基于CGAN與LSTM的逆變器多類型故障診斷方法研究

田睿，劉維可，伍珣，張曉敏

(1．國網湖南省電力有限公司超高壓變電公司，湖南 長沙 410004；2．國網湖南省電力有限公司電力科學研究院，湖南 長沙 410208；3．中南大學交通運輸工程學院，湖南 長沙 410075)

0 引言

逆變器可以將直流電轉化成交流電，同時使輸出交流電的頻率和相位與市電同步，廣泛應用于不間斷電源、電機調速及可再生能源并網發電系統。逆變器的安全、穩定運行對于保障整個變流系統的可靠性具有重要意義。然而，由于長時間工作，逆變器中的功率管會承受較高的電熱應力，其老化過程加速且極易出現故障。功率管故障主要分為短路故障與開路故障[1-2]。短路故障已有成熟的保護方案，通過串聯熔斷絲轉化為開路故障以防止過電流的產生[3]；開路故障不易導致過電壓或過電流，但具有潛伏性，如不及時處理極易導致二次故障。盡管現有的驅動電路具有一定的故障檢測功能，但準確度容易受器件型號、參數及外部因素等的影響。電流傳感器作為整個變流系統閉環控制的信息通道，其故障對于系統運行同樣具有致命影響，其中電流傳感器零輸出故障的影響最為嚴重。因此，開展逆變器多故障診斷研究對于保障系統安全可靠運行具有重要意義。

目前，學者們對功率管故障或電流傳感器故障的診斷開展了較多研究。文獻[4]通過混合邏輯動態模型觀測直流側電壓，通過構建殘差評價函數實現對功率管與續流二極管的故障診斷。文獻[5]基于搭建的自適應觀測器對電機電流、轉子電阻進行觀測，通過殘差分析進行診斷，但該方法并未考慮具體的故障類型。文獻[6]搭建了Luenberger 觀測器實現功率管故障診斷，并通過設計自適應閾值來保證觀測器的魯棒性。文獻[7]基于自適應閾值的全階Luenberger觀測器實現永磁同步電機位置傳感器的故障診斷，提升了不同工況下的診斷精度。文獻[8]實現了單相整流器中電壓、電流傳感器的故障診斷，并同時設計了相應的容錯控制算法。文獻[9]針對級聯 H 橋拓撲搭建了狀態觀測器，并結合歸一化診斷變量實現IGBT的故障診斷，但是該方法不能診斷全部的故障類型。文獻[10]以電機d、q軸電流的殘差信號作為電壓畸變觀測器的輸入，得到三相電壓畸變信號，以此實現功率管故障的快速診斷。文獻[11]利用卡爾曼濾波器觀測環流，并將電容電壓作為判定條件融入診斷算法之中。文獻[12]將一種強魯棒性卡爾曼濾波器用于傳感器的故障診斷，減少了所構建觀測器的數量。文獻[13]基于卡爾曼濾波器觀測得到的電流信號、轉子角速度，設計了相應的故障診斷算法。文獻[14]利用滑模觀測器生成環流殘差，并結合假設-檢驗過程實現對功率管的開路故障診斷。文獻[15]利用滑模觀測器觀測牽引整流器的網側電流與直流側電壓，并對殘差歸一化處理，通過閾值的設定進行診斷。文獻[16]將奇偶空間校驗的方法用于電壓、電流傳感器的故障定位。文獻[17]采用正交小波包分解獲取最佳分解樹，再運用主元分析法得出最有價值的數據信息作為故障特征，從而實現逆變器傳感器的故障診斷。

上述研究主要針對逆變器單個器件的故障進行診斷，難以對功率管、電流傳感器多種類型故障的情況進行有效辨別，無法準確定位。因此，本文以三相電壓型逆變器為研究對象，通過建立數字模型，詳細討論各種故障類型下的輸出電流變化情況；利用條件生成對抗網絡(condtional generative adversarial network，CGAN)獲取多種工況下的輸出電流故障數據，并通過長短期記憶網絡(long short-term memory，LSTM)訓練得到故障診斷模型，從而實現功率管故障與電流傳感器故障的有效區分與準確診斷。與現有方法相比，本文提出的方法考慮了功率管與電流傳感器多種故障存在的情況，能夠實現復雜故障的準確診斷與定位。

