DOI: https://doi.org/10.1109/ojies.2026.3651309
تاريخ النشر: 2026-01-01
المؤلف: Alireza Teimouri وآخرون
الموضوع الرئيسي: المحولات والمغيرات متعددة المستويات
نظرة عامة
تتناول هذه المقالة البحثية تحديات الكشف عن الأعطال وتحديد مواقعها في المحولات الكهربائية متعددة المستويات، والتي تكون عرضة لأعطال المفاتيح بسبب هياكلها المعقدة من أشباه الموصلات وتأثير انخفاض الجهد عبر المكثفات العائمة. يقترح المؤلفون نهجًا مبتكرًا يستفيد من الذكاء الاصطناعي، مع التركيز بشكل خاص على أولوية الموثوقية لتعزيز كفاءة الكشف عن الأعطال. يقومون بتقييم خمس طرق لتوقع الجهد المرجعي، بما في ذلك خوارزمية تبديل وأربع تقنيات تعلم عميق: الشبكات العصبية التلافيفية (CNNs)، وحدات الذاكرة المتكررة المغلقة (GRUs)، شبكات الذاكرة طويلة وقصيرة الأمد (LSTMs)، ونموذج هجين يجمع بين CNNs وLSTMs. يحسن الأسلوب المقترح بشكل كبير من سرعة تحديد الأعطال من خلال إعطاء الأولوية للمكونات ذات احتمالات الفشل الأعلى، حيث يحقق الكشف عن الأعطال في أقل من 45 مللي ثانية وتحديد مواقع الأعطال في نطاق من 150 إلى 900 مللي ثانية.
في الختام، يبرز المؤلفون تفوق طريقة CNN في الكشف عن الأعطال، والتي أظهرت أدنى معدل خطأ بين التقنيات التي تم تقييمها. يتم التأكيد على قابلية التكيف لطريقة الكشف عن الأعطال وتحديد مواقعها المقترحة، حيث يمكن تطبيقها على مختلف تكوينات المحولات متعددة المستويات مع تعديلات بسيطة، مع الاعتماد فقط على جهد الخرج لتحقيق دقة كشف عالية. تعزز استراتيجية أولوية الموثوقية فعاليتها عبر تكوينات المحولات المختلفة. تشمل اتجاهات البحث المستقبلية تطوير خوارزمية شاملة قادرة على الكشف عن كل من أعطال الدائرة القصيرة والدائرة المفتوحة في MOSFETs، مما يوسع من قابلية تطبيق المنهجية وقدراتها التشخيصية.
مقدمة
تسلط المقدمة الضوء على مزايا المحولات متعددة المستويات (MLIs) في أنظمة الطاقة الإلكترونية، بما في ذلك الضغط المنخفض على المفاتيح، وملفات التوافقيات عالية الجودة، وتقليل التداخل الكهرومغناطيسي (EMI). أدت التطورات الأخيرة في تكنولوجيا أشباه الموصلات ودمج مصادر الطاقة المتجددة إلى زيادة الاهتمام بتكوينات MLI المختلفة، والتي يمكن أن تكون متماثلة أو غير متماثلة وقد تشمل اتصالات المحولات. تسمح المرونة والجودة العالية للطاقة في MLIs ببناء أنظمة جهد أعلى باستخدام مكونات منخفضة الجهد، على الرغم من أن العدد المتزايد من الوحدات يثير مخاوف بشأن الموثوقية، خاصة فيما يتعلق بمفاتيح أشباه الموصلات والمكثفات.
تشير تحليلات الموثوقية إلى أن أكثر من 50% من الأعطال في MLIs تنشأ من مفاتيح أشباه الموصلات والمكثفات، ويرجع ذلك أساسًا إلى الضغوط الكهربائية أو الحرارية أو الميكانيكية. من الجدير بالذكر أن أعطال الدائرة القصيرة أكثر شيوعًا بكثير من أعطال الدائرة المفتوحة، حيث تظهر الدراسات احتمالًا يبلغ حوالي 85% من فشل الدائرة القصيرة في أجهزة أشباه الموصلات الكهربائية. تتطلب هذه الحوادث العالية تشخيصًا سريعًا للأعطال لمنع الفشل المتسلسل الذي قد يهدد نظام MLI بالكامل.
