一种应急支撑条件下的光伏逆变器健康评估方法和介质技术

本发明专利技术公开了一种应急支撑条件下的光伏逆变器健康评估方法和介质，步骤包括：采集光伏逆变器集群中全寿命周期历史监测信号；在光伏逆变器集群的特征信号中，提取剩余工作时间长度排前3的敏感特征：将敏感特征矩阵及其对应的健康状态数据组投入前馈人工入神经网络进行训练；健康状态评估值，用于在线评估光伏逆变器健康状态，健康状态为差时启动自动预警，上报区域应急支撑功能模块。本发明专利技术对于不同规模的光伏逆变器集群均适用，具有较高的复用性和普适性，有利于检修人员建立合理有效的建立维修计划，及时对区域综合能源系统预警，必要时上报区域应急支撑功能模块，确保微电网的安全稳定运行，前瞻性的预测具有切实可行的实用价值和应用前景。实用价值和应用前景。实用价值和应用前景。

【技术实现步骤摘要】
一种应急支撑条件下的光伏逆变器健康评估方法和介质


[0001]本专利技术涉及综合能源中光伏逆变器的检修，尤其涉及一种应急支撑条件下的光伏逆变器健康评估方法和介质。

技术介绍

[0002]随着传统能源的使用逐渐减少，绿色洁净的太阳能作为一种代表性的可再生能源，被越来越广泛地应用于可再生能源开发中，太阳能光伏发电也是新能源发电系统的重要组成部分。光伏逆变器作为光伏电站的转换设备，在整个电站中起着重要作用，其健康状态也会直接影响光伏电站所参与的综合能源系统运行的稳定与安全。随着社会用电需求不断增大，对光伏发电系统容量也提出了更高的要求，而光伏逆变器的健康状态直接影响了其发电效率。因此，准确评估光伏逆变器的健康状态，有利于提前规划维护方案，及时更换老旧部件，保持一定的发电效率，增加企业的发电总量，保证综合能源系统的稳定运行。
[0003]当前，光伏逆变器的检修维护通常是在故障发生后进行，检修人员无法实时把握光伏逆变器的健康状态。通过健康状态评估技术，可以帮助检修人员及时掌握光伏逆变器的健康状态，在健康状态较差的中后期多加关注，预判可能发生的故障。但是现在的健康状态评估技术大部分是基于设备的全寿命周期运行数据，建立的健康状态评估模型，也多适用于单台设备，难以满足应急支撑要求，具有较差的可移植性。

