基于无监督学习的MMC 子模块开路故障诊断方法

来源：欧得旅游网

第49卷第12期电力系统保护与控制 Vol.49 No.12 2021年6月16日 Power System Protection and Control June 16, 2021 DOI: 10.19783/j.cnki.pspc.201019

基于无监督学习的MMC子模块开路故障诊断方法

张彼德1，洪锡文1，刘俊2，蒋拯2，刘铠1，余海宁1

(1.西华大学电气与电子信息学院，四川成都 610039; 2.国网重庆市电力公司，重庆 400014)

摘要：模块化多电平换流器(MMC)子模块发生故障时，快速准确地检测并定位故障是提高换流器运行可靠性的关键。目前，机器学习在MMC故障诊断领域得到了一定的应用，但大多需要采集每种故障情况下的样本，而故障样本采集难度较大。针对此问题，提出一种无需采集故障样本，仅根据正常样本训练分类模型即可实现故障检测和定位的无监督故障诊断方法。首先，采用在线顺序极限学习机对变量预测模型进行改进，通过比较预测量与实际量的距离判断桥臂故障，实现故障检测。其次，以故障桥臂各子模块电容电压变化率为特征，通过K近邻异常值检测方法定位故障子模块。最后，搭建了三相五电平MMC仿真模型对所提方法进行了仿真研究。结果表明，与有监督的机器学习方法相比，所提方法在不需要故障样本集的情况下便能快速准确地检测并定位故障，为机器学习在MMC故障诊断实际工程中的应用提供了参考。

关键词：模块化多电平换流器；开路；故障诊断；无监督学习；机器学习

Diagnosis method for sub-module open-circuit fault in modular multilevel converter

based on unsupervised learning

ZHANG Bide1, HONG Xiwen1, LIU Jun2, JIANG Zheng2, LIU Kai1, YU Haining1

(1. School of Electric Engineering and Electronic Information, Xihua University, Chengdu 610039, China;

2. State Grid Chongqing Electric Power Company, Chongqing 400014, China)

Abstract: When the sub-module of a MMC fails, detecting and locating the fault quickly and accurately is the key to improve its operational reliability. At present, machine learning has been applied to a certain extent in the field of MMC fault diagnosis, but most methods need to collect samples for each fault situation. This is difficult. Thus a fault diagnosis method based on unsupervised learning is proposed. This method avoids the difficulties of collecting fault samples, and only uses normal samples to train the classification model to achieve fault detection and location. First, the online sequential extreme learning machine is used to improve the variable prediction model, and the bridge arm fault is judged by comparing the distance between the predicted value and the actual value. Secondly, the change rates of the capacitance voltage of each sub-module of the bridge arm is extracted as features, and the faulty sub-module is located by the K-nearest neighbor abnormal value detection method. Finally, a three-phase five-level MMC simulation model is built to validate the proposed method. The results show that compared with the supervised machine learning method, the proposed method can quickly and accurately detect and locate faults without the need for fault sample sets. This provides a reference for the application of machine learning in the actual engineering of MMC fault diagnosis.

This work is supported by the National Natural Science Foundation of China (No. 61703345).

Key words: modular multilevel converter; open circuit; fault diagnosis; unsupervised learning; machine learning

0 引言

随着新能源装机规模的不断提升及电网逐渐向

基金项目：国家自然科学基金项目资助(61703345)；四川省电力电子节能技术与装备重点实验室项目资助(SZJJ2015-0)；四川省信号与信息处理重点实验室项目资助(SZJJ2017-049)

智能化方向发展，模块化多电平变换器(Modular

Multilevel Converter, MMC)越来越多的应用于柔性直流输电及新能源并网等领域[1-4]。MMC每个桥臂由多个相同参数的子模块(Sub-module, SM)串联分压而成[5-7]，任何一个子模块发生故障都会致使桥臂工作异常进而影响MMC的正常运行。因此，当子模块发生故障时快速准确地诊断出故障并通过冗余

