基于XG-Boost的MMC开关管开路故障检测方法转让专利
申请号 : CN202111375950.9
文献号 : CN114089181B
文献日 : 2022-11-08
发明人 : 邓焰 , 胡雪 , 贾何飞
申请人 : 浙江大学
摘要 :
本发明公开了一种基于XG‑Boost的MMC开关管开路故障检测方法。包括：采集MMC中多个子模块的电容电压以及各个子模块所在相单元的上下桥臂电流并构成多通道序列信号，利用采样滑动窗口进行采样，获得各个数据带样本并设置故障类型标签，构成原始样本集；扩充原始样本集，将扩充后的样本集与原始样本集构成最终的样本集并输入XG‑Boost多分类模型中训练，获得训练好的多分类模型；实时采集获得多个待检测数据带样本，输入训练好的多分类模型中进行预测，实现各个待检测子模块的故障检测。本发明在采样数据缺失及噪声干扰情况下依旧有效，不增加系统成本及复杂性，过拟合风险低，抗噪性强，具有鲁棒性、容纳数据缺失，快速准确。
权利要求 :
1.一种基于XG‑Boost的MMC开关管开路故障检测方法，其特征在于，包括以下步骤：
步骤1：采集模块化多电平变流器中多个子模块的电容电压以及各个子模块所在相单元的上、下桥臂电流构成多通道序列信号，利用采样滑动窗口对多通道序列信号进行采样，获得各个数据带样本；根据各个子模块的故障状态，设置各个数据带样本的故障类型标签，从而构成原始样本集；
步骤2：对步骤1中得到的原始样本集进行数据集扩充，将扩充后的样本集与原始样本集构成最终的样本集，将最终的样本集输入XG‑Boost多分类模型中进行训练，获得训练好的XG‑Boost多分类模型；
步骤3：实时采集模块化多电平变流器中各个待检测子模块的电容电压以及各个待检测子模块所在相单元的上、下桥臂电流，获得多个待检测数据带样本，将多个待检测数据带样本输入训练好的XG‑Boost多分类模型中进行预测，获得各个待检测数据带样本的故障类型，从而实现各个待检测子模块的故障检测；
所述步骤2中，在原始样本集中各个数据带样本中加入高斯噪声，获得加入高斯噪声的样本集；对原始样本集中各个数据带样本进行不同的缺失值设置，获得含缺失值的样本集；
由加入高斯噪声的样本集、各个含缺失值的样本集以及原始样本集构成最终的样本集；
所述步骤2中，含缺失值的数据带样本中缺失值数据的默认方向具体为计算当前缺失值数据的上一个有值数据的左子树和右子树的节点切分函数值，将较大的节点切分函数值的分裂方向作为当前缺失值数据的默认分裂方向。
2.根据权利要求1所述的一种基于XG‑Boost的MMC开关管开路故障检测方法，其特征在于，所述步骤3中，如果待检测数据带样本的故障类型连续预设次检测均为同一故障类型，则当前待检测数据带样本判断为发生开路故障并输出故障子模块的编号；否则，不能判断当前多个待检测子模块是否发生开关管开路故障。
3.根据权利要求2所述的一种基于XG‑Boost的MMC开关管开路故障检测方法，其特征在于，所述同一故障类型具体为每个待检测数据带样本的故障类型的编号相同。
说明书 :
基于XG‑Boost的MMC开关管开路故障检测方法
技术领域
[0001] 本发明属于柔性直流输配电领域，具体涉及一种基于XG‑Boost的MMC(模块化多电平变流器)开关管(IGBT)开路故障检测方法。
背景技术
[0002] 基于模块化多电平变流器(MMC)的高压直流输电正朝着大容量、高电压、多端口的方向快速发展。其中，MMC子模块数量的增加产生了大量的开关设备和电容器。MMC中的每个开关设备和电容器都是一个潜在故障点。MMC复杂多样的工作环境、电磁干扰和测量技术的局限性将导致信号检测中的噪声干扰和数据缺失。
