图1 ANPC三电平逆变器拓扑结构
摘要 功率开关器件是逆变器核心组成部分，其故障特征参数的提取及分类方法是故障诊断和预测的重要技术基础，对于提高逆变器可靠性具有重要意义。以有源中性点钳位（ANPC）三电平逆变器的IGBT开路故障诊断为例，首先提出一种基于能量谱熵及小波神经网络的故障诊断方法，采用ANPC三电平逆变器上、中、下桥臂电压作为测量信号，通过小波包能量谱熵提取桥臂电压信号特征，并利用核主成分分析对特征向量进行优化；其次利用自适应矩估计小波神经网络（A-WNN）建立故障字典；最后通过搭建实验平台验证了算法的可行性。实验结果表明，A-WNN具有故障特征辨识速度快、精度高等优点，适用于ANPC三电平逆变器实时故障诊断。
关键词：三电平 能量谱熵 小波神经网络 故障字典
相比传统两电平逆变器，三电平逆变器具有承受电压高和电压电流上升率低等优点，目前已得到广泛应用[1]。为克服二极管钳位式（Neutral-Point Clamped, NPC）三电平逆变器功率器件损耗不平衡的缺陷，T. Bruckner教授等提出了有源中性点钳位（Active NPC, ANPC）三电平逆变器拓扑结构如图1所示。该结构因具有功率大、容量大及器件损耗平衡等特点，而得到广泛应用[2-3]。但相比之下，三电平逆变器IGBT数量增加了，且电路结构更加复杂，任一IGBT故障均可导致逆变器无法正常工作，甚至发生二次故障，造成巨大经济损失[4]。因此，有必要及时准确定位逆变器故障位置。
图1 ANPC三电平逆变器拓扑结构
Fig1 Topology of ANPC three-level inverter
电力电子功率器件硬故障包括开路和短路故障，因具有突发性和破坏性大等特点，成为目前研究热点。短路故障目前已有成熟的检测方案[5]，因此本文主要研究IGBT功率器件开路故障。
目前，开路故障诊断方法主要分为基于数据和基于模型两类[6-9]。前者主要利用器件电压和电流获取器件故障信息。文献[6]通过采集三相电流，基于小波变换和Concordia变换方法获取电流运行轨迹，诊断器件故障。文献[7]利用IGBT故障时的残差变化率，通过与设定阈值比较来检测故障位置。文献[10]通过比较单个器件故障表现形式，提出了一种基于逆变器输出侧电压和电流极性的故障诊断方法，具有较高的可靠性和诊断速度，但其无法准确定位故障位置。文献[11]则利用电流矢量瞬时变化特征确定IGBT故障位置，可实现快速诊断。上述方法对信号依赖程度较高，易受外部干扰信号影响，准确率较低。
另一种是信号与人工神经网络[12-13]、支持向量机[14]、极端学习机（Extreme Learning Machine，ELM）[4]等相结合的智能诊断算法。文献[12]提出了基于小波包分解与概率神经网络结合诊断方法，可靠性高，但其输入为未处理的含噪测量信号，影响诊断速度。文献[13]通过上、中、下桥臂电压信号特征区分不同故障模式，并通过多神经网络诊断故障位置，但其计算复杂、硬件要求高，难以实现在线监测。文献[14]则采用傅里叶变换和支持向量机相结合方法，具有模型稀疏性高的优点，但存在参数难以选择问题。文献[4]采用小波包能量谱同ELM相结合的方法，具有抗干扰能力强和精度高的优点，但对硬件性能要求高。
此外，基于模型的方法近些年也被广泛提出。文献[15]通过直接监测系统内部状态变量，提出了一种基于卡尔曼滤波算法的故障定位诊断方法，可减少信号采集过程中器件产生的噪声干扰。文献[16]采用Luenberger 观测器，根据信号残差及其相应阈值演化确定故障位置。文献[17]则采用滑模观测器分析待测器件循环电流，若循环电流观测值与被测循环电流偏离则认定发生开路故障。上述基于模型的故障诊断方法不需增加额外硬件，且对负载变化不敏感，但该方法需对电路精确建模，若电路稍加改动，则需重新建模。
