CN103630785A - 光伏逆变器复合粒子过程在线剩余寿命评估方法 - Google Patents

Abstract

本发明公开了一种光伏逆变器复合粒子过程在线剩余寿命评估方法，首先，采用相关向量机（Relative Vector Machine,RVM）构建健康光伏逆变器效率计算器，然后，在线实时监测光伏逆变器输入电压、电流与输出电压、电流信号，并计算其转换效率，进而获取光伏逆变器故障征兆参数时间序列；基于故障征兆参数时间序列数据，构建光伏逆变器的复合粒子退化过程模型，通过获取退化轨迹粒子的剩余寿命预测值，并在线更新退化过程模型，最终实现光伏逆变器的在线剩余寿命评估。本发明能够实现光伏逆变器的在线状态监测与剩余寿命评估，为光伏逆变器健康状况评估和视情维修提供依据，能够保障光伏发电系统的可靠运行及电网的安全稳定。

Description

光伏逆变器复合粒子过程在线剩余寿命评估方法

技术领域

本发明涉及逆变器故障预测与健康管理技术领域，尤其涉及一种应用于光伏逆变器的在线剩余寿命评估方法。

背景技术

全球范围的能源危机和环境危机促使新能源技术迅猛发展，其中光伏发电以其清洁性和经济性被认为是最具有发展前景的可再生能源利用技术。光伏系统中，光伏电池通过光伏逆变器连接至单相电网或供给负载。光伏逆变器作为光伏系统的最核心部件，直接影响着系统的可靠运行、效率和寿命成本。因此，迫切需要对光伏逆变器进行在线状态监测与剩余寿命预报，以便对其进行预防性维护维修，降低故障风险，为光伏系统可靠工作和电网的安全稳定提供保障。

光伏逆变器由不同电子电气元器件构成，由于工作环境恶劣，直接影响元器件的性能，进而导致光伏逆变器的性能退化及可靠性降低，甚至故障失效。现阶段，光伏逆变器的性能监测，多为研究光伏逆变器关键性能参数的离线或在线性能测试方法，缺少对其未来状态甚至剩余寿命的在线评估方法。

本发明结合光伏逆变器性能指标要求，提出一种基于复合粒子退化轨迹的在线剩余寿命预测方法，其基于光伏逆变器的性能退化数据，将光伏逆变器的性能退化过程分解为多个退化轨迹粒子，并能够实时在线更新，能够实现光伏逆变器的准确状态监测与剩余寿命评估。

发明内容

本发明的目的在于提供一种光伏逆变器复合粒子过程在线剩余寿命评估方法，用于在线进行光伏逆变器的在线状态监测与剩余寿命预测，以提前预知光伏逆变器健康状况，以及时采取措施，保障光伏发电系统的安全可靠运行。

为了达成上述目的，本发明的解决方案是：

光伏逆变器复合粒子过程在线剩余寿命评估方法，包括以下步骤（1）～（8）：

（1）采用相关向量机（Relative Vector Machine,RVM）构建健康光伏逆变器效率计算器；

（2）在线实时采集光伏逆变器输入电压、输入电流和输出电压、输出电流信号，实时计算并获取光伏逆变器转换效率，并给出光伏逆变器的失效阈值

（3）利用步骤（1）的健康逆变器效率计算器与步骤（2）所获取的光伏逆变器工作过程中的转换效率，每间隔Δt时间，计算并获取光伏逆变器实时工作过程中的故障征兆参数，构建故障征兆参数时间序列

其中

为当前第k时刻的故障征兆参数；

（4）利用步骤（3）中的故障征兆参数时间序列数据，建立当前第k时刻下的光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 其中η^*故障征兆参数，f_i(t)为光伏逆变器实际退化过程所分解的第i个退化轨迹粒子，p_i为退化轨迹粒子f_i(t)的权值，n为退化轨迹粒子的个数，t为时间变量；

（5）采用步骤（4）所建立的光伏逆变器复合粒子退化过程模型中所确定的退化轨迹粒子，分别进行剩余寿命预测，获取当前第k时刻的各退化轨迹粒子对应的剩余寿命T_i,k；

