逆变器的故障检测方法和装置

1、(19)中民(12)发明专利申请(10)申请公布号(43)申请公布日CN 1040491592014.09.17A(21)申请号201410208186.X(22)申请日2014.05.16(71)申请人北京京东方能源科技地址 100176 北京市北京泽路 11 号 1 号楼一层技术开发区地申请人京东方科技(72)发明人艳李津(74)专利机构 北京天昊知识产权11112人陈源(51)Int.Cl.G01R 31/00 (2006.01)权利要求书2页 说明书6页附图2页(54) 发明名称逆变器的故障检测方法和检测装置(57) 摘要本发明提供一种逆变器的故障检测方法，该故障检测方法包括 ：S10

2、、将逆变器的输出电压信号进行对换，以得到电压谐波信号 ；S20、换后的电压谐波信号进行分类 ；S30、确定各种类型的换后的电压谐波信号所对应的故障类型。相应地，本发明还提供一种逆变器的故障检测装置。与现有技术相比，本发明能够提高逆变器的故障检测效率。CN 104049159 A权利要求书CN 104049159 A1/2 页1. 一种逆变器的故障检测方法，其特征在于，该故障检测方法包括 ：S10、将逆变器的输出电压信号进行换，以得到电压谐波信号 ；S20、对换后的电压谐波信号进行分类 ；S30、确定各种类型的换后的电压谐波信号所对应的故障类型。2. 根据权利要求 1 所述的逆变器的故障检测方法

3、，其特征在于，在所述步骤 S20 中，利用神经网络模型对换后的电压谐波信号进行分类。3. 根据权利要求 1 所述的逆变器的故障检测方法，其特征在于，所述逆变器的输出电压信号包括模拟电压信号，所述步骤 S10 包括 ：S11、将所述逆变器的输出的模拟电压信号转换为数字电压信号 ；S12、将转换后的数字电压信号进行换。4. 根据权利要求 3 所述的逆变器的故障检测方法，其特征在于，所述换。换包括快速5. 根据权利要求 2 所述的逆变器的故障检测方法，其特征在于，所述步骤 S20 包括 ：S21、将所述神经网络模型的输入信号进行归一化 ；S22、将所述归一化后的值进行降维。6. 根据权利要求 2 所

4、述的逆变器的故障检测方法，其特征在于，所述故障检测方法还包括在所述步骤 S10 之前执行的至少一次神经网络模型的训练过程，该训练过程包括 ：S01、将逆变器的在预设故障状态下的输出信号进行换，得到电压谐波信号 ；S02、将所述步骤 S01 中经换后的谐波信号输入神经网络模型的输入层 ；S03、根据所述神经网络模型的输入信号和神经网络模型的预设输出信号确定所述神经网路模型的，以确定所述神经网络模型的分类机制，所述神经网络模型的预设输出信号与所述预设故障状态对应。7. 根据权利要求 6 所述的逆变器的故障检测方法，其特征在于，所述故障检测方法包括多次神经网络模型的训练过程，该多次神经网络模型的训练

5、过程包括 ：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。8. 根据权利要求 7 所述的逆变器的故障检测方法，其特征在于，所述故障检测方法还包括在所述步骤 S10 之前执行的至少一次神经网络模型的测试过程，该测试过程包括 ：S04、将逆变器的调制比的值调节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行换 ；S05、将换后的谐波信号输入所述神经网络模型 ；S06、比较所述神经网络模型的实际输出信号和所述预设输出信号是否一致，若是，则所述神经网络模型训练；若否，则所述神经网络模型训练失败。9. 根据权利要求 7

6、所述的逆变器的故障检测方法，其特征在于，所述故障检测方法包括多次执行的神经网络模型的测试过程。10. 一种逆变器的故障检测装置，其特征在于，所述故障检测装置包括 ：信号变换单元，用于将逆变器的输出电压信号进行号 ；换，以得到电压谐波信分类单元，用于对换后的电压谐波信号进行分类 ；22权利要求书CN 104049159 A2/2 页故障确定单元，用于确定各种类型的换后的电压谐波信号所对应的故障类型。11. 根据权利要求 10 所述的逆变器的故障检测装置，其特征在于，所述分类单元内设置有神经网络模型，该神经网络模型用于对换后的电压谐波信号进行分类。12. 根据权利要求 10 所述的逆变器的故障检测

