0 引言

　　多電平逆變器相對傳統的兩電平逆變器具有開關損耗小、輸出諧波含量低等優點，但是隨著開關數量的成倍增加，也大大降低了多電平逆變器的可靠性。任何一個開關管發生故障后，將導致整個逆變器不能正常工作，從而導致一些經濟損失甚至還可能引發重大安全事故。因此，對多電平逆變器進行故障診斷研究，特別是應用自動故障診斷技術對提高多電平逆變器的可靠性具有很大的經濟價值與現實意義[1]。

　　目前國內外學者針對多電平逆變器的故障診斷都有較為深入的研究。有學者提出運用變換器交流側PWM電壓UPWM和電流的極性來判斷功率開關管的故障[2]，該方法的診斷速度快，可靠性也高，但其診斷結果無法精確定位具體發生故障的功率管。此外，一些學者對于逆變器故障診斷，提出了基于模型的故障診斷方法[3-4]，引入鍵合圖等建模方法對其進行建模，其方法提高了診斷正確率，但其分析過程比較復雜。

　　近年來，隨著神經網絡理論的引入，為故障診斷問題提供了一種新途徑，神經網絡的非線性特性特別適合用于逆變器這樣的混雜系統。傳統的BP神經網絡需要預先給定期望輸出值以及大量故障學習樣本。因此，筆者根據自組織特征映射（SOM）神經網絡的學習特點將其應用于多電平逆變器的故障診斷中，利用小波包變換對三電平逆變器的上、中、下橋臂電壓進行變換，提取故障能量系數，組成其相應的故障特征矢量作為SOM神經網絡的輸入，根據獲勝神經元的位置來判斷其逆變器的故障模式。

1 三電平逆變器故障特征分析與提取

　　在實際運用中逆變電源主電路出現較多的故障是功率管的開路與短路故障。短路故障會導致過流保護，其存在的時間較短，并且其自身的保護電路也會很快使其變為開路。實際應用中多個開關器件同時發生故障的幾率比較低，因此本文僅對最多兩個功率半導體元件開路作故障作分析。圖1為本文所研究的三電平逆變器的主電路拓撲結構圖。

　　1.1 三電平逆變器故障模式分析

　　基于每相的基本情況都相同，本文就已單相電路為研究對象，研究其開路故障情況，如圖2所示。利用MATLAB進行仿真，設輸入直流電壓為530 V，功率管采用理想的開關元件和二極管。定義“A相中點橋臂電壓”為Vao，即橋臂中點a與電容電壓中點o之間的電壓；“上橋臂電壓”為Vbo；“下橋臂電壓”為Vco[5]。由于三電平逆變器的主電路存在對稱性，所以這里就給出了Sa1、Sa2、VD1開路的故障波形圖。圖3為單個功率開關管開路時中點橋臂電壓Vao的仿真波形[6]。

　　當功率開關管同時有兩個出現開路故障時，存在兩種情況：一類是兩個開關管處于同一橋臂；第二類是兩個開關管處于不同的橋臂。對于第二類情況，相當于某個橋臂的單個開關管開路，因此，本文僅分析第一類情況。以橋臂a為研究對象，可以分為6種故障模式。考慮到主電路存在對稱性，因此本文就只給出了Sa1和Sa2、Sa1和Sa3、Sa1和Sa4、Sa2和Sa3同時開路時的中點臂電壓Vao的波形，如圖4所示。

　　通過對圖3與圖4的比對，可以發現Sa2單管開路與Sa1、Sa2同時開路時的橋臂電壓Vao具有相同的電平邏輯特征。因此，只應用小波包變換單獨提取中點橋臂Vao各頻段能量系數不能區分這兩類故障模式。

　　經仿真研究實驗分析，Sa2單獨開路時與Sa1、Sa2同時開路時的上橋臂電壓與下橋臂電壓其電平邏輯區分較為明顯，那么其波形所含能量值也就不同。所以，同時提取橋臂電壓Vao、Vbo和Vco各頻帶能量系數可以很好地表示各種故障模式。

　　1.2 三電平逆變器故障特征提取

　　根據小波包的一系列特性，利用小波包對信號進行分解，再對其分解系數進行重構，得到各頻帶的能量值。在各頻帶的電壓能量中，包含了其相應的故障信息，由此，提出“能量—故障”模式診斷識別方法[7-8]。本文采用小波包兩層分解后各頻帶的能量作為相應故障模式的輸入向量，將三電平逆變器的單相故障進行編碼，利用小波包原理對相應的故障橋電壓進行能量提取，其特征向量如表1所示。

