三相SPWM逆變器是大功率逆變電源，近幾年在許多大中型企業中得到廣泛應用，主要用于提供一種能夠驅動振幅、相位、頻率的三相電源[1]。但是，逆變器中的半導體功率變換器也是最容易發生故障的環節，一旦發生故障，企業不但產生巨大的經濟損失，還可能發生重大事故。設計合理的診斷方案來解決電力電子電路中出現的問題是現代研究的重點。國內外學者對逆變器的故障診斷都有較為深入的研究，其中有些學者提出用神經網絡對三相逆變器的故障進行分類的診斷方法[2-5]，為診斷方法提供一種思路，但神經網絡固有的一些缺點，如收斂速度慢，泛化能力不夠，容易陷入局部極小值等影響了診斷率。還有學者提出基于模型的故障診斷方法[6-7]，引入鍵合圖等建模方法來對逆變器建模，增加了檢測中的準確率，不足之處是分析過程比較復雜很容易出錯。
    針對電力電子電路具有非線性的特征而無法采用精確的數學模型進行故障診斷，本文對三相SPWM逆變電路先采用小波分析方法，對所需要的信號進行分解，得到經小波分解后的能量值，然后以各尺度的能量值作為特征向量，輸入經過PSO優化SVM的模型進行分類故障診斷。仿真實驗結果表明，與傳統的BP神經網絡和SVM相比，此方法取得了較好的故障診斷效果。
1 支持向量機(SVM)
    SVM是一種基于統計學習理論來處理模式分類問題的算法，其基本思想是找到一個“最佳”的超平面作為學習問題的解決方案。它避免了人工神經網絡等方法的網絡結構選擇、過學習和欠學習，可以提供一個在大量訓練數據之間只有少數向量的全局優化的分離邊界，不同于其他學習機可能會產生局部極小。
    SVM的目標是找出距兩個類之間最大距離的分離邊界，如圖1所示。

    其中 K(xi，x)是一個進行非線性映射到特征空間的多項式核函數。為了獲得SVM的最佳解決方案，有不同的內積函數可以選擇[9-10]。本文選擇徑向基函數(RBF)，這是因為使用RBF時，只需要確定較少的SVM參數，而其他的多項式核函數會使參數優化變得復雜。
2 小波變換的多分辨率分析故障特征提取
    如圖2所示，采用小波變換的多分辨率Mallat算法進行信號的分解[11]。從信號濾波的角度理解，首先構造了低通和高通濾波器，得到了一組所需要的低頻信號和高頻信號，直到分解至第M層，每層分解得到的低頻和高頻信號是原信號的一半。其分解結果既不會冗余，也不會損失原信號信息。

    (1)初始化，隨機產生粒子的初始位置和速度；
    (2)計算初始適應度，然后根據適應度更新pbest和gbest。；
    (3)根據式(5)、式(6)更新粒子速度和位置。再次計算適應度值，更新pbest和gbest；
    (4)依此循環，當循環至最大迭代次數或滿足要求，則結束尋優。否則轉至步驟(2)。
3.2 PSO-SVM故障診斷方法
    本文所介紹的PSO-SVM的三電平SPWM逆變器故障診斷方法，首先獲得逆變器故障信息，然后選擇母小波進行小波分析，提取故障特征，其主要步驟如下：
    (1)根據第2節多分辨率分析故障特征提取，可以選擇逆變器故障時產生的負載電壓為對象進行小波分析，以高頻部分的能量組成特征向量(E1，E2，…，Ej)。
    (2)對數據進行預處理，將所有的特征向量歸一化到[0，1]區間。
    (3)PSO-SVM的故障分類，其具體實施步驟如下：
    ①建立PSO-SVM分類模型，如圖4所示。PSO-SVM模型由M個PSO-SVM網絡組成（本文中M為三相逆變器故障類型數）。x為PSO-SVM模型的輸入數據，PSO-SVMi（i=0，1，…，M）輸出目標函數Yi值為0和1。當屬于第i類PSO-SVM時，PSO-SVMi輸出目標函數Yi為1，否則為0。

