一种模块化多电平换流器故障分类方法

技术领域

本发明属于多电平换流器故障诊断技术领域，特别涉及一种模块化多电平换流器故障分类方法。

背景技术

模块化多电平换流器(MMC)最先由德国学者R.Marquardt于2001年提出。作为一种新型电压源换流器拓扑结构，由于其具有模块化结构设计、易于扩展、输出波形质量高、运行损耗小、具有公共直流母线等优点,在中高压直流输电、新能源并网、高压电力驱动等场合得到了越来越广泛的应用。三相MMC拓扑机构如图-1所示，它由三相6个桥臂组成，上下桥臂合成一个相单元，每个桥臂含有一个桥臂电抗和相同数目的串联子模块。图中，u

模块化多电平换流器(MMC)由大量半桥子模块(Sub-Modules,SMs)级联而成，每个子模块又包含有2个功率器件IGBT，功率器件极易发生开路故障，因此，每个功率器件都是潜在的故障点。子模块故障是MMC常见的故障类型之一，子模块故障会导致桥臂输出电压与期望出现偏差、相间环流增大、交直流侧谐波增大，继而影响整个系统的安全可靠运行。

故障子模块可能位于MMC六个桥臂中的一个，加上正常状态，共有7种故障类型。

发明内容

针对背景技术存在的问题，本发明提供一种模块化多电平换流器子模块故障分类方法。

为解决上述技术问题，本发明采用如下技术方案：一种模块化多电平换流器故障分类方法，模块化多电平换流器包括A、B、C相6个桥臂，A、B、C相上下桥臂组合成一个相单元，每个桥臂含有一个桥臂电抗和相同数目的串联子模块；该方法包括以下步骤：

步骤1：对三相输出电流和三相内部环流信号进行采样；

步骤2：使用小波硬阀值方法对采样信号进行滤波降噪并归一化处理；

步骤3：对归一化后的信号做同步挤压小波变换，获取原始电流信号的三维时频图像特征数据；

步骤4：将三维时频图像数据随机划分为训练集、验证集和测试集，其中训练集作为卷积神经网络模型的输入数据，网络自动学习时频图像中的潜在故障信息；

步骤5：利用遗传算法优化卷积神经网络模型的超参数，采用4折交叉验证法在验证集上评估模型，得到优化模型；

步骤6：在优化模型上输入测试集数据，得到故障类型的结论。

在上述模块化多电平换流器故障分类方法中，步骤2采用小波硬阀值方法进行处理时，先对信号做连续小波变换得到小波系数，再估计噪声阀值λ，若小波系数小于λ，则该系数为噪声引起，去除这部分系数；若小波系数大于λ，则该系数为信号引起，保留这部分系数，然后对处理后的小波系数进行小波逆变换得到去噪后的信号。

在上述模块化多电平换流器故障分类方法中，步骤4所述三维时频图像数据随机划分为训练集、验证集和测试集；图像数据集各包含7种故障类型，分别是：正常状态、A相上桥臂子模块故障、A相下桥臂子模块故障、B相上桥臂子模块故障、B相下桥臂子模块故障、C相上桥臂子模块故障和A相下桥臂子模块故障；其中训练集中每一类样本个数为180，验证集中每一类样本个数为60，测试集中每一类样本个数为60；合计总样本数为(180+60+60)×7＝2100。

在上述模块化多电平换流器故障分类方法中，步骤5所述影响神经网络模型性能的超参数为dropout,learning rate,batch size；三个超参数在模型评估过程中被寻优确定一组最佳超参数；采用4折交叉验证法来评估训练好的模型，将训练集数据同等划分为4个区，对于每个分区i，在剩余的3个分区上训练模型，然后再分区i上评估模型；最终分数等于K个分数的平均值；评估完成，得到一组最佳超参数设置的优化模型。

与现有技术相比，本发明的有益效果是：本发明模块化多电平换流器故障分类方法，能准确的分类待测试样本中的故障类型，且分类精度高；无需使用过多的传感器，整个检测装置仅需6个传感器，成本低廉，没有大量复杂的计算简单易实现。

附图说明

图1：是本发明一个实施例模块化多电平换流器拓扑结构图；

图2：是本发明一个实施例模块化多电平换流器子模块结构图；

图3：是本发明一个实施例故障分类方法的实施方案流程图；

图4：是本发明一个实施例正常状态时三相交流电流和三相内部环流时域波形图；

图5：是本发明一个实施例故障状态时三相交流电流和三相内部环流的三维时频图；

图6：是本发明一个实施例方法流程图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施例一种模块化多电平换流器故障分类方法，首先对三相交流输出电流和内部环流进行采样，对采样得到的电流信号进行小波硬阀值去燥，滤除其中的噪声；再将去燥信号归一化处理；对归一化的信号使用同步挤压小波变换(SST)得到原始电流信号的三维时频图；将三维时频图像随机划分为训练集、验证集和测试集；用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型；在优化后的模型上输入测试集数据，测试结果即为故障分类结果。

