CN117092554B - 逆变器耦合故障分析方法、装置、电子设备及存储介质 - Google Patents

逆变器耦合故障分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117092554B
CN117092554B CN202311342605.4A CN202311342605A CN117092554B CN 117092554 B CN117092554 B CN 117092554B CN 202311342605 A CN202311342605 A CN 202311342605A CN 117092554 B CN117092554 B CN 117092554B
Authority
CN
China
Prior art keywords
fault
current
phase current
phase
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311342605.4A
Other languages
English (en)
Other versions
CN117092554A (zh
Inventor
伍珣
黄殿龙
成庶
于天剑
李凯迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202311342605.4A priority Critical patent/CN117092554B/zh
Publication of CN117092554A publication Critical patent/CN117092554A/zh
Application granted granted Critical
Publication of CN117092554B publication Critical patent/CN117092554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/54—Testing for continuity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Inverter Devices (AREA)

Abstract

本发明提供了一种逆变器耦合故障分析方法、装置、电子设备及存储介质，包括：获取逆变器故障时的三相电流信号；根据三相电流信号执行故障模态分析，确定三相电流信号的故障模态；根据三相电流信号的故障模态执行小波分解处理，得到第一故障特征；对第一故障特征执行能量占比计算，确定第一故障的第二功率管故障特征和第二电流传感器故障特征；对第二功率管故障特征和第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，进而确定逆变器的耦合故障类型。本发明的有益效果为：实现逆变器耦合故障的区分，提高了逆变器的耦合故障分析的准确率。

Description

逆变器耦合故障分析方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机及电力技术领域，尤其涉及一种逆变器耦合故障分析方法、装置、电子设备及存储介质。
背景技术
并网逆变器可以将直流电转化成交流电，同时使输出交流电的频率和相位与市电同步，广泛应用于可再生能源并网发电***。
并网逆变器的安全、稳定运行对于保障整个变流***的可靠性具有重要意义。然而，由于长时间工作，并网逆变器中的功率管会承受较高的电热应力，其老化过程加速且极易出现故障。功率管故障主要分为短路故障与开路故障。短路故障已有成熟的保护方案，通过串联熔断丝转化为开路故障以防止过电流的产生；开路故障不易导致过电压或过电流，但具有潜伏性，如不及时处理极易导致二次故障。电流传感器作为整个变流***闭环控制的信息通道，其故障对于***运行同样具有致命影响，其中，电流传感器零输出故障的影响最为严重。
功率管故障与电流传感器故障在***中相互耦合。一方面，电流传感器故障可以通过控制闭环导致过电流，使得功率管发生故障；另一方面，功率管故障与电流传感器故障的诊断均需要通过传感器信号进行判断，两者的故障特征在信号通道中交错、混叠，导致故障难以准确定位。
发明内容
本发明实施例的主要目的在于提出一种逆变器耦合故障分析方法、装置、电子设备及存储介质，实现逆变器耦合故障的区分，提高了逆变器的耦合故障分析的准确率。
本发明的一方面提供了一种逆变器耦合故障分析方法，包括：
根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；
根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态；
根据所述三相电流信号的故障模态执行小波分解处理，得到第一故障特征，所述第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；
对所述第一故障特征执行能量占比计算，得到能量占比值，根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征；
对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，所述辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；
