光伏逆變器IGBT器件接線故障診斷方法

趙智強,帕孜來·馬合木提,劉行行,周昂

(新疆大學 電氣工程學院,新疆 烏魯木齊 830017)

自大力發展新能源以來,以太陽能為代表的清潔能源備受矚目,逆變器作為整個發電系統的核心裝置,其性能對電力系統的安全與穩定運行有直接的影響,其中絕緣柵雙極型晶體管(insulated gate bipolar transistor,IGBT)因具有耐高電壓、高電流的突出特性,便作為首選的功率開關器件.文獻[1-2]結果表明,光伏逆變器多布置于沙漠、高原等惡劣環境下,導致IGBT器件容易發生各類故障,其中IGBT的故障率占逆變器電力電子器件故障的70%[1-2].

按照逆變器的故障性質可分為參數性故障和結構性故障,由IGBT等功率開關器件損壞引起的短路故障[3-4]、開路故障[5-6]和間歇性失火故障[7]3類常見的結構性故障已經有了大量的研究,但目前IGBT接線故障的研究有限.由于焊接不當、連接引線老化、環境變化等引起的IGBT與引線接點之間產生寄生電阻[8-10],并且隨著設備運行,寄生電阻不斷增大,這是一個漸變的故障過程,其特征不足以觸發保護裝置,但若未被檢測到,連接點會產生更多的熱量,不但會對其他器件造成影響,而且隨著應力累計質變為不可逆轉的結構性故障,將增加維修成本甚至危害人身安全.

針對IGBT器件故障,文獻[11]將三相電流Clark變換得到矢量表達式,結合電流矢量軌跡斜率和極性定位開關器件的故障位置.文獻[1]將三相電流Concordia變換,利用電流矢量瞬時頻率、瞬時角度信息進行故障診斷與定位.文獻[12]利用IGBT的電流殘差變化率,通過與設定閾值來檢測故障位置.文獻[13]首先對三相電流進行小波分析再進行Concordia變換,得出輸出電流的運行軌跡,從而完成故障特征提取.文獻[9、14]對三相電流Clark變換后獲取時域特征,接著利用一種算法進行特征優選,但是選取的時域特征維度依舊龐大,會降低處理和診斷速度.文獻[15-16]指出利用三相電流作為檢測信號易受外界干擾,會嚴重影響電流軌跡,不利于故障分離,且后續診斷時間較長.相比之下,基于電壓的方法需要的檢測時間更短[17-18],提高了對逆變器的診斷效率.針對以上情況,文獻[16]將電網中性點與直流側負極間的電壓作為特征量,并使用電壓矢量角度法,完成開關器件的檢測.文獻[6]對電壓信號進行小波包分解與重構來判斷故障所處的頻帶范圍,然后選擇了基于能量譜與功率譜結合的故障檢測方式,雖然在診斷時間和效果上都有了提高,但是特征提取以及診斷過程過于繁瑣,不利于實現快速準確診斷.文獻[14,19]采用極限學習機(extreme learning machine, ELM)診斷模型,學習速度慢,易出現過度訓練,導致泛化性能下降.文獻[20]采用KELM,收斂速度、泛化性能都有提高,但其核參數和正則化系數存在較大的隨機性,導致診斷性能不穩定.因此,采用一種簡便快捷且不易受外界干擾的方法進行特征提取,并利用高效的分類模型完成IGBT接線故障的診斷具有重要意義.

1 故障機理分析

在光伏發電、風力發電等系統中,采用如圖1所示的Z源逆變器代替傳統的逆變器,利用其獨特的升降壓特性,能充分適用于直流鏈電壓波動大的場合,同時不需要設定死區時間,能有效減小諧波污染,改善輸出電流波形質量.

圖1 Z源逆變器拓撲及特征提取流程Fig.1 Z source inverter topology and feature extraction process

Z源逆變器的主電路由Z源網絡、IGBT器件和二極管構成,由于本文只考慮IGBT器件接線故障,因此具體建模為漏極端上串聯1個電阻[8-9],R1～R6所示.正常情況下,IGBT引線等造成的雜散電阻約為幾歐姆,為了區分雜散電阻與接線電阻,設定雜散電阻0～6 Ω,接線電阻6.1～50 Ω[15].

