CN105137242A

CN105137242A - 单相光伏逆变器在线状态监测与剩余寿命预测方法

Info

Publication number: CN105137242A
Application number: CN201510569859.9A
Authority: CN
Inventors: 孙权; 王友仁; 吴祎; 姜媛媛
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2015-09-09
Filing date: 2015-09-09
Publication date: 2015-12-09
Anticipated expiration: 2035-09-09
Also published as: CN105137242B

Abstract

本发明提出一种单相光伏逆变器在线状态监测与剩余寿命预测方法，其具体步骤为：首先在线实时采集光伏逆变器为健康状态时的输入电压、输入电流、输出电压、输出电流以及功率MOSFET漏源极电流和结温；然后，采用深度神经网络模型获取光伏逆变器的状态参数基准值，并计算得到功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值；最后，基于深度神经网络模型获取被测单相光伏逆变器的状态参数值并结合其基准值进行状态评估，同时，采用高斯过程回归模型对其进行多步预测，实现其剩余寿命预测。本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，实现了其在线状态监测及剩余寿命预测，为光伏发电系统合理进行健康管理提供理论依据。

Description

单相光伏逆变器在线状态监测与剩余寿命预测方法

技术领域

本发明涉及功率变换电路故障预测与健康管理技术领域，尤其涉及一种单相光伏逆变器在线状态监测与剩余寿命预测方法。

背景技术

随着全球性化石能源逐渐短缺及气候变暖引发的能源与环境危机日益突出，太阳能光伏发电以其资源丰富、分布广泛、开发利用前景广阔等优势成为最具有前景的可再生能源。光伏逆变器是整个光伏发电系统的核心部件，它将光伏组件发出的直流电力逆变成所需求的交流电力，同时还具有最大功率跟踪控制功能、故障保护等功能。美国锐拓集团及桑迪亚实验室研究发现光伏逆变器是引起光伏发电系统故障的最主要原因，并且其失效率高达51％。另外，逆变器一般与系统共同放置于户外，长期经受季节天气变化的极寒极热恶劣环境以及工作状态时存在过电流、过电压、频率扰动等因素影响。因此，为实现光伏发电系统稳定、可靠、安全的长期运行，需要对其实施在线状态监测及剩余寿命预测，从而便于对其进行视情维修，以避免或降低故障引起的风险及维修成本。

目前，国内外相关研究机构对单相光伏逆变器的在线状态监测及剩余寿命预测相对较少，主要是针对电路中的单个元器件进行离线方式的状态评估或剩余寿命预测，国内相关研究机构较多采用性能退化数据的方式进行可靠性分析。另外，单相光伏逆变器在实际运行情形下，受到诸多外界因素影响，如环境温度、输入电压扰动等。因此，如何确定单相光伏逆变器的状态参数以及如何预测其剩余寿命成为亟需解决的问题。

本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，采用深度神经网络模型对其进行在线状态评估，同时，依据功率MOSFET导通电阻的历史时间序列建立高斯过程回归模型进行多步预测，实现剩余寿命预测。

发明内容

本发明的目的在于提供一种单相光伏逆变器在线状态监测与剩余寿命预测方法，通过采集健康状态时单相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率MOSFET的漏源极电流和结温，建立深度神经网络模型，确定单相光伏逆变器的状态参数基准值；并计算功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值。基于深度神经网络模型对被测单相光伏逆变器进行在线状态评估，同时，采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当导通电阻预测值首次达到失效阈值时，即可得到单相光伏逆变器的剩余寿命。

为实现上述目的，本发明的单相光伏逆变器在线状态监测与剩余寿命预测方法，具体包括以下步骤：

步骤1、获取单相光伏逆变器为健康状态时的状态参数基准值及单相光伏逆变器的失效阈值，其具体步骤如下：

步骤1.1、定义在环境温度为25℃、输入电压为额定工作电压条件下，性能满足要求的单相光伏逆变器的状态为健康状态；等时间间隔连续采集单相光伏逆变器在p个时刻点的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)以及功率MOSFET的漏源极电流I_DS(n)和结温T_j(n)，其中，n＝1，2，...，p；

步骤1.2、采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h¹，...，h^u)＝P(v|h¹)P(h¹|h²)…P(h^u-2|h^u-1)P(h^u-1|h^u)，其中，u为隐含层个数；依据步骤1.1采集的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)和功率MOSFET的结温T_j(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；确定深度神经网络模型的输入维数为5和输出维数为1；然后，采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；最后，根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC_(n)；

步骤1.3、计算单相光伏逆变器为健康状态时的状态参数基准值

步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值

R_{DS 0} = \frac{1}{p} Σ_{n = 1}^{p} R_{DS} (n),

其中

R_{DS (n)} = [V_{o (n)} \cdot I_{o (n)} - V_{i (n)} \cdot I_{i (n)}] / I_{DS (n)}^{2},

且R_DS(n)为第n时刻点的导通电阻值；定义当功率MOSFET导通电阻值增大到其基准值R_DS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2R_DS0；

步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在t_m时刻的状态参数值并与状态参数基准值进行比较，判断t_m时刻被测单相光伏逆变器的状态，其状态评估准则如下：

(1)当时，被测单相光伏逆变器为正常状态；

(2)当时，被测单相光伏逆变器为微弱退化状态；

(3)当时，被测单相光伏逆变器为严重退化状态；

(4)当时，被测单相光伏逆变器为临近失效状态；

步骤3、以功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻作为历史时间序列数据，其中z＝1，2，...，m；选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置；确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量