逆变器故障诊断方法需要较好的抗干扰能力和较高诊断准确度。为此，本文针对IGBT开路故障，提出了一种基于能量谱熵及小波神经网络的故障诊断方法。首先，将信息熵理论融入小波包分解，形成小波包能量谱，可减少外部信号干扰，有效提取故障信号特征。其次，采用自适应矩估计小波神经网络（Adam-Wavelet Neural Network, A-WNN），充分利用小波基函数的伸缩性和平移性，根据参数训练历史自动更新参数学习率，避免算法陷入局部极小值。最后，通过硬件实验测试平台验证了该算法的有效性和可行性。故障诊断流程如图2所示。
图2 故障诊断流程
Fig.2 Fault diagnosis flow
ANPC三电平逆变器包含三个桥臂，每个桥臂标记为VTx1、VTx2、VTx3、VTx4、VTx5、VTx6（x =a, b, c），直流侧有两个电容C1和C2，o为中性点。通过合理的调制策略，正负半周功率损耗可合理地平衡到各个开关管。以A相为例，其正常运行时四种工作状态如图3所示。P状态下VTa6导通，可减小一次开关损耗，提升逆变器转换效率；同理，N状态下，VTa5导通的作用亦然。
IGBT故障可分为单管故障和多管故障，而多管故障多数为双管故障，故本文只考虑单管故障和双管故障。单管故障有VTx1、VTx2、VTx3、VTx4、VTx5、VTx6共计18种故障模式，考虑电路对称性和A、B、C三相相差120°，本文仅研究VTa1、VTa2和VTa5三种故障模式。双管故障共计有153种故障模式，而跨桥臂的双管故障可以依据单管故障情况处理，故本文仅研究A相桥臂的双管故障，包括VTa1和VTa2、VTa1和VTa3、VTa1和VTa4、VTa1和VTa5、VTa1和VTa6、VTa2和VTa3、VTa2和VTa5、VTa2和VTa6、VTa5和VTa6共九种故障类型。本文共计研究13种运行状态，包括正常运行状态和12种故障运行状态。A相典型故障模式下的工作状态见表1。
图3 三电平ANPC逆变器正常运行时A相工作状态
Fig.3 A-phase woking state diagram of three-level ANPC inverters under normal operation
表1 A相典型故障模式下的工作状态
Tab.1 Working state in A-phase typical fault modes
故障模式故障器件（开路）工作状态 无故障无正常工作 单管故障VTa1P状态截止 VTa2P、OL状态截止 VTa5OL状态截止 多管故障VTa1与VTa2P状态截止 VTa1与VTa3P、OU、N状态截止 VTa1与VTa4P、N状态截止 VTa1与VTa5P、OL状态截止 VTa1与VTa6P、OU状态截止 VTa2与VTa3P、OU、OL、N状态截止 VTa2与VTa5P、OL状态截止 VTa2与VTa6P、OU、OL状态截止 VTa5与VTa6OU、OL状态截止
三电平ANPC中IGBT故障诊断存在多种测试信号选择方案，完全区分不同特征则至少需要3个测试点[13]。本文采用测量上、中、下桥臂电压方案，如图2所示，其中，上桥臂电压Vauo为au和中性点o之间的电压，中桥臂和下桥臂与此类似，分别记作Vao和Vado。
在故障信号进入小波神经网络之前，需提取信号特征。本文采用小波包能量谱熵提取桥臂电压信号特征[4, 12]。在小波包分析中，将每个信号分解为若干子频带，各频带携带能量不同，故可采用分解后的频带能量构成故障特征。小波包分解层数越多，分辨率越高，包含故障信息越丰富。但层数过多会造成计算复杂且分析速度慢。根据实际需要，本文对三桥臂电压信号进行3层分解，选取Haar函数作为小波基函数，三个桥臂电压信号可分解成3×8维信号，小波包分解示意图如图4所示。图4中，S为原始信号，S(i, j)（i=0, 1, 2, 3；j=0, 1, 2, 3, 4, 5, 6, 7）为小波包第i层的第j个节点。
图4 小波包分解示意图
Fig.4 Wavelet packet decomposition diagram
1）小波包算法