控制策略对故障子模块进行替换，可以极大地提高MMC运行的可靠性[8]。

在MMC的元器件中，子模块的功率器件是故障率最高的元件[9]。功率器件的短路故障一般是由硬件保护电路进行检测[10]，且方案较成熟，而功率器件的开路故障不易发现，但任其发展会对系统造成严重的破坏[11]。国内外对MMC子模块的开路故障诊断方法主要有基于硬件的方法[12-13]、基于模型的方法[14-17]、基于机器学习的方法[18-22]三大类。文献[18]提出一种基于K-means聚类的模式识别方法，通过子模块二维轨迹的模式来检测和定位故障子模块，但该方法计算量大且复杂。文献[19]提出一种基于WPD与PCA相结合的特征提取及降维方法，并利用GA优化后的BP神经网络实现故障定位。文献[20]利用深度学习的方法进行故障诊断，使用栈式稀疏自动编码器提取子模块电容电压特征，输入Softmax分类器得到故障分类结果。文献[21]采用整体最小二乘支持向量机实现对故障桥臂的检测，但并没有对具体故障子模块进行定位。文献[22]提取时间、子模块电容电压、环流、负载电流作为特征向量，采用一维卷积神经网络实现了对故障的诊断。综上，基于机器学习的MMC开路故障诊断方法不需要建立复杂数学模型便可实现对故障的准确诊断且鲁棒性较好。但上述方法均为有监督学习方法，需采集每种故障情况下的样本训练故障分类模型才能实现故障的诊断，而MMC故障样本的获取存在一定的困难。

针对此问题，提出一种基于无监督学习的MMC子模块开路故障诊断方法，无需故障样本集便能实现故障的快速检测和定位。首先，对MMC正常运行及故障情况下的机理进行研究，选取最能反映子模块开路故障的信号作为故障特征参量；其次，利用改进变量预测模型的模式识别方法，通过比较桥臂电流特征量与其预测量的距离是否超过设定阈值判断故障，若检测到桥臂故障，则将故障桥臂子模块电容电压变化率作为特征值，通过K近邻(KNN)异常值检测方法定位故障子模块；最后，搭建MMC仿真模型对所提故障诊断方法进行验证。

图1 MMC拓扑结构 Fig. 1 Topology of MMC

MMC正常运行时子模块内部电流路径共有四种模式，如表1所示。

表1 子模块电流路径 Table 1 Path of sub-module current

模式

流经器件

电容状态充电放电旁路旁路

状态投入投入切除切除

1 1 0 >0 D1-C 2 1 0 <0 C-T1 3 0 1 >0 T2 4 0 1 <0 D2

对表1进行分析可知，若T1故障，则在模式2下才会对电路造成影响；若T2故障，则在模式3下才会对电路造成影响。

图2为模式2下T1开路和模式3下T2开路的子模块内部运行情况。由图2(a)，模式2下T1开路导致电容不能经T1放电；由图2(b)，模式3下T2开路导致电容不能被T2旁路致使被迫充电。

1 MMC子模块开路故障分析

目前，工程中应用最多的MMC拓扑如图1所示，其子模块结构为典型的半桥型结构。

图1中：Ud、id为直流侧电压、电流；ipj、inj(j=a,b,c)为上、下桥臂电流；T1、T2为子模块开关管；i为子模块电流；Uc为子模块电容电压。

图2 开路故障时子模块内部运行情况 Fig. 2 Internal operation of the sub-module

during open-circuit failure

由以上对功率管发生开路故障后子模块内部运行特性的分析，当子模块发生开路故障时，桥臂电流在子模块内部的流通路径在特定模式下将会改变，致使桥臂电流以及子模块电容电压发生变化。

2 基于无监督学习的故障检测方法

2.1 基于改进变量预测模型的模式识别方法

变量预测模型(Variable Predictive Model, VPM)利用特征变量间的相互内在关系建立数学模型，任何一个特征变量xi(i=1,2,…,p)都可以由其余的特征变量xj(j≠i)表达[23]。即特征变量xi的变量预测模型为

图3 OSELM网络结构 Fig. 3 Network structure of ELM

xi=f(xj,b0,bj,bjj,bjk)+e (1)

