基于EWT的充电站主变流器中的IGBT故障检测

李 乐，苏建徽*，施 永，赵 锐

(1.合肥工业大学 光伏系统教育部工程研究中心，安徽 合肥 230009；2.南京邮电大学 自动化学院 人工智能学院，江苏 南京 210003)

随着电动汽车数量的增加，直流快速充电站已成为电动汽车领域的研究热点.因为充电站有大量电力电子器件，这些器件的故障易使充电站出现波形畸变、过电压及过电流等情况，甚至危及电网安全.对充电站的核心器件进行快速故障检测，是维护充电站送电质量的有效手段.连接电网与充电机的主变流器，是电动汽车充电站的最重要环节，负责交直流转换，且为充电机输入稳定的直流电压.主变流器的核心器件为绝缘栅双级晶体管(insulated gate bipolar transistor，简称IGBT)，IGBT出现开路故障时，输出波形并不明显异常.因此，为确保充电站的安全稳定运行，需对充电站主变流器中的IGBT进行故障检测，快速准确识别及定位故障.

研究人员对充电站的故障检测及诊断进行了探讨.文献[7]分析了充电站直流侧出现故障的原因，提出了保护充电站的方案.信号处理方法(如傅里叶变换、小波分析等)是故障检测及诊断的常用方法.文献[12]使用快速傅里叶变换及主元分析，提取级联H桥多电平逆变器的故障特征，并将该特征输入贝叶斯网络进行诊断，诊断精度较高.文献[13]研究了串联两重三相电压型逆变器的开路故障，使用功率谱识别故障，但对每个故障信号的功率谱需逐一识别，且参数需要人工设定.笔者拟基于经验小波变换(empirical wavelet transform,简称EWT)对充电站主变流器中的IGBT故障进行检测，为充电站故障检测提供新的途径.

1 充电站结构及故障分析

1.1 充电站结构

电动汽车直流快速充电站由工频变压器、电力滤波器、主变流器以及直流充电机组成.图1为电动汽车直流快速充电站结构.

图1 电动汽车直流快速充电站结构

1.2 开路故障分析

主变流器中的IGBT开路故障很难在波形上直接观察到，因此需用特殊方法提取相关特征.图2为主变流器结构.图2中，VT～VT均为IGBT，S～S均为二极管，

L

为电网侧电感，

L

为整流侧电感，

C

为滤波电容，

V

为直流母线电压.

图2 主变流器结构

以VT开路为例，对IGBT开路后电流的流向进行分析.无故障情况下，

a

相电流正向流动时，其电流通过S或VT续流；

a

相电流反向流动时，其电流通过VT或S续流.图3为VT，VT开路时

a

相电流波形.从图3可知：VT在0.5 s开路后，

a

相电流波形的负半周发生畸变，正半周保持正常；VT在0.5 s开路后，

a

相电流波形的正半周发生畸变，负半周保持正常.IGBT开路故障导致整流桥结构发生变化，进而使三相电流均发生不同程度畸变.

图3 VT1，VT2开路时a相电流波形

由上述分析可知，IGBT故障会使电流波形发生畸变，故障检测时可使用电流作为检测信号.对故障信号进行检测，传统时域分析方法均存在不同程度的不足，如Fourier变换不能处理离散非平稳非线性的信号、小波变换不能自适应选取基函数.由于EWT能自适应处理离散非线性非平稳信号，因此该文提出基于EWT的IGBT故障检测方法.

2 基于EWT的主变流器中的IGBT故障检测

2.1 EWT

EWT是一种自适应小波变换，能提取时间序列信号的瞬时频率，解决了经验模态分解 (empirical mode decomposition,简称EMD)理论支撑不足的问题.首先对信号的Fourier谱进行自适应划分，将其分割成

N

个区间，然后在每个分割区间内自适应构造滤波器组，最后通过滤波器组提取频域的调幅-调频(AM-FM)信号.

(1)

(2)

将Fourier变换和逆变换分别记为

F

[·]和

F

[·],则细节系数为

(3)

近似系数为

(4)

2.2 主变流器中的IGBT故障检测步骤

基于EWT的IGBT故障检测步骤如下：

(1)使用Matlab/Simulink软件对电动汽车充电站进行仿真.

(2)模拟IGBT故障，提取故障电流波形.

(3)对输入信号进行Fourier变换.

(4)使用式(1)～(2)构造滤波器组.

(5)使用式(3)～(4)分解信号，提取特征频率信号分量.

(6)将故障状态下的特征分量的小波能量熵系数与正常状态下的进行对比，得到故障检测结果.

3 仿真实验

以主变流器侧VT1(

a

相上桥臂)，VT2(

a

相下桥臂)的开路故障为例，验证所提故障检测方法的有效性.主变流器侧正常状态

a

相电流经EWT分解得到的特征分量如图4所示.由图4可知，IMF2与原信号最接近.

图4 主变流器侧正常状态a相电流经EWT分解得到的特征分量

图5为VT1(

a

相上桥臂)开路故障时

a

相电流经EWT及EMD分解得到的特征分量.

图5 VT1(a相上桥臂)开路故障时a相电流经EWT及EMD分解得到的特征分量

图6为VT2(

a

相下桥臂)开路故障时

a

相电流经EWT及EMD分解得到的特征分量.

图6 VT2(a相下桥臂)开路故障时a相电流经EWT及EMD分解得到的特征分量

由图5～6可看出：EMD不能准确分解基频与谐波分量，且不能准确识别故障特征；而EMT能准确分解基频与谐波分量，且能识别故障特征.分析发现故障信号的特征分量与充电站正常时的特征分量相似，直观上不容易辨别，因此有必要引入小波能量熵.小波能量熵能反映电流或电压频率空间的能量分布信息，因此可根据每个特征分量的小波能量熵，识别故障类型.不同状态下特征分量的小波能量熵如表1所示.

表1 不同状态下特征分量的小波能量熵

由表1可知：正常时，除IMF2外其他特征分量的小波能量熵，均比开路时的要小很多；VT1开路时，IMF3的小波能量熵最大；VT2开路时，IMF4及 IMF7的小波能量熵最大；VT3开路时，IMF4及 IMF7的小波能量熵最小.因此，根据小波能量熵的上述特征，能对IGBT开路故障进行准确检测.

4 结束语

笔者提出了基于EWT的充电站主变流器中的IGBT故障检测方法，建立了分布式直流快速充电站的Simulink模型，对IGBT故障进行了分析.使用EWT处理故障信号，构造滤波器组，提取特征分量.将不同状态下特征分量的小波能量熵进行对比，结果表明该文方法能对IGBT故障进行准确检测.