[0003] MMC中的开关器件故障主要分为短路故障和开路故障，开路故障比短路故障具有更隐蔽、更容易忽视的危害。传统的MMC开路故障诊断方法可分为基于硬件的方法和基于数学模型的方法。基于硬件的方法包括谐波电压检测、子模块电压检测等。谐波电压检测电路法通过观察MMC桥臂中电感的谐波电压变化来检测故障。在子模块电压检测法中，通过比较子模块的实际和预期输出电压与子模块的电压检测电路来诊断故障。基于硬件的策略增加了电路的复杂性和成本。另一种方法是基于数学模型的方法，包括滑模观测器、状态观测器等。基于滑模观测器的诊断策略构建了电路数学模型，将期望值与观察值进行比较，从而实现开路故障检测与定位。状态观测器通过比较桥臂电流和输出电流的观测值和实际值检测故障。上述传统诊断方法需要具体的系统配置和检测标准，需要在实施过程中不断调整，并依赖经验。因此，提出了人工智能诊断方法。现有的基于一维神经网络的故障检测方法中反向传播需要大量数据，并且存在过度拟合的高风险。基于堆叠稀疏自动编码器的故障检测方法模型参数调整复杂，选择不当会导致模型拟合过度，影响检测结果。
[0004] 此外，很少有方法考虑缺失值和噪声对故障检测结果的影响。当采样数据中存在缺失值时，上述方法无法诊断开路故障；当信号中存在噪声时，上述方法的准确度会降低。
[0005] 因此，考虑数据缺失和噪声处理的开路故障诊断对于MMC的可靠运行是必要的。
发明内容
[0006] 鉴于上述，本发明提供了一种基于XG‑Boost的MMC开关管开路故障检测方法，能够实现模块化多电平变流器开路故障检测的高准确度和高效率。
[0007] 该方法在XG‑Boost的基础上，提出一种基于XG‑Boost的MMC开关管开路故障检测方法。将模块化多电平换流器的子模块电容电压和桥臂电流作为监测对象。选取模块化多电平变换器中的子模块的电容电压信号和上下桥臂电流信号组合成多通道序列信号。将对多通道序列信号采样构成的数据带样本依次输入已训练好的XG‑Boost多分类模型进行故障诊断。
[0008] 本发明的技术方案如下：
[0009] 本发明包括以下步骤：
[0010] 步骤1：采集模块化多电平变流器中多个子模块的电容电压以及各个子模块所在相单元的上、下桥臂电流构成多通道序列信号，利用采样滑动窗口对多通道序列信号进行采样，获得各个数据带样本；根据各个子模块的故障状态，设置各个数据带样本的故障类型标签，从而构成原始样本集；
[0011] 步骤2：对步骤1中得到的原始样本集进行数据集扩充，将扩充后的样本集与原始样本集构成最终的样本集，将最终的样本集输入XG‑Boost多分类模型中进行训练，获得训练好的XG‑Boost多分类模型；
[0012] 步骤3：实时采集模块化多电平变流器中各个待检测子模块的电容电压以及各个待检测子模块所在相单元的上、下桥臂电流，获得多个待检测数据带样本，将多个待检测数据带样本输入训练好的XG‑Boost多分类模型中进行预测，获得各个待检测数据带样本的故障类型，从而实现各个待检测子模块的故障检测。
[0013] 所述步骤2中，在原始样本集中各个数据带样本中加入高斯噪声，获得加入高斯噪声的样本集；对原始样本集中各个数据带样本进行不同的缺失值设置，获得含缺失值的样本集；由加入高斯噪声的样本集、各个含缺失值的样本集以及原始样本集构成最终的样本集。
[0014] 所述步骤3中，如果待检测数据带样本的故障类型连续预设次检测均为同一故障类型，则当前待检测数据带样本判断为发生开路故障并输出故障子模块的编号；否则，不能判断当前多个待检测子模块是否发生开关管开路故障。
