基于小波分析的逆变器故障诊断

针对电力电子电路故障的特点，以三相电力牵引逆变电路为例。采用db3小波基进行6层小波分析，提取不同小波系数的能量值，利用故障特征表确定故障的类型。利用matlab建立仿真模型，对逆变器开关故障进行仿真，结果表明该方法是有效可行的。

【关键词】逆变器 故障诊断 小波分析

伴随着电子技术的快速发展，电力电子技术也在不断提高，特别是针对能量转换的电子产品，在电力行业中得到了广泛应用。随着电力电子装置在直流输电、电力机车牵引等设备中长期使用，必然会导致电力装置故障，为了保证电力装置的高效安全运行，因此，对电力电子装置的故障诊断以及采取相应的措施是亟需解决的问题。

本文采用SVPWM控制的三相逆变电路，采用db3小波基函数对各相电流信号进行6层小波分解，以求解小波系数，然后提取各相电流电压的低频能量谱和各项高频能量谱，通过比较各能量值，从而对识别出不同故障的功率管，从而实现对电力牵引逆变器的故障识别。

1 小波分析故障识别诊断理论

目前的故障诊断大都基于傅里叶变换，在经典的傅里叶变换分析中，信号特征仅能在频域中展现出来，而完全忽略了时域的相关特性。因而傅里叶变换存在着片面性，而且傅里叶变换还存在着一些理想的假设，如信号为平稳信号。而大部分复杂系统的故障信号都是非线性、非平稳，且为瞬变时变信号。

而我们可知小波分析是一种线性的时频分析方法，其主要思想是将混合信号中的不同频率成分信号逐渐划分成不同频率的信号，将不同频率信号区分开来，因此，小波分析适用于分析复杂信号中时变状态。

小波函数的定义：

设ψ（t）为平方可积函数，即ψ（t）∈L2（R），若其傅里叶变换ψ（ω）满足如下允许条件：

（1）

则ψ（t）表示一个基本小波函数。将函数ψ（t）进行伸缩和平移变换后，构成小波序列如下：

（2）

式中，a为伸缩因子（尺度因子），b为平移因子。

根据小波分析特点，其时间尺度和频域尺度都可变。当对混合信号中的高频成分进行分析时，时间尺度会随时间参数的变小而自动变窄，当对混合信号中的低频成分进行分析时，时间尺度会随时间参数的变大而自动变宽。因此，小波分析方法对时间和频率上的突变特别敏感，针对性强。其可以较好的对复杂故障信号进行时频域局部特征分析。因此，当电力牵引逆变器发生故障时，通过监测得到的信号中常常都带有许多时变的突发信号部分，而小波分析对这种突变信号进行分析有比较好的针对性效果，能够对故障信号进行诊断识别。

2 电力牵引逆变器故障分析

常用的三相逆变器电路图如图1所示。

逆变器一般常见的故障有：超电流故障、超电压故障、超热故障、超载故障等故障。据实践经验可知，电力元件的故障是绝大多数的控制系统不能正常工作的主要因素，同时也是致命的因素。由于逆变电路的组成比较复杂，因而其发生的故障的原因也是比较复杂的，故障情况也是相对比较多的。在这里，我们考虑控制系统在特定环境中运行时的常见故障类别。假设出现同时发生开路的晶闸管最多有两只，因此，我们可将电力牵引逆变器功率器件的开路故障模式分为以下五大类：

第1类：正常状态；

第2类：仅有一只功率器件发生故障，可将其分为T1-T6六种故障类型；

第3类：对称的上下臂中的两只功率器件都发生故障，可将其分为T1-T2，T3-T4，T5-T6三种障类型；

第4类：相同半桥的两只功率器件都发生故障，分为T1T3，T2T4，T3T5，T4T6，T1T5，T2T6，六种故障类型；

第5类：相对的两只功率器件都发生故障，分为T1T4，T2T3，T2T5，T1T6，T3T6，T4T5，六种类型。

由于电力牵引逆变器出现不同的故障类型时所表现出的低频和高频分量都有一定差异。我们可知对于非线性、非平稳的故障信号，其特征的频率分布并不均匀，而是在一些频率段有所侧重，分布在一些比较敏感的区域频段。因此，我们利用小波分析的多尺度多分辨率的特性，对故障信号进行特征分析，可以有效的对电力牵引逆变器故障信号进行特征提取，并进行故障分类识别。

详细给出小波分析过程：在这里，采用db3小波基函数对故障信号进行6层小波分解分析，同时得到1个低频系数以及6个高频系数，然后对每个系数求解相对应的能量数量值。最后，我们将能量值按照一定顺序排成列向量，这个向量也就是和某一故障类别相对应的特征向量Dn。通过对所有的故障信号进行小波分析后，得到总信号。可用表达式：

S=A6+D6+D5+D4+D3+D2+D1 （3）

以下是小波分析特征提取步骤：

（1）求解每个小波系数的总能量值。其可表示为：

（4）

其中j=0，1，…，7；k=1，2，…，n。

（2）特征向量表示。将能量值作为特征向量的一个元素，因此，特征向量T可以表示为：

T=[E0， E1， E2， E3， E4， E5， E6] （5）

3 实验验证

实验使用Matlab仿真软件。在文中以三相逆变器电路为例，仿真逆变器的每种故障工况，对输出的故障信号进行10KHz采样，然后通过小波分解求解小波系数并构造特征向量。在正常和每种故障工况运行下各对电流采用db3小波进行6层分解。

从图3和图4的小波分解波形图中可以看出，当逆变器出现故障状态时，每个分解系数都表现出不同的效果，表明小波分析可以有效的对故障信号进行特征提取并进行分类识别。

4 结论

小波分析对逆变器输出的电流波形进行了小波变换分析，从电流波形中提取到了能量特征向量。通过分析对不同功率器件发生故障时能量特征向量，从而准确的判断牵引逆变器故障。综上可知，小波分析方法因其能够较好的对时频域局部特征以及对突变信号较强的鉴别特性，因此，能够有效的对复杂的故障信号进行特征提取。该方法为电力牵引逆变器故障的检测提供了一定的依据，为高速列车牵引供电安全提供保障。

参考文献

[1]樊京路，易韵岚.基于小波分析的光伏并网逆变器故障诊断[J].大功率变流技术，2014，05（5）：12-16.

[2]刘玲.牵引变流器故障诊断的研究[D].成都：西南交通大学，2010.

[3]Gonzalez M.Raison B，Bacha S. Fault diagnosis in a grid-connected photovoltaic system by applying a signal approach[J].IEEE Industrial Electronics Society，2011（6）：1354-1359.

[4]Song Kim.Fault detection algorithm of the photovoltaic system using wavelet transform[C].India International Conferenceon Power Electronics IICPE，2010：380-702.

[5]李鹏，陈永当，刘广梅，等.小波分析在机械故障诊断中的应用[J].机电一体化，2013，10（20）：85-89.

[6]林飞，杜欣.电力电子应用技术的MATLAB仿真[M].北京：中国电力出版社，2011：129-200.

作者简介

薛敏骅（1966-），女。硕士学位。现供职于上海广电凯歌实业有限公司。主要研究方向为智能信息处理、智能控制。

作者单位

上海广电凯歌实业有限公司 上海市 200062