結合以上分析,本文以Z源逆變器的6個IGBT器件存在的各類接線故障模型為例,進行故障診斷.因三相電壓信號含有豐富的IGBT接線故障信息,故可作為故障檢測信號依據.根據實際要求,建立基于MATLAB/Simulink的仿真模型參數如下:光伏陣列輸出直流電壓Ud為400 V,50 Hz,Lf為50 μH,LC為10 mF,Z源網絡電感L1和L2的標稱值為1 mH,電容C1和C2的標稱值均為3 300 μF.

各IGBT器件發生接線故障的概率相同,但2個以上的IGBT器件同時發生故障的情況幾乎不存在[21].因此,本文僅針對單管IGBT和雙管IGBT存在的接線故障進行分析與診斷.將正常模式及4類IGBT接線故障細分為22類故障狀態,分別研究了多種故障狀態,具體故障類型見表1.其中,F0為正常模式,F1～F6為單管故障,F7～F12為雙管I型故障,F13～F18為雙管Ⅱ型故障,F19～F21為雙管Ⅲ型故障.

表1 接線故障類型

4類故障通過Simulink仿真,獲取各模式下相電壓UA、UB、UC信號波形.為盡可能滿足接線電阻實際發生的情形,考慮到接線電阻阻值變化的隨機性和任意性,對于正常狀態F0,在0～6 Ω任意取60組不同的接線電阻阻值;對于故障狀態F1～F21,在6.1～50 Ω之間也分別取60組不同的接線電阻阻值,即每類故障狀態下分別獲取60組三相電壓信號,則共有1 320組信號樣本.下文對于故障狀態的說明均以F19獲取的三相電壓為例.

2 基于電壓平均值的故障特征提取

2.1 電壓信號

圖2a和圖2b對比可知,發生接線故障時的電壓波形相較于正常狀態發生了一定程度的畸變失真,但是不同故障之間的電壓波形變化較難區分.而Concordia變換不僅在逆變器的故障診斷中能夠獲取表征逆變器狀態的信息[1,13],而且在保留固有特征信息的同時通過信息壓縮能有效減少數據樣本量.對三相電壓Ua、Ub、Uc采用Concordia變換,其公式如下:

a.正常狀態F0時三相電壓波形;b.故障F19時三相電壓波形;c.正常狀態f0變換后電壓波形;d.故障F19變換后電壓波形;e.正常狀態F0二維連續情況;f.故障F19二維連續情況;g.電壓均值散點

(1)

式中,Uα、Uβ為Ua、Ub、Uc在α-β平面內的壓縮信息.

當Uα、Uβ在α-β二維坐標系上展現時,表現為一個連續圖形,如圖2e、2f所示.當逆變器處于正常狀態時接近為一個連續的規則圓,處于故障狀態時為一個連續的不規則圓.

通過正常狀態、故障狀態下的Uα、Uβ波形變化以及Uα、Uβ在α-β二維坐標系上表現形式,可以初步推斷電壓Uα、Uβ含有豐富的接線故障信息.但是,僅通過以上2種方式難以準確區分多種不同程度的接線故障,接下來通過α-β坐標內的電壓平均值分布特性來驗證IGBT器件接線故障的可分性[9],

(2)

如圖2g所示,正常狀態時電壓平均值位于坐標原點附近,偏差極小;當發生接線故障時,電壓平均值會偏離坐標原點,且偏差較大.由此可見,三相電壓Concordia變換后平均值對IGBT接線故障有較好的敏感性,可以初步將其作為表征故障的特征.

2.2 故障特征分析

針對表1的故障類型,在保證分布圖直觀清晰的情況下,各故障編碼下分別取20個阻值進行分布特性分析.

