《IEEE Access》：Online IGBT Short-Circuit fault Diagnosis in Modular Multilevel Converter Based on DWT and RBFNN
编辑推荐：
本文针对模块化多电平变换器(MMC)中IGBT短路故障诊断难题，提出了一种结合离散小波变换(DWT)与径向基函数神经网络(RBFNN)的混合诊断方法。研究团队通过DWT分解电容电压信号并提取细节系数均方根值作为特征，利用RBFNN实现故障类型与位置的精准识别。仿真结果表明该方法具备快速可靠、准确诊断的优势，为MMC系统安全稳定运行提供了重要技术支撑。
随着可再生能源大规模并网和高压直流输电技术的快速发展，模块化多电平变换器(Modular Multilevel Converter, MMC)因其模块化结构和高效能特性，已成为电力电子领域的核心装备。然而，MMC复杂的多子模块架构也带来了新的挑战——其功率开关器件绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor, IGBT)的短路故障可能引发连锁反应，严重威胁系统安全运行。传统故障诊断方法难以满足MMC系统对实时性和准确性的双重需求，开发新型在线诊断技术迫在眉睫。
为攻克这一技术瓶颈，研究团队创新性地提出了离散小波变换(Discrete Wavelet Transform, DWT)与径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)相结合的混合诊断策略。该研究通过仿真平台构建MMC故障模型，采集电容电压信号作为分析对象，利用DWT对信号进行多分辨率分解，提取各层细节系数的均方根(Root Mean Square, RMS)值作为特征向量，最终通过RBFNN分类器实现故障类型识别与精确定位。
关键技术方法包括：建立MMC系统仿真模型模拟IGBT短路故障工况；采用DWT对电容电压信号进行5层分解，提取d1-d5细节系数RMS值构成特征集；构建RBFNN分类器，以特征向量为输入实现故障诊断；通过混淆矩阵和准确率指标评估诊断性能。
研究结果
故障特征提取有效性验证
通过对比正常与故障状态下电容电压信号的DWT分解结果，发现d3-d5层细节系数的RMS值在故障发生时呈现显著跃变，证明该方法能有效捕捉故障特征。
RBFNN诊断性能分析
在不同故障场景下的测试表明，RBFNN分类器对单/多IGBT短路故障的诊断准确率达98.7%，误报率低于0.5%，且响应时间小于2毫秒。
鲁棒性验证
在±20%参数波动和噪声干扰条件下，诊断系统仍保持95.2%以上的准确率，证明该方法具有较强的抗干扰能力。
研究结论表明，基于DWT-RBFNN的混合诊断方法能够实现MMC系统IGBT短路故障的快速精准定位，诊断响应时间满足工程实时性要求，且在不同运行工况下均表现出良好鲁棒性。该研究为MMC系统安全监控提供了新思路，对促进可再生能源并网系统可靠性提升具有重要工程价值。论文成果发表于《IEEE Access》，为电力电子变换器故障诊断领域提供了理论依据和技术参考。
