【技术实现步骤摘要】
一种光伏逆变器剩余寿命预测方法
[0001]本专利技术属于逆变器故障预测及健康管理
,具体涉及一种光伏逆变器剩余寿命预测方法。
技术介绍
[0002]光伏逆变器的寿命是由逆变器中寿命最短的部件决定的,电解电容、MOSFET/IGBT、风扇是光伏逆变器中最容易失效的元器件,对最易失效的元器件进行寿命预测就能实现对光伏逆变器的剩余寿命预测。
[0003]现有剩余寿命预测方法通常是对电容或MOSFET/IGBT单种类器件进行剩余寿命预测,未建立最易失效元器件与光伏逆变器之间的影响关系。同时在逆变器寿命预测方法上采用的单一网络结构的深度学习算法,难以实现较高的准确度。
技术实现思路
[0004]本专利技术的目的是提供一种考虑多影响因子、能够提高寿命预测精度的光伏逆变器剩余寿命预测方法。
[0005]为达到上述目的,本专利技术采用的技术方案是:
[0006]一种光伏逆变器剩余寿命预测方法,包括以下步骤:
[0007]步骤1:针对光伏逆变器定义多种失效参数;在不同工作条件下采集所述失效参数的时间序列数据;
[0008]步骤2:对所述失效参数的时间序列数据进行预处理得到预处理后的失效参数时间序列数据;
[0009]步骤3:构建CNN
‑
LSTM网络,利用所述预处理后的失效参数时间序列数据训练和验证所述CNN
‑
LSTM网络,得到训练后的CNN
‑
LSTM网络;
[0010]步骤4:在寿命预测时刻,获取 ...
【技术保护点】
【技术特征摘要】
1.一种光伏逆变器剩余寿命预测方法,其特征在于:所述光伏逆变器剩余寿命预测方法包括以下步骤:步骤1:针对光伏逆变器定义多种失效参数;在不同工作条件下采集所述失效参数的时间序列数据;步骤2:对所述失效参数的时间序列数据进行预处理得到预处理后的失效参数时间序列数据;步骤3:构建CNN
‑
LSTM网络,利用所述预处理后的失效参数时间序列数据训练和验证所述CNN
‑
LSTM网络,得到训练后的CNN
‑
LSTM网络;步骤4:在寿命预测时刻,获取所述光伏逆变器的失效参数的实时数据,并利用所述训练后的CNN
‑
LSTM网络得到所述失效参数的预测数据,从而对光伏逆变器的剩余寿命进行预测而得到预测结果。2.根据权利要求1所述的一种光伏逆变器剩余寿命预测方法,其特征在于:所述失效参数包括所述光伏逆变器中各个风扇处的温度、所述光伏逆变器中各个风扇的给定转速、所述光伏逆变器中各个风扇的实际转速、所述光伏逆变器中各个风扇的工作电流、所述光伏逆变器中各个开关管处的温度、所述光伏逆变器中各个开关管的导通电阻、所述光伏逆变器中各个电容处的温度、所述光伏逆变器中各个所述电容的容值中的多种。3.根据权利要求1所述的一种光伏逆变器剩余寿命预测方法,其特征在于:所述步骤2中,对所述失效参数的时间序列数据进行的预处理包括z
‑
score方式预处理和归一化。4.根据权利要求3所述的一种光伏逆变器剩余寿命预测方法,其特征在于:所述z
‑
score方式预处理的公式为:其中表示经过所述z
‑
score方式预处理后的第c种失效参数时间序列数据,x
c
表示所述z
‑
score方式预处理前的第c种失效参数的时间序列数据,μ
c
表示第c种失效参数的均值,σ
c
表示第c种失效参数的标准差。5.根据权利要求1所述的一种光伏逆变器剩余寿命预测方法,其特征在于:所述步骤3中,所述CNN
‑
LSTM网络包括带有深度可分离卷积、通道注意力、空间注意力的CNN网络以及LSTM网络;所述CNN网络的输入为所述预处理后的失效参数时间序列数据,每个输入通道对应一个失效器件,所述失效器件为所述光伏逆变器中的风扇、开关管和电容,所述CNN网络的输出与所述LSTM网络的输入相连接,所述LSTM网络的输出为所述失效参数的预测数据。6.根据权利要求5所述的一种光伏逆变器剩余寿命预测方法,其特征在于:所述CNN网络包括依次连接的第一深度可分离卷积层、第二深度可分离卷积层、通道注意力模块、空间注意力模块和第三深度可分离卷积层;所述LSTM网络包括依次连接的第一LSTM层、第一...
【专利技术属性】
技术研发人员:张建,姚佳丽,谢胜仁,曾维波,黄敏,方刚,
申请(专利权)人:固德威技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。