← 返回
可靠性与测试 多电平 故障诊断 深度学习 机器学习 ★ 4.0

基于CNN的模块化多电平变换器开路故障检测与定位的鲁棒谐波特征提取

CNN-Based Robust Harmonic Feature Extraction for Open-Circuit Fault Detection and Localization in Modular Multilevel Converters

作者 Dihong Huang · Zhipeng Zhou · Ningyi Dai
期刊 IEEE Transactions on Power Electronics
出版日期 2025年12月
技术分类 可靠性与测试
技术标签 多电平 故障诊断 深度学习 机器学习
相关度评分 ★★★★ 4.0 / 5.0
关键词 模块化多电平变换器 开路故障 故障检测 子模块定位 卷积神经网络 特征提取 谐波分析
语言:

中文摘要

本文提出了一种基于卷积神经网络(CNN)的模块化多电平变换器(MMC)开路故障检测与定位方法。该方法不采用端到端分类,而是将CNN作为物理信息特征提取器,通过鲁棒估计开关频率来增强基础理论模型,从而实现对子模块(SM)故障的精确识别。

English Abstract

This letter presents a novel convolutional neural network (CNN)-based methodology for robust and accurate open-circuit fault detection and submodule (SM) localization in modular multilevel converters. Instead of an end-to-end classifier, the proposed method employs the CNN as a physics-informed feature extractor to enhance a foundational theoretical model by robustly estimating switching frequency...
S

SunView 深度解读

该技术对阳光电源的集中式逆变器及大型储能系统(如PowerTitan系列)具有重要参考价值。随着大功率变换器拓扑向多电平化发展,子模块的可靠性直接影响系统可用性。本文提出的基于CNN的物理信息特征提取方法,能够有效提升故障诊断的鲁棒性,减少误报。建议研发团队将其应用于iSolarCloud智能运维平台,通过边缘计算实时提取谐波特征,实现对逆变器及PCS核心功率模块的预测性维护,从而降低运维成本,提升大型电站的系统可靠性。