针对海上风电轻载运行的轻型模块化多电平变换器开路故障定位方法

《Electronics》：Open-Circuit Fault Location Method of Lightweight Modular Multilevel Converter for Deloading Operation of Offshore Wind Power Zhehao Fang and Haoyang Cui

　　

在海上风电场中，模块化多电平变换器（modular multilevel converters, MMCs）可能在轻载（deloading）工况下运行以适应风速波动和调度约束。此处，轻载定义为传输功率小于0.2 pu（标幺值）的情形（场景S2，低功率非反转）。在此工况下，子模块电容电压故障特征微弱，且呈现强运行点依赖性漂移，导致传统的基于阈值或离线训练方法性能退化。研究人员提出了一种面向轻载MMC的轻量级开关级绝缘栅双极晶体管（insulated gate bipolar transistor, IGBT）开路故障定位框架。该框架采用小波包分解（wavelet packet decomposition, WPD）提取时频能量特征，并通过主成分分析（principal component analysis, PCA）降低特征维度以实现轻量部署。增强型XGBoost模型进一步融合严重度指数加权以缓解类别不平衡，并通过增量学习适应风电波动引起的工况漂移。MATLAB 2024b/Simulink结果表明，该方法在S2场景下准确率达99.6%，推理延迟低于2 ms，并在包括部分功率运行和功率反转在内的扩展场景中具有鲁棒性能。

模块化多电平变换器（modular multilevel converter, MMC）凭借其卓越的电压构建能力和频率主动支撑能力，已成为海上风电送出工程的核心技术载体。然而，由于海上风电输出功率存在显著的随机性与波动性，实际运行中常伴随功率波动与轻载等复杂工况。研究表明，MMC的桥臂电流、能量分布及子模块电容电压特征与功率运行工况密切相关，当传输工况发生变化时，MMC运行点随之迁移，导致桥臂瞬时功率与能量分布发生显著变化，子模块电容电压特征亦随之改变。尽管数据驱动的MMC故障诊断方法已取得重要进展，但针对海上风电轻载场景时变漂移的研究仍存在明显不足，现有研究主要面临三方面局限。

第一，主流深度学习模型难以兼顾高精度与轻量化的工程需求。以卷积神经网络（convolutional neural network, CNN）和长短期记忆网络（long short-term memory, LSTM）为代表的模型虽通过自动特征提取实现了高精度端到端诊断，但其庞大的参数量与复杂的矩阵运算逻辑带来了巨大的计算开销。第二，现有模型多基于静态分布假设，缺乏对动态工况漂移的自适应能力。大多数算法假设训练集与测试集独立同分布，当功率波动或轻载导致MMC快速变化时，桥臂电流、子模块电容电压及内部功率易受不稳定扰动影响，这些扰动主要源于dP/dt暂态过程与内部控制回路动态调整的复杂叠加。尽管已有文献通过迁移学习在一定程度上缓解了工况变化问题，但大多依赖离线域适应，无法通过在线增量学习实时更新模型，导致模型泛化能力随时间显著下降。第三，轻载条件下的类别不平衡与弱特征问题常被忽视。在此情境下，非稳态运行过程进一步影响MMC内部电气特性的稳定性，桥臂电流幅值降低并收敛于相似模式，使得故障子模块与健康子模块的电压特征差异显著弱化；低功率运行时，故障特征易被噪声淹没，故障样本极度稀缺，传统基于重采样或损失加权的方法未能充分考虑轻载条件的物理特殊性，导致开路故障漏检率居高不下。

为突破上述瓶颈，研究人员开展了一项面向海上风电轻载运行的MMC开关级IGBT开路故障定位方法研究，论文发表于《Electronics》。该研究的核心贡献在于：揭示MMC在海上风电轻载工况下故障特征的漂移规律；提出基于WPD-PCA的轻载故障特征增强与解耦方法；构建面向工况漂移的轻量级XGBoost增量学习故障定位模型。研究结论表明，所提框架在S2低功率非反转场景下达到99.6%的准确率，推理延迟低于2 ms，显著优于传统静态模型；增量学习机制能够有效适应风电波动引起的非平稳漂移，避免全量重训；多标签解码策略有效解耦了位置-机制决策空间，提升了相似故障的可分离性。该研究为海上风电MMC在变工况复杂运行条件下的在线故障诊断提供了理论依据与技术方案，具有重要的工程应用价值。

