0 引言

发电机励磁功率单元由晶闸管整流电路和交流电源两部分组成，主要作用是输出励磁电流并通过励磁系统调节来维持机端电压稳定和并联机组间的无功分配^[1]。保持励磁功率单元的正常运行对发电机及整个电力系统有重要作用^[2]。由于长期处于高频通断的工作状态，晶闸管整流电路极易发生故障^[3]。

目前对于大功率电力电子变换设备的故障诊断有2种思路：一是硬件冗余；二是软件冗余^[4]。前者通过检测故障信号，辅以硬件电路实现故障诊断。文献[5]设计了一种新型罗氏线圈(Rogowski coil)传感器，通过检测电感电流导数，利用简单的硬件电路实现非隔离单开关DC-DC变换器中的开路和短路故障检测。但是硬件冗余应用于整个系统会导致成本增加，且有可能受限于重量或空间等物理问题。

软件冗余方法主要有3种。一是基于解析模型^[6-8]的方法，其思想是建立功率变换单元的数学模型，将实际测量的输出信号与理论模型的输出信号对比得到残差，以此作为分析信号进行故障诊断。文献[9]提出了以网侧电流残差变化率为判据的故障诊断方法，通过建立混合逻辑动态模型得到相互独立的故障特征，设定检测阈值从而实现H桥整流器中IGBT开路故障的实时诊断，但此方法需要准确的数学模型做计算，实际应用性和模型可移植性较差。

第二种是基于信号处理^[10-12]的方法，通过在时域或频域里对输出信号做分析和变换，获得更加明显的故障信息，从而实现故障诊断和定位。常利用小波变换、谱分析法、希尔伯特–黄变化等方法对功率变换器进行故障诊断。文献[13]定义“面积”表达式描述可控整流电路输出电压，分析特征信号与故障类别的对应关系，通过改进的傅里叶变换对信号进行谱分析，从而对整流电路实现故障分类。使用傅里叶变换的缺点是需要对时窗内各次谐波整周期采样，实际情况中非平稳信号会限制傅里叶变换的应用。

第三类是基于知识^[14-16]的方法。不同于前2种方法，此方法依赖的是大量历史数据而非先验模型或信号变换。通过选择合适的智能算法对数据样本进行分析实现故障诊断。文献[17]直接使用原始电压电流数据，通过构建一维卷积神经网络，实现了对四单元八开关MMC的故障检测与识别；文献[18]以三相电压为判据，通过在PSCAD/EMTDC平台上建立MMC模型，采样得到各故障信号数据，将其输入到神经网络以检测故障子模块数量和所在桥臂，但未能实现精确定位。

大功率同步发电机为提高运行可靠性，其励磁功率单元通常使用多桥并联的结构增加冗余，正常工况下各整流桥同时工作，互为备用。目前对多桥并联功率单元的故障诊断研究较少。本文以双桥并联三相整流模型为例，针对晶闸管开路故障提出基于1D-CNN-LSTM混合神经网络模型的故障诊断方法，以1号整流桥共阴极侧和共阳极侧电流以及AB相线电压作为判据，无需对输入特征进行人工处理。仿真结果表明该方法能够快速、准确地对励磁功率单元晶闸管开路进行故障诊断，具有良好的抗噪声能力。

1 双桥并联励磁功率单元 1.1 工况分析

双桥并联励磁功率单元总共有12只晶闸管，每个整流桥包含6只晶闸管，两个整流桥通过并联的方式连接。图 1为双桥并联功率单元结构原理图。

晶闸管T₁₁、T₁₃、T₁₅和T₂₁、T₂₃、T₂₅位于共阴极侧，T₁₄、T₁₆、T₁₂和T₂₄、T₂₆、T₂₂位于共阳极侧。正常情况下，1号功率柜晶闸管导通顺序为T₁₁、T₁₂、T₁₃、T₁₄、T₁₅、T₁₆，2号功率柜晶闸管导通顺序为T₂₁、T₂₂、T₂₃、T₂₄、T₂₅、T₂₆，若以自然换向点作为触发角的起点，工程上触发角α=10°~90°时处于整流工作状态，触发角α=90°~150°时处于逆变灭磁状态。