根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。
根据所述的逆变器耦合故障分析方法，其中根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态，包括：
根据所述A相电流、所述B相电流及所述C相电流中至少一相对应的电流谐波波形和其余两相的电流谐波波形变化，采用三相电流平衡确定对应的功率管的故障模态；
根据所述A相电流、所述B相电流及所述C相电流中至少一相对应的电流波形幅值和其余两相的电流波形幅值变化，确定电流传感器的故障模态。
根据所述的逆变器耦合故障分析方法，其中根据所述三相电流信号的故障模态执行小波分解处理，包括：
对所述故障模态执行离散小波分解处理，得到转换至不同尺度的频率的时域信号，其中小波分解为
其中，j=1,2,…,m，为初始时域信号，/>和/>分别为尺度函数和小波函数，a m 为最后分解尺度的近似系数，c j 为第j个尺度的细节系数，其中t表示离散时刻，k表示变换位置，m为分解层数。
根据所述的逆变器耦合故障分析方法，其中方法还包括：
采用db3小波对输出电流进行多尺度分解，得到对应数量的子频带；
对所述子频带的高频噪声进行滤除，得到滤除噪声的主频率。
根据所述的逆变器耦合故障分析方法，其中对所述第一故障特征执行能量占比计算，得到能量占比值，根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征，包括：
对所述滤除噪声的主频率执行能量计算，计算方式为
其中E表示能量，a为子频带能量，n为频带数量，k为小于n大于0的自然数；
选择三相电流的低频分量的能量占比作为故障特征量，计算能量占比为
其中F x 为x相输出电流低频分量的能量值，P x 为输出电流低频能量占总能量之比，、/>及/>分别为所述A相电流、所述B相电流及所述C相电流的能量值；
根据故障特征量的能量占比与预设能量占比值进行对比，确定所述第二功率管故障特征和所述第二电流传感器故障特征。
根据所述的逆变器耦合故障分析方法，其中预设能量占比值为0.3。
根据所述的逆变器耦合故障分析方法，其中对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，包括：
三相电流平均值的正负标识识别方法包括获取任一所述三相电流的正负标识的平均值，通过正负标识的平均值进行检测，确定所述第三功率管故障特征，其中正负标识的平均值包括0，-1及1，其中0表示正常，-1表示上桥臂开路故障，1表示下桥臂开路故障；
三相电流信号的总和识别方法包括通过三相电流之和的正负标识的平均值之和确定所述第三电流传感器特征，相电流之和的计算方式为
其中，I为正负标识的平均值之和，、/>及/>分别表示所述A相电流的正负标识的平均值、所述B相电流正负标识的平均值及所述C相电流的正负标识的平均值。
本发明实施例的另一方面提供了一种逆变器耦合故障分析装置，包括：
第一模块，用于根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；
第二模块，用于根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态；
第三模块，用于根据所述三相电流信号的故障模态执行小波分解处理，得到第一故障特征，所述第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；
第四模块，用于对所述第一故障特征执行能量占比计算，得到能量占比值，根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征；
第五模块，用于对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，所述辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；
第六模块，用于根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前文所描述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
本发明的有益效果为：通过故障模态分析，避免了同相上下桥臂功率管开路故障的输出电流特征与该相电流传感器零输出故障特征相似性的干扰；采用三相输出电流低频分量的能量占比，对于不同相功率管开路故障与电流传感器故障进行准确区分；以能量占比为判定基础，借助输出电流平均值与三相电流之和可以对功率管故障与电流传感器故障进行有效辨别。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是逆变器拓扑图。
图2是本发明实施例的逆变器耦合故障分析***示意图。
图3是本发明实施例的逆变器耦合故障分析流程示意图。
图4是本发明实施例的正常情况下的逆变器三相电流波形图。
图5是本发明实施例的A相上桥臂故障下的逆变器三相电流波形图。
图6是本发明实施例的A、B两相上桥臂故障下的逆变器三相电流波形图。
图7是本发明实施例的A相电流传感器故障下的逆变器三相电流波形图。
图8是本发明实施例的VT1故障下的输出电流分解结果图。
图9是本发明实施例的小波分解流程示意图。
