基于多源特征向量的微电网双向变换器故障诊断

王文澜，帕孜来·马合木提

（新疆大学电气工程学院，新疆乌鲁木齐 830047）

0 引 言

近年来，随着分布式电源和电动汽车技术的兴起，微电网的发展越来越受到关注，它的提出旨在实现分布式电源高效、灵活的应用，以解决数量庞大、形式多样的分布式电源并网问题。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，提高对新能源的接纳能力，实现针对用户利用多种能源形式的高可靠性供给，是实现主动式配电网的一种有效方式，可促进传统电网逐步向智能电网过渡[1-2]。

现如今微电网越来越多地应用在小型社区、海岛以及一些其他偏远地区，与此同时这些地区往往又存在着天气多变、气候复杂等特点，一旦这种具有灵活分布特点的微电网发生故障，轻则会对用户用电造成影响，严重则会导致并网电网发生更大的故障甚至造成重大事故。

微电网双向多端口变换器电路是微电网接入分布式电源实现稳定运行的关键部分，因此，本文提出对微电网双向多端口变换器电路的故障诊断进行研究。

分布式电源装置通过DC/DC 变换器与微电网直流母线连接。在传统结构中，分布式电源需要多个变换器与直流母线及负载连接。微电网DC/DC 变换器结构如图1 所示。近年来，许多研究提出采用多端口结构DC/DC 变换器代替传统结构以降低成本提高效率[3-5]，例如，蓄电池和光伏电源等构成的混合储能单元通过双向DC/DC 变换器连接到直流母线供给负载，或通过逆变器与交流母线连接，交流母线直接为市电用户等交流负荷提供电能。

当双向变换器工作在供电状态，能量由分布式电源组向电网流动；当双向变换器工作在充电状态，能量在分布式电源之间流动。故而这种双向变换器可以实现能量的双向流动[6]。

图1 微电网DC/DC 变换器结构Fig.1 Structure diagram of DC/DC converter of microgrid

根据各端口间的隔离方式不同，微电网双向多端口变换器可以分为非隔离型、部分隔离型及隔离型三种类型。共直流母线型是指多个功率端口通过非隔离开关单元与公共直流母线相连，如图2 所示，这是一种典型的微电网非隔离共直流母线型双向多端口DC/DC 变换器，由功率开关管V1，V2，V3，V4，电感L1，L2以及电容C1，C2等组成。

这种拓扑使用体积小、元件少、效率高且结构简单容易实现端口数量和结构的拓展，可以实现模块化组合与集中控制，应用较为广泛[7-8]。然而目前国内外对微电网双向多端口变换器电路的故障诊断方面的研究较少，所以本文主要针对此微电网双向多端口变换器电路进行故障诊断研究，并利用多源特征联合向量结合极限学习机（ELM）提出小波包变换-多源特征向量-极限学习机方法实现微电网多端口变换器电路故障的智能诊断。

图2 非隔离共直流母线型双向多端口DC/DC 变换器Fig.2 Bidirectional multi-port DC/DC converter with nonisolated common DC bus mode

1 工作原理及仿真分析

1.1 双向变换器的工作原理

微电网双向变换器分为两种工作状态：

第一种工作状态为当双向变换器工作在Boost 工作模式，即供电状态，双向变换器相当于两路Boost 电路，将两个分布式电源电压提升，并联供给直流母线。

另外一种情况为当双向变换器电路工作在Buck 模式，即充电状态，与之前相反的开关管导通，双向变换器相当于一路Buck 电路，由来自直流母线或是光伏等其他分布式电源的能量对蓄电池进行充电。

基于以上两种工作模式，变换器的能量的双向流动功能得以实现。

1.2 双向变换器的仿真分析

对于双向变换器各元器件参数的选择：本文选择两路24 V 直流电源，模拟一组分布式电源和蓄电池组，当Boost 电路工作时，拟定输出75 V 直流电压，且要求电压纹波能小于1%。开关器件选择MOSFET 功率开关器件，开关频率为10 kHz。为兼顾双向变换器的快速性和稳定性，对参数采取相关计算，最终取电容C1=C2=470 μF；电感L1=L2=300 μH。在Matlab/Simulink 中搭建仿真模型，对以上设计的双向DC/DC 变换器进行仿真，分别包含Boost 模式和Buck 模式两种工作模式。