励磁功率单元主要的故障类型是由于晶闸管高频通断导致的直通故障与开路故障。当晶闸管发生直通故障时，保护电路动作会切断线路使其转变为开路故障；当晶闸管发生开路故障时，另一功率柜相同位置的晶闸管会承担全部励磁电流的导通，保证发电机正常运行。例如T₁₁发生开路故障后，流过T₂₁的电流会变为原来的2倍，励磁电压和励磁电流因为T₂₁的导通不会变化，1号励磁柜共阴极侧电流在T₁₁导通时间为0，共阳极侧电流不变。

虽然通过整流桥的并联运行可以暂时保证发电机的正常工作，但这种不均流的现象会加重晶闸管的负担，进而缩短晶闸管使用寿命，降低励磁装置强励效果，造成更大的事故隐患。

大量实践表明，同一整流桥发生故障的晶闸管一般不会超过2个，所以在单个整流桥故障晶闸管数量小于3的情况下按故障发生位置将其分为6大类(将正常情况算作故障类型的一种)，如表 1所示。

1.2 故障诊断判据

以触发角α=60°为例，部分故障各状态量波形图如图 2所示。

图中I_d和U_d分别表示励磁电流和励磁电压，I_a和I_b分别表示1号功率柜共阴极侧电流和共阳极侧电流。对比正常工况与故障工况，当2个整流桥相同位置仅有一个晶闸管发生故障时，励磁电压和励磁电流并未发生明显变化。而1号功率柜共阴极侧电流和共阳极侧电流有各自的故障特征。例如仅T₁₁发生故障时，励磁电压和励磁电流与正常工况时相同，1号功率柜共阴极侧电流在T₁₁导通时间内为0，共阳极侧电流则不发生变化；而仅T₁₄发生故障时，励磁电压和励磁电流也和正常工况没有差异，1号功率柜共阴极侧电流在T₁₄导通时间内不发生变化，共阳极侧电流则变为0。励磁电压和励磁电流对单一整流桥故障不敏感，不适合作故障判据。实验表明选择1号功率柜的共阴极侧电流和共阳极侧电流作为故障特征是有效且合理的。

由于整流桥结构的对称性，有些故障类型反映在特征波形上只是相位的平移，如果采样零时刻不确定则可能会导致误判。交流侧状态量不会随故障变化，因此提取AB相线电压作为时间参考特征向量，通过比对故障特征向量与时间参考特征向量之间的相位关系，便可将其区分。最终确定1号功率柜共阴极侧电流I_a、共阳极侧电流I_b和AB相线电压U_ab共同作为故障诊断特征判据。

2 1D-CNN-LSTM混合模型 2.1 一维卷积神经网络

卷积神经网络依靠多个相同权值的卷积核提取目标特征，无需对特征进行手动提取，因此该结构具有较强的鲁棒性^[19]，在新兴的以人工智能和机器学习为基础的故障诊断中得到广泛应用。一维卷积神经网络是指卷积和池化操作仅在一维尺度上进行，其结构如图 3所示。

卷积操作只计算前一层神经元的局部参数，减少了参数数量，降低了网络复杂度，随后通过激活函数得到新的特征量传递至下一层网络。其数学模型如公式(1)所示

${H_i} = f({H_{i - 1}} \otimes {\boldsymbol{W}_i} + {\boldsymbol{b}_i})$

(1)

式中：H_i为第i层输入特征量；⊗代表卷积运算；W_i和b_i分别表示第i层卷积核的权值矩阵和对应的偏置向量；f代表激活函数，在模型中引入非线性因素，使其具有更好的表达能力。

卷积操作在层与层之间建立映射关系，为了进一步减小计算量，引入池化层对卷积后的特征量进行降维，同时降低网络过拟合的风险。其计算过程表示为

${H_i} = {\rm{down}}({H_{i - 1}})$

(2)

