[发明专利]一种风电变流器功率模块IGBT健康状态评价方法

说明书

本发明涉及一种风电变流器功率模块IGBT健康状态评价方法，属于风电变流器功率模块IGBT状态监测领域，该方法基于无监督学习迭代自组织聚类算法对IGBT工作状态进行分类，包括以下步骤：S1：采集环境风速、温度、机侧和网侧变频器的功率；S2：使用无监督学习迭代自组织聚类算法对IGBT工作状态进行健康状态分类。本发明方法数据采集和实现算法简单，无监督学习迭代自组织聚类算法健康评价能够挖掘风电变流器功率模块监测数据的潜在关系，有效的降低了风电变流器功率模块的运行维护难度。

技术领域

本发明属于风电变流器功率模块IGBT状态监测领域，具体涉及一种风电变流器功率模块IGBT健康状态评价方法。

背景技术

风电变流器功率半导体器件IGBT是电力电子极为重要的核心器件，是能源转换与传输的核心器件，是风力发电和电力电子装置的核心部件，采用IGBT进行功率变换，能够提高用电效率和质量，具有高效节能和绿色环保的特点，是解决能源短缺问题和降低碳排放的关键支撑技术。功率半导体器件一般具有以下特点：1)高电压：一般的IGBT如果V_CE的电压过高，很容易导致器件击穿；2)大电流：功率器件的电流取决于W/L，在需要大功率电源的要求下，IGBT模块的设计电流也在逐渐增大。以上情况都极大地增加了IGBT的损坏可能，因此需要研究一种IGBT健康状态评价的方法。

目前在聚类健康状态评价中，K聚类算法最为常用，K聚类算法对初值极为敏感，在实际中K值的选择可以采用机器学习中的一些指标来指定，比如损失函数最小，根据层次分类找到比较好的K值以及聚类的轮廓系数等。一般对不同的数据分布选择不同的方式，在使用基于距离的算法时需要进行无量纲化，防止样本在某些维度上过大导致距离计算失效，具体实现只要将属于最大簇的数据点用K均值聚类。

IGBT健康度评价目前采用基于结温评价，损耗评价，焊层疲劳程度等方法，一般使用阈值等评价指标，无法提供深层次的多参数评价体系。在本研究中通过采用基于多标签聚类方法的健康度分级评价可以通过充分挖掘IGBT各个特征参数的内在关联，揭示特征参数的非线性和隐形映射规律，实现一种各特征参数耦合的数据评价模型。通过无监督学习迭代自组织聚类算法建立一种健康分类评价方法。

发明内容

有鉴于此，本发明的目的在于提供一种风电变流器功率模块IGBT健康评价方法，通过无监督学习迭代自组织聚类算法实现风电变流器IGBT健康状态的分类。

为达到上述目的，本发明提供如下技术方案：

一种风电变流器功率模块IGBT健康评价方法，通过采集环境温度，风速，机侧和网侧变频器的功率，使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类，包括以下步骤：

S1：采集环境温度，风速，机侧和网侧变频器的功率；

S2：使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类。

进一步，步骤S1具体包括以下步骤：

S11：设定可编程逻辑控制器PLC的模拟数字采样频率，对电压电流信号进行采样并转换为数字信号到可编程逻辑控制器PLC，然后通过计算有功功率；

S12：通过卡尔曼滤波算法对数据进行处理，消除错误数据。

进一步，步骤S2具体包括以下步骤：

S21：设置预期的IGBT健康状态聚类中心数目K₀，聚类中心最小样本数目N_min，最大方差σ，聚类簇中心最小距离D_min；

S22：计算K₀个IGBT健康状态聚类中心的距离并将其分类到最小的聚类中心簇；