式中：b0、bj、bjj、bjk为模型参数；e为误差。

对于模式识别任务，因为不同类别的特征变量之间的内在关系不同，基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate, VPMCD)通过构建各个类别下各特征变量的VPM，利用误差平方和最小为判别标准，实现对未知样本的分类[24]。但其存在模型和阶数选择较困难，以及基本的VPM不能简单表征复杂模式下特征变量之间关系的问题[25]，了VPMCD的应用。因此，利用在线顺序极限学习机(Online Sequential Extreme Learning Machine, OSELM)强大的非线性表达能力和能够在线对参数进行更新的优点[26]，将OSELM替代原VPMCD中的预测模型对特征变量间的相互关系进行表达，提出一种基于OSELM的改进VPMCD(OSELM-VPMCD)方法。

OSELM的网络结构如图3，其输出为

Y=β⋅f(WX+b) (2)

式(2)可表示为

Hβ=Y (3)

式(3)中β可以通过式(4)进一步求解获得。

ˆ=argminT−Hβ (4) β

式(4)的解为

ˆ=H+T (5) β式中：T为样本标签；H+为H的Moore-Penrose

广义逆。

OSELM训练过程中不需要反复迭代对网络的参数进行更新，仅通过单次计算便可得出网络的最

优解，且具有人工神经网络强大的非线性表达能力。

OSELM对输出层的权重β后续更新为在线学习机制，在初步训练好网络后，当第k批样本达到需要进一步更新网络参数时，输出权重的更新方式为

βk=βk−1+PkHkT(Tk−Hkβk−1) (6)

式中：βk−1、βk分别为更新前及更新后的权重；

Hk为第k批样本隐含层输出矩阵；Tk为第k批样本标签；Pk为工作矩阵，初始化为式(7)。

P0=(H0H0)−1 (7)

其更新方式为

Pk=Pk−−11+ΗkT (8)

Pk=Pk−1−Pk−1HkT(I+HkHkT)−1HkPk−1 (9)

OSELM不需要之前的样本便可以对网络参数

进行更新，不仅降低了计算量，而且节约了存储空间。

OSELM-VPMCD将OSELM回归模型作为VPMCD中的VPM实现变量的预测，OSELM- VPMCD分为训练阶段和测试阶段，模型训练阶段步骤如下：

以提取的当1) 对于标签共有m类的分类问题，

前已有数据的特征X=[x1,x2,\",xn]作为总的训练样本。

2) 分别建立各类别下各个特征值的变量预测模型，则共建立了m类预测模型，每类包含n个VPM分别对样本的n个特征值进行预测。

3) 利用各类别的训练样本对该类别下的每个VPM进行训练，得到训练好的VPM。

4) 当获得新数据需要进一步更新模型参数时，按照OSELM的在线学习机制对初始训练好的VPM参数进行更新。

测试阶段步骤如下：

1) 将未知类别样本的特征向量X=[x1,x2,\",

xn]输入建立好的m类预测模型中，得到m个特征

󰀅k。向量预测值X

2) 计算特征向量X与其在各个类别下预测模型󰀅k之间的距离Ek。的预测值X

󰀅kEk=X−X

(10)

3) 将得到的m个距离值进行比较得到最小值

为Ek，则将该样本类别判断为第k类。

2.2 基于无监督的OSELM-VPMCD故障检测方法

MMC子模块发生开路故障后，将造成故障桥臂电流畸变和故障子模块电容异常充放电的情况。当负载较小时，子模块电容充放电较慢且当电平数较多时MMC子模块数量巨大，直接提取子模块电容电压特征进行故障诊断计算量较大且耗时较长，不利于故障的快速检测与定位。而MMC桥臂数远小于子模块数，采用桥臂电流作为故障参量相比于采用子模块电容电压作为故障参量，不仅能降低计算量，而且可以提高故障检测的速度。