图10是本发明实施例的逆变器耦合故障分析装置示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参考图1，图1是三相逆变器的拓扑图。逆变器一共有三个桥臂，通过对这三个桥臂进行控制可以将直流侧输入转换为三相交流输出。VT1与VT2，VT3与VT4，以及VT5与VT6分别为A相、B相和C相的开关器件。
逆变器的基本工作方式为180°相继导通，每一时刻有且只有三个桥臂导通，总共有八种不同的导通方式。通过不同导通方式的组合，可以得到幅值一定、相位各差120°的三相电流i A、i B和i C。
参照图2，其中图2是本发明逆变器耦合故障分析***示意图，其包括三相逆变器100、故障信息采集装200、服务器300及客户端400，其中服务器300通过无线通信方式（如4G/5G）与故障信息采集装置200及客户端400进行连接，其中故障信息采集装200用于周期性采集三相逆变器100的三相电流信号，其中服务器300用于根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；根据三相电流信号执行故障模态分析，确定三相电流信号的故障模态；根据三相电流信号的故障模态执行小波分解处理，得到第一故障特征，第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；对第一故障特征执行能量占比计算，得到能量占比值，根据能量占比值确定第一故障的第二功率管故障特征和第二电流传感器故障特征；对第二功率管故障特征和第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型；并将确定的三相逆变器耦合故障类型发送至客户端400。
在一些实施例中，其中故障信息采集装置200包括传感器、电流采集器及配电终端等。
在一些实施例中，其中逆变器故障分析包括确定三相电流的上下桥臂（功率管）和电流传感器至少一种设备装置时的故障类型，特别的，当三相电流的上下桥臂和电流传感器同时故障时，会出现故障耦合。
参考图3，其示例了逆变器耦合故障分析流程示意图，其包括但不限于步骤S100~S600：
S100，根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；
S200，根据三相电流信号执行故障模态分析，确定三相电流信号的故障模态。
在一些实施例中，其中故障模态分析根据产生故障的装置的不同进行分别分析。
在一些实施例中，根据A相电流、B相电流及C相电流中至少一相对应的电流谐波波形和其余两相的电流谐波波形变化，采用三相电流平衡确定对应的功率管的故障模态；根据A相电流、B相电流及C相电流中至少一相对应的电流波形幅值和其余两相的电流波形幅值变化，确定电流传感器的故障模态。
示例性地，功率管故障模态分析参考图4所示的正常情况下的逆变器三相电流波形图，当A相功率管VT1发生开路故障时，如果输出电流在正半周期，电流不能流经VT1，输出电流为零；如果输出电流在负半周期，VT1故障不会对电流路径造成影响，输出电流正常。同时，A相桥臂发生单管故障时，对B、C相电流也会造成一定的影响，会使其他两相输出电流的谐波成分增大，具体如图5所示的A相上桥臂故障下的逆变器三相电流波形图，其中A相上桥臂故障开始时间为在0.3s，s为秒。参考图6所示的A、B两相上桥臂故障下的逆变器三相电流波形图，上桥臂故障开始时间为0.3s，当A相上下桥臂同时出现功率管开路故障时，A相将没有电流流过，且根据三相电流平衡可知，B、C相的电流之和为零，大小相等方向相反。
示例性地，电流传感器故障模态分析参考图7所示的A相电流传感器故障下的逆变器三相电流波形图，当A相电流传感器发生零输出故障时，故障开始时间为0.3s，B相和C相的电流也会发生相似变化。在故障初期，B、C两相电流的幅值会增大，电流的相位也会前移；随着闭环控制***影响，B、C相输出电流会逐渐增大，且谐波一直存在。
可以理解的是，功率管故障与电流传感器故障不仅在信号通道上相互耦合，还具有相似的故障特征，需要对这两种故障的细微差别通过故障模态进行区分。
S300，根据三相电流信号的故障模态执行小波分解处理，得到第一故障特征，第一故障特征包括第一功率管故障特征和第一电流传感器故障特征。
在一些实施例中，其中三相电流信号的小波分解用于对三相电流中的故障特征进行识别，其公式为：
（1）
其中，j=1,2,…,m。为初始时域信号，/>和/>分别为尺度函数和小波函数，a m 为最后分解尺度的近似系数，c j 为第j个尺度的细节系数，其中，t表示离散时刻，k表示变换位置，m为分解层数。
在一些实施例中，其中三相电流信号的小波分解参考图9所示的小波分解流程示意图，其针对功率管故障与电流传感器故障的信号特征，选取db3小波对输出电流进行6尺度分解，参考图8所示的VT1故障下的输出电流分解结果，六个高频子频带的幅值较小，且波形变化复杂。对于小波分解结果的低频子频带，分解前与分解后的输出电流波形大致相同，而分解后电流波形的高频噪声更小。
参考表1，其示例了不同故障类型下A、B、C相输出电流的P值（能量占比）。
表1不同故障类型下A、B、C相输出电流的P值
分析上表发现，当故障诊断的特征量采用三相输出电流低频分量的能量占比时，通过对P值设置合适的阈值可以对不同相的故障进行辨别，其中P的阈值可以设置为0.3。