（6）确定当前第k时刻的退化轨迹粒子权值p_i；

（7）利用步骤（5）获取的各退化粒子轨迹对应的剩余寿命和步骤（6）所确定的退化轨迹粒子权值，最终得到当前第k时刻下的光伏逆变器的剩余寿命为

其中p_i为k时刻退化轨迹粒子f_i(t)的权值，T_i,k为第k时刻利用退化轨迹粒子f_i(t)所预测的剩余寿命，i＝1,2,…,n；

（8）k＝k+1时刻重复步骤（3）-（8），即可实现光伏逆变器的在线剩余寿命评估。

本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，所述步骤（1）中构建健康光伏逆变器效率计算器的具体步骤为：

（2.1）对健康状态下的光伏逆变器，施加N种不同的工作条件，即施加N种不同的输入电压U_im与负载Z_m，采集并获取各工作条件下的输入电压U_im、输入电流I_im和输出电压U_om、输出电流I_om，计算N种不同工作条件下的对应转换效率η_m，其中N为大于等于20的正整数，m＝1,2,3,…N；

（2.2）采用RVM算法，以U_im、Z_m为输入，η_m为输出，训练RVM，训练所得的两输入单输出的RVM即为健康逆变器效率计算器。

本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，所述步骤（3）中故障征兆参数的计算方法为：

设光伏逆变器实时工作于第k时刻（对应时间为t_k）的输入电压为U_k、负载为Z_k，则第k时刻光伏逆变器的故障征兆参数计算方法为：

以U_k、Z_k作为步骤（1）所构建健康逆变器效率计算器的输入，则经过健康光伏逆变器效率计算器运算后的输出即为第k时刻工作条件下光伏逆变器处于健康状态下的转换效率η_{k_health}，而第k时刻光伏逆变器的实际转换效率为η_k，则第k时刻光伏逆变器的故障征兆参数为

${\mathrm{\η}}_k^{*}=\frac{{\mathrm{\η}}_k}{{\mathrm{\η}}_{k\_\mathrm{health}}}\×100\%\·$

本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，所述步骤（4）中，光伏逆变器的复合粒子退化过程模型的建立步骤为：

（4.1）将光伏逆变器的实际退化过程分解为多个退化轨迹粒子的线性组合，即复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 则第k时刻光伏逆变器实际退化过程分解为指数轨迹粒子

和随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)的组合，p₁、p₂为第k时刻退化轨迹粒子f₁(t)与f₂(t)的权值，α_k、β_k、μ_k、σ_k为第k时刻模型的待定参数，W(t)为标准布朗运动；

（4.2）利用故障征兆参数时间序列 ${\mathrm{\η}}_0^{*},{\mathrm{\η}}_1^{*},{\mathrm{\η}}_2^{*},{\mathrm{\η}}_3^{*},\·\·\·{\mathrm{\η}}_{k-1}^{*}$ 代入 ${\mathrm{\η}}^{*}\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t},$ 求解出待定参数的最小二乘解，即为第k时刻的模型待定参数值α_k、β_k；

（4.3）随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)为维纳随机过程，利用故障征兆参数时间序列

采用极大似然法求解出估计值

作为第k时刻的待定参数μ_k、σ_k；

（4.4）确定了第k时刻的α_k、β_k、μ_k、σ_k后，即可得到第k时刻光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)=p_1\·{10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}+p_2[{\mathrm{\μ}}_{k}t+{\mathrm{\σ}}_{k}W\left(t\right)]\·$

本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，所述步骤（5）的详细步骤为：

（5.1）令失效阈值

求得光伏逆变器达到失效阈值的时间

则由退化轨迹粒子

预测得到的第k时刻光伏逆变器的剩余寿命为T_1,t＝t_L-t_k；

（5.2）退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)对应的第k时刻的剩余寿命分布为

则退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)预测得到的第k时刻的剩余寿命为

本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，所述步骤（6）中，确定退化轨迹粒子权值的具体步骤为：

（6.1）光伏逆变器第k时刻的故障征兆参数为

k时刻（对应时间t_k）与k-1时刻（对应时间t_k-1）间的时间间隔为Δt＝t_k-t_k-1，求取采用相应退化轨迹粒子f_i(t)进行单步预测的时间间隔误差Δt_i,error，即