[0015] 所述步骤2中，含缺失值的数据带样本中缺失值数据的默认方向具体为计算当前缺失值数据的上一个有值数据的左子树和右子树的节点切分函数值，将较大的节点切分函数值的分裂方向作为当前缺失值数据的默认分裂方向。
[0016] 所述同一故障类型具体为每个待检测数据带样本的故障类型的编号相同。
[0017] 基于上述技术方案，本发明具有以下有益效果：
[0018] (1)本发明的基于XG‑Boost的MMC开关管开路故障检测方法与传统检测子模块电容电压故障检测方法相比，该方法直接采用原始电容电压和电流数据，不需手动设置经验阈值。
[0019] (2)本发明的基于XG‑Boost的MMC开关管开路故障检测方法较其他智能诊断方法可以有效减少过拟合风险，所需数据量更少，采样频率更低，具有更高的准确率。
[0020] (3)本发明快速准确，抗噪性强，具有鲁棒性且在含缺失数据情况下能准确诊断出开路故障。
附图说明
[0021] 图1为MMC系统拓扑结构图；
[0022] 图2为子模块结构示意图；
[0023] 图3为本发明子模块开关管故障诊断方法的流程图；
[0024] 图4为本发明的XG‑Boost多分类模型训练示意图；
[0025] 图5为本发明的XG‑Boost的默认方向生成流程图；
[0026] 图6为本发明的实施例中正常情况下故障诊断波形图；
[0027] 图7为本发明的实施例中含缺失情况下故障诊断波形图；
[0028] 图8为本发明的实施例中噪声干扰下故障诊断波形图；
[0029] 图9为本发明的实施例中混淆矩阵图；
[0030] 图10为XG‑Boost和BPNN多分类模型之间的精度比较图。
具体实施方式
[0031] 为了便于本领域的技术人员能够更好地理解本发明并予以实施，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
[0032] 本实施例中，模块化多电平变流器由6个桥臂组成，如图1所示的模块化多电平变流器的拓扑结构示意图。每个桥臂由若干个子模块及桥臂电感串联而成。上桥臂和下桥臂构成一个相单元。Vdc为直流侧电压，Vrjn为子模块的输出电压，irj为桥臂电流，其中n表示子模块编号，r表示桥臂的上下编号，满足r＝u或l，u表示上桥臂，l表示下桥臂，j表示相单元编号，j＝A，B或C，A，B和C分别为A，B或C相。稳态运行时，每个相单元投入状态子模块个数之和恒定，通过对上、下桥臂中处于投入状态的子模块数进行分配来实现换流器交流侧输出多电平波形。
[0033] 图1中SM1‑SMn均为子模块，本实施例中子模块的结构示意图如图2所示，当第一开关管Su或第一二极管Du导通时，子模块处于投入状态，子模块输出电压为电容电压Uc。当第二开关管Sl或第二二极管Dl导通时，子模块处于切除状态,子模块输出电压为0。
[0034] 以第一开关管Su开路为例，当开关管触发脉冲为投入且irj<0时，子模块不能正常投入，电容电压不会形成放电回路，桥臂电流流过第二二极管Dl，此时子模块输出电压为0。可见第一开关管Su开路故障会导致故障子模块的电容电压持续上升。子模块输出电压是0而非正常时的电容电压Uc，此时将在桥臂产生较大环流。
[0035] 以第二开关管Sl开路为例，当开关管触发脉冲为切除且irj>0时，子模块不能正常切除，桥臂电流将通过第一二极管Du对电容充电。子模块输出电压为电容电压Uc而非正常时的0，此时将在桥臂产生较大环流。