研究所采用的关键技术方法包括以下方面。在特征提取层面，采用小波包分解进行多尺度时频功率特征提取，利用其时频局域化能力精确提取故障能量特征，实现故障信号与工况波动的频域解耦；继而引入主成分分析对高维特征进行降噪与降维，将高维数据投影至低维子空间，在滤除物理噪声的同时完成特征压缩。在模型构建层面，采用改进XGBoost算法，通过多标签输出结构实现桥臂-子模块-器件的端到端精细定位；引入基于严重度指数的样本加权策略，通过分段权重函数对低功率难识别样本或高严重度样本赋予更高训练权重；融合增量学习机制，基于XGBoost加法模型特性实现热启动更新，仅新增有限数量的提升树以适应工况漂移。仿真验证基于MATLAB 2024b/Simulink平台开展。

研究背景与轻载工况影响分析部分，研究人员首先建立了MMC系统拓扑与数学模型，揭示了海上风电场轻载运行机理及其对MMC的影响。当海上风电场参与电网频率支撑或面临弃风限电时，需通过超速控制或变桨控制使运行点偏离最大功率点跟踪（maximum power point tracking, MPPT）曲线，导致MMC直流侧输入功率大幅波动并显著降低。研究将MMC传输功率小于额定功率20%定义为轻载工况（<0.2 pu），该低功率状态致使故障特征分布发生偏移：风速随机性与调频指令动态变化使MMC内部能量交换模式频繁改变甚至发生功率反转，子模块电容电压等关键故障观测量的统计分布呈现强非平稳性。进一步地，研究人员系统归纳了功率波动或负载暂态下非平稳扰动的三类物理机制：直流耦合效应——严重功率波动时负载暂态可能掩盖或模拟实际开路故障的电气影响，导致健康与故障状态特征分布高度重叠；内部控制动态——系统响应功率突变时，电容电压平衡算法等主动调节机制向特征信号注入谐波抖动，形成非平稳噪声；频谱泄漏——快速功率偏移导致系统电气频率微波动，引起频域特征模糊。这些机制的叠加为传统静态模型在复杂暂态下的失效提供了理论解释，也凸显了增量学习方法的必要性。

在IGBT开路故障机理与特征分析方面，研究人员分别阐述了T1和T2管开路故障在稳态与轻载条件下的特征差异。T1开路故障将阻断电容正常放电路径，导致电容电压异常恒升；T2开路故障则迫使电流通过D1对电容非预期充电，造成电压异常累积上升。然而在轻载条件下，由于桥臂电流i_am幅值极小，正常运行的放电速率已非常缓慢，故障状态与正常低功率状态的轨迹差异极小；加之测量噪声叠加，T2故障早期微弱的电压漂移往往小于传感器噪声水平，使得故障潜伏时间延长而难以早期锁定。

WPD-PCA特征增强与轻量预处理部分，研究人员提出了多标签时变小波频特征提取与重构方法。首先构建多标签编码范式，将每个样本标签定义为包含桥臂位置、子模块索引、故障类型的三元组，实现"端到端"轻量定位。以子模块电容电压u_c(t)作为主要测度，经滑动窗口归一化预处理后，采用db3小波进行三层小波包分解，提取各频带功率特征；继而通过PCA将高维特征映射至低维正交子空间，在保留关键判别信息的同时压缩特征维度、滤除物理噪声。针对轻载条件下故障样本与正常波动相似导致的"难分离样本"及类别不平衡问题，引入基于严重度指数的加权策略：定义时间窗口内严重度指数γ以量化当前工况偏离额定点的程度，并构建分段权重函数w_n，对低功率或高严重度样本赋予更高训练权重，迫使模型在目标函数层面关注难分类样本。