S400，对第一故障特征执行能量占比计算，得到能量占比值，根据能量占比值确定第一故障的第二功率管故障特征和第二电流传感器故障特征。
在一些实施例中，采取滤除高频噪声的主频率部分作为分析对象提取电流的能量特征，能量计算公式如下：
其中E表示能量，a为子频带能量，n为频带数量，k为小于n大于0的自然数。
基于式（2），选择三相输出电流低频分量的能量占比作为故障特征量，能量占比求取公式如下：
其中F x 为x相输出电流低频分量的能量值，P x 为输出电流低频能量占总能量之比。
S500，对第二功率管故障特征和第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法。
在一些实施例中，三相电流平均值的正负标识识别方法包括获取任一三相电流的正负标识的平均值，通过正负标识的平均值进行检测，确定第三功率管故障特征。
在一些实施例中，可以理解的是，当同一桥臂两个功率管均发生开路故障时，三相输出电流低频分量的能量占比情况与电流传感器故障下的情况相似。因此，本发明的实施例通过辅助方法的特征变量进行故障辨识。上述故障的输出电流在半个周期内接近于零，一个周期内其平均值存在正负差异。因此，可以利用输出电流平均值的正负标志S x 作为上、下桥臂功率管开路故障的辅助辨识依据。
正常情况下，输出电流在一个周期内的平均值为零，即：
S A=S B=S C=0（4）
当x相上桥臂发生开路故障时，该相输出电流在一个周期内的平均值为负，即：
S x =-1（5）
当x相下桥臂发生开路故障时，该相输出电流在一个周期内的平均值为正，有：
S x =1（6）
在一些实施例中，三相电流信号的总和识别方法包括通过三相电流之和的正负标识的平均值之和确定第三电流传感器特征。
此外，由于电流传感器故障后的三相电流信号不遵循基尔霍夫定律，其总和不为零，可以利用三相电流之和作为功率管开路故障与电流传感器故障的判定依据，即：
得到数字模型在不同故障类型下的A、B、C相输出电流Sx值与I值如表2所示。可以看出，表1与表2能够对功率管故障与电流传感器故障进行准确辨别与诊断。
表2 不同故障类型下A、B、C相输出电流的Sx与I
S600，根据第二三相电流故障特征及第三功率管故障特征，确定逆变器的耦合故障类型。
在一些实施例中，可以理解的是，当确定了功率管故障与电流传感器故障的故障特征后，根据特征即可确定对应装置的故障类型，输出故障分析结果。
在一些实施例中，本发明的实施例中还可以采用实物平台中搭建逆变器数字模型，该数字模型包括电源、控制电路、逆变器，负载采用三相电机。通过设置两个故障模拟信号，一个作用于逆变器驱动信号，信号输出为零时使功率管关断，用于模拟开路故障；一个作用于输出电流信号，用于模拟电流传感器零输出或信号偏置。通过该模型对逆变器功率管故障与电流传感器故障进行分析与诊断。
参考图10，图10是本发明实施例的逆变器耦合故障分析装置示意图，其包括第一模块1010、第二模块1020、第三模块1030、第四模块1040、第五模块1050、第六模块1060。
其中，第一模块1010，用于根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；第二模块1020，用于根据三相电流信号执行故障模态分析，确定三相电流信号的故障模态；第三模块1030，用于根据三相电流信号的故障模态执行小波分解处理，得到第一故障特征，第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；第四模块1040，用于对第一故障特征执行能量占比计算，得到能量占比值，根据能量占比值确定第一故障的第二功率管故障特征和第二电流传感器故障特征；第五模块1050，用于对第二功率管故障特征和第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；第六模块1060，用于根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。
示例性地，在装置中的第一模块1010、第二模块1020、第三模块1030、第四模块1040、第五模块1050及第六模块1060的合作下，实施例装置可以实现前述的任意一种逆变器耦合故障分析方法，即根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；根据三相电流信号执行故障模态分析，确定三相电流信号的故障模态；根据三相电流信号的故障模态执行小波分解处理，得到第一故障特征，第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；对第一故障特征执行能量占比计算，得到能量占比值，根据能量占比值确定第一故障的第二功率管故障特征和第二电流传感器故障特征；对第二功率管故障特征和第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。本发明的有益效果为：通过故障模态分析，避免了同相上下桥臂功率管开路故障的输出电流特征与该相电流传感器零输出故障特征相似性的干扰；采用三相输出电流低频分量的能量占比，对于不同相功率管开路故障与电流传感器故障进行准确区分；以能量占比为判定基础，借助输出电流平均值与三相电流之和可以对功率管故障与电流传感器故障进行有效辨别。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；