7、装置，其特征在于，所述逆变器的输出电压信号包括模拟电压信号，所述故障检测装置还包括连接在所述逆变器与所述信号变换单元之间的模数转换单元，该模数转换单元能够将所述逆变器输出的模拟电压信号转换为数字电压信号，且所述信号变换单元能够将转换后的数字电压信号进行换。13. 根据权利要求 11 所述的逆变器的故障检测装置，其特征在于，所述分类单元能够将所述神经网络模型的输入信号进行归一化并将所述归一化后的信号进行降维。33说明书CN 104049159 A1/6 页逆变器的故障检测方法和检测装置技术领域0001本发明涉及逆变器的故障检测领域，尤其涉及一种逆变器的故障检测方法和逆变器的故障检测装置。背景技术

8、0002逆变器是一种把直流电转变为交流电的变压器，广泛适用于电动工具、电脑、电视、洗衣机、风扇等电器。级联逆变器的输以有多个电平的输出从而得到了广泛应用，随着级联逆变输出电平数的增加，对应的电路中的功率器件的数目也随之增加，使得电路的结构和方式更加复杂，同时使得设备的故障率增加，因而逆变器的故障检测尤为重要。现有的逆变器检测方法主要有 ：基于知识和经验的故障检测和基于支持向量机的故障检测方法等。0003但是这些方法的检测效率较低，需要检测电路中多个位置，且应用范围较窄，不能适用于多种结构不同的电路。发0004本发明的目的在于提供一种逆变器的故障检测方法和检测装置，以提高逆变器的故障检测效率。0

9、005为了实现上述目的，本发明提供一种逆变器的故障检测方法，该故障检测方法包括 ：0006S10、将逆变器的输出电压信号进行换，以得到电压谐波信号 ；0007S20、对换后的电压谐波信号进行分类 ；0008S30、确定各种类型的换后的电压谐波信号所对应的故障类型。0009优选地，在所述步骤 S20 中，利用神经网络模型对进行分类。换后的电压谐波信号0010优选地，所述逆变器的输出电压信号包括模拟电压信号，所述步骤 S10 包括 ：0011S11、将所述逆变器的输出的模拟电压信号转换为数字电压信号 ；0012S12、将转换后的数字电压信号进行换。换。0013优选地，所述换包括快速0014优选地，

10、所述步骤 S20 包括 ：0015S21、将所述神经网络模型的输入信号进行归一化 ；0016S22、将所述归一化后的值进行降维。0017优选地，所述故障检测方法还包括在所述步骤 S10 之前执行的至少一次神经网络模型的训练过程，该训练过程包括 ：0018S01、将逆变器的在预设故障状态下的输出信号进行号 ；换，得到电压谐波信0019S02、将所述步骤 S01 中经换后的谐波信号输入神经网络模型的输入层 ；44说明书CN 104049159 A2/6 页0020S03、根据所述神经网络模型的输入信号和神经网络模型的预设输出信号确定所述神经网路模型的，以确定所述神经网络模型的分类机制，所述神经网络

11、模型的预设输出信号与所述预设故障状态对应。0021 优选地，所述故障检测方法包括多次神经网络模型的训练过程，该多次神经网络模型的训练过程包括 ：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。0022 优选地，所述故障检测方法还包括在所述步骤 S10 之前执行的至少一次神经网络模型的测试过程，该测试过程包括 ：0023 S04、将逆变器的调制比的值调节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行换 ；0024S05、将换后的谐波信号输入所述神经网络模型 ；0025S06、比较所述神经网络模型的实际输出信号和所