式中：H_i-1和H_i分别表示池化前后的特征量；down()表示池化函数。常用池化方法有最大值池化，平均值池化等^[20]。

2.2 长短期记忆网络

LSTM是循环神经网络(recurrent neural network，RNN)的一类变体，由输入层、隐藏层和输出层构成，LSTM在隐藏层各神经单元中加入记忆单元，使时间序列上的特征信息被选择性的输出，解决了RNN在实际应用中的长期记忆问题^[21]。LSTM的记忆单元结构如图 4所示。

细胞状态(cell state)通过3个门控结构更新，分别是输入门、遗忘门和输出门^[22]。在t时刻，细胞状态计算过程如下：

$\left\{ \begin{gathered} {f_t} = \sigma ({\boldsymbol{W}_f} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_f}) \\ {i_t} = \sigma ({\boldsymbol{W}_i} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_i}) \\ {\mathit{\boldsymbol{\widetilde C}}_t} = \tan h({\boldsymbol{W}_c} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_c}) \\ {C_t} = {f_t} \times {\boldsymbol{C}_{t - 1}} + {i_t} \times {\mathit{\boldsymbol{\widetilde C}}_t} \\ {o_t} = \sigma ({\boldsymbol{W}_o}[{h_{t - 1}},{x_t}] + {\boldsymbol{b}_o}) \\ {h_t} = {o_t} * \tan h({\boldsymbol{C}_t}) \\ \end{gathered} \right.$

(3)

式中：f_t、i_t、o_t分别为3个门控结构的计算结果；x_t为t时刻输入；h_t为t时刻LSTM输出；C_t为t时刻细胞状态；${\mathit{\boldsymbol{\widetilde C}}_t}$为新的候选值向量；W_f、W_i、W_o分别为对应门控结构的权重矩阵；b_f、b_i、b_o为其偏置向量；W_c是候选值向量的权重矩阵，其偏置用b_c表示；σ和tanh表示2种激活函数。

2.3 基于1D-CNN-LSTM的故障诊断

本文提出的1D-CNN-LSTM网络结构如图 5所示。输入特征量为1号功率柜共阴极侧电流、共阳极侧电流和AB相线电压3个一维向量。1D-CNN采用6层网络结构，通过3个一维卷积层和3个一维池化层将故障特征量进行特征重构与特征向量降维，没有破坏特征向量时序性。随后将特征量输入LSTM网络，通过LSTM网络对特征时序信息进行二次提取。经过LSTM处理的特征量输入全连接层，通过两层全连接层将维度降到与输出标签类别相同，通过Softmax分类器输出分类标签。

3 仿真与实验 3.1 数据集选取

故障类型如表 1所示为6大类，共$C_{12}^1 + C_6^2 \times $ $2 + C_6^1 \times C_6^1 + C_6^1 \times C_6^2 \times 2 + C_6^2 \times C_6^2 + 1 = 484$种故障类型。每个样本由3种故障特征量一个工频周期时长的采样序列构成。由于采样频率过高会导致采样电路和数据即时传输出现问题；而采样频率过低会导致每个输入样本中包含点数过少，进而影响网络的性能。综合考虑以上因素，采样频率设为4kHz，则每个输入数据的矩阵维度为80×3，总数据集的维度为80×3×K，K代表全体数据集样本总数。网络模型参数的确定需要大量数据作为样本支撑训练，因此本文借助MATLAB工具在Simulink中搭建双桥并联整流模型，为提高系统鲁棒性和模型泛化能力，通过对交流侧电压频率、幅值、故障时刻晶闸管导通角等参数进行微调，模拟真实情况下出现的扰动，同时增加数据集数量，使网络模型更加准确。数据集可变参数如表 2所示。

在MATLAB中建立脚本，控制Simulink中模型运行和参数更改，通过循环嵌套程序经过排列组合遍历所有参数类型，得到共$C_3^1 \times C_5^1 \times C_5^1 \times C_{484}^1 \times $$C_7^1 = 254100$组数据，每组数据大小为80×3。将全部数据按4:1的比例分为训练集和测试集，训练集维度为80×3×203280，测试集维度为80×3×50820。