2 故障分析及分类

2.1 双向变换器的典型故障分析

双向DC/DC 变换器的典型故障包含两种工作模式以及两种工作模式分别对应的多种故障形式。

2.1.1 Boost 工作模式

变换器电路输出端电压Vcd包含了一定的故障信息，可以作为故障诊断的一种依据，但通过比较分析可以得出，在图3a）和图3b）中，除了0～0.01 s 内的微小差别外，最后输出的电压信号基本相同，因此单独基于输出端电压信号不能很好地区别出单个端口发生的故障。本文以两个端口输入为例，同理三个及以上端口的单个输入故障也不能通过输出的电压信号很好地表示出来，而实际应用中所有端口失效的概率较低，目前的故障诊断研究主要针对单个或两个输入端口开关管失效问题，这样就造成了基于单一信号故障诊断方法的局限性。因此有必要考虑结合其他故障特征信号对其进行研究。

图3 Boost 模式下故障输出电压波形Fig.3 Output voltage waveform of fault in Boost mode

从模拟电容的电阻ESR 的退化情况来看，从ESR=0到逐渐增大的过程中可以明显观察到输出电压Vcd的纹波增大，将输出电压Vcd作为电容失效老化的故障诊断依据进行进一步研究。

2.1.2 Buck 工作模式

在Buck 模式下，电源端口向蓄电池端口充电，测试蓄电池输入的电压Vs2，观察到电压波形如图4 所示。在单管发生故障后，蓄电池输入端电压基本为零。当电感发生开路故障后，变换电路失去降压功能。

在后续故障诊断过程中除了考虑到故障信号选择问题，还要结合实际考虑到实际电路中检测故障的传感器位置放置问题。在实际应用中，两种模式下，传感器位置不宜随着工作模式的变换而发生改变，这样，需要在考虑故障信号结合问题的基础上，进一步考虑两种模式下检测故障的传感器位置的通用性，选择合适有效的位置放置传感器，以同时满足变换器电路两种工作模式下的故障检测情况。

图4 Buck 模式下故障输出电压波形Fig.4 Output voltage waveform of fault in Buck mode

通过以上分析并根据微电网多端口变换器电路在正常模式和故障模式下输出电流与电压信号的差异性设计诊断方法。最终本文选择提取两支路电流和右侧端口电压Vcd来获取故障特征信息，获取其两种运行模式下各个故障状态下的线电流与电压信号数据，构造组合成为多源联合故障特征向量[9]用于故障的诊断。

2.2 故障分类

据可靠性研究显示，电力电子电路的故障主要由电容、开关管、电感等元件引起。其中，电容元件的故障概率最高，在整个电力电子电路中所占比重高达60%，另外开关管失效率为31%，排第二位，电感元件故障率约占[10]6%。

微电网多端口变换器电路中电感和电容对升降压起着至关重要的作用，若其发生故障，将会严重影响变换器电路的性能。电容、电感的故障主要变现为老化及断路故障，而老化的最终表现为断路。变换器电路中功率开关管的故障分为开路故障和短路故障。由于短路故障存在的时间非常短，在电路中最终表现为开路。

因此，本文将对微电网多端口变换器电路中两种工作模式下的功率管开路、电容老化及开路以及电感开路等进行故障诊断研究。本文将微电网多端口变换器电路的故障分为9 种，如表1 所示。

表1 故障分类Table 1 Fault classification

3 诊断方法验证

本文提出采用小波包变换-多源特征向量-极限学习机（ELM）对微电网多端口变换器进行故障诊断，诊断流程如图5 所示。通过其仿真模型获取两种运行模式下各个故障状态下的支路电流与线电压信号数据，用小波包频谱分析法提取故障特征并构造组合成为联合故障特征向量作为极限学习机的训练样本[11]，对电压和电流的采样信息分别进行3 层小波包分解，并以此训练ELM，确定结构和参数，实现微电网多端口变换器电路故障的智能诊断。