12、述预设输出信号是否一致，若是，则所述神经网络模型训练；若否，则所述神经网络模型训练失败。0026优选地，所述故障检测方法包括多次执行的神经网络模型的测试过程。0027相应地，本发明还提供一种逆变器的故障检测装置，所述故障检测装置包括 ：0028信号变换单元，用于将逆变器的输出电压信号进行信号 ；换，以得到电压谐波0029分类单元，用于对换后的电压谐波信号进行分类 ；0030故障确定单元，用于确定各种类型的类型。换后的电压谐波信号所对应的故障0031优选地，所述分类单元内设置有神经网络模型，该神经网络模型用于对换后的电压谐波信号进行分类。0032 优选地，所述逆变器的输出电压信号包括模拟电压信号

13、，所述故障检测装置还包括连接在所述逆变器与所述信号变换单元之间的模数转换单元，该模数转换单元能够将所述逆变器输出的模拟电压信号转换为数字电压信号，且所述信号变换单元能够将转换后的数字电压信号进行换。0033优选地，所述分类单元能够将所述神经网络模型的输入信号进行归一化并将所述归一化后的信号进行降维。0034与现有技术中的检测逆变器电路的多个位置相比，本发明通过对逆变器的输出电压信号进行换，从而将难以处理的时域信号转换为便于分析的频域信号，由于傅里换可以应用于多种信号，因而检测效率得到提高，适用范围有所增大 ；且快速叶变换进一步提高了检测效率 ；另一方面，利用神经网络模型对电压谐波信号进行分类以

14、确定各类型电压谐波信号所对应的故障类型，进而确定逆变器的输出电压信号所对应的故障类型，提高了逆变器的故障检测效率。同时，可以减少电压检测器件的使用，降低系统成本。附图说明0035附图是用来提供对本发明的进一步理解，并且说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不对本发明的限制。在附图中 ：0036图 1 所示的是本发明所提供的逆变器的故障检测方法流程图 ；55说明书CN 104049159 A3/6 页0037图 2 所示的是本发明所提供的逆变器的故障检测装置结构示意图。0038其中附图标记为 ：10、信号变换单元 ；20、分类单元 ；30、故障确定单元 ；40、模数转换单元

15、 ；41、采样保持电路 ；42、A/D 转换电路。具体实施方式0039以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施用于说明和解释本发明，并不用于限制本发明。0040本发明提供一种逆变器的故障检测方法，如图 1 所示，该故障检测方法包括 ：0041S10、将逆变器的输出电压信号进行换，以得到电压谐波信号 ；0042S20、对换后的电压谐波信号进行分类 ；0043S30、确定各种类型的换后的电压谐波信号所对应的故障类型。换将原来难以处理的时域信号转换为便于分析的频域信号，通过对0044换后的电压谐波信号进行分类，从而确定各类型电压谐波信号所对应的故障类型，进而

16、确定逆变器的输出电压信号所对应的故障类型。与现有技术中的检测电路的多个位置相比，可以提高故障检测效率，且换对各种不压信号进行变换，即对不同结构的逆变器电路进行检测，提高了检测方法的适用范围 ；同时，避免了对电路中多个位置进行检测，降低了系统成本。0045本发明可以采用多种方法对换后的电压谐波信号进行分类，为了提高分类的准确度和分类速度，作发明的一种优选实施方式，利用神经网络模型对换后的电压谐波信号进行分类。0046具体地，所述神经网络模型的输入层可以设置有 20 50 个输入节点，将换后得到的各次谐波信号依次输入各个输入节点，例如，将信号输入第一个输入节点，一次谐波信号输入第二个输入节点，二次

