← 返回
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。