    ②先建立訓練樣本（T，Y），再根據PSO-SVM算法，產生合適的C和γ。
    ③用步驟(2)中確定好的模型，輸入未知故障樣本，然后就可以得到每一個Y值，從而確定了故障類型和位置。
4 實驗結果分析
    三相SPWM逆變器由6只IGBT構成，其電路系統結構如圖5所示。對逆變器的輸出電壓故障波形進行采樣。采樣點N=260，采樣頻率為fs=50 kHz。在建立故障樣本時考慮逆變器輸入電壓和負載功率，分別為600 V/30 kW、600 V/40 kW、600 V/50 kW、600 V/60 kW、600 V/70 kW、630 V/30 kW、630 V/40 kW、630 V/50 kW、630 V/60 kW和630 V/70 kW 10種情況。本文篇幅有限，只對其中7種故障情況(包括正常情況)作分析[13]：逆變器中只有一個IGBT開路故障(3種：VT1，VT2，VT3)和兩個IGBT開路故障(3種：VT1和VT2，VT1和VT6，VT1和VT4)。再用小波多分辨率分析故障特征提取方法得到特征向量，這樣得到了10×7=70組故障樣本，將其中在情況(1)～(3)和(9)～(10)下每種故障作為學習樣本，其余的(4)～(8)組故障樣本作為測試樣本。

    采用這種方法對三相SPWM逆變器故障進行診斷，對故障情況進行分類：無故障為類型1，VT1故障為類型2，…，VT1和VT6故障為類型7。經過仿真實驗，得到故障的實際分類和預測分類如圖6所示。

    根據圖7可以得到整個模型的故障準確率為94.285 7%，在系統中出錯個數為2個。
    采用普通的BP神經網絡，SVM和本文提出的PSO-SVM對逆變器故障診斷問題進行研究對比，試驗結果如圖7所示?？梢钥闯鯬SO-SVM的故障診斷是有效的，而且比其他幾個診斷方法的精度更高。
    本文提出用PSO-SVM的故障診斷方法，采用多分辨率Mallat技術來對故障負載電壓的轉化進行分解，提取高頻能量為輸入數據特征向量；選用PSO優化SVM的參數。該診斷方法一方面使其泛化能力顯著提高，另一方面不需要建立數學模型而解決系統非線性的問題。通過仿真結果對比分析，驗證了方法的可行性，錯誤個數明顯下降，診斷精度顯著提高，實用性強，具有廣闊的發展前景。
參考文獻
[1] RASHID M.Power electronics handbook(2nd ed)[M].New York：Academic Press，2001.
[2] 吳小華，史忠科.三相SPWM逆變電源故障檢測與診斷的仿真研究[J].系統仿真學報，2004，16(7)：1512-1515.
[3] 張作良，唐朝暉，胡志坤，等.一種新型電力電子電路故障診斷方法[J].微計算機信息，2009(1)：159-160
[4] BO F，MING D，JIE Z，et al.Three-phase inverter fault diagnosis based on optimized neural networks[C].Computer Application and System Modeling(ICCASM)，2010 International Conference on.IEEE，2010.
[5] 劉艷，李海燕.三相逆變器功率管故障智能診斷研究[J].電測與儀表，2013(1)：15-20.
[6] ROTHENHAGEN K，FUCHS F W.Performance of diagnosis methods for IGBT open circuit faults in voltage source active rectifiers[C].Power Electronics Specialists Conference，2004.
[7] GONZ LEZ-CONTRERAS B M，RULL N-LARA J L，VELA-VALD S L G，et al.Modelling, simulation and fault diagnosis of the three-phase inverter using bond graph[C].  IEEE International Symposium on，IEEE，2007.
[8] SEBALD D J，BUCKLEW J A.Support vector machine tech niques for nonlinear equalization[J].Signal Processing，IEEE Transactions on，2000，48(11)：3217-3226.
[9] 肖剛.三電平逆變器故障診斷研究[D].西安：西安理工大學，2007.
[10] 唐發明，王仲東，陳綿云.支持向量機多類分類算法研究[J].控制與決策，2005，20(7)：746-749.
[11] 顧曉光.基于小波變換和支持向量機的電力電子電路故障診斷研究[D].開封：河南大學，2011.
[12] SHI Y，EBERHART R C.Parameter selection in particle swarm optimization.Evolutionary Programming VII.Springer  Berlin Heidelberg，1998：591-600.
[13] 張艷麗，帕孜來，馬洪雨.PWM逆變器開路故障模式分析及識別[J].自動化應用，2012(12)：27-29.