17、谐波信号输入第三个输入结点，以此类推。所述神经网络模型的输出层的输出节点的数量可以根据逆变器可能出现的故障的类别数而进行设置。以所述逆变器包括 10 个功率器件为例，当只考虑其中一个功率器件发生故障的情况时，所述逆变器的故障状态有 10 种，分别为 ：第一个功率器件发生故障，第二个功率器件发生故障，第三个功率器件发生故障等等。这种情况下，所述神经网络模型的输出节点的数量可以设置为 4 个，每个节点可以输出 0、1 两种信号，因而所述神经网络模型共可以输出 16种不同的信号，其中的 10 种不同的信号与 10 种故障类型相对应。例如，当所述神经网络模型的输出为 0001 时，可以逆变器的第一个功

18、率器件发生故障 ；当所述神经网络模型的输出为 0010 时，可以逆变器的第二个功率器件发生故障，以此类推。0047所述神经网络模型可以有多种输出形式，例如可以在输出层设置多个节点，也可以设置多个子神经网络模型，每个子神经网络模型的输出层设置一个输出节点，只要可以输出不同的信号以区别不同的故障状态即可。0048 应用神经网络模型的好处在于，可以提高分类效率，对于结构复杂而可能发生多种故障的逆变器，应用所述神经网络模型可以提高检测效率，换言之，本发明尤其适用于级联逆变器。0049 通常，所述逆变器的输出电压信号包括模拟电压信号，所述步骤 S10 可以包括 ：0050 S11、将所述逆变器的输出的模

19、拟电压信号转换为数字电压信号 ；66说明书CN 104049159 A4/6 页0051S12、将转换后的数字电压信号进行换。0052本领域技术可以理解的是，所述步骤 S11 中将模拟电压信号转换为数字电压信号的过程可以包括 ：对所述逆变器的输出的模拟电压信号进行采样、保持、量化和编码四个过程。为了保证转换精度，可以在采样过程之前对所述模拟电压信号进行滤波，以降低所述模拟电压信号中的混叠成分。0053为了提高变换，采用快速换的效率，更进一步地，所述换可以包括快速叶换的方法可以减少运算量，节省运算时间。0054 为了提高神经网络模型的分类速率，更进一步，步骤 S20 包括 ：0055 S21、将

20、所述神经网络模型的输入信号进行归一化。本发明对所述归一化的方法不作具体限制，例如，可以采用 Z-scoring 的方法进行归一化，即 ：对于待归一化的数组 X x1,x2, xn，该数组的均值为 XM，标准差为 XS，则 xi(1 i n) 归一化后的值为 ：(xi-XM)/ XS ；0056S22、将所述归一化后的输入信号进行降维。具体地，可以采用主成分分析的方法进行降维，使得输入的谐波信号的数量减少，以进一步提高神经网络模型的分类速率。例如，将神经网络模型输入层的输入信号的维度由 20 50 降低至 5 8，即换后产生的 20 50 个谐波信号变换为 5 8 个谐波信号，且变换后的 5 8

21、 个谐波信号包含原有的 20 50 个谐波信号中的主要信息。输入信号的维度降低的有益效果在于能够提高神经网络模型的分类效率，而对分类精度影响很小。0057为了提高所述神经网络效率的分类效果，更进一步地，所述故障检测方法还包括在步骤 S10 之前执行的至少一次神经网络模型的训练过程，该训练过程包括 ：0058S01、将逆变器的在预设故障状态下的输出信号进行换，得到谐波信号 ；0059S02、将步骤 S01 中经换后的谐波信号输入神经网络模型的输入层 ；0060S03、根据所述神经网络模型的输入信号和神经网络模型预设输出信号确定所述神经网路模型的，以确定所述神经网络模型的分类机制，所述神经网络模型

22、的预设输出信号与所述预设故障状态对应。0061例如，预设故障状态可以为第一个功率器件发生故障，相应的预设输出信号为0001，将所述神经网络模型的初始化为初始值，此时，将逆变器的输出信号进行换，之后将换后得到的谐波信号输入神经网络模型的输入层，根据神经网络模型实际的输出信号和预设输出信号 (0001) 之间的差值调节所述神经网络的，直至神经网络模型实际的输出信号与预设输出信号之间的误差在预设范围内或的调节次数达到预设次数为止，此时得到的作为神经网络模型的，从而确定所述神经网络模型的分类机制，即，当对逆变器的故障状态进行检测时，若神经网络模型的输出信号为0001，则逆变器的故障为第一个功率器件发生