增量学习策略部分，研究人员设计了基于XGBoost加法模型特性的轻量级增量学习机制。XGBoost通过逐轮迭代构建回归树模型，每轮新生成的回归树基于前序模型的预测残差进行训练以修正预测误差。研究所采用的增量更新机制利用热启动方式，在已有模型基础上仅针对新采集样本新增有限数量的提升树，避免完全从零开始重训练，从而有效应对风电随机性和MMC长期动态漂移导致的分布偏移问题，防止定位精度随工况漂移而下降。

仿真验证与结果分析部分，研究人员在MATLAB/Simulink中构建了基于海上风电轻载工况的MMC仿真模型，并注入单/多子模块IGBT开路故障进行验证。跨场景整体定位性能方面，在S0至S4五个场景中各注入300次随机故障，所提方法在S0-S4场景的准确率分别为94.2%、92.8%、99.6%、89.7%和88.3%，宏F1值为0.918±0.021；其中S4严重功率反转场景准确率略低于90%，但仍优于传统方法的76.4%。在轻载定义条件下（传输功率< 0.2 pu），WPD-PCA-XGBoost在低功率非反转子集（S2）达到99.6%准确率。非平稳性量化与分布偏移验证方面，选取PCA第一主成分和WPD第三频带能量作为关键特征，计算S0→S4场景的Kolmogorov-Smirnov距离和Wasserstein-1距离：KS距离从0.12增至0.58，Wasserstein距离从0.08增至0.43，特征偏差程度显著，证实了传统模型性能退化的统计显著性及增量更新必要性。多标签解码改善相似故障可分离性方面，对比单标签三分类、双标签独立分类、三标签三种方案，结果表明多标签策略通过分离位置-机制决策空间，有效解耦了时域相似性与频域差异，使分类器能够聚焦于开关频率边带特征。与现有方法对比方面，在轻载条件（S2，传输功率< 0.2 pu）下，WPD-PCA-XGBoost达到最高测试准确率99.6%；由于PCA特征降维和增量学习策略，训练时间从反向传播（back propagation, BP）网络的15.3 ms降至11.3 ms（降幅26.1%），单样本推理延迟维持1.8 ms（低于2 ms），满足在线故障定位实时性要求。鲁棒性方面，蒙特卡洛灵敏度分析（N=200次独立运行）同时考虑±20%子模块电容漂移、动态测量噪声及静态传感器偏移误差的最坏耦合干扰，结果表明正常与故障状态特征分布保持清晰安全裕度，验证了方法对现场测量噪声、传感器不准确及系统参数退化的高工程可靠性。

讨论与结论部分，研究人员指出所提轻量级故障定位方法适用于海上风电轻载场景，基于WPD能量特征和PCA降维构建电容电压故障特征指标，结合严重度指数加权和XGBoost热启动增量更新机制，在分布偏移条件下提升鲁棒性且无需重新训练。与现有数据驱动MMC子模块IGBT开路故障定位方法相比，所提策略在主动卸载条件下具有显著的准确率和计算时间优势，增量学习机制可实现动态模型更新而无需从零重训。定量而言，S2场景测试准确率达99.6%，多标签分类和PCA降维贡献了模型的轻量化，训练时间降低26.1%至11.3 ms，单样本推理延迟仅1.8 ms。此外，WPD-PCA-XGBoost框架对于电容退化故障（通常表现为低频电压纹波异常）和传感器故障等其他典型MMC故障具有理论可扩展性：电容退化故障可通过自适应调整WPD模块提取低频段判别特征，传感器故障可利用PCA机制捕捉相关电气量空间维度的破坏，多重并发故障可通过多标签解码策略独立评估各故障维度概率以实现多故障定位。将框架扩展至这些多样故障类型以实现全面状态监测，是后续研究的核心方向。