【摘要】：模塊化多電平變換器(MMC)作為柔性直流輸電系統(tǒng)的核心單元,它含有大量的電力電子子模塊(SM),且每個子模塊都是潛在的故障點。因此,在子模塊發(fā)生故障的情況下,故障必須及時診斷。由于MMC擁有大量結構對稱且完全相同的子模塊,使得診斷出哪個子模塊發(fā)生故障非常具有挑戰(zhàn)性。為了保護SM電路,以減少SM故障的影響,一些驅動保護電路已被集成到子模塊控制器上,如過熱、過流、過載繼電器。但這些保護電路設計復雜且診斷能力較弱,無法識別出某些故障,使得保護容易失效。而深度學習是當前機器學習領域的研究熱點,憑借其強大的特征自動提取能力,已經在多個領域取得了成功,比如圖像識別、語音識別等領域。因此,本文基于深度學習理論,對模塊化五電平逆變器子模塊開路故障診斷方法進行了研究。本文主要研究工作如下:首先,本文研究了模塊化五電平變換器的拓撲結構和工作原理,基于此,深入分析了模塊化五電平變換器子模塊開路故障的故障特性,并從故障特性分析中確立了以模塊化五電平變換器24個子模塊電容電壓為特征變量進行故障診斷。鑒于輸入深度學習模型的數據都是圖像或者二維矩陣,所以將24個子模塊的電容電壓信號組合成24通道序列信號。為了開展后續(xù)基于深度學習的故障診斷實驗,本文以PSCAD/EMTDC為仿真平臺搭建了模塊化五電平變換器故障仿真模型,通過改變橋臂電抗、子模塊電容值等參數,共收集864個24通道序列信號數據樣本。其次,針對子模塊出現開路故障時電容電壓只會出現微弱變化,使得故障特征不夠明顯,導致通過傳統(tǒng)機器學習算法提取特征比較困難,所以本文提出了基于深度卷積神經網絡(DCNN)的模塊化五電平變換器子模塊開路故障診斷方法,該方法沿著24通道序列移動大小為24×200滑動窗口獲得“灰度圖”樣本,緊接著將其輸入到DCNN中進行逐層有監(jiān)督特征學習,自動提取原始故障數據集的深層特征,最后將深層特征連接到Softmax分類器輸出故障診斷結果。實驗結果表明,故障診斷平均準確度達到98.16%。最后,鑒于模塊化五電平變換器在線監(jiān)測設備收集的數據大都是無標簽數據,本文有提出了一種基于棧式稀疏自動編碼器(SSAE)的模塊化五電平變換器子模塊開路故障診斷方法,該方法將模塊化五電平變換器子模塊開路故障檢測與定位問題轉化成分類問題,首先沿著24通道序列移動大小為24 × 40滑動窗口獲得灰度圖,緊接著將其轉化為向量輸入到SSAE中進行逐層無監(jiān)督特征學習,構建原始故障數據集的深層特征簡明表達,最后將深層特征簡明表達連接到Softmax分類器輸出故障診斷結果。實驗結果表明,所提出的故障診斷方法平均準確度達到98.09%,且具有較高的魯棒性。
【圖文】：

其中每個子模塊包括２個ＩＧＢＴ器件乃和�。病ⅲ矀�反并聯二極管Ｄｌ和Ｄ２以及逡逑１個直流側電容器ＣＳＭ。為子模塊輸入電流，Ｕｓｍ為子模塊輸出電壓，Ｕｃ為子模塊逡逑的電容電壓，各物理量的參考方向如圖２－１所示。逡逑ＳＭＩ邋Ｉ￣￣Ｊｈ邋ＳＭ９｜￣｜ｄＳＭ１７ｊ邐°邋尸逡逑Ｈ邋ＳＭ２１邋ＨｓｍｉｏＩ邋ＨＳＭ１８｜逡逑Ｌｊ邋ＳＭ３｜邋Ｌ｜ＳＭ１１｜邋￣ｊＳＭ１９｜邐邐１邋ＳＭ邋１逡逑ｚｊ邋ＳＭ４１邋ＨＳＭ１２｜邋ＨＳＭ２0｜邐｜逡逑Ｉ。0邋ｉ０邋＾￣ｌＴ邐，，邐逡逑Ｙ］邋邐邋ｒ￣逡逑ａｆ邋＾邐Ｔｊ＾Ｄ，逡逑廣N邋ｕ逡逑ＨｓＭ１４｜邋ＨｓＭ２２｜邐．邐—．逡逑ｕ－｜逡逑邐ｐｉ＾ｌ邐°邐邐逡逑圖２－１模塊化五電平變換器拓撲結構逡逑２．邋１．２模塊化五電平變換器工作原理逡逑模塊化五電平變換器的拓撲結構如圖２－１所示。在模塊化五電平變換器拓撲中｜８２１，逡逑每個相單元由８個子模塊構成，而上橋臂擁有４個半橋型子模塊，下橋臂擁有４個半橋逡逑型子模塊，如圖２－２所示。在圖２中，實線主要表示模塊化五電平變換器的上橋臂電壓，逡逑虛線主要表示模塊化五電平變換器的下橋臂電壓，粗實線表示模塊化五電平變換器的整逡逑個直流側電壓。要保證模塊化五電平變換器正常運行需要滿足如下兩個條件［９］：逡逑（１）必須維持模塊化五電平變換器直流側的電壓恒定。根據圖２－２，要想維持模塊逡逑化五電平變換器直流側電壓保持不變

電平變換器子模塊中兩個開關器件７；和ｒ２施加開通或關斷信號，可實現模塊化五電平變逡逑換器子模塊的不同運行模式［９，８Ｇ＿８２］。正常運行時，７；和７；不能同時導通，因此共有三種逡逑運行狀態(tài)，分別稱為投入狀態(tài)、切除狀態(tài)和閉鎖狀態(tài)［８３＿８５］，如圖２－３所示。逡逑（１）
【學位授予單位】：湘潭大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM46

【參考文獻】

相關期刊論文 前10條

1 吳娟;沈艷霞;;電力電子功率變換器故障診斷方法綜述[J];電工電能新技術;2015年11期

2 張晴晴;劉勇;潘接林;顏永紅;;基于卷積神經網絡的連續(xù)語音識別[J];工程科學學報;2015年09期

3 李善穎;吳濤;任彬;徐永海;袁敞;;基于模塊化多電平變換器的儲能系統(tǒng)綜述[J];電力系統(tǒng)保護與控制;2015年16期

4 崔江;王強;龔春英;;結合小波與Concordia變換的逆變器功率管故障診斷技術研究[J];中國電機工程學報;2015年12期

5 張建坡;趙成勇;郭麗;;模塊化多電平換流器子模塊拓撲仿真分析[J];電力系統(tǒng)自動化;2015年02期

6 楊慧敏;崔江;張卓然;龔春英;;基于改進支持向量機的故障診斷方法[J];電工技術學報;2014年S1期

7 馬為民;吳方R

本文編號：2686715