طرق
تستعرض هذه القسم المنهجيات المستخدمة للكشف عن الأعطال في المحولات الكهربائية متعددة المستويات، مع التركيز على دمج تقنيات التعلم العميق لتعزيز دقة وسرعة تحديد الأعطال. في البداية، يتم تحديد جهد مرجعي بناءً على أدنى إشارة عطل، وهو أمر حاسم لمقارنة جهد الخرج للوحدات. تستكشف الدراسة استراتيجيات مختلفة لتوليد هذا الجهد المرجعي، باستخدام مجموعة بيانات ثابتة لتدريب الشبكات العصبية العميقة التي يمكنها توقع ومعالجة تدفقات البيانات في الوقت الحقيقي للكشف عن الأعطال دون الحاجة إلى تعديلات إضافية على المعلمات.
تقيم الأبحاث أربعة نماذج تعلم عميق: الشبكة العصبية التلافيفية (CNN)، الذاكرة طويلة وقصيرة الأمد (LSTM)، CNN-LSTM، ووحدة الذاكرة المتكررة المغلقة (GRU). تم تصميم بنية كل نموذج لمعالجة تحديات بيانات السلاسل الزمنية، حيث يتم تسليط الضوء على CNN لكفاءتها في معالجة الأنماط المحلية واحتياجها لعدد أقل من المعلمات مقارنةً بـ LSTM وGRU. يتم اختيار نموذج CNN في النهاية لأدائه المتفوق في دقة الكشف عن الأعطال وكفاءة الحساب. تظهر النتائج التجريبية أن طريقة CNN تحقق باستمرار أدنى معدلات الأعطال تحت ظروف تحميل ثابتة ومتغيرة، مما يؤكد فعاليتها في الكشف عن الأعطال وتحديد مواقعها في الوقت الحقيقي ضمن نظام المحول متعدد المستويات.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في طرق الكشف عن الأعطال للمحولات متعددة المستويات (MLIs) والتحديات المرتبطة بها. تم استكشاف تقنيات متنوعة، بما في ذلك النمذجة الرياضية، التحليل العددي، وطرق معالجة الإشارات مثل تحويلات المويجات وتحليل فورييه. من الجدير بالذكر أن نهج الذكاء الاصطناعي (AI)، وخاصة التعلم العميق، قد برز كحلول فعالة نظرًا لقدرتها على التعامل مع البيانات المعقدة وغير الخطية دون الحاجة إلى نماذج رياضية صريحة. تظهر هذه الطرق متانة ضد الضوضاء ويمكن تنفيذها على منصات الأجهزة منخفضة الطاقة ومرنة مثل FPGAs وDSPs.
تقدم الورقة طريقة جديدة للكشف عن الأعطال وتحديد مواقعها تعتمد على الشبكة العصبية التلافيفية الهجينة المعتمدة على الموثوقية (HCNN-FD-RFL)، والتي تهدف إلى معالجة قيود التقنيات الحالية التي تعتمد غالبًا على العديد من المستشعرات ومتطلبات حسابية عالية. تستخدم طريقة HCNN-FD-RFL الشبكات العصبية التلافيفية لتوقع الجهد للكشف عن الأعطال وتعطي الأولوية للمفاتيح بناءً على موثوقيتها لتحديد مواقع الأعطال. لا تعزز هذه الطريقة دقة وكفاءة تحديد الأعطال فحسب، بل تقلل أيضًا من عدد المستشعرات المطلوبة، مما يحسن من موثوقية النظام. تشمل مساهمات هذا البحث خوارزمية فريدة للكشف عن الأعطال تدمج موثوقية المكونات في عملية تحديد مواقع الأعطال، مما يظهر قابلية التكيف عبر تكوينات MLI المختلفة ويقدم إمكانيات كبيرة للتطبيقات الصناعية.
DOI: https://doi.org/10.1109/ojies.2026.3651309
Publication Date: 2026-01-01
Author(s): Alireza Teimouri et al.