存储器存储有程序；
处理器执行程序以执行前述的逆变器耦合故障分析方法；该电子设备具有搭载并运行本发明实施例提供的逆变器耦合故障分析的软件***的功能，例如，个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的逆变器耦合故障分析方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的逆变器耦合故障分析方法。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种逆变器耦合故障分析方法，其特征在于，包括：
根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；
根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态；
根据所述三相电流信号的故障模态执行小波分解处理，得到第一故障特征，所述第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；
对所述第一故障特征执行能量占比计算，得到能量占比值，根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征；所述根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征包括：对所述故障模态执行离散小波分解处理，得到转换至不同尺度的频率的时域信号；采用db3小波对输出电流进行多尺度分解，得到对应数量的子频带；对所述子频带的高频噪声进行滤除，得到滤除噪声的主频率；对所述滤除噪声的主频率执行能量计算，计算方式为，其中E表示能量，a为子频带能量，n为频带数量，k为小于n大于0的自然数；选择三相电流的低频分量的能量占比作为故障特征量，计算能量占比为/>，其中F x 为x相输出电流低频分量的能量值，P x 为输出电流低频能量占总能量之比，/>、/>及分别为所述A相电流、所述B相电流及所述C相电流的能量值；根据故障特征量的能量占比与预设能量占比值进行对比，确定所述第二功率管故障特征和所述第二电流传感器故障特征；
对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，所述辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；
根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。
2.根据权利要求1所述的逆变器耦合故障分析方法，其特征在于，所述根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态，包括：
根据所述A相电流、所述B相电流及所述C相电流中至少一相对应的电流谐波波形和其余两相的电流谐波波形变化，采用三相电流平衡确定对应的功率管的故障模态；
根据所述A相电流、所述B相电流及所述C相电流中至少一相对应的电流波形幅值和其余两相的电流波形幅值变化，确定电流传感器的故障模态。
3.根据权利要求1所述的逆变器耦合故障分析方法，其特征在于，小波分解包括：
其中，j=1,2,…,m，为初始时域信号，/>和/>分别为尺度函数和小波函数，a m 为最后分解尺度的近似系数，c j 为第j个尺度的细节系数，其中t表示离散时刻，k表示变换位置，m为分解层数。
4.根据权利要求1所述的逆变器耦合故障分析方法，其特征在于，所述预设能量占比值为0.3。
5.根据权利要求1所述的逆变器耦合故障分析方法，其特征在于，所述对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，包括：
三相电流平均值的正负标识识别方法包括获取任一所述三相电流的正负标识的平均值，通过正负标识的平均值进行检测，确定所述第三功率管故障特征，其中正负标识的平均值包括0，-1及1，其中0表示正常，-1表示上桥臂开路故障，1表示下桥臂开路故障；
三相电流信号的总和识别方法包括通过三相电流之和的正负标识的平均值之和确定所述第三电流传感器特征，相电流之和的计算方式为
其中，I为正负标识的平均值之和，、/>及/>分别表示所述A相电流的正负标识的平均值、所述B相电流正负标识的平均值及所述C相电流的正负标识的平均值。
6.一种逆变器耦合故障分析装置，其特征在于，包括：
第一模块，用于根据逆变器故障分析请求，获取逆变器故障时的三相电流信号，其中三相电流包括A相电流、B相电流及C相电流；
第二模块，用于根据所述三相电流信号执行故障模态分析，确定所述三相电流信号的故障模态；
第三模块，用于根据所述三相电流信号的故障模态执行小波分解处理，得到第一故障特征，所述第一故障特征包括第一功率管故障特征和第一电流传感器故障特征；
第四模块，用于对所述第一故障特征执行能量占比计算，得到能量占比值，根据所述能量占比值确定所述第一故障的第二功率管故障特征和第二电流传感器故障特征；所述第四模块包括：用于对所述故障模态执行离散小波分解处理，得到转换至不同尺度的频率的时域信号；用于采用db3小波对输出电流进行多尺度分解，得到对应数量的子频带；用于对所述子频带的高频噪声进行滤除，得到滤除噪声的主频率；用于对所述滤除噪声的主频率执行能量计算，计算方式为，其中E表示能量，a为子频带能量，n为频带数量，k为小于n大于0的自然数；用于选择三相电流的低频分量的能量占比作为故障特征量，计算能量占比为/>，其中F x 为x相输出电流低频分量的能量值，P x 为输出电流低频能量占总能量之比，/>、/>及/>分别为所述A相电流、所述B相电流及所述C相电流的能量值；用于根据故障特征量的能量占比与预设能量占比值进行对比，确定所述第二功率管故障特征和所述第二电流传感器故障特征；