因MMC桥臂故障情况可能是桥臂所包含所有子模块中的任意一个发生故障，且发生故障的时刻是任意的，要获得每种故障情况下足够的故障样本对故障分类模型进行训练是比较困难的。MMC通常运行在正常工作状态，能够提供充足的正常状态下的桥臂电流数据，而桥臂状态仅有正常和故障两种情况。因此，本文将OSELM-VPMCD方法改为无监督形式，仅利用正常情况下的特征量训练分类模型便可实现故障桥臂的检测。基于无监督的OSELM-VPMCD桥臂故障检测方法流程如图4所示，主要步骤如下：

1) 采集无故障时MMC的桥臂电流数据，提取基频和五倍及以下谐波分量幅值共五个特征作为初始训练集特征量；

2) 将特征量归一化后输入OSELM-VPMCD模型训练各VPM，得到初步训练好的模型；

3) 若有新的桥臂电流数据加入对模型参数进行更新，则执行步骤1)和步骤2)在线更新各VPM参数；

4) 提取MMC当前运行时刻下6个桥臂电流特征并归一化，依次输入训练好的OSELM-VPMCD模型得到其预测量，计算特征量与预测量之间的距离Ek(k=1,2,\",6)，若Ek大于设定故障阈值Eth，则桥臂k发生了故障，故障检测结束。

为提高故障检测的灵敏性，阈值Eth设定为正常运行情况下Ek统计值的最大值。

图4 故障检测流程图 Fig. 4 Flow chart of fault detection

还需从子模块电容电压的变化特性入手，才能实现故障的定位。MMC子模块结构如图5所示。

根据第1节分析可知：当T1故障时，在模式2(T1导通，iarm<0)下，电容C不能通过T1放电；当T2故障时，在模式3(T2导通，iarm>0)下，电容

C不能被T2旁路而过充电。即，当T1故障时，仅在模式2下故障特性才能够显现出来；当T2故障时，仅在模式3下故障特性才能够显现出来。故在子模块电容电压变化的一个周期范围内，仅在特定模式阶段，同一桥臂故障子模块较正常子模块电容电压

3 基于KNN异常值检测的故障定位方法

当MMC发生功率管开路故障时，通过所提OSELM-VPMCD桥臂故障检测方法诊断出故障桥臂后，因故障桥臂的所有子模块串联在一起，仅凭借桥臂电流变化特性无法定位具体的故障子模块，

图5 子模块结构 Fig. 5 Structure of sub-module

变化出现明显异常。因此将子模块电容电压变化率作为故障特征参量，更能精准地反应故障子模块的故障特性从而防止误定位。

相较于其余正常子模块，故障子模块的电容电压变化率在故障特性显现时可视为异常值。因此提出将KNN异常值检测用于故障子模块定位的方法，其定位流程如图6，步骤如下：

1) 提取故障桥臂每个子模块电容电压变化率，将其作为特征值；

2) 计算每个特征值到其近邻的K个特征值之间的平均距离Di；

3) 若Di大于设定的异常阈值Dth且持续一定时间Tth，则判断第i个子模块发生了故障，并结束故障定位流程。其余情况则返回步骤1)。

表2 MMC模型参数 Table 2 Parameters of MMC

参数

数值

直流电压Udc/V 800 桥臂子模块数量N/个 4 桥臂电抗L/mH 4 子模块电容C/mF 10 额定功率S/kVA 采样频率fs/kHz 10 额定频率fs/Hz 50

图6 故障定位流程图 Fig. 6 Flow chart of fault location

为模拟真实情况下的运行特性，子模块电容及桥臂电感有5%的误差，并对采样信号添加信噪比为20 dB的高斯白噪声。由于MMC桥臂数为6，每个桥臂子模块数为4，将故障检测输出结果定义为0—6：0表示无故障；1、2表示MMC的A相上、下桥臂故障；3、4表示MMC的B相上、下桥臂故障；5、6表示MMC的C相上、下桥臂故障。将故障定位输出结果定义为0—4：0表示无故障，1—4分别表示从故障桥臂上端开始第1—4个子模块发生开路故障。故障检测和定位过程中的数据采用滑动窗口获取，故障检测阶段滑动窗口长度为20 ms，即一个周期，步长为1 ms；故障定位阶段滑动窗口长度为1 ms，步长为0.1 ms。

