《International Transactions on Electrical Energy Systems》：Intelligent Fault Localization of Switches in Multilevel Inverter
编辑推荐：
本文提出了一种基于机器学习（ML）的智能诊断框架，用于快速准确地定位多电平逆变器（MLI）中的单开关及多开关开路故障（OCF）。该方法仅需分析输出电压信号，提取标准偏差（SD）、半周期移动平均值（HCMA）和总谐波失真（THD）三个关键特征，通过决策树（DT）模型在10–30毫秒内实现高达99.84%的故障分类准确率，为电力电子系统可靠性提升提供了高效解决方案。
多电平逆变器（MLI）作为电力电子系统的核心组件，在交流功率应用中因其优异的谐波抑制能力而备受青睐。然而，其复杂的开关结构也带来了更高的故障风险，特别是绝缘栅双极型晶体管（IGBT）开关的开路故障（OCF）会严重影响系统性能。传统故障诊断方法存在模型复杂、计算量大等局限性，难以满足实时性要求。
研究团队针对五电平减器件计数多电平逆变器（RDC-MLI）展开深入探索，创新性地构建了基于机器学习（ML）的故障定位体系。该系统的核心突破在于仅需采集输出电压信号即可完成故障分析，通过提取标准偏差（SD）、半周期移动平均值（HCMA）和总谐波失真（THD）这三个具有明确物理意义的特征参数，有效捕捉故障状态下的波形畸变特征。
在算法优化方面，研究团队对支持向量机（SVM）、随机森林（RF）、决策树（DT）、k近邻（k-NN）和高斯朴素贝叶斯（GNB）五种经典机器学习模型进行了系统对比。实验结果表明，决策树（DT）模型在70%训练集和30%测试集的划分下表现最为突出，其准确率高达99.84%，精确度、召回率和F1分数均优于其他算法。这种优异的性能得益于决策树对非线性特征数据的强大处理能力。
故障定位的实时性是衡量诊断系统实用价值的关键指标。研究显示，该系统对单开关故障的定位时间最短仅需10毫秒，对多开关组合故障的定位时间也控制在30毫秒以内。特别是在负载电阻（R=40Ω）与电阻电感（R-L=40Ω-20mH）负载切换的动态工况下，以及调制指数（MI）从0.95到0.7的宽范围波动环境中，诊断系统仍能保持稳定的故障识别能力，证明了其良好的鲁棒性。
与现有技术相比，该研究首次实现了对三开关同时故障的精准定位，突破了传统方法仅能处理单故障的局限。通过MATLAB/Simulink平台的全面验证，该方案为多电平逆变器的智能运维提供了新的技术路径，特别是在可再生能源并网、电机驱动等对系统可靠性要求极高的应用场景中具有重要价值。
这项研究的成功实施，标志着机器学习技术在电力电子故障诊断领域取得了实质性进展。未来研究可进一步拓展到实验验证阶段，并将该智能诊断框架适配于更多类型的多电平逆变器拓扑结构，推动电力电子系统向更智能、更可靠的方向发展。