第五模块，用于对所述第二功率管故障特征和所述第二电流传感器故障特征采用辅助方法进行识别，得到第三功率管故障特征和第三电流传感器特征，所述辅助方法包括三相电流平均值的正负标识识别方法和三相电流信号的总和识别方法；
第六模块，用于根据第三功率管故障特征和第三电流传感器特征，确定逆变器的耦合故障类型。
7.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-5中任一项所述的逆变器耦合故障分析方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-5中任一项所述的逆变器耦合故障分析方法。
CN202311342605.4A 2023-10-17 2023-10-17 逆变器耦合故障分析方法、装置、电子设备及存储介质 Active CN117092554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311342605.4A CN117092554B (zh) 2023-10-17 2023-10-17 逆变器耦合故障分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311342605.4A CN117092554B (zh) 2023-10-17 2023-10-17 逆变器耦合故障分析方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117092554A CN117092554A (zh) 2023-11-21
CN117092554B true CN117092554B (zh) 2024-01-02

Family

ID=88780617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311342605.4A Active CN117092554B (zh) 2023-10-17 2023-10-17 逆变器耦合故障分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117092554B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364683A (zh) * 2013-07-01 2013-10-23 东南大学 一种逆变电路开路故障检测方法
CN103378603A (zh) * 2012-04-24 2013-10-30 通用电气公司 开路故障检测装置，变流器控制器，能量转换***和方法
CN105095566A (zh) * 2015-06-29 2015-11-25 南京航空航天大学 一种基于小波分析和svm的逆变器故障诊断方法
CN105425172A (zh) * 2015-12-21 2016-03-23 东北大学 基于多频段歪度分析的微网逆变器自适应故障诊断方法
CN106682303A (zh) * 2016-12-26 2017-05-17 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN107632239A (zh) * 2017-08-25 2018-01-26 南京理工大学 一种基于imf能量熵的光伏送出线路故障选相方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
CN108254688A (zh) * 2018-04-02 2018-07-06 中国矿业大学 开关磁阻电机功率变换器小波变比故障诊断方法
CN109085436A (zh) * 2018-08-17 2018-12-25 南京航空航天大学 非侵入式三相全桥逆变器复合故障诊断方法
CN109815934A (zh) * 2019-02-12 2019-05-28 西华大学 一种应用于逆变器故障的多尺度oglpe特征提取方法
CN110350483A (zh) * 2018-04-04 2019-10-18 台达电子工业股份有限公司 具有接地故障检测功能的功率变流装置以及故障检测方法
CN111381188A (zh) * 2020-03-18 2020-07-07 华中科技大学 一种两电平三相电压源逆变器桥臂开路故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710969B (zh) * 2020-12-18 2021-11-09 武汉大学 一种单相半桥五电平逆变器开关管开路故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103378603A (zh) * 2012-04-24 2013-10-30 通用电气公司 开路故障检测装置，变流器控制器，能量转换***和方法