[0036] MMC复杂多变的工作环境、电磁干扰和测量技术的局限性会导致信号采样过程中产生一定的噪声。在目前的信号降噪研究中，将样本中加入高斯噪声模拟有噪声的样本，并用其验证所提出模型的鲁棒性。因此，为了防止噪声对故障诊断结果的影响，在XG‑Boost多分类模型的训练中，使用加入高斯噪声的原始样本集作为输入。
[0037] 由于终端传感器短时故障和通信网络故障等原因，采样值丢失的情况比较普遍。含缺失值的采样数据集可视为稀疏矩阵。为了让XG‑Boost多分类模型具有处理缺失数据集的能力，了解采样数据集中的稀疏分布，在XG‑Boost多分类模型的训练中添加缺失数据默认方向，故障诊断中缺失值被划分至默认方向。
[0038] 本发明以子模块电容电压与上下桥臂电流为MMC子模块开路故障诊断的核心依据。为训练XG‑Boost多分类模型，将子模块的电容电压信号与上、下桥臂电流信号构建多通道序列信号，然后沿着多通道序列信号移动采样滑动窗口获得数据带样本，并利用数据带样本集对多分类模型进行训练。最后就能利用训练后的多分类模型对子模块进行开路故障诊断。
[0039] 如图3所示，本发明包括以下步骤：
[0040] 步骤1：采集模块化多电平变流器中多个可能发生故障的子模块的电容电压以及各个子模块所在相单元的上、下桥臂电流，即将一个或多个相单元的电压电流数据共同构成多通道序列信号，利用采样滑动窗口对多通道序列信号进行采样，获得各个数据带样本；根据各个子模块的故障状态，设置各个数据带样本的故障类型标签，从而构成原始样本集；
本实施例中，多通道序列信号的通道数为12，采样时间间隔为1ms，采样滑动窗口的大小为lwindow×12，lwindow为窗口长度，具体为20。在进行样本采集时，以1kHz的采样频率，利用采样滑动窗口采集系统正常稳定运行至故障后稳定运行的12通道序列的数据带样本，得到无噪声干扰与缺失值的原始样本集。
本实施例中，多通道序列信号的通道数为12，采样时间间隔为1ms，采样滑动窗口的大小为lwindow×12，lwindow为窗口长度，具体为20。在进行样本采集时，以1kHz的采样频率，利用采样滑动窗口采集系统正常稳定运行至故障后稳定运行的12通道序列的数据带样本，得到无噪声干扰与缺失值的原始样本集。
[0041] 步骤2：对步骤1中得到的原始样本集进行数据集扩充，将扩充后的样本集与原始样本集构成最终的样本集，为了消除噪声干扰与缺失数据对诊断结果的影响，同时将最终的样本集输入XG‑Boost多分类模型中进行训练，获得训练好的XG‑Boost多分类模型；
[0042] 步骤2中，在原始样本集中各个数据带样本中加入高斯噪声，获得加入高斯噪声的样本集；将数据带样本中加入高斯噪声模拟有噪声的样本，并用其验证所提出模型的鲁棒性。对原始样本集中各个数据带样本进行不同的缺失值设置，获得含缺失值的样本集，缺失值处理具体为将每个数据带样本中部分电容电压或者桥臂电流设置为空缺；由加入高斯噪声的样本集、各个含缺失值的样本集以及原始样本集构成最终的样本集。
[0043] 具体实施中，将最终的样本集随机分成两部分，一部分用于训练，另一部分用于测试。
[0044] XG‑Boost多分类模型使用K个决策树的叶权值之和预测每个数据带样本属于各个故障类型的概率，根据最大概率原则预测每个数据带样本的故障类型。
[0045] 在多分类模型的训练中，利用正则化目标函数最小化来添加决策树，利用节点切分函数向决策树添加分支并确定缺失数据默认方向。采用交叉验证法和网格搜索法调整XG‑Boost多分类模型的参数，得到最优参数下的XG‑Boost多分类模型并作为训练好的XG‑Boost多分类模型。
