三相SPWM逆变器是大功率逆变电源，近几年在许多大中型企业中得到广泛应用，主要用于提供一种能够驱动振幅、相位、频率的三相电源[1]。但是，逆变器中的开云棋牌官网在线客服功率变换器也是最容易发生故障的环节，一旦发生故障，企业不但产生巨大的经济损失，还可能发生重大事故。设计合理的诊断方案来解决电力电子电路中出现的问题是现代研究的重点。国内外学者对逆变器的故障诊断都有较为深入的研究，其中有些学者提出用神经网络对三相逆变器的故障进行分类的诊断方法[2-5]，为诊断方法提供一种思路，但神经网络固有的一些缺点，如收敛速度慢，泛化能力不够，容易陷入局部极小值等影响了诊断率。还有学者提出基于模型的故障诊断方法[6-7]，引入键合图等建模方法来对逆变器建模，增加了检测中的准确率，不足之处是分析过程比较复杂很容易出错。
针对电力电子电路具有非线性的特征而无法采用精确的数学模型进行故障诊断，本文对三相SPWM逆变电路先采用小波分析方法，对所需要的信号进行分解，得到经小波分解后的能量值，然后以各尺度的能量值作为特征向量，输入经过PSO优化SVM的模型进行分类故障诊断。仿真实验结果表明，与传统的BP神经网络和SVM相比，此方法取得了较好的故障诊断效果。
1支持向量机(SVM)
SVM是一种基于统计学习理论来处理模式分类问题的算法，其基本思想是找到一个“最佳”的超平面作为学习问题的解决方案。它避免了人工神经网络等方法的网络结构选择、过学习和欠学习，可以提供一个在大量训练数据之间只有少数向量的全局优化的分离边界，不同于其他学习机可能会产生局部极小。
SVM的目标是找出距两个类之间最大距离的分离边界，如图1所示。

其中 K(xi，x)是一个进行非线性映射到特征空间的多项式核函数。为了获得SVM的最佳解决方案，有不同的内积函数可以选择[9-10]。本文选择径向基函数(RBF)，这是因为使用RBF时，只需要确定较少的SVM参数，而其他的多项式核函数会使参数优化变得复杂。
2 小波变换的多分辨率分析故障特征提取
如图2所示，采用小波变换的多分辨率Mallat算法进行信号的分解[11]。从信号滤波的角度理解，首先构造了低通和高通滤波器，得到了一组所需要的低频信号和高频信号，直到分解至第M层，每层分解得到的低频和高频信号是原信号的一半。其分解结果既不会冗余，也不会损失原信号信息。

(1)初始化，随机产生粒子的初始位置和速度；
(2)计算初始适应度，然后根据适应度更新pbest和gbest。；
(3)根据式(5)、式(6)更新粒子速度和位置。再次计算适应度值，更新pbest和gbest；
(4)依此循环，当循环至最大迭代次数或满足要求，则结束寻优。否则转至步骤(2)。
3.2 PSO-SVM故障诊断方法
本文所介绍的PSO-SVM的三电平SPWM逆变器故障诊断方法，首先获得逆变器故障信息，然后选择母小波进行小波分析，提取故障特征，其主要步骤如下：
(1)根据第2节多分辨率分析故障特征提取，可以选择逆变器故障时产生的负载电压为对象进行小波分析，以高频部分的能量组成特征向量(E1，E2，…，Ej)。
(2)对数据进行预处理，将所有的特征向量归一化到[0，1]区间。
(3)PSO-SVM的故障分类，其具体实施步骤如下：
①建立PSO-SVM分类模型，如图4所示。PSO-SVM模型由M个PSO-SVM网络组成（本文中M为三相逆变器故障类型数）。x为PSO-SVM模型的输入数据，PSO-SVMi（i=0，1，…，M）输出目标函数Yi值为0和1。当属于第i类PSO-SVM时，PSO-SVMi输出目标函数Yi为1，否则为0。

②先建立训练样本（T，Y），再根据PSO-SVM算法，产生合适的C和γ。
③用步骤(2)中确定好的模型，输入未知故障样本，然后就可以得到每一个Y值，从而确定了故障类型和位置。
4 实验结果分析
三相SPWM逆变器由6只IGBT构成，其电路系统结构如图5所示。对逆变器的输出电压故障波形进行采样。采样点N=260，采样频率为fs=50 kHz。在建立故障样本时考虑逆变器输入电压和负载功率，分别为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种情况。本文篇幅有限，只对其中7种故障情况(包括正常情况)作分析[13]：逆变器中只有一个IGBT开路故障(3种：VT1，VT2，VT3)和两个IGBT开路故障(3种：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，这样得到了10×7=70组故障样本，将其中在情况(1)～(3)和(9)～(10)下每种故障作为学习样本，其余的(4)～(8)组故障样本作为测试样本。

采用这种方法对三相SPWM逆变器故障进行诊断，对故障情况进行分类：无故障为类型1，VT1故障为类型2，…，VT1和VT6故障为类型7。经过仿真实验，得到故障的实际分类和预测分类如图6所示。

根据图7可以得到整个模型的故障准确率为94.285 7%，在系统中出错个数为2个。
采用普通的BP神经网络，SVM和本文提出的PSO-SVM对逆变器故障诊断问题进行研究对比，试验结果如图7所示。可以看出PSO-SVM的故障诊断是有效的，而且比其他几个诊断方法的精度更高。
本文提出用PSO-SVM的故障诊断方法，采用多分辨率Mallat技术来对故障负载电压的转化进行分解，提取高频能量为输入数据特征向量；选用PSO优化SVM的参数。该诊断方法一方面使其泛化能力显著提高，另一方面不需要建立数学模型而解决系统非线性的问题。通过仿真结果对比分析，验证了方法的可行性，错误个数明显下降，诊断精度显著提高，实用性强，具有广阔的发展前景。
参考文献
[1] RASHID M.Power electronics handbook(2nd ed)[M].New York：Academic Press，2001.
[2] 吴小华，史忠科.三相SPWM逆变电源故障检测与诊断的仿真研究[J].系统仿真学报，2004，16(7)：1512-1515.
[3] 张作良，唐朝晖，胡志坤，等.一种新型电力电子电路故障诊断方法[J].微计算机信息，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] 刘艳，李海燕.三相逆变器功率管故障智能诊断研究[J].电测与仪表，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] 肖刚.三电平逆变器故障诊断研究[D].西安：西安理工大学，2007.
[10] 唐发明，王仲东，陈绵云.支持向量机多类分类算法研究[J].控制与决策，2005，20(7)：746-749.
[11] 顾晓光.基于小波变换和支持向量机的电力电子电路故障诊断研究[D].开封：河南大学，2011.
[12] SHI Y，EBERHART R C.Parameter selection in particle swarm optimization.Evolutionary Programming VII.Springer Berlin Heidelberg，1998：591-600.
[13] 张艳丽，帕孜来，马洪雨.PWM逆变器开路故障模式分析及识别[J].自动化应用，2012(12)：27-29.