图7为无故障时MMC运行情况。由图7可知，MMC在正常稳定运行情况下同一桥臂上各子模块电容电压同步变化，均压效果较好，上下桥臂电流相位差为180°且无畸变。

针对单子模块发生开路故障，故障后，正常子模块数为N−1(N为桥臂子模块数)，正常子模块特征值与其近邻的N−2个子模块特征值相距较近，故近邻数K取值为N−2。正常运行情况下各子模块电容电压变化率差值较小，各特征值到其余近邻之间的平均距离Di较小，而发生开路故障时，在模式2或模式3下故障子模块电容电压变化率将显著偏离其余正常子模块。为提高故障定位的可靠性，阈值Dth设定为正常运行情况下各桥臂子模块Di统计值最大量的3倍，持续时间Tth设定为10个故障定位周期。

图7 无故障时MMC仿真波形

Fig. 7 Simulation waveform of MMC in normal state

4 仿真验证

为验证所提基于无监督学习故障诊断方法的正确性，搭建了CPS型MMC逆变仿真模型，详细参数如表2所示。

设定在0.25 s时刻MMC的A相上桥臂第一个子模块T1管发生开路故障，图8(a)为故障桥臂电流，故障发生后桥臂电流发生了严重畸变。图8(b)为故障桥臂子模块电容电压，故障发生后起始阶段由于续流二极管反向截止导致桥臂电流基本为零，各子模块电容电压均升高，一段时间后故障子模块电容

电压偏离正常子模块。故障检测结果如图8(c)所示，检测到故障后启动故障定位机制，故障定位结果如图8(d)所示。由图8(c)和图8(d)知，故障诊断结果为MMC的A相上桥臂第1个子模块发生故障，与所设置实际故障位置相吻合，完成故障检测与定位时长为26 ms。

图8 T1管开路故障仿真

Fig. 8 Simulation of upper-switch failure

设定在0.35 s时刻MMC的C相上桥臂第3个子模块T2管发生开路故障，故障前后桥臂电流如图9(a)，故障检测及定位结果如图9(b)、图9 (c)所示。故障发生5 ms后，由图9(b)可知，在0.355 s时刻，桥臂5电流特征预测值与实际值的距离大于设定阈值，检测到故障桥臂并启动故障定位机制；由图9(c) 可知，在0.365 s定位到故障，故障位置为桥臂5第3个子模块。故障检测与定位结果与设定位置相同，完成故障检测与定位时长为15 ms。

using additional capacitors[J]. Power System Protection and Control, 2019, 47(23): 30-35.

[4] PEREZ M A, BERNET S, ROGRIGUEZ J, et al. Circuit

topologies, modeling, control schemes, and applications of module multilevel converters[J]. IEEE Transactions on Power Electronics, 2015, 30(1): 4-17.

[5] SONG Guobing, HOU junjie, GUO Bing, et al. Pilot

protection of hybrid MMC DC grid based on active detection[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 82-96. DOI: 10.1186/s41601-020- 0152-2.

[6] 方辉, 宋永辉, 周敬森, 等. 具有直流故障阻断能力的

图9 T2管开路故障仿真

Fig. 9 Simulation of lower-switch failure

逆阻型混合子模块拓扑[J]. 电力系统保护与控制, 2019, 47(18): 82-88.

FANG Hui, SONG Yonghui, ZHOU Jingsen, et al. An improved RB-hybrid SM with DC fault blocking capability[J]. Power System Protection and Control, 2019, 47(18): 82-88.

[7] 张婕, 曾国辉, 赵晋斌, 等. 基于改进冒泡法排序的模

块化多电平换流器电容电压均衡策略[J]. 电力系统保护与控制, 2020, 48(6): 92-96.

ZHANG Jie, ZENG Guohui, ZHAO Jinbin, et al. Modular multilevel converter capacitor voltage balancing strategy based on improved bubble sorting[J]. Power System Protection and Control, 2020, 48(6): 92-96. [8] RICHARDEAU F, PHAM T T L. Reliability calculation

of multilevel converters: theory and applications[J]. IEEE Transactions on Industrial Electronics, 2013, 60(10): 4225-4233.

