适用于ANPC三电平逆变器实时故障诊断的新方法，速度快、精度高
功率开关器件是逆变器核心组成部分，其故障特征参数的提取及分类方法是故障诊断和预测的重要技术基础，对于提高逆变器可靠性具有重要意义。
合肥工业大学电气与自动化工程学院、可再生能源接入电网技术国家地方联合工程实验室的研究人员李兵、崔介兵、何怡刚、史露强、刘晓晖，在2020年第10期《电工技术学报》上撰文，以有源中性点钳位（ANPC）三电平逆变器的IGBT开路故障诊断为例，提出一种基于能量谱熵及小波神经网络的故障诊断方法，采用ANPC三电平逆变器上、中、下桥臂电压作为测量信号，通过小波包能量谱熵提取桥臂电压信号特征，并利用核主成分分析对特征向量进行优化；并利用自适应矩估计小波神经网络（A-WNN）建立故障字典。
实验结果表明，A-WNN具有故障特征辨识速度快、精度高等优点，适用于ANPC三电平逆变器实时故障诊断。
相比传统两电平逆变器，三电平逆变器具有承受电压高和电压电流上升率低等优点，目前已得到广泛应用。为克服二极管钳位式（Neutral-Point Clamped, NPC）三电平逆变器功率器件损耗不平衡的缺陷，T. Bruckner教授等提出了有源中性点钳位（Active NPC, ANPC）三电平逆变器拓扑结构如图1所示。该结构因具有功率大、容量大及器件损耗平衡等特点，而得到广泛应用。
但相比之下，三电平逆变器IGBT数量增加了，且电路结构更加复杂，任一IGBT故障均可导致逆变器无法正常工作，甚至发生二次故障，造成巨大经济损失。因此，有必要及时准确定位逆变器故障位置。
图1 ANPC三电平逆变器拓扑结构
电力电子功率器件硬故障包括开路和短路故障，因具有突发性和破坏性大等特点，成为目前研究热点。短路故障目前已有成熟的检测方案，因此，合肥工业大学、可再生能源接入电网技术国家地方联合工程实验室的研究人员针对IGBT功率器件开路故障进行了研究。
研究人员认为，目前开路故障诊断方法主要分为基于数据和基于模型两类。前者主要利用器件电压和电流获取器件故障信息。但是目前的研究方法对信号依赖程度较高，易受外部干扰信号影响，准确率较低。
另一种是信号与人工神经网络、支持向量机、极端学习机（Extreme Learning Machine，ELM）等相结合的智能诊断算法。但是，据文献分析发现，目前的智能诊断算法存在计算复杂、硬件要求高，难以实现在线监测和参数选择等问题。
此外，基于模型的方法近些年也被广泛提出。虽然本方法不需增加额外硬件，且对负载变化不敏感，但该方法需对电路精确建模，若电路稍加改动，则需重新建模。
逆变器故障诊断方法需要较好的抗干扰能力和较高诊断准确度。为此，研究人员提出了一种基于能量谱熵及小波神经网络的故障诊断方法。
首先，将信息熵理论融入小波包分解，形成小波包能量谱，可减少外部信号干扰，有效提取故障信号特征。其次，采用自适应矩估计小波神经网络（Adam-Wavelet Neural Network, A-WNN），充分利用小波基函数的伸缩性和平移性，根据参数训练历史自动更新参数学习率，避免算法陷入局部极小值。最后，搭建ANPC三电平逆变器实验平台。故障诊断流程如图2所示。
图2 故障诊断流程
图3 实验系统
诊断结果表明，所提出的诊断方法可以达到98.46%的准确度，性能优于ELM、PSO-BP、RBFNN、WNN等神经网络，且单次诊断时间短，适用于在线故障诊断。