2.2.1 單管故障

a.單管故障;b.雙管Ⅰ型故障;c.雙管Ⅱ型故障;d.雙管Ⅲ型故障

2.2.2 雙管Ⅰ型故障

圖3b所示為異相同側橋臂雙管接線故障的電壓均值分布情況,6種故障近似位于6個扇區內,且接線電阻阻值越大,平均值點分布越接近原點,但各扇區的故障點在邊界處存在重疊現象,此時僅靠電壓均值的二位散點圖已經達不到精準分類的效果.

2.2.3 雙管Ⅱ型故障

圖3c所示為異相異側橋臂雙管接線故障的電壓均值分布情況,6種故障近似位于6個扇區內.平均值點分布情況跟雙管Ⅰ故障模式一致,接線電阻阻值越大,分布點越接近原點.雖然這6種故障之間沒有明顯的重疊現象,但是不排除與其他類故障存在重疊的情況.

2.2.4 雙管Ⅲ型故障

為了進一步說明電壓均值點的分布與各類故障的對應關系,觀察各類故障之間是否存在交叉重疊的現象,繪制整體的電壓平均值二位散點圖,如圖4所示.

a.全局散點;b.部分區間內散點;c.正常狀態散點

由以上分析可知,三相電壓Concordia變換后均值可以作為一種故障特征向量,但是在大數據樣本的情況下,僅依據電壓均值的二位散點圖難以保證各種故障的精確可分性.

3 基于ILSO-KELM的接線故障診斷

3.1 核極限學習機

為進一步增強ELM的泛化能力和穩定性,引入核函數作為極端學習機的隱含層節點映射,構建核極限學習機[19].

1)訓練樣本集D={(xi,ti)|i=1,2,…,N},其中xi=[xi1,xi2,…,xip]T、ti=[Ti1,Ti2,…,Tip]T為第i個輸入、輸出樣本,單隱層神經網絡為

(3)

式中,g(·)為激活函數,bj為第j個隱層元的偏置,yj為網絡輸出,βj、wj分別為輸出節點、輸入節點與隱層點之間的權重向量.

(4)

其矩陣表示為Hβ=T,求解最小二乘解β*,根據廣義逆理論,可得

β*=H+T=HT(HHT)-1,

(5)

式中,H為隱層點輸出,H+為H的廣義逆,T為期望輸出.

3)引入核函數ΩELM代替HHT,

(6)

式中,h(·)為隱層點輸出函數,K(·)為核函數.

4)選取RBF作為核函數,其表達式為

(7)

5) KELM模型的輸出為

(8)

式中,I為對角矩陣,C為懲罰函數.

3.2 改進的獅群算法

獅群算法[22]尋優后期獅群個體的尋優范圍受限,個體位置可能發生重疊而降低多樣性,易陷入局部最優.因此,本文利用混沌映射初始化LSO參數,利于全局尋優.

3.2.1 Sine混沌映射初始化獅群

混沌映射具有規律性、隨機性、遍歷性等特點[23],替換隨機初始化的種群,可以豐富種群多樣性,改善全局搜索性.利用Sine混沌映射[24]初始化獅群位置,其表達式為

xi0+1+δsin(πxi0),

(9)

式中,i0為混沌變量迭代次數,xi0為閾值變量,δ為控制參數.

設種群的獅子數量為M,維度空間為D,成年獅子的數量為m,則有m=λM,其中λ∈(0,1)為成年獅子的比例因子.

隨機產生一組待尋優閾值變量Xi=(Xi1,Xi2,…,XiD),i∈[1,M],利用Sine方程產生M組混沌變量,且映射到[Xmin,Xmax]的未知位置變量上.之后,不同類型的獅子按照各自方式來更新位置.

3.2.2 獅群更新方式

1)獅王在最優位置處小范圍移動,具有最佳適應度值,其更新方式為

(10)

2)母獅在捕獵過程中與另一只母獅協作,其更新方式為

(11)

3)幼獅跟隨獅王和母獅活動,其更新方式為

(12)

3.3 基于ILSO-KELM的故障診斷模型

針對逆變器的IGBT接線故障不明顯、故障識別率低,快速準確地故障診斷尤為重要.因此,在結合三相電壓Concordia后的特性組成故障向量,采用改進的LSO算法優化KELM建立診斷模型.