图5 诊断流程图Fig.5 Flow chart of fault diagnosis

3.1 特征向量提取与融合

小波包分析是小波分析的改进方法。在小波分析中，原始信号被分解为逼近部分和细节部分，逼近部分再分解为另一层的逼近与细节部分，这样的过程重复进行，直到设定的分解层。利用小波包分解原始信号时，也会将细节部分继续分解为另一层的逼近与细节部分[9]。

小波包分解具有任意多个尺度特点，避免了小波分析对信号分解时存在时频固定的缺陷，可以较为准确地反映出故障信号的本质和特征。

将小波包分解用公式表述如下：

式中：h(k)为尺度函数；g(k)为小波系数。

经过3 层小波包分解特征提取后电压和电流的特征向量均为23=8 维，对数据进行归一化与规范化处理后，去掉冗余信息，选择4 维特征向量，采用如图6 所示的间隔交叉方式将多源故障信息进行融合，形成12 维故障特征向量用于故障诊断。

图6 联合故障特征向量关联图Fig.6 Association diagram of Joint fault feature vector

设构造的特征向量为T，则：

图7 为频谱分析提取的部分联合故障特征向量，以Boost 模式下单管故障和Buck 模式下无故障为例。

3.2 极限学习机诊断算法

极限学习网络结构如图8 所示。图中，n表示输入变量的个数；h表示隐含神经元个数；xi表示输入变量，i=1,2,…,n；wij表示输入变量i与隐含层神经元j的连接权值；wjo表示隐含层神经j与输出层的连接权值；bj表示隐含层神经元的阈值，j=1,2,…,h；bo表示输出层神经元的阈值；f表示隐含层神经元j的激活函数；g表示输出层神经元的激活函数。

传统的学习算法中梯度下降法需要多次迭代修正权值和阈值，因此训练耗时较长，同时还存在容易陷入局部最优、学习率对神经网络性能影响较大的一些缺点。因此，本文选择一种更优的训练算法进行故障诊断的研究。

极限学习机（ELM）算法可以随机产生输入层与隐含层间的连接权值及隐含层神经元阈值，在训练过程中不需要对其网络进行额外调整，只需要设置好隐含神经元个数就能够获得唯一最优解。这种方法应用于电路诊断领域相比传统方法如BP神经网络等，学习速度更快，泛化性能更好[12]，因而此方法相比其他前馈神经网络，更能够有效地对微电网多端口变换器故障进行诊断。ELM 算法诊断的具体步骤如图9 所示。

图7 频谱分析输出结果Fig.7 Output results of spectrum analysis

图8 ELM 网络结构Fig.8 Structure diagram of ELM network

图9 ELM 算法诊断步骤Fig.9 Diagnostic steps of ELM algorithm

3.3 实验验证

模拟实际系统工作时的电压波动，以输入电压为23 V，24 V，25 V 下27 组故障样本对该网络进行训练，从输入电压26 V 下选取全部9 类故障为测试样本，对训练好的ELM 网络进行测试，并与基于电压或电流单源信息的诊断方法进行对比。

测试结果如表2 与表3 所示，实验证明实际输出与目标输出完全相符，与基于电压或电流单源信息相比，本文所提出的小波包变换-多源特征向量-极限学习机（ELM）诊断方法准确率高，效果良好，泛化能力强。

表2 输出诊断结果Table 2 Output results of diagnosis

表3 输出结果对比分析Table 3 Comparative analysis of output results %

4 结 论

本文提出利用小波包变换-多源特征向量-极限学习机（ELM）对微电网双向多端口变换器进行两种工作模式下各元器件的故障诊断。算法结构简单，计算量较小，易于在实际应用中实现。故障诊断结果表明，本文提出的方法可以诊断出Boost/Buck 两种工作模式下的多种故障，而且可以精确定位到具体的故障元件，诊断精度高，泛化能力强，适用于多端口变流系统，为双向多端口变换器电路的故障诊断提供了一种较为有效的智能诊断方法，同时为微电网逆变系统智能化故障诊断以及微电网安全高效运行提供了一定的理论基础。