3.2 数据归一化

3组故障特征量中2个为电流量，一个为电压量，表示的物理意义不完全一样，其数量级和量纲也不完全相同，为避免因数据不规范导致的数值问题，统一评价标准，使网络更快地收敛，采用线性归一化方法对原始数据进行处理，将其数值线性变换到[0, 1]之间，其数学表达式为

$x' = \frac{{x - \min (x)}}{{\max (x) - \min (x)}}$

(4)

式中：x表示原始数据；$x'$表示线性变换后的数据。

3.3 模型参数与结果分析

本文模型仿真所用实验平台参数为：Intel(R) Core(TM) i54210H处理器，基本频率为2.9GHz，8G内存，使用CPU训练。深度学习框架为TensorFlow，编程语言为Python3.6。

网络模型需要通过训练学习得到最优参数，训练过程如图 6所示。通过训练集对网络调参，若网络收敛，则用测试集测试分类准确率；若网络不收敛，说明网络的结构或参数设置存在问题。修改模型后再次训练，直到测试集的准确率达到最高。

网络学习率初始值为0.001，输入采用Shuffle batch打乱样本，避免梯度下降的过程中在局部最优解处振荡；卷积核采用零填充，所以卷积操作不影响特征量维度；池化函数选择最大值池化；模型训练使用自适应矩估计方法(adaptive moment estimation，Adam)通过最小化损失函数更新网络权重，Adam算法计算高效，对内存要求低，对梯度对角缩放保持不变，适用于解决大规模数据的优化问题，其计算过程如下所示

$\left\{ \begin{array}{l} {m_t} = {\beta _1}{m_{t - 1}} + (1 - {\beta _1}){g_t} \\ {v_t} = {\beta _2}{v_{t - 1}} + (1 - {\beta _2})g_t^2 \\ {{\hat m}_t} = \frac{{{m_t}}}{{1 - \beta _1^t}} \\ {{\hat v}_t} = \frac{{{v_t}}}{{1 - \beta _2^t}} \\ {\theta _t} = {\theta _{t - 1}} - \frac{{{{\hat m}_t}}}{{\sqrt {{{\hat v}_t}} + \varepsilon }}\alpha \\ \end{array} \right.$

(5)

式中：g_t表示梯度；m_t和v_t分别是对梯度的一阶矩估计和二阶矩估计；${\hat m_t}$和${\hat v_t}$修正了从原点初始化的m_t和v_t，α是初始学习率；θ_t是更新的参数。Adam算法的超参数依据文献[23]选取，即β₁设为0.9，β₂设为0.999，设为1×10-³。

网络损失选择交叉熵损失函数。其数学表达为

$L = - \sum\limits_{i = 1}^N {{{\hat y}_i}\log (} {y_i})$

(6)

式中：${\hat y_i}$代表第i个以独热编码表示的标签，即与故障类型相对应；y_i表示Softmax输出的第i个概率向量。

网络其他参数中，CNN参考LeNet-5网络^[24]选择并加以调整，LSTM参数的选择与CNN的输出相配合，最终得到各参数最优取值如表 3所示。

网络训练过程各指标变化情况如图 7所示。

图中蓝色线代表训练集准确率，红色线代表网络损失。由曲线可知，随着迭代次数的增加，训练集准确率呈振荡上升趋势，网络损失总体为振荡下降趋势。在迭代到2000次后，训练集准确率和网络损失均趋于稳定。最终在迭代至3000次时取得最好效果。训练集准确率为100%，网络损失为0.0245，训练结果表明网络收敛且拟合效果较好。取第3000次迭代网络为目标网络保存。

为验证网络泛化性能，将测试集全部数据输入到目标网络中，最终得到测试集准确率为97.92%。结果表明该网络结构对双桥并联励磁功率系统晶闸管开路故障有良好的诊断能力。