令 ${\mathrm{\η}}_k^{*}={10}^{{\mathrm{\α}}_t+{\mathrm{\β}}_t\·t},$ 求得 $t_{1,x}=\frac{\lg \left({\mathrm{\η}}_k^{*}\right)-{\mathrm{\α}}_k}{{\mathrm{\β}}_k},$ 则利用退化轨迹粒子 $f_1\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}$ 进行单步预测的时间间隔误差为Δt_1,error＝t_1,x-t_k-1-Δt；令

则可求得故障征兆参数与

的时间间隔则利用退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)进行单步预测的时间间隔误差为Δt_2,error＝t_2,x-Δt；

（6.2）权值 ${\hat{p}}_i=\frac{1}{\sqrt{2\mathrm{\π}\·{10}^{-4}}}{e}^{-\frac{{{\mathrm{\Δt}}_{k,\mathrm{error}}}^2}{2\·{10}^{-4}}},i=\mathrm{1,2};$

（6.3）权值

归一化后得 $p_i=\frac{{\hat{p}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\hat{p}}_i},n=2\·$

附图说明

图1是光伏逆变器的性能参数测试示意图；

图2是光伏逆变器复合粒子过程在线剩余寿命评估方法流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

本发明提供一种光伏逆变器复合粒子过程在线剩余寿命评估方法，其总体思路是通过在线监测光伏逆变器的电压、电流信号，提取其故障征兆参数，将光伏逆变器的性能退化过程分解为多个退化轨迹粒子，利用故障征兆参数时间序列，对所分解的退化轨迹粒子的进行剩余寿命预测，并在线更新，最终实现光伏逆变器的在线剩余寿命的准确评估。

为实现光伏逆变器性能的在线监测与剩余寿命评估，需采集光伏逆变器的输入电压、输入电流、输出电压、输出电流，如图1所示。

如图2所示，本发明的光伏逆变器复合粒子过程在线剩余寿命评估方法，具体实施包括如下步骤：

（1）采用相关向量机（Relative Vector Machine,RVM）构建健康光伏逆变器效率计算器。

首先，对健康状态下的光伏逆变器，施加N种不同的工作条件，即施加N种不同的输入电压U_im与负载Z_m，采集并获取各工作条件下的输入电压U_im、输入电流I_im和输出电压U_om、输出电流I_om，计算N种不同工作条件下的对应转换效率η_m，其中N为大于等于20的正整数，m＝1,2,3,…N；然后，采用RVM算法，以U_im、Z_m为输入，η_m为输出，训练RVM，训练所得的两输入单输出的RVM即为健康逆变器效率计算器。

设RVM的模型输出为：

$y\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_1{\mathrm{\φ}}_i\left(x\right)+{\mathrm{\ω}}_0$     式（1）

式（1）中，x为RVM训练样本，φ _i 为非线性基函数，ω_i为模型的权值，i＝0,1,…,M，M为RVM的训练样本个数。

RVM使用的基函数φ _i 无须满足Mercer核定理，本发明中RVM的非线性基函数选择为高斯函数，如式（2）所示，其参数c取值为1.5。

${\mathrm{\φ}}_i\left(x\right)=\exp \left(\frac{{\left|\right|x-x_i\left|\right|}^2}{c^2}\right)$    式（2）

式（2）中，x为全体训练样本，x_i为第i个训练样本。

（2）在线实时采集光伏逆变器输入电压、输入电流和输出电压、输出电流信号，实时计算并获取光伏逆变器转换效率，并给出光伏逆变器的失效阈值

光伏逆变器转换效率指输出有功功率与输入有功功率之比，记为η，计算公式为式（3）。

$\mathrm{\η}=\frac{U_o{I}_o}{U_i{I}_i}\×100\%$    式（3）

式（3）中U_i、I_i、U_o、I_o分别为输入电压平均值、输入电流平均值、输出电压有效值、输出电流的有效值。

（3）利用步骤（1）的健康逆变器效率计算器与步骤（2）所获取的光伏逆变器工作过程中的转换效率，每间隔Δt时间，计算并获取光伏逆变器实时工作过程中的故障征兆参数，构建故障征兆参数时间序列