技术实现思路

[0004]专利技术目的：本专利技术目的是提供一种应急支撑条件下的光伏逆变器健康评估方法和介质，该方法具有较好的复用性且普适性，能够准确有效地实现光伏逆变器健康状态的在线评估并及时预警。
[0005]技术方案：一种应急支撑条件下的光伏逆变器健康评估方法，包括：
[0006]步骤1：采集光伏逆变器集群中同一型号的光伏逆变器的全寿命周期历史监测信号，形成原始特征库；
[0007]步骤2：在光伏逆变器集群的特征信号中，提取剩余工作时间长度排前3的特征信号，作为光伏逆变器集群的敏感特征：
[0008]步骤3：构建光伏逆变器敏感特征矩阵及其对应的健康状态数据组；
[0009]步骤4：构建前馈人工神经网络，将敏感特征矩阵及其对应的健康状态数据组投前馈人工入神经网络进行训练，得到训练后的前馈人工神经网络；
[0010]步骤5：将监测到的光伏逆变器的敏感特征数据投入到训练后的前馈人工神经网络，输出对应的健康状态评估值，用于在线评估光伏逆变器健康状态。
[0011]进一步地，步骤1中，全寿命周期历史监测信号包括：光伏逆变器A、B、C相电流，A、B、C相电压，AB线电压，AC线电压，BC线电压，A、B、C相IGBT温度，输出总功率，光伏逆变器每一路PV的直流电流、直流电压、直流输入功率；将每一路历史监测信号作为原始特征库中的一个特征，记为f
i
，i＝1,2,...，n。
[0012]进一步地，步骤2中，采用最大相关
‑
最小冗余算法mRMR从原始特征库中找出光伏逆变器剩余工作时间长度排前3的3种特征，称为敏感特征。
[0013]进一步地，敏感特征的提取具体包括：将n个特征的集合称为S，健康状态的评估与剩余可工作时间的长度相关，将剩余工作时间作为目标分类，记为M；
[0014]对特征集合S内的各个特征f
i
与剩余工作时间M进行互信息计算，特征f
i
与剩余工作时间M的概率密度函数为p(f
i
)，p(M)，p(f
i
,M)，则互信息记为：
[0015][0016]特征集合S和剩余工作时间M的相关性D(S,M)由各个特征f
i
与M之间所有互信息值的平均值定义：
[0017][0018]特征集合S中所有特征的冗余R(S)是特征f
i
和特征f
j
之间所有互信息值的平均值：
[0019][0020]将特征集合与剩余工作时间M的相关性D和特征集合S中所有特征的冗余R结合起来，在相关性D尽量大的情况下冗余R尽量小，定义算子Φ(D,R)用来结合D和R，Φ＝D
‑
R，取令Φ(D,R)最大的前3个特征为敏感特征，计为f1、f2、f3。
[0021]进一步地，步骤3具体包括：根据全寿命周期中光伏逆变器的健康状态，按时间段划分为优、良、中、差4个阶段，计为T1、T2、T3、T4；将光伏逆变器生命周期划分为t1,t2,t3...t
l
的时间序列，其中，l为不小于4的一个正整数，则t
l
时刻的敏感特征矩阵表示为q＝1，2,...,m，其中，m是光伏逆变器的个数；那么第q台光伏逆变器敏感特征矩阵为对应到t
l
时刻的输出结果为
[0022]进一步地，步骤4中具体包括：构建一个含有输入层、隐藏层、输出层的前馈人工神经网络，当敏感特征矩阵从输入层进入到隐藏层时，神经网络将进行如下激活运算：z＝g(F
q
w1+b0)，其中，w1表示输入层的权重矩阵，b0表示输入层到隐藏层之间的偏移矩阵；当z从隐藏层进入到输出层时，将进行输出计算y＝zw2+b1，其中，w2表示隐藏层权重矩阵，b1表示隐藏层到输出层的偏移矩阵；对w1、b0、w2、b1这4个神经网络参数进行初始化。
[0023]进一步地，将若干组输入数据和输出数据投入到前馈人工神经网络，对其进行训练；定义为该前馈人工神经网络的误差函数，从初始化的网格参数开始计算，当误差函数逐渐趋于0时，停止训练。
[0024]进一步地，当前监测到的光伏逆变器的敏感特征数据输入到训练后的前馈人工神经网络，前馈人工神经网络将会输出光伏逆变器的健康状态评估值，当健康状态对应到T1，即为优的状态时，检修人员可对这台光伏逆变器不作调整或维修；当健康状态对应到T2、T3即为良和中的状态时，检修人员可以对光伏逆变器进行常规检测；当健康状态对应到T4即
为差的状态时，自动预警，上报区域应急支撑功能模块，检修人员需要对这台光伏逆变器进行深入检修。
[0025]一种计算机可读存储介质，包括供一个或多个处理器执行的一个或多个程序，一个或多个程序包括用于执行上述的任一方法的指令。
[0026]有益效果：与现有技术相比，本专利技术具有如下显著的优点：
[0027](1)通过对光伏逆变器进行全寿命历史信号检测，可以准确地区分不同时间段设备的健康状态；
[0028](2)通过最大相关最小冗余的算法，筛选出与设备健康状态最相关的敏感特征，将数据投入前馈人工神经网络，训练出一个特定的人工神经网络系统，从而实现对设备健康状态的准确评估；
[0029](3)检测人员可通过本方法对采集到的实时数据进行健康状态评估，根据设备的健康状态进行深入检修或者基础维修，极大地减少了检测人员的工作量，并且根据不同的健康状态提醒检测人员，提前预警，避免企业因设备老化停工造成的经济损失；
[0030](4)将同一光伏逆变器集群中的光伏逆变器的所有类型数据结合最大相关与最小冗余的特征选择方法，筛选出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应急支撑条件下的光伏逆变器健康评估方法，其特征在于，包括：步骤1：采集光伏逆变器集群中同一型号的光伏逆变器的全寿命周期历史监测信号，形成原始特征库；步骤2：在光伏逆变器集群的特征信号中，提取剩余工作时间长度排前3的特征信号，作为光伏逆变器集群的敏感特征：步骤3：构建光伏逆变器敏感特征矩阵及其对应的健康状态数据组；步骤4：构建前馈人工神经网络，将敏感特征矩阵及其对应的健康状态数据组投入所述前馈人工入神经网络进行训练，得到训练后的前馈人工神经网络；步骤5：将监测到的光伏逆变器的敏感特征数据投入到训练后的前馈人工神经网络，输出对应的健康状态评估值，用于在线评估光伏逆变器健康状态。2.根据权利要求1所述的光伏逆变器健康状态评估方法，其特征在于，所述步骤1中，全寿命周期历史监测信号包括：光伏逆变器A、B、C相电流，A、B、C相电压，AB线电压，AC线电压，BC线电压，A、B、C相IGBT温度，输出总功率，光伏逆变器每一路PV的直流电流、直流电压、直流输入功率；将每一路历史监测信号作为原始特征库中的一个特征，记为f
i
，i＝1,2,...，n。3.根据权利要求1所述的光伏逆变器健康状态评估方法，其特征在于，所述步骤2中，采用最大相关
‑
最小冗余算法mRMR从原始特征库中找出光伏逆变器剩余工作时间长度排前3的特征，称为敏感特征。4.根据权利要求3所述的光伏逆变器健康状态评估方法，其特征在于，所述敏感特征的提取具体包括：将n个特征的集合称为S，健康状态的评估与剩余可工作时间的长度相关，将剩余工作时间作为目标分类，记为M；对特征集合S内的各个特征f
i
与剩余工作时间M进行互信息计算，特征f
i
与剩余工作时间M的概率密度函数为p(f
i
)，p(M)，p(f
i
,M)，则互信息记为：特征集合S和剩余工作时间M的相关性D(S,M)由各个特征f
i
与M之间所有互信息值的平均值定义：特征集合S中所有特征的冗余R(S)是特征f
i
和特征f
j
之间所有互信息值的平均值：将特征集合与剩余工作时间M的相关性D和特征集合S中所有特征的冗余R结合起来，在相关性D尽量大的情况下冗余R尽量小，定义算子Φ(D,R)用来结合D和R，Φ＝D
‑
R，取令Φ(D,R)最大的前3个特征为敏感特征，计为f1...

【专利技术属性】
技术研发人员：陈卉，王丙文，李怀良，陈永华，杜炜，何国鑫，王俊，李渊，李蔚，郑梦阳，王子辉，刘俊，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：