23、故障。可以理解的是，所述包括神经网络模型的输入层与隐含层之间的以及神经网络模型的隐含层与输出层之间的。0062所述故障检测方法可以包括一次神经网络模型的训练过程，也可以包括多次神经网络模型的训练过程。为了提高训练得到的的准确性，作发明的一种优选实施方式，所述故障检测方法包括多次神经网络模型的训练过程 ：调节逆变器的调制比，以获得多个不同的调制比，每获得一个调制比执行一次所述神经网络模型的训练过程。例如，可以调节逆变器的调制比分别为 0.6、0.7、0.8 和 0.9，将逆变器的第一个功率器件发生故障时所77说明书CN 104049159 A5/6 页对应的预设输出信号设置为 0001，第二个功

24、率器件发生故障时所对应的预设输出信号设置为 0010，第三个功率器件发生故障时所对应的预设输出信号设置为 0011，依次类推。每得到一个调制比，将所有故障状态所对应的逆变器的输出信号进行换，并将多个输出信号对应的谐波信号形成的信号矩阵作为神经网络模型的输入，多个输出信号对应的预设输出信号所形成的信号矩阵作为神经网络模型的输出，以确定神经网络模型的。应当理解的是，调制比为不同时训练得到的神经网络模型的是相同的。0063为了对所述神经网络模型进试，更进一步地，所述故障检测方法还包括在所述步骤 S10 之前执行的至少一次神经网络模型的测试过程，该测试过程包括 ：0064S04、将逆变器的调制比的值调

25、节为不同于所述训练过程中所对应的调制比的值，并对逆变器在所述预设故障下的输出信号进行换 ；0065S05、将换后的谐波信号输入所述神经网络模型 ；0066S06、比较所述神经网络模型的实际输出信号和所述预设输出信号是否一致，若是，则所述神经网络模型训练；若否，则所述神经网络模型训练失败。0067 如上文中所举例说明的在逆变器的调制比分别为 0.6、0.7、0.8 和 0.9 的情况下执行神经网络模型的训练过程，则所述测试过程中逆变器的调制比可以调节不同于训练过程中的调制比 (0.6、0.7、0.8 和 0.9) 的其他任意值。以所述测试过程中的调制比为 0.65 为例，当训练过程中第一个功率器

26、件发生故障所对应的预设输出信号为 0001 时，将逆变器的在第一个功率器件发生故障时的输出电压信号进行换后输入至所述神经网络模型，若此时神经网络模型的实际输出信号为 0001，则神经网络模型训练。可以理解的是，所述训练过程是根据多种故障类型以及各故障类型所对应的多个预设输出信号来确定神经网络的的，相应地，在测试过程中，需要对多种故障类型所对应的实际输出信号分别与多种故障类型所对应的多个预设输出信号进行比较，当多种故障类型所对应的实际输出信号与多种故障类型多对应的多个预设输出信号均相同时，则神经网络模型训练。即，当第二个功率器件发生故障所对应的预设输出信号为 0010 时，所述神经网络模型的实际

27、输出信号为 0010，当第三个功率器件发生故障所对应的预设输出信号为 0011 时，所述神经网络模型的实际输出信号为 0011，以此类推。0068 为了提高所述神经网络模型的测试效果，更进一步地，所述故障检测方法可以包括多次执行的神经网络模型的测试过程。每次测试过程的调制比均不同于所述训练过程的调制比。0069上述发明所提供的逆变器的故障检测方法的描述，可以看出，本发明通过对逆变器的输出电压信号进行换，从而将难以处理的时域信号转换为便于分析的频域信号，与现有技术中的检测电路的多个位置相比，由于换可以应用于各种不同的信号，因而所述检测方法的效率得到提高，适用范围有所增大 ；且快速换进一步提高了检测效率 ；另