2 SOM神經網絡與模式識別

　　SOM神經網絡是由芬蘭赫爾辛基大學神經網絡專家Coonan教授在1981年提出的，其網絡的拓撲結構如圖5所示[9]，由輸入層與競爭層（輸出層）組成。輸入層與輸出層的神經元通過一個權值實現全連接。

　　SOM神經網絡學習算法是一種無導師指導與監督的聚類方式，當學習訓練結束后，競爭層中的一個神經元只針對某一類輸入矢量最為敏感從而產生最大輸出值，其他的神經元只有最小值輸出。因此，對該網絡中具有最大輸出值的神經元標以其對應的故障標號，即可進行故障模式的識別與分類。其具體學習過程如下：

　　(1)用[0，1]之間的隨機數對輸入層與競爭層之間的連接權值進行初始化。

　　(2)把標準故障樣本P=[p1，p2，…，pn]T通過輸入層輸入網絡進行訓練。

　　(3)由公式(1)找到使yi具有最大輸出值的神經元i，i即為最佳匹配單元C。

　　(4)為使網絡經過學習訓練后具有聚類功能，定義NC為C的一個拓撲鄰域。使NC內的單元輸出為1，NC外的單元輸出為0。即：

　　(5)權值調整學習。對與勝出神經元連接的各個權值進行訓練修正。其權值訓練公式如下：

　　其中，w(t)為學習因子，當其減小到0時，學習訓練結束。

　　(6)判斷網絡輸出結果。根據輸出結果判斷是否達到預先設定的結果，若符合預定結果則學習結束，否則返回步驟(2)，進行下一輪的學習。

3 SOM網絡在故障診斷中的應用

　　利用表1中的標準知識樣本對SOM網絡進行訓練，本文所設計的神經網絡輸入矢量元素個數為10個，輸出層為10×10個神經元。應用SOM神經網絡對13個標準故障故障樣本進行分類，其訓練后的故障映射圖如圖6所示。

　　在SOM網絡訓練結束后，為了測試其網絡的泛化識別能力，對輸入樣本增加隨機數(隨機數范圍0～1之間)的10%的增量作為干擾來進行故障模式的識別。選取隨機數0.1的10%作為擾動量的識別結果如表2所示。

　　從表2中可以看出，SOM網絡除了第三組測試樣本的診斷結果與三電平逆變器的實際故障不符合以外，其余診斷結果完全正確。從中可以得出，SOM網絡具有較強的學習泛化能力。對已經學習過的樣本，識別率為100%。因此，SOM神經網絡能夠較好地識別三電平逆變器的各類開路故障，較好地完成逆變器的故障診斷。

4 結論

　　本文采用的被廣泛用于模式識別與分類領域的SOM網絡，不需要大量的樣本進行訓練，不僅減小了神經網絡的規模，同時也縮短了網絡訓練的時間。通過對三電平逆變器的上、中、下3個橋臂電壓進行小波包分解提取各頻帶能量值，作為其相應的故障特征。實驗診斷結果表明，將SOM網絡應用于三電平逆變器的開路故障診斷中，不僅可以快速診斷出各故障模式的具體類型，其診斷精度也比較高，其故障模式分類效果很理想，為逆變器的在線故障監測與診斷提供了一種很好的智能診斷算法。

　　參考文獻

　　[1] 肖剛.三電平逆變器故障診斷研究[D].西安：西安理工大學，2007.

　　[2] 湯清泉，顏世超，盧松升，等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學報，2008，28(21)：26-32.

　　[3] 王俊年，龔明，王海乾.大功率逆變器的鍵合圖模型及故障診斷方法[J].湖南科技大學學報：自然科學版，2014，29(1)：24-28.

　　[4] GONZ?魣LEZ-CONTRERAS B M，RULL?魣N-LARA J L，VELA-VALD?魪S L G，et al.Modelling, simulation and fault diagnosis of the three-phase inverter using bond graph[C].Industrial Electronics，2007.ISIE 2007.IEEE International Symposium on.IEEE，2007：130-135.

　　[5] LEE J，KIM T，KANG D，et al.A control method for impro-vement of reliability in fault tolerant NPC inverter system[C].Power Electronics Specialists Conference，2006.PESC′06.37th IEEE.IEEE，2006：1-5.

　　[6] 陳丹江，葉銀忠.基于多神經網絡的三電平逆變器器件開路故障診斷方法[J].電工技術學報，2013，28(6)：120-126.

　　[7] 楊勇，郭凱，馬西仃.基于小波包和支持向量機的提升機滾動軸承故障診斷研究[J].礦山機械，2012，40(11)：41-44.

　　[8] 王云亮，孟慶學.基于小波包能量法及神經網絡的電力電子裝置故障診斷[J].電氣自動化，2009，31(2)：25-27.

　　[9] 張德豐.Matlab神經網絡應用設計[M].北京：機械工業出版社，2012.