Primary Topic: Multilevel Inverters and Converters
Overview
This research article addresses the challenges of fault detection and localization in multilevel power inverters, which are susceptible to switch faults due to their complex semiconductor structures and the impact of voltage drops across floating capacitors. The authors propose an innovative approach that leverages artificial intelligence, specifically focusing on reliability prioritization to enhance fault detection efficiency. They evaluate five reference voltage prediction methods, including a switching algorithm and four deep learning techniques: convolutional neural networks (CNNs), gated recurrent units (GRUs), long short-term memory networks (LSTMs), and a hybrid model combining CNNs with LSTMs. The proposed method significantly improves fault identification speed by prioritizing components with higher failure probabilities, achieving fault detection in as little as 45 ms and fault localization within a range of 150 to 900 ms.
In the conclusion, the authors highlight the superiority of the CNN method in fault detection, which exhibited the lowest error rate among the evaluated techniques. The adaptability of the proposed fault detection and localization method is emphasized, as it can be applied to various multilevel inverter topologies with minimal modifications, relying solely on output voltage for high detection accuracy. The reliability prioritization strategy further enhances its effectiveness across different inverter configurations. Future research directions include the development of a comprehensive algorithm capable of detecting both short-circuit and open-circuit faults in MOSFETs, thereby broadening the applicability and diagnostic capabilities of the methodology.
Introduction
The introduction highlights the advantages of Modular Multilevel Converters (MLIs) in power electronic systems, including low-voltage stress on switches, high-quality output harmonic profiles, and reduced electromagnetic interference (EMI). Recent advancements in semiconductor technology and the integration of renewable energy sources have spurred interest in various MLI configurations, which can be symmetrical or asymmetrical and may include transformer connections. The modularity and high power quality of MLIs allow for the construction of higher voltage systems using low-voltage components, although the increased number of modules raises reliability concerns, particularly related to semiconductor switches and capacitors.
Reliability analyses indicate that over 50% of failures in MLIs stem from semiconductor switches and capacitors, primarily due to electrical, thermal, or mechanical stresses. Notably, short-circuit faults are significantly more prevalent than open-circuit faults, with studies showing an approximately 85% probability of short-circuit failures in power semiconductor devices. This high incidence necessitates prompt fault diagnosis to prevent cascading failures that could compromise the entire MLI system.
Methods
The section outlines the methodologies employed for fault detection in multilevel power converters, emphasizing the integration of deep learning techniques to enhance the accuracy and speed of fault identification. Initially, a reference voltage is established based on the lowest fault signal, which is crucial for comparing the output voltage of the modules. The study explores various strategies for generating this reference voltage, utilizing a fixed dataset to train deep neural networks that can predict and process real-time data streams for fault detection without further parameter adjustments.
The research evaluates four deep learning models: Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), CNN-LSTM, and Gated Recurrent Unit (GRU). Each model’s architecture is designed to address the challenges of time-series data, with CNN being highlighted for its efficiency in processing local patterns and requiring fewer parameters compared to LSTM and GRU. The CNN model is ultimately selected for its superior performance in fault detection accuracy and computational efficiency. Experimental results demonstrate that the CNN method consistently achieves the lowest fault rates under both constant and variable load conditions, confirming its effectiveness in real-time fault detection and localization within the multilevel inverter system.
Discussion
The discussion section of the research paper highlights the advancements in fault detection methods for modular multilevel converters (MLIs) and their associated challenges. Various techniques have been explored, including mathematical modeling, numerical analysis, and signal processing methods such as wavelet transforms and Fourier analysis. Notably, artificial intelligence (AI) approaches, particularly deep learning, have emerged as effective solutions due to their ability to handle complex, nonlinear data without requiring explicit mathematical models. These methods demonstrate robustness against noise and can be implemented on low-power, flexible hardware platforms like FPGAs and DSPs.
The paper introduces a novel hybrid convolutional neural network-reliability-based fault detection and localization (HCNN-FD-RFL) method, which aims to address the limitations of existing techniques that often rely on numerous sensors and high computational demands. The HCNN-FD-RFL method utilizes CNNs for voltage prediction to detect faults and prioritizes switches based on their reliability for fault localization. This approach not only enhances the accuracy and efficiency of fault identification but also reduces the number of required sensors, thereby improving system reliability. The contributions of this research include a unique fault detection algorithm that integrates component reliability into the fault localization process, demonstrating adaptability across various MLI topologies and offering significant potential for industrial applications.