1 逆變器工作原理與數字建模

1.1 逆變器基本工作原理

圖1為三相電壓型逆變器拓撲，逆變器一共有3個橋臂，通過對這3個橋臂進行控制可以將直流側輸入轉換為三相交流輸出。VT1與VT2、VT3與VT4，以及VT5與VT6分別為A相、B相和C相的開關器件。

圖1 三相逆變器拓撲

逆變器的基本工作方式為180°相繼導通，每一時刻有且只有三個橋臂導通，總共有8種不同的導通方式。假定負載為三相電機，采用圖2所示矢量控制方法，可以得到幅值一定、相位各差120°的三相電流iA、iB和iC。

圖2 矢量控制原理

1.2 逆變器數字建模

在dSPACE半實物平臺中搭建逆變器數字模型如圖3(a)所示，該模型主要包括電源、控制電路、逆變器與三相電機，對應的物理原型如圖3(b)所示，數字平臺各部件、電路參數與物理原型保持一致?？紤]到故障分析的安全性，故障模擬及數據采集主要在數字模型中完成。

(a)逆變器數字模型

(b)逆變器物理實體

設置兩個故障模擬信號，一個作用于逆變器驅動信號，信號輸出為零時使功率管關斷，用于模擬開路故障；一個作用于輸出電流信號，用于模擬電流傳感器零輸出或信號偏置等。通過該模型收集逆變器功率管故障與電流傳感器故障數據并進行分析與診斷。

2 功率管與電流傳感器故障模態分析

本文主要就逆變器功率管故障與電流傳感器故障進行研究，且假設逆變器輸出電流流向負載時為正。由于A、B、C 相的故障影響大致相同，主要以A相故障分析為主，B、C相故障分析同理。

2.1 功率管故障模態分析

正常情況下，逆變器三相輸出電流如圖4所示，呈穩定、周期性變化，相位互差120°。

圖4 正常工況下的三相電流

當A相功率管VT1發生開路故障時，A相電流在正半周期缺失，在負半周期的電流流通路徑不變，電流波形如圖5所示。同時，電機轉速產生微小脈動，電磁轉矩發生明顯波動。

圖5 VT1發生開路故障時的三相電流波形

當A相上下橋臂同時出現功率管開路故障時，該相沒有電流流過，如圖6所示。由基爾霍夫電流定律可知，另外兩相電流幅值增大，并且保持兩相電流之和為零，此時電機轉速及電磁轉矩出現顯著波動。

圖6 VT1和VT2發生開路故障時的三相電流 波形

當A、B相同側橋臂(如VT1和VT3)同時出現功率管開路故障時，A、B相電流正半周期無法流經故障橋臂，負半周期電流流通路徑不變，故兩相電流在整個周期內表現為非正，如圖7所示。同時，C相電流幅值等于另外兩相之和的相反值，電機轉速與電磁轉矩出現顯著波動。當A、B相異側橋臂(VT1和VT4)同時出現功率管開路故障時，分析過程與結果與同側橋臂故障類似。

圖7 VT1和VT3發生開路故障時的三相電流 波形

2.2 電流傳感器故障模態分析

電流傳感器測量值與真實值由于線圈老化、電阻阻值改變等而不一致，這稱為電流傳感器故障。電流傳感器故障根據電流信號的特征可以分為零輸出故障、增益故障和偏移故障等，電流波形如圖8所示?？梢钥闯?，零輸出故障是電流傳感器最為嚴重的故障之一。當A相電流傳感器發生零輸出故障時，B、C相的電流也會發生變化。由于閉環控制系統影響，B、C相輸出電流出現嚴重畸變，存在較大諧波。相比于零輸出故障，增益故障和偏移故障可能不會對電流波形造成過度畸變，但其特征與正常波形較為相似，具有一定潛伏性，容易造成故障漏檢。

