[发明专利]单相光伏逆变器在线状态监测与剩余寿命预测方法

说明书

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