一种光伏逆变器剩余寿命预测方法与流程

1.本发明属于逆变器故障预测及健康管理技术领域，具体涉及一种光伏逆变器剩余寿命预测方法。


背景技术：

2.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。
3.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。


技术实现要素：

4.本发明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。
5.为达到上述目的，本发明采用的技术方案是：
6.一种光伏逆变器剩余寿命预测方法，包括以下步骤：
7.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；
8.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；
9.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；
10.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。
11.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。
12.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。
13.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，xc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，μc表示第c种失效参数的均值，σc表示第c种失效参数的
标准差。
14.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。
15.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。
16.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。
17.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。
18.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；
19.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；
20.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。
21.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；
22.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。
23.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。
24.由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明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
25.附图1为本发明中应用的测量电路和隔离电路的。
26.附图2为本发明中涉及的通道注意力模块和空间注意力模块的示意图。
27.附图3为本发明中涉及的cnn-lstm网络示意图。
具体实施方式
28.下面结合附图所示的实施例对本发明作进一步描述。
29.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、开关管(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。同时逆变器内外部环境也是影响逆变器寿命的最重要因素之一，温度过高会降低元器件性能和寿命，一般认为，环境温度每升高10℃，电解电容的寿命会缩短一半，环境温度每降低10℃，电解电容的寿命会增加一倍，而温度对开关管(mosfet/igbt)及风扇寿命的影响也较大的。
30.基于此，提出一种光伏逆变器剩余寿命预测方法，其包括以下步骤：
31.步骤1：针对光伏逆变器定义多种失效参数。失效参数包括光伏逆变器中各个风扇处的温度tf(包括t
f1
,t
f2
,
…
,t
fn1
，n1为光伏逆变器中风扇的个数，通常一台光伏逆变器中设置一台风扇)、光伏逆变器中各个风扇的给定转速vi(包括v
i1
,v
i2
,
…
,v
in1
)、光伏逆变器中各个风扇的实际转速vo(包括v
o1
,v
o2
,
…
,v
on1
)、光伏逆变器中各个风扇的工作电流if(包括i
f1
,i
f2
,
…
,i
fn1
)、光伏逆变器中各个开关管处的温度tm(包括t
m1
,t
m2
,
…
,t
mn2
，n2为光伏逆变器中开关管的个数)、光伏逆变器中各个开关管的导通电阻r