(a)零輸出故障

(b)增益故障

(c)偏移故障

3 基于CGAN的逆變器故障數據增 強方法

在逆變器實際工況中，系統會受到外部擾動、噪聲等的影響，使得輸出電流與理論分析存在一定差別。為了減小這種差別給故障診斷帶來的影響，采用條件生成對抗網絡重構多種工況、不同擾動下的逆變器故障數據集，進而提高故障診斷模型的抗擾性?；贑GAN的數據增強主要包括生成器網絡設計、判別器網絡設計、網絡訓練，以及數據增強。

生成器網絡從結構上包括噪聲輸入層、投影重塑層、嵌入重塑層、連接層、反卷積層、批標準化層等，其結構及參數如圖9與表1所示。其中，投影重塑層是指在不同維度的空間之間進行信息投影和重塑操作。信息投影是指將輸入張量通過變換，使部分維度信息轉移到新的維度上去；重塑是指將經過信息投影之后的數據經過變形重塑成目標張量的形狀，實際上就是張量的轉置、拼接或者切片操作。本質上來說，投影重塑層類似于全連接層與重塑層的結合。除了最后一個反卷積層，均設置了歸一化層以加速收斂，使其更穩定，并設置激活函數。最終，經生成器網絡產生維度為[1021 1 1]的生成數據。

圖9 生成器網絡結構

表1 生成器網絡層參數

續表1

判別器網絡從結構上包括數據輸入層、標簽輸入層、嵌入重塑層、卷積層等，結構與參數如圖10和表2所示。

圖10 判別器網絡結構

表2 判別器網絡層參數

在網絡訓練階段，首先設置訓練參數，包括學習率、迭代次數、最小批次、單次輸入故障類別數。其中，學習率固定為0.001，最小批次固定為50。接著，將生成數據、真實數據和對應標簽輸入判別器，前向傳播并計算損失函數；反向傳播更新判別器參數；將噪聲與對應標簽輸入生成器，固定判別器，前向傳播并計算損失函數；反向傳播更新生成器參數。按設定的迭代次數反復訓練，最終得到訓練好的網絡。

圖11(a)為訓練過程中生成器與判別器得分，其中單次輸入故障類別數為5，迭代次數為500。在訓練后期，生成器與判別器逐漸進入納什平衡，兩者得分逐漸收斂，網絡訓練完成。圖11(b)為不同迭代次數，固定單次輸入故障類別數情況下，生成器生成數據質量對比。從圖中可以看出，不同迭代次數下生成數據的趨勢大致是一致的，都與真實數據相似，不同的是幅值有所差異，這是由于雖然是同一個網絡，但不同的迭代次數生成器得分會有所差別，具體到生成器參數就會有所不同，生成的數據從而不同。綜上，采用CGAN生成的數據與真實數據具有較好的相似度與一致性，符合故障診斷模型訓練要求。

(a)網絡中生成器與判別器訓練得分

(b)不同迭代次數下的數據增強對比

圖11 網絡訓練與數據增強結果

4 基于LSTM的逆變器功率管與電 流傳感器故障診斷

4.1 LSTM故障診斷模型

LSTM是在循環神經網絡(RNN)基礎上改進而來，傳統網絡由于存在梯度消失及梯度爆炸問題，難以處理長時間序列問題，LSTM通過引入遺忘門、輸入門、輸出門來對網絡進行優化。

遺忘門用于控制網絡是否遺忘前一時刻的記憶狀態，解決梯度消失問題。遺忘門的輸入是當前時刻的輸入數據和前一個時間步的隱藏狀態(即上一個時刻的輸出)，遺忘門的輸出是一個0～1之間的實數，確定細胞狀態保留的程度，越接近0表示遺忘程度越高。遺忘門公式如下：

yw=σ(Wy1xt-1+Wy2xt+bw)

(1)

式中：yw、bw分別表示遺忘門的輸出與偏置參數；Wy1、Wy2分別表示遺忘門前一時刻和當前時刻的權重。

輸入門用于控制當前輸入信息的加入，轉化為所需的維度，解決梯度爆炸問題。輸入門的輸入是當前時間步的輸入數據和上一個時間步的隱藏狀態；輸出是一個實數，表明當前輸入狀態輸出門用于控制當前的輸出信息并限制梯度值，選擇重要信息進行輸出，實現了長時間依賴能力。其公式如下：

