逐层贪心算法对深度神经网络模型进行无监督方式训练；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 w;
[0028] 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」
；
[0029] 步骤1. 4、依据步骤I. 1采集的数据计算第η时刻点单相光伏逆变器中功率 MOSFET的导通电阻值Ensw，其中」
，从而获取光伏逆变器 为健康状态时功率MOSFET的导通电阻基准值
；定义当功率MOSFET导通电 阻值增大到其基准值Rdsid的1. 2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器 的失效阈值F = L2Rds。；
[0030] 步骤2、获取被测单相光伏逆变器在tj寸刻的输入电压、输入电流/,_(,")、输出电 压^J、输出电流 7AJ以及功率MOSFET的漏源极电流/_")和结温，将输入电压、 输入电流7也)、输出电压G(<J、输出电流 7O和功率MOSFET的结温作为步骤1中已建 立的深度神经网络模型的输入量，获取t"时刻单相光伏逆变器的状态参数值SCu，依据如 下状态判断准则评估当前时刻单相光伏逆变器的状态：
[0031] (1)当SQ UC(<J SlMQ时，被测单相光伏逆变器为正常状态；
[0032] (2)当1·2夂：。<SCoj SIMC。时，被测单相光伏逆变器为微弱退化状态；
[0033] (3)当1·5Ι。< S ：L8_SCD时，被测单相光伏逆变器为严重退化状态；
[0034] (4)当1_8夂；< S 2SQ时，被测单相光伏逆变器为临近失效状态；
[0035] 步骤3、计算被测单相光伏逆变器中功率MOSFET在h，t2，…，k时刻的导通电阻
，其中.
；建立高斯 过程回归模型对其进行多步预测，实现剩余寿命预测，其具体步骤如下：
[0036] (3. 1)以功率MOSFET在t2，…，k时刻的导通电阻&功J作为历史时间序列数 据；
[0037] (3. 2)选择平方指数函数作为高斯回归过程模型的核函数，并设置平方指数函数 的超参数初始值均为零；使用共辄梯度优化算法迭代学习求解超参数的最优值，其中迭代 次数设置为100次；
[0038] (3. 3)确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输 入向量
，输出向量= {^ΖΧ·φ2+;η!^，从而预测步数即为 τ ;
[0039] (3. 4)采用已建立的高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当 预测到时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变 器在tj寸刻的剩余寿命为
。
【主权项】
1. 单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，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°C、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V1 (n)、输入电流Ii(n)、输出电压V。(n)、输出电流Iciw以及功率MOSFET的漏源极电流 IdsW和结温T?，其中，n= 1，2，...，P;步骤I. 2、建立深度神经网络模型，进行单相光伏逆变器在线状态评估，该模型的输入 量为输入电压V1(n)、输入电流I1(n)、输出电压Vciw、输出电流Iciw以及功率MOSFET的结温 Tjw，输出量为单相光伏逆变器的状态参数值SCw; 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 步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值'其中=I) 乂("厂且Rdsw为第n时刻点的导通电 阻值；定义当功率MOSFET导通电阻值增大到其基准值Rds。的1. 2倍时，单相光伏逆变器的 剩余寿命为零，即单相光伏逆变器的失效阈值F=I. 2Rds。； 步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在tj寸刻 的状态参数值夂^)，并与状态参数基准值进行比较，判断该时刻被测单相光伏逆变器的状 态； 步骤3、计算被测单相光伏逆变器中功率MOSFET在沁t2，…，tj寸刻的导通电阻 心冲小足吨)，采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预 测到时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器 在tj寸刻的剩余寿命。2. 根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征 在于，步骤1中建立深度神经网络模型，进行单相光伏逆变器在线状态评估的具体步骤如 下： (2. 1)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，. . ?，hu) =P(VIh1)P(h11h2)…P(hu21hu 4P(hu11hu)，其中，u为隐含层 个数； (2. 2)确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤I. 1采集的输 入电压V1 (n)、输入电流Ii(n)、输出电压V。(n)、输出电流I。(n)和功率MOSFET的结温Tj(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； (2. 3)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； (2. 4)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SCw。3. 根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征 在于，步骤2中tj寸刻被测单相光伏逆变器的状态评估准则如下： ⑴当时，被测单相光伏逆变器为正常状态； ⑵当LZSCfl <SC(c)^L5SC。时，被测单相光伏逆变器为微弱退化状态； ⑶当L5SC。<SCoj 时，被测单相光伏逆变器为严重退化状态； (4)当IMCe 时，被测单相光伏逆变器为临近失效状态。4.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征 在于，步骤3中建立高斯回归过程模型进行多步预测，得到单相光伏逆变器在tj寸刻的剩 余寿命，包括以下四个步骤： (4.1)以功率MOSFET在^，t2，…，k时刻的导通电阻艰)作为历史时间序列数据， 其中z= 1，2, ? ??，m; (4. 2)选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置； (4.3)确定高斯回归过程模型的嵌入维数为w和延迟时间为T，构建该模型的输入向 量1(,」=^_2)，及0冲2+7)，"?，及DS(f2+(w-l)r)}，输出向量42) = ]^05(〇+/?:^，从而预测步数即为T ; (4. 4)当预测到时刻的导通电阻预测值AdU首次大于失效阈值F时，则可得到 单相光伏逆变器在I时刻的剩余寿命为;。
【专利摘要】本发明提出一种单相光伏逆变器在线状态监测与剩余寿命预测方法，其具体步骤为：首先在线实时采集光伏逆变器为健康状态时的输入电压、输入电流、输出电压、输出电流以及功率MOSFET漏源极电流和结温；然后，采用深度神经网络模型获取光伏逆变器的状态参数基准值，并计算得到功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值；最后，基于深度神经网络模型获取被测单相光伏逆变器的状态参数值并结合其基准值进行状态评估，同时，采用高斯过程回归模型对其进行多步预测，实现其剩余寿命预测。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，实现了其在线状态监测及剩余寿命预测，为光伏发电系统合理进行健康管理提供理论依据。
【IPC分类】G01R31/00, G06N3/02
【公开号】CN105137242
【申请号】CN201510569859
【发明人】孙权, 王友仁, 吴祎, 姜媛媛
【申请人】南京航空航天大学
【公开日】2015年12月9日
【申请日】2015年9月9日