对发生故障的ANPC逆变器进行电压信号提取，并对其进行小波包分解。小波包算法较小波分析法更为精确，具体包括小波包分解算法和小波包重构算法。l层小波包分解算法递推公式为
（1）
（2）
式中，
、
、
分别为小波包分解系数；
、
分别为小波包分解算法的低通和高通滤波器；l为层数，j为l层节点，j =0, 1,…,
；k=1, 2,…, n，n为原始信号长度。
小波包重构算法为
（3）式中，
、
分别为小波包重构算法的低通滤波器组和高通滤波器组。
2）小波包能量谱特征提取
信号通过小波包分解后，小波包能量系数组成特征向量比选取小波系数更具有物理含义[5]。El, j为第l层j节点分解后小波包子频带能量值，其各子频带内的二次方和作为小波包能量，则第j频带对应的能量值为
（4）式中，d j,k表示小波包分解后j节点所对应的第k个系数。全部子频带构成的能量谱为
（5）
本文实验测试ANPC 3个桥臂电压信号，形成3×
维小波包能量谱为
（6）式中，Eu,r、Ea,r、Ed,r分别表示上管电压、桥臂电压、下管电压的小波包分解后子频带，
。
3）信息熵理论
信息熵是信息量化过程，可在动态过程中提供潜在有用信息，通过信息熵值可判断信号的有序性程度。设x={x1, x2,…, xn}，xi所占的概率为
，则香农熵为
（7）ANPC三电平逆变器发生故障后，其故障电压信号具有一定有序性，通过小波包分解，故障信息存储在小波包子频带中，将d j,k通过信息熵进行量化，利用式（4），最终获得小波包能量谱熵，形成24维故障特征向量。再采用核主元分析法（Kernel Principal Component Analysis, KPCA），对数据进行降维，减少计算量。
小波神经网络（Wavelet Neural Network, WNN）本质上是一种增强的感知器。通过将神经网络隐含层替换为小波基函数，可充分利用小波基函数的伸缩性和平移性，避免神经网络固有缺陷[18-20]。其网络拓扑如图5所示。
图5 小波神经网络拓扑
Fig.5 Wavelet neural network topology
图5中，x1, x2,…, xm和y1, y2,…, ym分别为小波神经网络输入变量和期望输出值；wuv和wvw分别为输入层至隐含层权值和隐含层到输出层的权值。隐含层采用Mexican Hat小波基函数，定义为
（8）输出层采用Sigmoid函数为
（9）
小波神经网络通过不断训练模型，最终获得稳定结构。输入层到隐含层计算公式为
（10）式中，u为输入层输入个数；v为隐含层个数。隐含层输出公式为
（11）
式中，av为小波基函数伸缩因子；bv为小波基函数平移因子。
输出层输入为
（12）输出层输出为
（13）
式中，m为输出层个数。
本文采用梯度下降法对WNN模型未知参数进行调整，参数包括伸缩因子a，平移因子b以及小波神经网络的权值w，a初值设为1，其余参数随机设置在0～1之间。在一般情况下，最优参数分布在0～1之间。
传统梯度下降法学习率为固定值，适应性差。本文采用自适应矩估计（Adaptive moment estimation, Adam）算法，可根据参数训练历史自适应调整参数学习率。
在使用梯度下降法训练模型时，采用方均误差（Mean-Square Error, MSE）作为性能指标，其计算公式为
（14）式中，N为总的输入-输出对数；dn为第n个点的期望输出；yn为WNN网络实际输出。
基于Adam算法优化的梯度下降算法源于牛顿法优化，其最终目的为找寻目标函数中梯度为零的点。Adam算法根据实际情况动态调整学习率，避免算法陷入局部最优值。训练算法的每次迭代可通过
计算未知参数g，参数更新规则为
（15）
（16）
（17）
式中，x为需要更新参数；d为搜索方向；t 为沿着搜索方向的学习效率；e 为平滑项，一般取e=1×10-8；
、
分别为历史梯度指数衰减均值和指数衰减历史二次方梯度均值，定义为
（18）
（19）
（20）
（21）
式中，本文取b1=0.9，b2=0.999；mt和vt分别为梯度的一阶矩估计和二阶矩估计，提供参数和梯度变化的历史，通过
计算未知参数。Adam算法不仅改变了学习率，也产生了类似动量，避免陷入局部最优值。
根据性能指标式（14）与Adam算法，WNN未知参数为
（22）
（23）
（24）
（25）通过将参数在Adam算法优化的梯度下降法中不断迭代，产生最优值。为区别传统WNN，本算法称作A-WNN。
现场搭建ANPC三电平光伏逆变器实验平台，主要参数如下：选取直流侧电压100V，直流侧电容3.3mF，耐压值450V，主控开关采用ANPC-SPLIT- 1500V-SG-DIT，负载为每相2W 电阻与1mH电感相串联，差分探头CP3015A，数字示波器采用DSOX3034T。驱动信号由TMS320F28374产生，采用载波反向层叠方式，DSP产生的驱动信号经过驱动器ISO5852S和驱动芯片IXD_609隔离放大驱动信号，载波频率为40kHz，调制波为50Hz正弦波。
图6 实验系统
Fig.6 Experimental system
为验证算法的鲁棒性和稳定性，实验过程中直流侧电压分别选取96V、98V、100V、102V、104V，调制比选择0.5、0.6、0.7、0.8、0.9、1，每种故障选取30组样本数据，样本总数为13×30=390组故障数据。将390组数据样本分为两部分，选取调制比为0.6和0.9的采样数据为测试数据，占总数的1/3，其余数据作为小波神经网络训练数据，占总数的2/3。由于篇幅限制，以直流侧电压100V，调制比0.8为例展开说明。单器件故障如图7所示。
正常状态下，信号如图7a所示，桥臂电压信号平稳，几乎无杂波信号干扰。VTa1故障时，信号如图7b所示，正向电压被完全阻隔，故上桥臂电压正半周期为零，但在负半周期时，由于电感电流突变，产生脉冲电压，通过VTa2，在上桥臂及中桥臂产生短时大脉冲电压，危害性较高。VTa2故障时，信号如图7c所示，上、下桥臂电压几乎不受影响，中桥臂电压在负半周期，因电感电流突变，产生脉冲电压。VTa5故障时，信号如图7d所示，正半周期不受影响，负半周期钳制作用失效，中桥臂电压呈现出正负现象。
图7 单器件故障
Fig.7 Single device fault diagram
双器件故障共计有九种情况，而实际应用中，VTa2和VTa3在各自周期内不停关断，最易发生故障，故选取VTa1和VTa2、VTa1和VTa3、VTa2和VTa3以及VTa2和VTa5四种双器件故障加以分析，部分双器件故障如图8所示。
当VTa1和VTa2同时故障时如图8a所示，其与单器件VTa1故障波形类似，主要区别在于单器件故障时上桥臂负半周期有脉冲电压，主要是正负周期交替时产生脉冲电压，通过VTa2到上桥臂，故上桥臂产生较大脉冲电压。两种故障能量谱熵见表2和表3，上桥臂小波能量谱熵有显著区别，可以较好地区分两种故障。在图8b中，正半周期因VTa1故障，上桥臂及中桥臂电压几乎为零；负半周期因VTa3故障，上桥臂及中桥臂电压也几乎为零。在8c中，VTa2和VTa3均无法正常工作，负载无法接通，但故障时因死区时间不足而造成脉冲电压，故在交替时产生脉冲电压。在图8d中，VTa2故障导致正半周期中桥臂电压为零；在负半周期，VTa5故障造成钳制电压失效，出现中桥臂电压在负半周期全导通现象。
图8 部分双器件故障
Fig.8 Partial dual device faults
表2 VTa1故障小波包能量谱熵
Tab.2 VTa1 fault wavelet packet energy spectrum entropy
信息熵H1H2H3H4H5H6H7H8 上桥臂4.934.995.355.115.285.814.475.69 桥臂6.766.346.046.336.426.335.946.11 下桥臂7.095.716.426.046.726.636.256.60
表3 VTa1和VTa2故障小波包能量谱熵
Tab.3 VTa1 and VTa2 fault wavelet packet energy spectrum entropy
信息熵H1H2H3H4H5H6H7H8 上桥臂6.524.435.914.826.095.995.275.95 桥臂6.756.356.126.156.696.476.126.44 下桥臂7.115.456.406.406.826.616.106.67
为实现在线诊断，需要将采集数据先在上位机软件上进行训练，具体训练过程如下：
（1）采集逆变器桥臂电压，每种故障按照直流侧电压选取96V、98V、100V、102V、104V，调制比选择0.5、0.6、0.7、0.8、0.9、1，采样30组数据。
（2）每种故障取调制比为0.5、0.7、0.8、1为训练样本，每一种故障20组数据，ANPC故障种类13种（包含正常状态），共260组训练样本，进行3层小波包分解，再通过信息熵理论，形成24维小波包能量谱熵故障特征Etrain。
（3）通过KPCA对故障特征进行数据降维，获得260×6维的特征向量矩阵Ttrain，作为神经网络 输入。
（4）将Ttrain输入到优化的小波神经网络，进行训练，通过不断地训练学习，提高训练准确度，即神经网络输出符合样本数占样本总数最大比值，最终形成小波神经网络模型。
（5）将调制比为0.6和0.9的数据通过步骤（2）和（3），输入到神经网络模型进行验证，测试分类性能。
确定小波神经网路模型后，上位机将采集到的数据通过步骤（2）和（3），送至小波神经网络分类器进行分类，即可实现在线监测。
本文方法与ELM、PSO-BP、RBFNN、WNN算法迭代1 000次的函数损失率对比如图9所示，表4是五种算法准确度和单次诊断时间对比，每一轮测试重复10次，取其平均值。
图9 五种方法的损失率对比
Fig.9 Comparison of loss rates of five methods
由图9可知，A-WNN损失函数下降速度明显比其他四种快，相同情况下，训练时间最少、损失函数最小、效果最好。由表4可以看出，A-WNN在训练准确度、诊断准确度和单次诊断时间方面均优于其他四种算法。
表4 五种诊断方法比较
Tab.4 Comparison of five diagnostic methods
诊断方法训练准确率(%)诊断准确率(%)诊断时间/s A-WNN10098.460.001 276 ELM99.1496.530.004 139 PSO-BP96.3894.460.011 327 RBFNN96.1586.150.019 846 WNN98.4695.380.033 527
本文提出了一种基于能量谱熵及A-WNN的ANPC多故障快速诊断方法。选取ANPC三电平逆变器上、中、下桥臂电压作为特征信号，通过小波包能量谱熵获取特征向量，并采用KPCA技术对特征向量进行降维。再利用A-WNN算法的伸缩性和平移性，提高诊断准确度、减少训练时间。搭建ANPC三电平逆变器实验平台，诊断结果表明，本文提出的诊断方法可以达到98.46%的准确度，性能优于ELM、PSO-BP、RBFNN、WNN等神经网络，且单次诊断时间短，适用于在线故障诊断。
参考文献
[1] Kouro S, Malinowski M, Gopakumar K, et al. Recent advances and industrial applications of multilevel converters[J]. IEEE Transactions on Industry Electronics, 2010, 57(8): 2553-2580.
[2] Bruckner T, Bemet S. Loss balancing in three-level voltage source inverters applying active NPC switches[C]//Power Electronics Specialists Conference, Vancouver, Canada, 2001: 1135-1140.
[3] 王超, 何英杰, 宋志顺, 等. 有源中点钳位多电平逆变器空间矢量调制与三角载波调制统一理论[J]. 电工技术学报, 2017, 32(14): 106-115.
Wang Chao, He Yingjie, Song Zhishun, et al. Unified theory between the space vector and the triangular carrier-based PWM strategies in active neutral point-clamped multilevel inverters[J]. Transactions of China Electrotechnical Society, 2017, 32(14): 106-115.
[4] 姜媛媛, 王友仁, 吴祎, 等. 基于小波包能量谱和ELM的光伏逆变器多故障在线诊断[J]. 仪器仪表学报, 2015, 36(9): 2145-2152.
Jiang Yuanyuan, Wang Youren, Wu Yi, et al. Online multiple fault diagnosis for PV inverter based on wavelet packet energy spectrum and extreme learning machine[J]. Chinese Journal of Scientific Instrument, 2015, 36(9): 2145-2152.
[5] 任磊, 韦徵, 龚春英, 等. 电力电子电路功率器件故障特征参数提取技术综述[J]. 中国电机工程学报, 2015, 35(12): 3089-3101.
Ren Lei, Wei Zheng, Gong Chunying, et al. Fault feature extraction techniques for power devices in power electronic converters a review[J]. Proceeding of the CSEE, 2015, 35(12): 3089-3101.
[6] 崔江, 王强, 龚春英. 结合小波与Concordia变换的逆变器功率管故障诊断技术研究[J]. 中国电机工程学报, 2015, 35(12): 3110-3116.
Cui Jiang, Wang Qiang, Gong Chunying. Inverter power switch fault diagnosis technique research based on wavelet and Concordia transform[J]. Proceedings of the CSEE, 2015, 35(12): 3110-3116.
[7] 谢东, 葛兴来. 基于残差变化率的单相级联H桥整流器IGBT开路故障诊断[J]. 电工技术学报, 2018, 33(16): 166-178.
Xie Dong, Ge Xinglai. Residual-changing-rate based open-circuit fault diagnosis for single-phase cascaded H-bridge rectifier[J]. Transactions of China Electro- technical Society, 2018, 33(16): 166-178.
[8] Abul M M, Chen Z, Murphey Y. Intelligent diagnosis of open and short circuit faults in electric drive inverters for real-time applications[J]. IET Power Electronics, 2010, 3(2): 279-291.
[9] 唐轶, 王扬, 赵红璐, 等. STATCOM主回路开关器件故障诊断[J]. 电力系统保护与控制, 2017, 45(19): 55-62.
Tang Yi, Wang Yang, Zhao Honglu, et al. Fault diagnosis of main circuit switching device in STATCOM[J]. Power System Protection and Control, 2017, 45(19): 55-62.
[10] 汤清泉, 颜世超, 卢松升, 等. 三电平逆变器的功率管开路故障诊断[J]. 中国电机工程学报, 2008, 28(21): 26-32.
Tang Qingquan, Yan Shichao, Lu Songsheng, et al. Open-circuit fault diagnosis of transistor in three- level inverter[J]. Proceedings of the CSEE, 2008, 28(21): 26-32.
[11] 陈勇, 刘志龙, 陈章勇. 基于电流矢量特征分析的逆变器开路故障快速诊断与定位方法[J]. 电工技术学报, 2018, 33(4): 883-891.
Chen Yong, Liu Zhilong, Chen Zhangyong. Fast diagnosis and location method of open-circuit fault in inverter based on current vector character analysis[J]. Transactions of China Electrotechnical Society, 2018, 33(4): 883-891.
[12] 于生宝, 何建龙, 王睿家, 等. 基于小波包分析和概率神经网络的电磁法三电平变换器故障诊断方法[J]. 电工技术学报, 2016, 31(17): 102-112.
Yu Shengbao, He Jianlong, Wang Ruijia, et al. Fault diagnosis of electromagnetic three-level inverter based on wavelet packet analysis and probabilistic neural networks[J]. Transactions of China Electro- technical Society, 2016, 31(17): 102-112.
[13] 陈丹江, 叶银忠. 基于多神经网络的三电平逆变器器件开路故障诊断方法[J]. 电工技术学报, 2013, 28(6): 120-126.
Chen Danjiang, Ye Yinzhong. Fault diagnosis of three level inverter based on multi neural network[J]. Transactions of China Electrotechnical Society, 2013, 28 (6): 121-126.
[14] Wang Tianzhen, Xu Hao, Han Jingang, et al. Cascaded H-bridge multilevel inverter system fault diagnosis using a PCA and multi-class relevance vector machine approach[J]. IEEE Transactions on Power Electronics, 2015, 30(12): 7006-7018.
[15] 殷实, 谭国俊. 一种基于扩展卡尔曼滤波算法的MMC系统故障诊断策略[J]. 电工技术学报, 2016, 31(19): 74-84.
Yin Shi, Tan Guojun. A novel fault diagnosis strategy of MMC system based on EKFA[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 74-84.
[16] Jlassi I, Estima J O, Khil S K E, et al. A robust observer-based method for IGBTs and current sensors fault diagnosis in voltage-source inverters of PMSM drives[J]. IEEE Transactions on Industry Appli- cations, 2017, 53(3): 1.
[17] Shao S, Watson A J, Clare J C, et al. Robustness analysis and experimental validation of a fault detection and isolation method for the modular multilevel converter[J]. IEEE Transactions on Power Electronics, 2016, 31(5): 3794-3805.
[18] Zhang Q, Benveniste A. Wavelet networks[J]. IEEE Transactions on neural networks, 1992, 3(6): 889-898.
[19] Huang W, Oh S K, Pedrycz W. Hybrid fuzzy wavelet neural networks architecture based on polynomial neural networks and fuzzy set/relation inference- based wavelet neurons[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 29(8): 3452-3462.
[20] Yilmaz S, Oysal Y. Fuzzy wavelet neural network models for prediction and identification of dynamical systems[J]. IEEE Transactions on Neural Networks, 2010, 21(10): 1599-1609.
Fault Diagnosis of Active Neutral Point Clamped Three-Level Inverter Based on Energy Spectrum Entropy and Wavelet Neural Network
Abstract The power switching device is the core component of the inverter. The method of fault characteristic parameter extraction and classification is the technical basis for fault diagnosis and prediction, which is important for improving the reliability of the inverter. Taking the IGBT open circuit fault diagnosis of active neutral-point clamped (ANPC) three-level inverter as an example, a fault diagnosis method based on energy spectrum entropy and wavelet neural network is proposed. The upper, middle and lower arm voltages of ANPC three-level inverter are used as the measurement signals. The characteristics of bridge arm voltage signals are extracted by wavelet packet energy spectrum entropy, and the eigenvectors are optimized by kernel principal component analysis. Secondly, the adaptive moment wavelet neural network (A-WNN) is used to build a fault dictionary, Finally, the feasibility of the algorithm is verified by setting up an experimental platform. The experimental results show that A-WNN has the advantages of fast fault identification and high precision, which is suitable for real-time fault diagnosis of ANPC three-level inverter.
keywords：Three-level, entropy of energy spectrum, wavelet neural network, fault dictionary
中图分类号：TM464
DOI: 10.19595/j.cnki.1000-6753.tces.190429
李 兵 男，1973年生，副教授，硕士生导师，主要研究方向为故障诊断、智能电网技术。E-mail: libinghnu@163.com（通信作者）
崔介兵 男，1994年生，硕士研究生，主要研究方向为功率器件故障诊断。E-mail: cuijiebing_hg@163.com
收稿日期 2019-04-16
改稿日期 2019-10-10
国家自然科学基金（51777050）、装备预先研究重点项目（41402040301）、国家自然科学基金重点项目（51637004）和国家重点研发计划“重大科学仪器设备开发”项目（2016YFF0102200）资助。
（编辑 陈 诚）