ds
(包括r
ds1
,r
ds2
,
…
,r
dsn2
)、光伏逆变器中各个(电解)电容处的温度tc(包括t
c1
,t
c2
,
…
,t
cn3
，n3为光伏逆变器中电容的个数)、光伏逆变器中各个电容的容值c(包括c1,c2,
…
,c
n3
)中的多种。在不同工作条件下采集失效参数的时间序列数据。
32.步骤2：对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。
33.对神经网络输入数据的预处理一般能够加速神经网络的收敛和加强网络的泛化能力。该步骤2中，对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。
34.由于多个失效参数的幅度各有差异，因此将每个同类失效参数利用z-score的方式进行预处理，公式如下：其中表示经过z-score方式预处理后的第c种失效参数时间序列数据，xc表示z-score方式预处理前的第c种失效参数的时间序列数据，μc表示第c种失效参数的均值，σc表示第c种失效参数的标准差。此外，需要对每种失效参数的预测值进行[0,1]的归一化预处理。将经过数据预处理之后的数据分为训练数据和验证数据两部分。具体实施时，训练数据部分占比为80％，验证数据部分的占比为20％。
[0035]
步骤3：如附图3所示，构建cnn-lstm网络，利用预处理后的失效参数时间序列数据训练和验证cnn-lstm网络，得到训练后的cnn-lstm网络。
[0036]
该步骤3中，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。cnn网络的输入为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，失效器件为光伏逆变器中的风扇、开关管和电容。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。cnn网络的输出与lstm网络的输入相连接，lstm网络的输出为失效参数的预测数据。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。
[0037]
cnn网络的输入层接受由多个失效参数组成的多通道时间序列x∈rh×1×c，其中h表示时间序列的长度，c表示失效参数的种类，接下来经过两层深度可分离卷积层捕获通道间和空间上的特征，再经过通道和空间注意力模块(图2)提取关键特征，再经过深度可分离卷积层进行提炼，得到输出送入lstm网络。经过两个带有128个隐含单元的lstm层和概率为0.2的dropout层，最后经过两个全连接层，输出每个失效参数的预测值。
[0038]
利用训练数据训练cnn-lstm网络时，使用adam求解器，学习率设置为0.001，学习率下降策略为step，一次迭代训练样本数量为32，训练周期数为200。设置损失值为失效参数的均方根误差rmse，随着训练不断地迭代，损失值将不断减小，预测的准确率将不断增大，当训练的损失值停止下降、预测准确率停止上升时，完成cnn-lstm网络的训练。然后利用验证数据对cnn-lstm网络进行验证。通过验证后，得到能够用于光伏逆变器剩余寿命预测的cnn-lstm网络(深度预测模型)。
[0039]
步骤4：在寿命预测时刻，获取光伏逆变器的失效参数的实时数据，并利用训练后的cnn-lstm网络得到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。
[0040]
该步骤4中，获取光伏逆变器的失效参数的实时数据的方法为：预先建立光伏逆变器的热仿真模型，热仿真模型表征所设置的温度采样点处的温度ta分别与光伏逆变器中各个风扇处的温度t
f1
,t
f2
,
…
,t
fn1
、各个开关管处的温度t
m1
,t
m2
,
…
,t
mn2
、各个电容处的温度t
c1
,t
c2
,
…
,t
cn3
之间的对应关系。
[0041]
在某一时刻采样得到温度采样点处的温度ta，此刻通过仿真得到各个风扇处的温度t
f1
,t
f2
,
…
,t
fn1
、各个开关管处的温度t
m1
,t
m2
,
…
,t
mn2
、各个电容处的温度t
c1
,t
c2
,
…
,t
cn3
，通过大量仿真改变外部环境温度及逆变器工作条件，得到采样点处不同温度值和电解电容、开关管、风扇处温度值的对应关系，即tc＝f1(ta)、tm＝f2(ta)、tf＝f3(ta)。
[0042]
在寿命预测时刻，采样温度采样点处的实时温度，并利用热仿真模型得到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，同时采样光伏逆变器中各个风扇的给定转速、光伏逆变器中各个风扇的实际转速、光伏逆变器中各个风扇的工作电流、光伏逆变器中各个开关管的导通电阻、光伏逆变器中各个电容的容值。具体如下：
[0043]
当风扇出现老化或者有衰老出现时，数字信号处理器(dsp)通过pwm方式给定转速vi，其实际转速vo小于给定转速vi，同时工作电流if变大。其中数字信号处理器给定转速vi为已知量，实际转速vo由数字信号处理器通过io的捕获模式测得，数字信号处理器通过电流