本实施例是通过以下技术方案来实现的，一种模块化多电平换流器子模块故障分类方法，包括以下步骤：

S1：对三相输出电流和三相内部环流信号进行采样；

S2：使用小波硬阀值方法对采样信号进行滤波降噪并归一化处理；

S3：对归一化后的信号做同步挤压小波变换；

S4：将三维时频图像数据随机划分为训练集、验证集和测试集，其中训练集作为卷积神经网络模型的输入数据，网络自动学习时频图像中的潜在故障信息；

S5：用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型；

S6：最后，在优化后的模型上输入测试集数据，测试结果即为故障分类结果。

并且，S1中三相输出电流为i

上下桥臂电流为：

环流表达式为：

i

并且，S2中采用小波硬阀值方法进行处理时，先对信号做连续小波变换得到小波系数，再估计噪声阀值λ，若小波系数小于λ，认为该系数主要由噪声引起，去除这部分系数；若小波系数大于λ，则认为此系数主要是由信号引起，保留这部分系数，然后对处理后的小波系数进行小波逆变换得到去噪后的信号。

并且，S3中对三相交流电流和三相内部环流的降噪信号做同步挤压小波变换(SST)获取原始电流信号的三维时频图像特征数据。

并且，S4中图像数据被随机划分为训练集、验证集和测试集。图像数据数据集各包含7种故障类型：分别是正常状态、A相上桥臂子模块故障、A相下桥臂子模块故障、B相上桥臂子模块故障、B相下桥臂子模块故障、C相上桥臂子模块故障和A相下桥臂子模块故障。其中训练集中每一类样本个数为180，验证集中每一类样本个数为60，测试集中每一类样本个数为60。合计总样本数为(180+60+60)×7＝2100。

并且，S5中影响神经网络模型性能的主要超参数为dropout,learning rate,batch size。因此，这三个超参数将在模型评估过程中被寻优确定一组最佳超参数。由于训练集样本比较少，所以采用4折交叉验证法来评估训练好的模型，即将训练集数据同等划分为4个区，对于每个分区i，在剩余的3个分区上训练模型，然后再分区i上评估模型。最终分数等于K个分数的平均值。评估完成后，得到一组最佳超参数设置的网络模型来测试数据。

并且，S6中用遗传算法优化后的模型就是性能最佳的模型，将测试集数据输入模型，输出结果对应的标签就是每一张图像数据对应的故障类型。

具体实施时，通过采集MMC三相交流输出电流和三相内部环流信号，并对采集到的时间序列信号做同步挤压变换得到三维时频特征图数据，再输入卷积神经网络，完成对原始信号的故障分类。

三相MMC拓扑结构如图1所示，MMC由三相6个桥臂组成，上下桥臂合成一个相单元，每个桥臂含有一个桥臂电抗和相同数目的串联子模块。图中，u

子模块结构如图2所示，每个子模块有2个绝缘栅双极晶体管(T1和T2)，一个反并联的二极管以及一个悬浮电容并联组成。图3为本实施例所提出的一种模块化多电平换流器子模块故障检测与定位方法实施流程图。

以一个桥臂含有8个子模块的模块化多电平换流器为例，即N＝8；

下面结合图1至图6介绍本实施例，具体包括以下步骤：

I.对三相输出电流和三相内部环流信号进行采样；

步骤I中三相输出电流为i

上下桥臂电流为：

其中环流表达式为：

i

II.使用小波硬阀值方法对采样信号进行滤波去噪并归一化处理；

步骤II中采用小波硬阀值方法进行降噪处理时，先对原始信号做小波变换得到小波系数，再估计出小波系数阀值，将小于阀值的小波系数置零后，对保留的小波系数做小波逆变换得到去噪信号；

III.对归一化后的信号做同步挤压小波变换；

步骤III中对三相交流电流和三相内部环流的降噪信号做同步挤压小波变换获取原始电流信号的三维时频图像特征数据。

IV.将三维时频图像数据划分为训练集、验证集和测试集，其中训练集作为卷积神经网络模型的输入数据，网络自动学习时频图像中的潜在故障信息；

步骤IV中图像数据被随机划分为训练集、验证集和测试集。数据集各包含7种故障类型的图像数据，其中训练集中每一类样本个数为180，验证集中每一类样本个数为60，测试集中每一类样本个数为60。合计总样本数为(180+60+60)×7＝2100。

V.用遗传算法优化卷积神经网络模型的超参数,用4折交叉验证法在验证集上评估模型；

步骤V中影响神经网络模型性能的主要超参数为dropout,learning rate,batchsize。因此，这三个超参数将在模型评估过程中被寻优确定一组最佳超参数。由于训练集样本比较少，因而采用4折交叉验证法来评估训练好的模型，即把训练集数据同等划分为4个区，对于每个分区i，在剩余的3个分区上训练模型，然后再分区i上评估模型。最终分数等于K个分数的平均值。评估完成后，得到一组最佳超参数设置的网络模型来测试数据；

VI.最后，在优化后的模型上输入测试集数据，测试结果即为故障分类结果；

步骤VI中用遗传算法优化后的模型就是性能最佳的模型，把测试集数据输入模型，模型预测结果就是每一张图像数据对应的故障类型。

本实施例模块化多电平换流器故障分类方法，与传统的时频故障分类方法相比，具有很高的分类准确率，它以三相输出电流和三相内部环流的三维时频图作为故障特征数据，输入到卷积神经网络(CNN)，而CNN的特点是能够自动学习到每一种故障类型的特征，从而准确的分类待测试样本中的故障类型。对于整个MMC换流器，仅需要6个电压传感器，节省了成本，减少了检测复杂性，简单易实现。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。