X_{(t_{z})} = {R_{DS (t_{z})}, R_{DS (t_{z} + τ)}, . . ., R_{DS (t_{z} + (w - 1) τ)}},

输出向量

Y_{(t_{z})} = {R_{DS (t_{z} + mτ)}},

从而预测步数即为τ；当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命为

本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，分别建立深度神经网络模型对其进行在线状态监测及高斯过程回归模型进行多步预测，实现剩余寿命预测，可对光伏发电系统进行有效合理的视情维修，降低故障风险及维护维修成本，为其长期安全、稳定、高效运行提供保障。

附图说明

图1是单相光伏逆变器原理图；

图2是单相光伏逆变器在线状态监测与剩余寿命预测流程图；

具体实施方式

下面结合说明书附图对本发明的技术方案进行详细说明。

如图2所示，通过采集健康状态时单相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率MOSFET的漏源极电流和结温，建立深度神经网络模型，确定单相光伏逆变器的状态参数基准值，并计算功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值。基于深度神经网络模型对被测单相光伏逆变器进行在线状态评估，同时，采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当导通电阻预测值首次达到失效阈值时，即可得到单相光伏逆变器的剩余寿命。

单相光伏逆变器在线状态监测与剩余寿命预测方法，具体实施方式如下：

步骤1.2、采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h¹，...，h^u)＝P(v|h¹)P(h¹|h²)…P(h^u-2|h^u-1)P(h^u-1|h^u)，其中，u为隐含层个数；确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤1.1采集的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)和功率MOSFET的结温T_j(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；然后，采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；最后，根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC_(n)；

步骤1.4、依据步骤1.1采集的数据计算第n时刻点单相光伏逆变器中功率MOSFET的导通电阻值其中

R_{DS (n)} = [V_{o (n)} \cdot I_{o (n)} - V_{i (n)} \cdot I_{i (n)}] / I_{DS (n)}^{2},

从而获取光伏逆变器为健康状态时功率MOSFET的导通电阻基准值定义当功率MOSFET导通电阻值增大到其基准值R_DS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2R_DS0；

步骤2、获取被测单相光伏逆变器在t_m时刻的输入电压输入电流输出电压输出电流以及功率MOSFET的漏源极电流和结温将输入电压输入电流输出电压输出电流和功率MOSFET的结温作为步骤1中已建立的深度神经网络模型的输入量，获取t_m时刻单相光伏逆变器的状态参数值依据如下状态判断准则评估当前时刻单相光伏逆变器的状态：

(1)当时，被测单相光伏逆变器为正常状态；

(2)当时，被测单相光伏逆变器为微弱退化状态；

(3)当时，被测单相光伏逆变器为严重退化状态；

(4)当时，被测单相光伏逆变器为临近失效状态；

步骤3、计算被测单相光伏逆变器中功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻其中

R_{DS (t_{z})} = [V_{o (t_{z})} \cdot I_{o (t_{z})} - V_{i (t_{z})} \cdot I_{i (t_{z})}] / I_{DS (t_{z})}^{2}, z = 1,2, . . ., m;

建立高斯过程回归模型对其进行多步预测，实现剩余寿命预测，其具体步骤如下：

(3.1)以功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻作为历史时间序列数据；

(3.2)选择平方指数函数作为高斯回归过程模型的核函数，并设置平方指数函数的超参数初始值均为零；使用共轭梯度优化算法迭代学习求解超参数的最优值，其中迭代次数设置为100次；

(3.3)确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量

X_{(t_{z})} = {R_{DS (t_{z})}, R_{DS (t_{z} + τ)}, . . ., R_{DS (t_{z} + (w - 1) τ)}},

输出向量

Y_{(t_{z})} = {R_{DS (t_{z} + mτ)}},

从而预测步数即为τ；

(3.4)采用已建立的高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命为。

Claims

1.单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，具体包括以下步骤：

步骤1.2、建立深度神经网络模型，进行单相光伏逆变器在线状态评估，该模型的输入量为输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)以及功率MOSFET的结温T_j(n)，输出量为单相光伏逆变器的状态参数值SC_(n)；

步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值其中且R_DS(n)为第n时刻点的导通电阻值；定义当功率MOSFET导通电阻值增大到其基准值R_DS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2R_DS0；

步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在t_m时刻的状态参数值并与状态参数基准值进行比较，判断该时刻被测单相光伏逆变器的状态；

步骤3、计算被测单相光伏逆变器中功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命。

2.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，步骤1中建立深度神经网络模型，进行单相光伏逆变器在线状态评估的具体步骤如下：

(2.1)采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h¹，...，h^u)＝P(v|h¹)P(h¹|h²)…P(h^u-2|h^u-1)P(h^u-1|h^u)，其中，u为隐含层个数；

(2.2)确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤1.1采集的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)和功率MOSFET的结温T_j(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；

(2.3)采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；

(2.4)根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC_(n)。

3.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，步骤2中t_m时刻被测单相光伏逆变器的状态评估准则如下：

(1)当时，被测单相光伏逆变器为正常状态；

(2)当时，被测单相光伏逆变器为微弱退化状态；

(3)当时，被测单相光伏逆变器为严重退化状态；

(4)当时，被测单相光伏逆变器为临近失效状态。

4.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，步骤3中建立高斯回归过程模型进行多步预测，得到单相光伏逆变器在t_m时刻的剩余寿命，包括以下四个步骤：

(4.1)以功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻作为历史时间序列数据，其中z＝1，2，...，m；

(4.2)选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置；

(4.3)确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量输出向量从而预测步数即为τ；

(4.4)当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命为。