论文部分内容阅读
随着新能源技术的发展,太阳能、风能、潮汐能等新能源越来越普及到人们生活中,逆变器作为新能源开发中不可缺少的组件,也越来越受到人们关注。中性点钳位式(Neutral Point Clamped,NPC)三电平逆变器由于其具有谐波低、效率高、体积小、重量轻及功率密度高等优势,在高铁、电动汽车和光伏发电领域获得广泛应用。但是,相对于两电平逆变器,三电平逆变器使用更多功率管,每个功率管都承载着大电压、高电流和较高温度,在频繁地开关操作下容易导致功率管故障。在逆变器故障中,约有60%的故障源自于功率管开路故障,三电平逆变器出现开路故障后,故障特征不明显,设备依然能够运行,但是工作于不正常状态,长时间处于这种不正常运行的故障状态将导致设备损坏甚至引发事故。为了能够实时获取三电平逆变器开路故障状态,确保应用系统稳定、安全运行,本文针对于NPC三电平逆变器开路故障诊断展开研究。在以下三方面做了相关创新性研究工作:(1)提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)能量占比和核函数主值分析(Kernel Principal Component Analysis,KPCA)降维的故障特征提取方法。该方法通过将故障信号进行EEMD分解,利用各本征模函数(Intrinsic Mode Function,IMF)和残余项能量占比作为故障特征,再利用KPCA特征降维,从而剔除冗余信号,获取维度较低的故障特征。(2)提出了一种KNN-SVM分类器优化方法。该方法首先优化高斯核宽度参数,获得核Fisher最佳投影方向。然后利用样本在该方向上的投影确定K近邻(K-Nearest Neighbor,KNN)参考点所在区间。最后利用该区间确定用于支持向量机(Support Vector Machine,SVM)和KNN分类的测试样本并进行测试,两种算法优势互补,提高故障诊断精度。(3)提出了一种基于KNN-SVM优化分类器的三电平逆变器开路故障诊断方法。该方法首先利用EEMD能量占比和KPCA的组合提取三电平逆变器开路故障特征,再将故障特征输入到KNN-SVM分类器中,实现故障诊断。仿真实验表明:基于EEMD-KPCA特征提取方法具有很好的效果,相较于传统的小波和能量占比的组合,该方法提取的故障特征具有评价指标高,特征维度低的特点;基于KNN-SVM的分类器优化方法,相较于传统SVM和DT-SVM分类器而言能够有效的提高分类超平面附近的测试精度,进而提高整体的分类准确度;基于KNN-SVM优化分类器的三电平逆变器故障诊断方法,在分类超平面附近分类精度和整体的分类精度都优于传统SVM和DT-SVM,与BPNN、ELM纵向对比在诊断精度以及测试时间上具有较高优势,同时在鲁棒性方面也优于上述方法。