[0046] 步骤2中，为了让XG‑Boost多分类模型具有处理缺失数据集的能力，了解采样数据集中的稀疏分布，在XG‑Boost多分类模型的训练中添加缺失值数据的默认分裂方向，故障诊断中缺失值数据被划分至默认分裂方向。其中，缺失数据默认方向的确定流程为：如图5所示，含缺失值的数据带样本中缺失值数据的默认方向具体为计算当前缺失值数据的上一个有值数据的左子树和右子树的节点切分函数值，将较大的节点切分函数值的分裂方向作为当前缺失值数据的默认分裂方向。
[0047] 具体的，XG‑Boost是一种决策树集成模型。XG‑Boost多分类模型由K个决策树构成。如图4所示，每个决策树对应于一个独立的树结构，其中包含若干个内部节点和T个叶节点。内部节点为数据带样本中通道序列的阈值。wt表示第t个叶节点上的叶权值。
[0048] 步骤3：实时采集模块化多电平变流器中各个待检测子模块的电容电压以及各个待检测子模块所在相单元的上、下桥臂电流，获得多个待检测数据带样本，将多个待检测数据带样本输入训练好的XG‑Boost多分类模型中进行预测，获得各个待检测数据带样本的故障类型，从而实现各个待检测子模块的故障检测。
[0049] 步骤3中待检测子模块的编号与步骤1中采集的子模块的编号相同。本发明只能检测每个相单元中所采集的子模块中故障的个数只能是一个，不能为多个。
[0050] 步骤3中，如果待检测数据带样本的故障类型连续预设次检测均为同一故障类型，本实施例中，设为连续五次，则当前待检测数据带样本判断为发生开路故障并输出故障子模块的编号；否则，不能判断当前多个待检测子模块是否发生开关管开路故障。
[0051] 同一故障类型具体为每个待检测数据带样本的故障类型的编号相同。故障类型中N表示正常。子模块的故障类型由故障子模块的编号确定，E1表示编号为1的子模块发生故障，以此类推。
[0052] 在本实施例中，搭建MMC仿真模型验证本发明方法的速度与准确性。在MATLAB/Simulink环境下，采用最近电平逼近(NLM)调制方式，通过一个三相MMC模型验证了该方法的有效性。MMC仿真模型参数如下：直流母线电压19kV，每个桥臂中子模块个数为20，输出频率50Hz，子模块电容3mF，桥臂电感40mH，三相负载400欧姆。XG‑Boost多分类模型在Python环境中实现。XG‑Boost多分类模型的关键参数如下：决策树个数为142，学习率为0.1，树的最大深度为6，正则化参数为1，样本采样率为0.8。设置子模块开路故障发生在0.1s，采集故障发生至系统正常稳定运行到t＝0.2s时间段的A相下桥臂中10个子模块的电容电压以及10个子模块所在相单元的上、下桥臂电流，组合成12通道序列信号，沿着12通道序列信号以
1ms的步长移动大小为20×12采样滑动窗口获得数据带样本，因此每个数据带样本中的数据点数为240，具体为20个时刻的10个待检测子模块的电容电压以及10个子模块所在相单元的上、下桥臂电流，并构建采样数据集。采样频率为1000Hz。
1ms的步长移动大小为20×12采样滑动窗口获得数据带样本，因此每个数据带样本中的数据点数为240，具体为20个时刻的10个待检测子模块的电容电压以及10个子模块所在相单元的上、下桥臂电流，并构建采样数据集。采样频率为1000Hz。
[0053] 将待检测子模块设置开路故障。将实时获得的数据带样本代入诊断。根据连续五个数据带样本判断同类型故障，可得到子模块的故障诊断时间。
[0054] (a)通道序列信号无噪声干扰与缺失数据情况下故障诊断：