CN103364683A (zh) * 2013-07-01 2013-10-23 东南大学 一种逆变电路开路故障检测方法
CN105095566A (zh) * 2015-06-29 2015-11-25 南京航空航天大学 一种基于小波分析和svm的逆变器故障诊断方法
CN105425172A (zh) * 2015-12-21 2016-03-23 东北大学 基于多频段歪度分析的微网逆变器自适应故障诊断方法
CN106682303A (zh) * 2016-12-26 2017-05-17 江南大学 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN107632239A (zh) * 2017-08-25 2018-01-26 南京理工大学 一种基于imf能量熵的光伏送出线路故障选相方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
CN108254688A (zh) * 2018-04-02 2018-07-06 中国矿业大学 开关磁阻电机功率变换器小波变比故障诊断方法
CN110350483A (zh) * 2018-04-04 2019-10-18 台达电子工业股份有限公司 具有接地故障检测功能的功率变流装置以及故障检测方法
CN109085436A (zh) * 2018-08-17 2018-12-25 南京航空航天大学 非侵入式三相全桥逆变器复合故障诊断方法
CN109815934A (zh) * 2019-02-12 2019-05-28 西华大学 一种应用于逆变器故障的多尺度oglpe特征提取方法
CN111381188A (zh) * 2020-03-18 2020-07-07 华中科技大学 一种两电平三相电压源逆变器桥臂开路故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波包变换和SVM 的三电平逆变器;时维国;《电机与控制应用》;第02卷(第48期);91-100 *

Also Published As

Publication number Publication date
CN117092554A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN1254004C (zh) 检测交流电动机定子匝故障的方法和装置
CN103454585B (zh) 一种基于失电残压的永磁同步电机失磁故障诊断方法
EP2538233B1 (en) Battery state estimation device and battery state estimation method
CN111381188B (zh) 一种两电平三相电压源逆变器桥臂开路故障诊断方法
CN109459618B (zh) 电动汽车电驱动***直流母线电容的准在线容值检测方法
CN116955995B (zh) 一种三相直流无刷电机逆变器故障诊断方法
CN110110461A (zh) 基于卡尔曼滤波算法的mmc中igbt参数估计方法
CN114879085B (zh) 单相接地故障识别方法、装置、电子设备及介质
CN113285481B (zh) 并网变流器电感参数在线估计方法、预测控制方法及***
CN110275114A (zh) 基于组合滤波算法的蓄电池内阻在线监测方法
CN107918088A (zh) 基于多阶小波函数变换的配电网故障时刻确定方法
CN109738778B (zh) 逆变器开路诊断方法、装置、终端设备及计算机可读介质
CN111751645A (zh) 一种变压器直流偏磁监测方法、装置、设备及***
CN106019173A (zh) 一种应用于电压源换流器的实时故障检测方法
CN111398814A (zh) 一种软启动器控制的电机故障检测与智能快速诊断方法
Nie et al. A DSP-based diagnostic system for DC-DC converters using the shape of voltage across the magnetic components
CN117092554B (zh) 逆变器耦合故障分析方法、装置、电子设备及存储介质
CN114065114A (zh) 一种电容式电压互感器计量误差预测方法及***
CN115473263A (zh) 构网型变流器电压源特性测试装置及其测试、评估方法
CN113359027B (zh) 低空间磁场分辨率需求的永磁同步电机匝间短路故障诊断方法
Myint et al. A traveling wave-based fault section and fault distance estimation algorithm for grounded distribution systems
CN115166571A (zh) 一种基于数字控制的电池充电***的测试方法
CN114330461A (zh) 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络
CN103076563A (zh) 一种交流异步电机自动诊断方法
CN113552441A (zh) 一种单相接地故障检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant