基于BP神经网络的静止变频器故障诊断方法

张 法，陈月营，王 志，刘 腾，花 磊

（1.国网新源控股有限公司 回龙分公司，南阳473000；2.南京南瑞继保电气有限公司，南京211106）

静止变频器SFC 是抽水蓄能电站变频启动的重要设备，由三相桥式全控整流电路的网桥、机桥和平波电抗器构成[1]。 静止变频器的网桥为整流桥，其输出经平波电抗器平波后形成稳定的直流输出；机桥为逆变桥，它按照电机定子电压频率将直流电变换成频率逐渐升高的变频电流，并输出到电机[2]。

SFC 包含大量晶闸管，而晶闸管属于易损器件[3]。晶闸管的故障直接导致SFC 不能正常工作[4]。 SFC网桥和机桥各存在6 只晶闸管，所以一旦发生故障，很难精准确定故障晶闸管[5]。

目前，国内外对SFC 的研究多处于控制层面，对于如何快速诊断静止变频器的故障尚缺乏研究[6]。导致SFC 故障的可能有过压、过流、短路、过载[7]4 种原因。 对SFC 故障的研究多是结合故障树诊断静止变频器故障或是结合信息处理诊断故障[8]。 在此，为解决SFC 运行过程中故障晶闸管的定位问题，以BP 神经网络为工具，提取故障类型作为网络训练标本，得到正确的网络结构；经过MatLab/Simulink 仿真软件进行仿真测试，验证了该方法用于SFC 晶闸管故障诊断的正确性和有效性。

1 SFC 工作原理及故障分析

1.1 SFC 的结构分析

SFC 的内部结构的原理如图1所示。 它的基本架构由三相桥式全控整流电路、平波电抗器、三相桥式全控逆变电路组成，后接电机[9-10]。由图可见平波电抗器两侧的网桥和机桥均包含6 只晶闸管。

图1 SFC 基本架构Fig.1 Basic structure of SFC

SFC 正常工作时，网桥将三相交流电转换为直流电输送到平波电抗器，形成较为稳定的直流输出。 机桥再把直流输出转换为频率可调的变频电流输入到电机中[11-12]。

1.2 SFC 晶闸管故障分析

SFC 的主要构成是整流桥和逆变桥，可以把SFC 拆成2 个桥分别看待。 网桥和机桥有着共同的运行规则，在正常情况下，任一时间段内均有2 只晶闸管处于导通状态[13-14]。SFC 在共阴极组和共阳极组间交替进行换相。 正常工作时，整流桥和逆变桥的输出电压波形如图2所示。

在此以SFC 中整流桥为例，分析以下几种可能的故障情况[15]：

故障类型1全控整流桥中只有1 只晶闸管损坏，即VT1，VT2，VT3，VT4，VT5，VT6其中之一发生故障。

故障类型2全控整流桥同一桥臂的上下2 只晶闸管损坏，即VT1和VT4，或VT2和VT5，或VT3和VT6发生故障。

图2 SFC 网桥和机桥正常电压输出波形Fig.2 Normal voltage output waveform of SFC bridge and inverter bridge

故障类型3全控整流桥同一半桥的其中2 只晶闸管损坏，即VT1和VT3，或VT2和VT4，或VT3和VT5，或VT4和VT6，或VT1和VT5，或VT2和VT6发生故障。

故障类型4全控整流桥不同半桥的交叉2 只晶闸管损坏，即VT1和VT2，或VT2和VT3，或VT3和VT4，或VT4和VT5，或VT5和VT6，或VT1和VT6发生故障。

各故障类型下整流桥的输出电压波形如图3所示。

图3 各故障类型下的网桥输出电压波形Fig.3 Output voltage waveform of bridge under different fault types

经过分析可知，SFC 整流桥的晶闸管故障类型可以分为四大类，21 个小类。 对SFC 逆变桥晶闸管的故障分类可以得到同样的结果，借由MatLab/Simulink 仿真平台也同样可以得出SFC 逆变桥在各种故障类型下的三相输出电压波形。

2 基于Park 变换和逻辑构建BP 神经网络

2.1 BP 神经网络的构建方法

当前应用比较广泛的神经网络之一是BP 神经网络，其依靠逆向传播算法训练的多层前馈网络[16-17]。BP 神经网络相邻层之间的节点彼此连接，但同层节点之间彼此不连接[18]。BP 神经网络的优势在于不需要知道准确的方程式，具有自身训练的本领，并在学习某种规律后，只要给定输入值，就可以自动给出接近实际值的输出值[19-20]，构建BP 神经网络的要点在于确定每一层的节点数量[21-22]。因为BP 神经网络具有多种多样的优势，故在此采取BP 神经网络作为诊断SFC 晶闸管故障的方法。 建立BP 神经网络一般采用3 层结构，输入层、隐含层和输出层[23]。

对于SFC 的整流桥，在此采用全控整流桥阴极和阳极的电位差的直流分量X1，基波幅值X2，二次谐波幅值X3，三次谐波幅值X4作为输入值，因此整流桥的输入层节点为4。

输出值需要能够表达是第几种大类型下的第几种小类型。 在此，Y1，Y2，Y3为大类型；Y4，Y5，Y6为小类型。 所以输出层节点为6。

对于SFC 的逆变桥，在此采取Park 变换算法和BP 神经网络结合的方式来诊断SFC 的晶闸管故障情况，以三相输出电压经过Park 变换后的计算值为输入值，故输入节点取3。

对于逆变桥，采用故障特征量F1，F2，F3的组合来表示逆变桥晶闸管的故障定位，故障特征量的定义见表1。F1为具体的故障大类型，对应4 种故障类型其取值为0，1，2，3。F2为发生故障的桥臂序号，在图1中从左向右依次为桥臂1，2，3，取桥臂序号为F2对应值；如果不同桥臂上发生晶闸管故障，则桥臂1-2 故障取值为4，其他故障取值见表1。 F3为故障晶闸管位于上桥臂或下桥臂，位于上桥臂时取F3=0，位于下桥臂则取F3=1。对于F3，当故障为故障类型2 时，定义F3值恒为0；当故障为故障类型4时，定义图1所示电路右侧3 个桥臂故障的F3取值，具体见表1。

表1 故障特征量的定义Tab.1 Definition of fault characteristic quantity

对于二进制而言，F1需要2 个节点来表示，F2需要3 个节点，F3需要1 个节点，所以输出层节点个数取6。对于整流桥和逆变桥的隐含层，以最大化接近为目标，采用双曲线正切Sigmoid 函数，即

在此，作为逆变桥BP 神经网络输入值的三相电流需要分别经过Park 变换，以a 相为例，Park 变换的流程如图4所示。 对于Park 变换的输入而言，是对称的120°三相电流，因此其他相也需要做相同的移相。 Park 变换的优点就在于可以快速响应，能瞬时确定基波幅值。

图4 Park 变换的流程Fig.4 Flow chart of Park transform

依靠Park 变换，故障类型相同但是晶闸管的故障位置处于不同桥臂时，可以得到不同的数值，因此可以判断故障在桥臂上的位置。 另一种情况，故障类型相同晶闸管故障处于相同桥臂上时，计算数值相同，就不能进行精准定位。因此，BP 神经网络只能判断F1，F2的值，而不能确定F3的值。

2.2 确定F3 值的方法

在此采用逻辑判定F3的值。用6 个变量来表示当前周期a，b，c 三相正负部分电流对应的积分，Plm（l=a，b，c；m=+，-）。 对于逆变器而言，其上桥臂的晶闸管处于损坏状态，那么对应相的电流不会在正半波生成功率。 同理，其下桥臂也是如此。 有

其中，若m=+，则

若m=-，则

式中：N 为周期内采样点数；ik为各采样点电流值。

在此分析不同大类型下的故障情况：

对于故障类型1假设VT7故障，在此分析a相，则a 相电流正半部分为0；假设VT8故障，以a 相为例，则a 相电流负半部分为0，据此判断F3值为

对于该方法，b 相、c 相通用。

对于故障类型2F3值始终为0。

对于故障类型3设VT7和VT9故障，在此分析a 相和b 相，则a 相，b 相电流正半部分为0；假设VT8和VT10，在此以a 相和b 相为例，则a 相，b 相电流负半部分为0，则判断F3值为

对于该方法，b 相和c 相，a 相和c 相通用。

对于故障类型4假设VT7和VT10故障，以a相和b 相为例，则a 相，b 相电流正半部分为0；假设VT8和VT9，以a 相和b 相为例，则a 相，b 相电流负半部分为0，则判断F3值为

得到F3数值的判断方法后，就完全建立起SFC的BP 神经网络。 其运行流程如图5所示。

图5 应用BP 神经网络诊断SFC 的流程Fig.5 Flow chart of SFC diagnosis by BP neural network

SFC 需要实时检测其各项电压数据。 如果数据异常，则按照异常所在的桥对其进行相应的BP 神经网络诊断，输入所测得的数值，诊断出具体的故障晶闸管序号。 对于SFC 的网桥，若检测到网桥输出电压异常，则输入X1，X2，X3，X4到网桥的BP 神经网络中，根据输出的Y1，Y2，Y3，Y4，Y5，Y6值来确定网桥故障类型以及故障晶闸管的序号；对于SFC 的机桥，若检测到电机输入电压异常，则输入电机的三相输入电压U1，U2，U3到机桥的BP 神经网络中，根据输出的F1，F2，F3值判断机桥故障类型，以及故障晶闸管的序号。

3 仿真与分析

BP 神经网络由2 部分构成，其中诊断整流桥的部分较为简单，诊断逆变桥的部分稍微复杂一些。以逆变桥为例，在此利用MatLab/Simulink 搭建了SFC 的仿真模型，对所提述4 种故障类型进行模拟试验。 各个故障类型的输出波形如图6所示。

图6 四种故障类型下的输出电流波形Fig.6 Output voltage waveform under four fault types

通过仿真，可以得到F1，F2，F3的数值及其二进制的表达，具体见表2。 BP 神经网络输出结果的归一化处理规则为：数值小于0.5 则取0，数值大于等于0.5 取1。 通过表2所示数据及前述相关定义，可以实现对SFC 晶闸管故障的准确定位。

表2 故障诊断输出结果Tab.2 Output results of fault diagnosis

4 结语

抽水蓄能电站是我国发电行业的重要支柱，而SFC 的良好运行关乎抽水蓄能电站的工作状态。 依靠MatLab/Simulink 构建了SFC 仿真模型，以BP 神经网络为基础，配合Park 变换和逻辑，对SFC 的晶闸管故障进行仿真试验，仿真结果证明所提出的方法可以解决实际问题。 在此将SFC 拆分为整流桥和逆变桥分别进行研究，得出了它们不同的BP 神经网络结构，试验结果表明该方法可以实时定位SFC中故障晶闸管序号，对于保证抽水蓄能电站稳定运行具有重大意义。 然而，所做研究尚处于雏形阶段，在后续的研究中还应当向更快的检测速度、更精确的诊断结果看齐，进一步完善该方法。