[0055] 将仿真系统A相相单元下桥臂编号为10的子模块设置Sl开路故障，子模块开路故障发生在0.1s。如图6所示，图6的(a)为A相相单元下桥臂的10个子模块(包含故障子模块)的电容电压波形示意图；图6的(b)为A相相单元的上下桥臂电流波形示意图；图6的(c)为A相相单元的10个子模块的故障类型示意图。由上述诊断方法测得故障诊断时间为23ms。
[0056] (b)通道序列信号含缺失值情况下故障诊断：
[0057] 将仿真系统A相相单元下桥臂编号为10的子模块设置Sl开路故障，子模块开路故障发生在0.1s。并将数据带样本中10个采样时刻(0.095s‑0.104s)的故障子模块电容电压值设为空缺，如图7所示，图7的(a)为A相相单元下桥臂的10个子模块(包含故障子模块)的电容电压波形示意图；图7的(b)为A相相单元的上下桥臂电流波形示意图；
[0058] 图7的(c)为A相相单元下桥臂的10个子模块的故障类型示意图。由上述诊断方法测得故障诊断时间为23ms。可以看出，数据缺失时的故障诊断时间等于无数据缺失情况下的故障诊断时间，证明该方法有效消除了数据缺失对诊断结果的影响。
[0059] (c)通道序列信号加入噪声干扰情况下故障诊断：
[0060] 将添加50dB高斯噪声的数据带样本输入XG‑Boost多分类模型中，将仿真系统A相相单元下桥臂编号为10的模块设置Sl开路故障，子模块开路故障发生在0.1s。如图8所示，图8的(a)为A相相单元下桥臂的10个子模块(包含故障子模块)的电容电压波形示意图；图8的(b)为A相相单元的上下桥臂电流波形示意图；图8的(c)为A相相单元下桥臂的10个子模块的故障类型示意图。由上述诊断方法测得故障诊断时间为23ms。可以看出，高斯白噪声时的故障诊断时间等于(a)情况下的故障诊断时间，证明该方法具有鲁棒性。
[0061] (d)利用混淆矩阵评估本发明方法准确性
[0062] 为了可视化所提出方法的诊断准确性，在MMC测试数据集上使用了混淆矩阵方法，如图9所示。混淆矩阵方法可以通过比较预测标签和真实标签来评估训练后的多分类模型。如图9所示，在混淆矩阵中，横轴和纵轴分别表示样本的真实故障类别标签和预测标签。混淆矩阵的对角线表示模型的准确性。经过一个轮次训练，诊断平均准确率为96.27％，表明所提出的模型可以较为准确地检测各个子模块的状态。
[0063] (e)与常见智能诊断方法比较
[0064] 如图10所示，为XG‑Boost和BPNN分类器之间的精度比较。本文提出的诊断方法与人工智能故障诊断中常用的反向传播神经网络(BPNN)方法进行了比较，其中BPNN的输入层节点为240。三个隐藏层中的节点数分别为2400，600和90，输出层中的节点数为11。经过20轮次训练，XG‑Boost和BPNN的正确率分别为99.03％和84.07％可以看出，本发明方法比其他人工智能诊断方法在准确性上具有优势。
[0065] 总体而言，所提方法效率高，响应速度快，直接利用原始电容电压和电流数据，同样适用于噪声干扰与数据缺失情况，以实现对开关管开路故障的检测。当信号检测中存在缺失值时，现有的开路故障诊断方法可能会失效。本发明提出了一种基于XG‑Boost的MMC开关管开路故障检测方法。通过结合高斯噪声对含有缺失数据的样本集进行训练，得到了一种既能降噪又能处理缺失数据的XG‑Boost多分类模型。通过采样滑动窗口采集子模块的电容电压和桥臂电流获得的数据带样本输入到经过训练的XG‑Boost分类模型中进行故障诊断。本发明方法减少了信号中噪声和缺失值对故障诊断结果的影响，同时获得了比其他人工智能方法更高的精度。在MATLAB/Simulink和Python中验证了该方法的有效性。