一种光伏逆变器剩余寿命预测方法技术

本发明专利技术涉及一种光伏逆变器剩余寿命预测方法，其包括以下步骤：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失效参数的时间序列数据；步骤2：对失效参数的时间序列数据进行预处理；步骤3：构建CNN

【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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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DROP层、第二LSTM层、第二DROP层、第一全连接层、第二全连接层。
[0016]所述步骤3中，训练所述CNN
‑
LSTM网络时，使用Adam求解器和step学习率下降策略，并设置损失值为所述失效参数的均方根误差，则当所述损失值停止下降、预测准确率停止上升时完成所述CNN
‑
LSTM网络的训练。
[0017]所述步骤4中，获取所述光伏逆变器的失效参数的实时数据的方法为：预先建立所述光伏逆变器的热仿真模型，所述热仿真模型表征所设置的温度采样点处的温度分别与所述光伏逆变器中各个风扇处的温度、各个开关管处的温度、各个电容处的温度之间的对应关系，则在寿命预测时刻，采样所述温度采样点处的实时温度，并利用所述热仿真模型得到所述光伏逆变器中各个风扇处的实时温度、各个开关管处的实时温度、各个电容处的实时温度，同时采样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的导通电阻、所述光伏逆变器中各个所述电容的容值。
[0018]数字信号处理器通过PWM方式向所述风扇给定转速，则所述风扇的给定转速为已知量，所述数字信号处理器通过IO的捕获模式测得所述风扇的实际转速，所述数字信号处理器通过电流传感器测得所述风扇的工作电流；
[0019]采样所述光伏逆变器中各个开关管的导通电阻的方法为：针对任一开关管，控制所述开关管导通，利用测量电路向所述开关管注入恒定电流，同时通过隔离电路将与所述开关管相连接的器件隔离，则测得所述开关管两端的电压后，基于欧姆定律计算得到所述开关管的导通电阻；
[0020]采样所述光伏逆变器中各个所述电容的容值的方法为：针对任一电容，利用测量电路对所述电容充电，同时通过隔离电路将与所述电容相连接的器件隔离，则在两个时刻分别测得所述电容两端的电压后，基于电容的定义计算得到所述电容的容值。
[0021]所述测量电路包括恒流源、至少一个第一类开关、电压表，所述恒流源、所述第一类开关与所述开关管或所述电容串联构成回路，所述电压表并联在所述恒流源两端；
[0022]所述隔离电路包括运放和两个第二类开关，所述运放的同相输入端经第一个所述第二类开关连接至被隔离器件的一端，所述运放的反相输入端与所述运放的输出端相连接并经第二个所述第二类开关管连接至被隔离器件的另一端。
[0023]所述步骤4中，针对每个所述失效参数分别建立失效状态标准，则基于所述失效参数的预测数据和对应的所述失效状态标准而对光伏逆变器的剩余寿命进行预测。
[0024]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术建立了逆变器中最易失效元器件与光伏逆变器之间的影响关系，利用逆变器中最易失效的部件风
扇、开关管、电解电容寿命预测逆变器寿命，并考虑环境温湿度等影响因子对光伏逆变器的影响，提出一种基于CNN
‑
LSTM网络混合模型的多失效参数的直接剩余寿命预测方法，实现逆变器寿命预测精度的提高。
附图说明
[0025]附图1为本专利技术中应用的测量电路和隔离电路的。
[0026]附图2为本专利技术中涉及的通道注意力模块和空间注意力模块的示意图。
[0027]附图3为本专利技术中涉及的CNN
‑
LSTM网络示意图。
具体实施方式
[0028]下面结合附图所示的实施例对本专利技术作进一步描述。
[0029]光伏逆变器的寿命是由逆变本文档来自技高网...

【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：