基于机器学习的模块化多电平换流器开关器件故障诊断技术研究

【摘要】：模块化多电平换流器(Modular Multilevel Converter,MMC)以其低谐波、可扩展性好、开关频率低、损耗低等优点,在柔性直流输电、电气传动、新能源并网、静止无功功率发生器(SVG)、有源电力滤波器(APF)、综合潮流控制器(UPFC)等领域得到推广和应用。随着MMC电压等级和容量的提升,桥臂串联的子模块数量已达上百甚至几百之巨。长时间的运行、环境影响、电磁应力的作用,不可避免引发子模块故障,严重影响到系统运行。国内外学者针对MMC系统的直流侧故障、交流侧故障等已有了系列研究,但对子模块故障的诊断与定位研究较少,已有的工作建立在每个子模块配置有传感器和独立诊断单元的前提下。每个子模块配置传感器和独立诊断单元,对于超高电平情况下增加了硬件成本,如何实现少传感器模式下MMC子模块故障诊断与定位,具有重要的理论意义和应用价值。本文在剖析了MMC的基本拓扑结构、工作原理、故障模式的基础上,重点分析了MMC子模块的几种故障形式,并且介绍了其故障后对MMC系统带来的影响。针对子模块开关器件的故障展开了重点研究,提出利用机器学习的方法对子模块开关器件的开路故障进行故障检测及定位。具体研究内容如下:(1)MMC系统无论是正常运行,还是有子模块发生开路故障,总会有三相环流存在于系统内部。而这种环流又无法通过一般的抑制策略实现完全消除,且同三相中的电流数据一样,在两种运行状态下具有明显的差异性。因此,将MMC系统的三相环流及电流信号作为故障特征信号,提出一种基于混合核支持张量机的故障诊断方法,在MATLAB/Simulink中建立MMC仿真模型,构建正常系统及单相子模块发生故障的系统进行仿真研究。根据仿真结果验证所提方法的正确性。(2)探究了在较高电平状态下,MMC子模块故障对三相交流电流带来的影响。经分析可知,不同桥臂间子模块的故障会对三相交流电流带来不同的变化,且电平数越高,单个子模块故障对交流电流带来的影响越微弱,其故障相电流输出变化与正常相相比越不明显。因此,需要更精确更灵敏的故障检测方法来进行故障诊断。将采集到的交流信号进行滤波处理后,进行包络均值的求取,将所得的信号作为最小二乘互信息谱聚类的训练集,得到分类标签。然后将训练样本输入到整体最小二乘支持向量机进行训练以获得决策函数,通过决策输出值可以判断故障相。在RT-LAB半实物仿真平台里对201电平MMC系统进行正常及单相子模块故障进行仿真研究,仿真结果验证分类的正确性和有效性。(3)针对MMC发生多相子模块故障的情形,仅仅利用电压电流的时域数据信息量太少,无法实现准确的故障检测。因此,首先利用快速傅里叶变换(Fast Fourier transform,FFT)将各相电压的时域信号转换成易于分析的频域信号,根据频域信号的变化特点,利用多分类相关向量机将所得的数据进行多相故障分类。建立MMC仿真平台,验证了该方法的有效性和正确性。(4)当子模块故障定位到具体桥臂后,需要对具体的子模块进行故障定位。常规的每个子模块都配有一个电压传感器,为避免使用大量的电压传感器,探索利用机器学习的方法直接利用各桥臂的电压变化定位到具体的桥臂。本文在分析桥臂电压数据变化的基础上,提出基于深度学习的方法,对正常及有子模块发生开路故障时的桥臂电压数据进行训练及测试,将故障定位到具体的子模块。