(2)

式中：ri1、ri2分別表示輸入門的當前選擇記憶和候選記憶；Wi1、Wi2分別表示輸入門前一時刻和當前時刻的權重；bi、tanh()分別表示輸入門的偏置參數與激活函數。

輸出門可以控制模型將當前時刻的細胞狀態輸出，從而產生預測或者分類結果，其公式如下：

(3)

式中：ro1、ro2分別表示輸出門的當前選擇記憶和候選記憶；，Wo1、Wo2分別表示輸出門前一時刻和當前時刻的權重；bo表示輸出門的偏置參數。

圖12為LSTM的基本結構框圖。

圖12 LSTM基本結構框圖

采用雙向LSTM層來學習輸入序列特征，雙向LSTM由一個正向LSTM和一個反向LSTM組成，分別處理輸入序列的正向和反向信息，并通過捆綁兩個層的輸出來生成最終的網絡輸出。正向LSTM按照順序處理輸入序列，而反向LSTM按照逆序來處理相同的輸入序列。每個LSTM單元通過學習以前時間步的輸入數據和隱層狀態，來預測當前時間步的輸出。在雙向LSTM中，最終的輸出是正向LSTM和反向LSTM的拼接，這可以捕獲序列之間的正反兩個方向的信息，并提高序列預測的準確性。因此，故障診斷模型的算法架構與主要參數如圖13與表3所示。

圖13 基于LSTM的故障診斷模型算法架構

表3 故障診斷模型主要參數

4.2 網絡訓練與方法驗證

首先，通過圖3所示dSPACE半實物仿真平臺獲取功率管單管開路故障、雙管開路故障，以及電流傳感器零輸出故障、增益故障和偏移故障的仿真數據，劃分訓練集與測試集大小，分別為941×622×2與403×600×2；設置初始學習率為0.01，迭代次數為100，批次為30；將數據輸入神經網絡進行訓練，訓練過程準確度變化如圖14所示。從圖中可以看出，該神經網絡的準確度從開始不斷上升，最終基本收斂在98%左右，表明訓練效果優秀。

(a)準確度

(b)損失

接著，在預先劃分好的測試集上進行測試。經多次測試得到準確度如表4和圖15所示。

表4 故障診斷模型測試準確度 %

(a)測試1

(b)測試2

(c)測試3

(d)測試4

(e)測試5

(f)測試6

混淆矩陣是用來呈現分類算法性能的可視化方法，每行代表實際類別，每列代表分類器預測的類別。每行之和是該真實類別的樣本總數，如果混淆矩陣中的元素全部位于主對角線上則表明分類器對于樣本類別的預測與真實類別完全相同，即預測準確度為100%；反之，如果元素分布于矩陣的其他位置，則表明分類器的預測準確度較低。本文混淆矩陣以顏色的深淺表示數量的大小，顏色越深數量越大，顏色越淺數量越小。從混淆矩陣中可以看出，絕大部分元素都位于主對角線上，只有極少部分元素位于其他位置。這表明分類器的分類準確度良好，效果達到預期。

需要說明的是，當功率管故障與電流傳感器故障同時存在時，這兩種器件的故障特征存在非線性混疊關系，影響機制極為復雜，此類非線性耦合故障的準確診斷是本方法的后續改進與優化方向。

5 結論

本文以逆變器為研究對象，通過搭建仿真模型對功率管故障與電流傳感器故障進行分析，提出一種基于CGAN與LSTM的故障診斷方法，實現功率管故障與電流傳感器多類型故障的準確定位。

本文主要得到以下結論：1)逆變器功率管故障和電流傳感器故障會導致三相電流異常，不同程度地造成了電機轉速和電磁轉矩波動；2)基于條件生成對抗網絡對原始數據集進行數據增強，生成數據質量良好；3)采用長短期記憶網絡構建故障診斷模型，可以對功率管故障與電流傳感器故障進行有效辨別，6次測試的平均準確度為95.66%。