上述技术方案的改进，所述逆变器为三相两电平逆变器。
[0011]作为对上述技术方案的改进，在步骤S1中，所述傅里叶变换分析的算法如下：
[0012]设X
ij
∈A
m
×
n
，其中X
ij
代表第i类故障的第j次谐波分量，A
m
×
n
为故障分量矩阵，m为故障类型数量，n为谐波量级；
[0013]首先计算同次谐波分量的幅值变化程度然后将从大到小的顺序排列，计算各个的幅值波动贡献率R
j
，最后设置阈值并计算累积百分比幅值波动率R'
j
；
[0014]根据式(1)计算
[0015][0016]将计算得到的n个按照从大到小的顺序排列，即
[0017]根据式(2)计算R
j
，
[0018][0019]根据式(3)计算R'
j
[0020][0021]则满足式(3)的前k个所代表的谐波量级为所提取的故障特征参数。
[0022]作为对上述技术方案的改进，所述m取22。
[0023]作为对上述技术方案的改进，在步骤S2中，所述预处理是指归一化处理，公式如式(4)所示；
[0024][0025]式(4)中：X
n
为归一化后逆变器功率管开路故障的特征参数；x
n
为归一化前逆变器功率管开路故障特征参数；x
max
和x
min
为归一化前逆变器功率管开路故障特征参数中的最大值和最小值。
[0026]作为对上述技术方案的改进，在步骤S3中，所述前件网络运算的步骤是：
[0027]S301、将预处理后逆变器功率管开路故障特征参数输入到T
‑
S模糊神经网络的前件网络的输入层；输入层节点数应等于逆变器功率管开路故障特征参数的个数，本专利技术取21个，即：
[0028]即X＝(x1,x2,L,x
N
)
T
；N＝21
ꢀꢀ
(5)
[0029]S302、隶属函数运算，前件网络的隶属函数采用如式(6)所示的铃型隶属函数进行计算，共有NM个隶属函数节点；
[0030][0031]式(6)中：i＝1,2,...,N；j＝1,2,...,M；c
ij
和b
ij
分别为前件网络第i个输入层对应的第j个隶属函数的中心和宽度；
[0032]303、模糊计算，模糊计算层的每一节点都对应一条模糊规则，共有M
N
个节点，用来计算每条规则的激活度，其计算公式为：
[0033][0034]式(7)中：k＝1,2,L,M
N
；s
1j
∈{1,2,L,M}，s
2j
∈{1,2,L,M}，s
Nj
∈{1,2,L,M}；该层有M
N
个节点；
[0035]S304：规则归一化，将模糊计算得到的每条规则的激活度，进行规则归一化处理，即：
[0036][0037]作为对上述技术方案的改进，所述步骤S4中的T
‑
S模糊神经网络的后件网络是由与故障诊断输出节点相对应的O个子网络并联构成；每个子网络均由输入层、模糊规则层、输出层组成；T
‑
S模糊神经网络的后件网络运算步骤如下：
[0038]S401：将预处理后的三相两电平逆变器功率管开路故障特征参数输入到T
‑
S模糊神经网络的后件网络的输入层，同时引入一个常数项，即
[0039]X＝(1，x1，x2，
…
，x
N
)
T
；N＝21
ꢀꢀꢀꢀꢀꢀ
(9)
[0040]S402：模糊规则运算，每个子网的模糊规则层的节点分别与输入层各节点通过连接权连接，即：
[0041]y
Ok
＝ρ
Ok0
+ρ
Ok1
x1+ρ
Ok2
x2+L+ρ
OkN
x
N
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0042]式(10)中：k＝1,2,L,M
N
；O为子网络数；
[0043]S403：通过输出层运算得到逆变器功率管开路故障结果，其计算公式为：
[0044][0045]式(11)中：y
O
为最终的输出结果。
[0046]相对现有技术，本专利技术的有益效果：
[0047]本专利技术提供了一种基于傅里叶变换和T
‑
S模糊神经网络的逆变器开路故障在线诊断方法。将采集到的三相两电平逆变器相输出的电流信号，送至快速傅里叶变换分析模块提取逆变器功率管发生不同开路故障时所表现的故障特征参数，然后将该故障特征参数送至特征参数预处理模块进行预处理；最后，再送至T
‑
S模糊神经网络模块识别发生开路故障的功率管。该方法将傅里叶变换和T
‑
S模糊神经网络相结合应用到逆变器开路故障在线诊断中，解决逆变器开路故障特征与故障类型之间存在的多因果耦合、模糊性和不确定性等问题，提高了三相两电平逆变器开路故障在线诊断的准确性，实现逆变器的单管开路故障、同相桥臂双管开路故障、同侧桥臂双管开路故障以及交叉桥臂双管开路故障等4种类21个故障在线诊断。本专利技术的诊断正确率达96％以上，具有很大的实用性。
附图说明
[0048本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种逆变器开路故障在线诊断方法，其特征在于，包括如下步骤：S1、实时采集逆变器三相输出电流信号ia、ib、ic并进行傅里叶变换分析，得到逆变器发生不同开路故障时所表现的故障特征参数；S2、利用特征参数对故障特征参数进行预处理；S3、进行T
‑
S模糊神经网络的前件网络运算，得到前件网络的输出S4、进行T
‑
S模糊神经网络的后件网络运算，得到故障诊断结果。2.根据权利要求1所述逆变器开路故障在线诊断方法，其特征在于，所述逆变器为三相两电平逆变器。3.根据权利要求1所述逆变器开路故障在线诊断方法，其特征在于，在步骤S1中，所述傅里叶变换分析的算法如下：设X
ij
∈A
m
×
n
，其中X
ij
代表第i类故障的第j次谐波分量，A
m
×
n
为故障分量矩阵，m为故障类型数量，n为谐波量级；首先计算同次谐波分量的幅值变化程度然后将从大到小的顺序排列，计算各个的幅值波动贡献率R
j
，最后设置阈值并计算累积百分比幅值波动率R
′
j
；根据式(1)计算根据式(1)计算将计算得到的n个按照从大到小的顺序排列，即根据式(2)计算R
j
，根据式(3)计算R'
j
则满足式(3)的前k个所代表的谐波量级为所提取的故障特征参数。4.根据权利要求3所述逆变器开路故障在线诊断方法，其特征在于，所述m取22。5.根据权利要求1所述逆变器开路故障在线诊断方法，其特征在于，在步骤S2中，所述预处理是指归一化处理，公式如式(4)所示；式(4)中：X
n
为归一化后逆变器功率管开路故障的特征参数；x
n
为归一化前逆变器功率管开路故障特征参数；x
max
和x
min
为归一化前逆变器功率管开路故障特征参数中的最大值和最小值。6.根据权利要求1所述逆变器开路故障在线诊断方法，其特征在于，在步骤S3中，所述前件网络运算的步骤是：S301、将预处理后逆变器功率管开路故障特征参数输入到T
‑
S模糊神经网络的前件网
络的输入层；输入层节点数应等于逆变器功率管开路故障特征参数的个数，本发明取21个，即：即X＝(x1,x2,...

【专利技术属性】
技术研发人员：田广强，田浩宽，乔珊珊，杜芳芳，王少英，王福忠，
申请(专利权)人：黄河交通学院，
类型：发明
国别省市：