[9] LI Binbin, SHI Shaolei, WANG Bo, et al. Fault diagnosis

and tolerant control of single IGBT open-circuit failure in modular multilevel converters[J]. IEEE Transactions on Power Electronics, 2016, 31(4): 3165-3176.

[10] ZHOU Weihao, JING Sheng, LUO Haoze, et al.

Detection and location of submodule open-circuit failures for modular multilevel converters with single ring theorem[J]. IEEE Transactions on Power Electronics, 2019, 34(4): 3729-3739.

[11] 李探, 赵成勇, 李路遥, 等. MMC-HVDC 子模块故障

诊断与就地保护策略[J]. 中国电机工程学报, 2014, 34(10): 11-19.

LI Tan, ZHAO Chengyong, LI Luyao, et al. Sub-module fault diagnosis and the local protection scheme for MMC-HVDC system[J]. Proceedings of the CSEE, 2014, 34(10): 11-19.

[12] HAGHNAZARI S, KHODABANDEH M, ZOLGHADRI

M R. Fast fault detection method for modular multilevel converter semiconductor power switches[J]. IET Power

限于篇幅，本文未将其余桥臂故障情况下所提方法的诊断结果进行展开分析。经过多次仿真实验得出：在不同类型故障情况下所提方法均能准确检测和定位故障且诊断时长均不超过40 ms。

5 结论

本文分析了MMC子模块发生开路故障时桥臂电流及子模块电容电压在各工作模式下的变化特性，提出了基于无监督学习的OSELM-VPMCD故障检测方法以及基于KNN异常值检测的故障定位方法。搭建了MMC仿真模型，应用所提方法对不同类型的单管开路故障进行了仿真验证。结果表明所提方法在无需故障样本的情况下，能够快速准确地诊断出故障子模块。参考文献

[1] 杨晓峰, 林智钦, 郑琼林, 等. 模块组合多电平变换器

的研究综述[J]. 中国电机工程学报, 2013, 33(6): 1-14. YANG Xiaofeng, LIN Zhiqin, ZHENG T Q, et al. A review of modular multilevel converters[J]. Proceedings of the CSEE, 2013, 33(6): 1-14.

[2] 王姗姗, 周孝信, 汤广福, 等. 模块化多电平电压源换

流器的数学模型[J]. 中国电机工程学报, 2011, 31(24): 1-8.

WANG Shanshan, ZHOU Xiaoxin, TANG Guangfu, et al. Modeling of modular multi-level voltage source converter[J]. Proceedings of the CSEE, 2011, 31(24): 1-8.

[3] 黄越, 李凤婷, 易鹏, 等. 应用附加电容的柔性直流输

电线路自适应重合闸策略[J]. 电力系统保护与控制, 2019, 47(23): 30-35.

HUANG Yue, LI Fengting, YI Peng, et al. Adaptive reclosure scheme of MMC-HVDC transmission lines

Electronics, 2016, 9(2): 165-174.

[13] AN Quntao, SUN Lizhi, ZHAO Ke, et al. Switching

function model-based fast-diagnostic method of open-switch faults in inverters without sensors[J]. IEEE Transactions on Power Electronics, 2011, 26(1): 119-126. [14] SHAO Shuai, WHEELER P W, CLARE J C, et al. Fault

detection for modular multilevel converters based on sliding mode observer[J]. IEEE Transactions on Power Electronics, 2013, 28(11): 4867-4872.

[15] SHAO Shuai, WATSON A J, CLARE J C, et al.

Robustness analysis and experimental validation of a fault detection and isolation method for the modular multilevel converter[J]. IEEE Transactions on Power Electronics, 2016, 31(5): 3794-3805.

[16] 殷实, 谭国俊. 一种基于扩展卡尔曼滤波算法的MMC系

统故障诊断策略[J]. 电工技术学报, 2016, 31(19): 1-7. YIN Shi, TAN Guojun. A novel fault diagnosis strategy of MMC system based on EKFA[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 1-7. [17] 徐坤山, 谢少军, 袁晓峰, 等. 模块化多电平换流器子

模块故障快速诊断方法[J]. 电力系统自动化, 2017, 41(18): 103-110.