圖5為整體的故障診斷流程圖,具體步驟如下:

圖5 故障診斷流程Fig.5 Flowchart of overall fault diagnosis

1) 對采集的三相電壓信號進行Concordia變換得到兩相電壓Uα、Uβ,對其取均值,組成特征向量組,并分為訓練樣本、測試樣本.

2) 將訓練樣本輸入步驟2),測試樣本輸入步驟9).

3) 利用式(9)生成初始化種群.

4) 計算成年獅子的數量以及個體的歷史最優位置,并設置為當前位置,將獅群最優位置設為獅王位置.

5) 通過式(10)更新獅王位置,并計算適應度值;通過式(11)更新母獅位置;通過式(12)更新幼獅位置.

6) 計算個體適應度值,更新個體歷史最優位置和獅群歷史最優位置.

7) 判斷算法是否達到終止條件,若到達條件則跳到步驟8),否則跳到步驟5).

8) 輸出最終獅王位置,即為KELM的最優參數(σ,C).

9) 將測試樣本輸入最優參數(σ,C),建立ILSO-KELM分類模型,完成IGBT接線故障診斷.

4 驗證及對比分析

對采樣得到的1 320組信號樣本進行Concordia變換之后,取電壓均值,共得到1 320×2維的故障特征向量組.取每種狀態的40組信號樣本用作訓練集,其余20組信號樣本用作測試集.

為了驗證ILSO-LSSVM的運行性能,采用ILSO-KELM、LSO-KELM、PSO-KELM等3種方法對IGBT接線故障進行故障診斷與對比分析.圖6為3種算法優化KELM的收斂效果,均迭代100次,種群數量均為20,將故障診斷的準確率作為適應度值.

圖6 適應度值與迭代次數的關系Fig.6 Relationship between fitness value and iteration times

由圖6可以看出:PSO-KELM的收斂速度慢且準確度低;ILSO-KELM與LSO-KELM相比,ILSO-KELM的收斂速度和準確度都有更大的改善.為了進一步驗證本文方法在逆變器的IGBT接線故障診斷方面的優勢,進行了5種故障診斷方法的對比分析,如圖7所示.

a.SVM;b.ELM;c.KELM;d.PSO-KELM;e.LSO-KELM;f.ILSO-KELM

6種診斷方法的診斷準確率平均值、優化模型的平均訓練用時及平均診斷用時如表2所示.

表2 各方法10次診斷的平均診斷準確率及用時

通過比較各診斷方法的診斷指標可以反映各方法診斷精度的優劣性,同時比較各方法的運行時間可以反映各方法診斷效率的優劣性.由圖7和表2可得出以下結論:

1) KELM比常見的分類器SVM、ELM的診斷準確率更高,診斷速度更快,這表明相對其余分類器,KELM在逆變器IGBT器件的接線故障有更佳的診斷能力.

2) LSO-KELM比PSO-KELM和KELM診斷準確率更高,訓練時間和診斷時間更短,這表明相對于不優化或用PSO優化KELM,LSO的尋優效果更佳.

3) ILSO-KELM比LSO-KELM診斷準確率更高,速度更快,這表明利用改進后LSO優化KELM在逆變器IGBT器件的接線故障上有更佳的診斷效率.

5 結論

以Z源光伏逆變器為例進行了IGBT器件接線故障的機理分析并劃定了故障分類準則,提出了基于電壓平均值與ILSO-KELM結合的故障診斷方法.

1) 通過對三相電壓Concordia變換后的兩相電壓取平均值的方法,獲取表征故障狀態的二維特征向量,能有效降低特征向量維度,提高診斷效率,并驗證了方法的可行性.

2) 通過Sine混沌映射改進原始LSO算法,依此對KELM模型進行參數尋優,完成了對IGBT接線故障的有效診斷.

3) 通過與多種方法對比,本文所提出的ILSO-KELM診斷模型在光伏逆變器IGBT器件接線故障上有更佳的診斷效果.