传感器测得风扇工作电流if。采样得到采样点处温度ta，根据公式tf＝f3(ta)得到风扇处温度tf，这样得到寿命预测时刻的tf、vi、vo、if。
[0044]
开关管(mosfet/igbt)导通电阻增大，其剩余寿命减少。采样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，控制开关管导通，利用测量电路向开关管注入恒定电流，同时通过隔离电路将与开关管相连接的器件隔离，则测得开关管两端的电压后，基于欧姆定律计算得到开关管的导通电阻。其中，测量电路包括恒流源、至少一个第一类开关、电压表，恒流源、第一类开关与开关管或电容串联构成回路，电压表并联在恒流源两端。隔离电路包括运放和两个第二类开关，运放的同相输入端经第一个第二类开关连接至被隔离器件的一端，运放的反相输入端与运放的输出端相连接并经第二个第二类开关管连接至被隔离器件的另一端。逆变器寿命预测模式下，如图1所示，当需要测量开关管s1的导通电阻r
ds1
时，数字信号处理器控制开关管s1导通，闭合测量电路的两个第一类开关s7、s8，开关导通电阻rs已知，恒流源向开关管s1注入恒定电流i
rt
，此时电流可能会流入与开关管s1相连接的器件，即电容c1或开关s2，故需要将开关管s1相连的器件隔离，以把开关管s2隔离为例，由运放组成的跟随器输入输出电压加在开关管s2两端，其两端电压相等，故流入开关管s2的电流i
s2
为0，又因为运放的输入阻抗较高，流入运放的电流ia近似为零，测得开关管s1两端电压v
rt
,求得开关管s1导通电阻r
ds1
＝v
rt
/i
rt-2rs。同理测得其他开关管的导通电阻r
ds2
,
…
,r
dsn2
。根据采样点处温度ta，根据公式tm＝f2(ta)得到开关管处温度tm，这样得到寿命预测时刻的tm、r
ds1
,r
ds2
,
…
,r
dsn2
。
[0045]
电解电容容值的衰减，其剩余寿命也会减小。采样光伏逆变器中各个电容的容值的方法为：针对任一电容，利用测量电路对电容充电，同时通过隔离电路将与电容相连接的器件隔离，则在两个时刻分别测得电容两端的电压后，基于电容的定义计算得到电容的容值。用图1所示的测量电路对电容充电，同时利用隔离电路对和被测电容相连的电容进行隔离，隔离方法前所述，如果多个电容并联，就将并联后的容值作为测量结果。根据恒流源的充电电流ic,以及电容两端电压的采样值v1(对应t1时刻)和v2(对应t2时刻)，c1＝ic*(t
1-t2)/(v
1-v2),同理测得其他电容的容值c2,
…
,c
n3
，根据采样点处温度ta，根据公式tc＝f1(ta)得到电容处温度tc，这样得到寿命预测时刻的tc、c1,c2,
…
,c
n3
。
[0046]
获取光伏逆变器的失效参数的实时数据后将其输入训练后的cnn-lstm网络，得到失效参数的预测数据。预先针对每个失效参数分别建立失效状态标准，则基于失效参数的预测数据和对应的失效状态标准而对光伏逆变器的剩余寿命进行预测。
[0047]
为了综合多个失效参数对逆变器寿命的影响，需要整合来自不同易失效器件的特征参数，包括tf、vi、vo、if、tm、r
ds
、tc、c。将来自同一易失效器件采集到的数据作为一个通道信息，则深度预测模型的输入为多通道的时间序列数据，其中每个通道代表一个易失效器件序列，每个通道中的数据之间具有时间相关性，反应了一个受监控参数在运行时间内的特征值变化情况。同时，由于不同参数之间也存在互相影响，不同通道中的数据即具有跨通道的相关性。现有方法中大多使用同步映射时间相关性和跨通道相关性的方法进行寿命预测，是无法有效捕获和建模不同失效参数之间的依赖关系，从而限制了寿命预测模型的预测准确性。本方案使用可分离卷积操作替代标准的卷积操作，首先在每个通道内部的卷积操作将单个卷积核应用到每个输入通道，单独映射每个失效参数序列之间的时序相关性；然后逐点卷积创建不同失效参数经过卷积之后的特征组合，映射不同失效参数的相关性，
通过以上两个独立的步骤，旨在通过解耦时间相关性和跨通道相关性来有效地建模不同失效参数之间的相互关系。
[0048]
尽管逆变器的寿命受到多个失效参数的影响，但不同失效参数的影响程度是不同的，不同失效参数在不同时间段起到的影响程度也是不同的，因此将通道注意力模块和空间注意力模块引入到寿命预测中。通道注意力模块使得网络在学习过程中能够关注什么样的通道特征是对整体的寿命预测起到更加强烈的作用，也即网络能够关注到对逆变器寿命预测起到关键作用的失效参数；空间注意力模块使得网络在学习过程中能够关注到序列中什么阶段的特征是对整体的寿命预测起到更加强烈的作用，也即网络能够关注到对逆变器寿命预测起到关键作用的失效参数中的关键阶段。将cnn网络提取的特征送入lstm网络，实现对每个失效参数的预测。建立单个失效参数(风扇实际转速与电流、电解电容容值、mosfet/igbt导通电阻)的失效状态标准，当有一失效参数达到失效状态标准的某一阶段时，则认为逆变器的寿命到达了某个阶段。
[0049]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。