XU Kunshan, XIE Shaojun, YUAN Xiaofeng, et al. Rapid diagnostic method for submodule failure in modular multilevel converter[J]. Automation of Electric Power Systems, 2017, 41(18): 103-110.

[18] YANG Qichen, QIN Jiangchao, SAEEDIFARD M.

Analysis, detection, and location of open-switch submodule failures in a modular multilevel converter[J]. IEEE Transactions on Power Delivery, 2016, 31(1): 155-1.

[19] 杨桢, 马子莹, 李鑫. 基于WPD-PCA与GA-BP的

MMC子模块故障定位方法研究[J]. 电子测量与仪器学报, 2019, 33(7): 181-186.

YANG Zhen, MA Ziying, LI Xin. Fault location of MMC sub-module based on WPD-PCA and GA-BP[J]. Journal of Electronic Measurement and Instrument, 2019, 33(7): 181-186.

[20] 尹桥宣, 段斌, 沈梦君, 等. 模块化五电平逆变器子模

块开路故障的智能诊断方法[J]. 电力系统自动化, 2018, 42(12): 1-8.

YIN Qiaoxuan, DUAN Bin, SHEN Mengjun, et al. Intelligent diagnosis method for open-circuit fault of sub-modules in modular five-level inverter[J]. Automation of Electric Power Systems, 2018, 42(12): 1-8.

[21] 李翠, 刘振兴, 柴利, 等. 模块化多电平换流器的子模

块开路故障诊断方法[J]. 中国电机工程学报, 2017, 37(27) : 6995-7003.

LI Cui, LIU Zhenxing, CHAI Li, et al. An open circuit fault detection method for sub-modules in modular multi-level converters[J]. Proceedings of the CSEE, 2017, 37(27): 6995-7003.

[22] KIRANYAZ S, GASTLI A, BEN-BRAHIM L, et al.

Real-time fault detection and identification for MMC using 1-D convolutional neural networks[J]. IEEE Transactions on Industrial Electronics, 2019, 66(11): 8760-8870.

[23] RAGHURAJ R, LAKSHMINARAYANAN S. Variable

predictive models: a new multivariate classification approach for pattern recognition applications[J]. Pattern Recognition, 2009, 42(1): 7-16.

[24] 马利洁, 朱永利, 郑艳艳. 基于并行变量预测模型的

变压器故障诊断及优化研究[J]. 电力系统保护与控制, 2019, 47(6): 82-.

MA Lijie, ZHU Yongli, ZHENG Yanyan. Research on transformer fault diagnosis and optimization based on parallel variable prediction model[J]. Power System Protection and Control, 2019, 47(6): 82-.

[25] 姜战伟, 郑近德, 潘海洋, 等. 基于改进多尺度熵与

VPMCD的滚动轴承故障诊断[J]. 噪声与振动控制, 2017, 37(3): 156-161.

JIANG Zhanwei, ZHENG Jinde, PAN Haiyang, et al. Fault diagnosis of rolling bearings based on improved multiscale entropy and VPMCD[J]. Noise & Vibration Control, 2017, 37(3): 156-161.

[26] 张秦梫, 宋辉, 姜勇, 等. 基于OS-ELM的变压器局部

放电模式识别[J]. 高电压技术, 2018, 44(4): 1122-1130. ZHANG Qinqin, SONG Hui, JIANG Yong, et al. Partial discharge pattern recognition of transformer based on OS-ELM[J]. High Voltage Engineering, 2018, 44(4): 1122-1130.

收稿日期：2020-08-20；修回日期：2020-10-26 作者简介：

张彼德(1975—)，男，教授，博士，研究方向为电气设备在线监测及故障诊断；E-mail: fyhzxx2015@sina.com

洪锡文(1993—)，男，通信作者，硕士研究生，研究方向为电力电子设备故障诊断。E-mail: 11372536@qq.com

(编辑姜新丽)

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文