3.4 对比实验

为了验证本文所选网络模型的优越性，使用相同数据集与其他主流智能故障诊断网络模型以及本文所用模型的变体作对比，所用网络结构设计如下所示。

1）1D-CNN：在本文网络结构基础上去掉LSTM结构，即三层卷积与三层最大池化交替排列，通过两层全连接网络将输出与分类器相连。

2）LSTM：在本文网络结构的基础上去掉1D-CNN部分，选择基本单层LSTM模型，时间步为80，隐藏层节点数为512。

3）DNN：通过两层全连接网络与分类器连接，FC1隐藏层节点数为(240, 1024)，FC2隐藏层节点数为(1024, 484)。

4）1D-CNN-LSTM(1C1P)：本文网络结构1D-CNN只保留第一层卷积层和第一层池化层。

5）1D-CNN-LSTM(2C2P)：在本文网络结构的基础上去掉第三层卷积层和第三层池化层。

6）1D-CNN-LSTM(3C3P)：本文设计的网络结构。

7）1D-CNN-LSTM(4C4P)：在本文网络结构的基础上，1D-CNN后增加一层卷积层和一层池化层，卷积核尺寸不变，深度为32，池化层尺寸与前层相同。

各网络结构训练曲线如图 8所示，结果对比如表 4所示。

表中6号网络为本文选用的网络结构。1号和3号网络在迭代至6000次时收敛。将1—3号网络与6号网络作对比，本文所采用的混合网络结构在网络损失和准确率上都是最优的，测试集准确率达到97.92%。1D-CNN和LSTM网络稍差，原因是CNN网络和LSTM网络只对空间特征或时序特征中的某一类敏感，因此网络拟合程度不足。DNN网络测试集准确率最低，为84.79%，原因在于DNN很难对局部特征进行有效提取，而且神经元的增多加大了计算量，也加大了过拟合的风险。而本文所选网络结构综合了CNN和LSTM的优点，因此能够很好地从原始信号中挖掘更全面的特征信息，通过池化对特征量降维，使网络具有更好的拟合能力和泛化性。

4—7号网络的对比实验探索了CNN结构网络深度和训练效果之间的关系。本文所采用网络结构CNN部分是在LeNet-5网络模型基础上改进得来，LeNet-5模型为3层卷积层与2层池化层的网络结构。在对网络结构调试的过程中发现，当CNN深度过小时，由于对特征提取能力的不足，会导致Loss没有很好的下降，会产生欠拟合的可能。相应的4号网络Loss为0.0878是4组测试中最大的，而测试集准确率是4组中最小的95.93%。当卷积层与池化层数量为3层时，网络拟合效果和泛化性达到最优。继续增加网络的深度发现网络损失和测试集准确率开始下降，原因分析为网络深度增加导致过拟合的风险增加，虽然池化层有减小过拟合的作用，但由于池化层会减小特征维度，添加过多的池化层会导致输入到LSTM中的特征量时间步过小，影响LSTM对时序特征的提取，进而导致网络拟合效果降低。

3.5 抗噪性能分析

为测试本文网络结构的抗噪性能，借助MATLAB工具对全部测试集共50 820组样本添加高斯白噪声，不同信噪比时测试结果如表 5所示。

由测试结果可知，当测试集无噪声时准确率最高，达到97.92%。随着噪声的增加，测试集准确率下降，但下降幅度不大，测试结果中当信噪比为35dB时测试集准确率最低，为96.16%，与无噪声时相差1.77%，可以认为网络具备良好的抗噪性能，能够应对励磁功率单元中出现的噪声情况。

4 结论

本文提出了一种基于1D-CNN-LSTM混合神经网络模型的双桥并联励磁功率单元故障诊断系统，通过将1号整流桥共阴极侧、共阳极侧电流和AB相线电压构造时序特征向量作为输入，使用1D-CNN和LSTM混合网络提取故障特征，既避免了人工提取故障特征可能出现的特征丢失问题，还可以深层次发掘故障数据时间和空间上的隐藏特征。推广到多桥并联只需重新设置数据集训练网络模型。通过仿真实验验证了该方法的有效性。与传统故障诊断方法相比，该方法减少了传感器数量，降低了设备成本，保证故障诊断的准确性，实现了对故障位置的精确定位，且能够有效应对实际情况中出现的波动，具有一定的工程意义。