其中

为当前第k时刻的故障征兆参数。

设光伏逆变器实时工作于第k时刻（对应时间为t_k）的输入电压为U_k、负载为Z_k，则第k时刻光伏逆变器的故障征兆参数计算方法为：

以U_k、Z_k作为步骤（1）所构建健康逆变器效率计算器的输入，则经过健康光伏逆变器效率计算器运算后的输出即为第k时刻工作条件下光伏逆变器处于健康状态下的转换效率η_{k_health}，而第k时刻光伏逆变器的实际转换效率为ηk，则第k时刻光伏逆变器的故障征兆参数为 ${\mathrm{\η}}_k^{*}=\frac{{\mathrm{\η}}_k}{{\mathrm{\η}}_{k\_\mathrm{health}}}\×100\%;$

按照所述故障征兆参数计算方法，即可计算得到光伏逆变器工作的初始时刻至当前第k时刻过程中的不同时间点的故障征兆参数，进而构成了故障征兆参数时间序列 ${\mathrm{\η}}_0^{*},{\mathrm{\η}}_1^{*},{\mathrm{\η}}_2^{*},$ ${\mathrm{\η}}_3^{*},\·\·\·{\mathrm{\η}}_{k-1}^{*}\·$

（4）利用步骤（3）中的故障征兆参数时间序列数据，建立当前第k时刻下的光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 其中η^*故障征兆参数，f_i(t)为光伏逆变器实际退化过程所分解的第i个退化轨迹粒子，p_i为退化轨迹粒子f_i(t)的权值，n为退化轨迹粒子的个数，t为时间变量。光伏逆变器的复合粒子退化过程模型的具体建立步骤为：

（4.1）将光伏逆变器的实际退化过程分解为多个退化轨迹粒子的线性组合，即复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 则第k时刻光伏逆变器实际退化过程分解为指数轨迹粒子

和随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)的组合，p₁、p₂为第k时刻退化轨迹粒子f₁(t)与f₂(t)的权值，α_k、β_k、μ_k、σ_k为第k时刻模型的待定参数，W(t)为标准布朗运动；

（4.2）利用故障征兆参数时间序列 ${\mathrm{\η}}_0^{*},{\mathrm{\η}}_1^{*},{\mathrm{\η}}_2^{*},{\mathrm{\η}}_3^{*},\·\·\·{\mathrm{\η}}_{k-1}^{*}$ 代入 ${\mathrm{\η}}^{*}\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t},$ 求解出待定参数的最小二乘解，即为第k时刻的模型待定参数值α_k、β_k，最小二乘解是利用最小二乘法求解出待定参数，为现有技术，具体步骤此处不再赘述；

（4.3）随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)为维纳随机过程，利用故障征兆参数时间序列

采用极大似然法求解出估计值

作为第k时刻的待定参数μ_k、σ_k，极大似然法是求未知参数点估计的一种重要方法，为现有技术，具体步骤此处不再赘述；

确定了第k时刻的α_k、β_k、μ_k、σ_k后，即可得到第k时刻光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)=p_1\·{10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}+p_2[{\mathrm{\μ}}_{k}t+{\mathrm{\σ}}_{k}W\left(t\right)]\·$

（5）采用步骤（4）所建立的光伏逆变器复合粒子退化过程模型中所确定的退化轨迹粒子，分别进行剩余寿命预测，获取当前第k时刻的各退化轨迹粒子对应的剩余寿命T_i,k，具体步骤为：

（5.1）令失效阈值

求得光伏逆变器达到失效阈值的时间

则由退化轨迹粒子

预测得到的第k时刻光伏逆变器的剩余寿命为T_1,t＝t_L-t_k；

（5.2）退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)对应的第k时刻的剩余寿命分布为

则退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)预测得到的第k时刻的剩余寿命为

（6）确定当前第k时刻的退化轨迹粒子权值p_i，详细步骤为：

（6.1）光伏逆变器第k时刻的故障征兆参数为

k时刻（对应时间t_k）与k-1时刻（对应时间t_k-1）间的时间间隔为Δt＝t_k-t_k-1，求取采用相应退化轨迹粒子f_i(t)进行单步预测的时间间隔误差Δt_i,error，即

令 ${\mathrm{\η}}_k^{*}={10}^{{\mathrm{\α}}_t+{\mathrm{\β}}_t\·t},$ 求得 $t_{1,x}=\frac{\lg \left({\mathrm{\η}}_k^{*}\right)-{\mathrm{\α}}_k}{{\mathrm{\β}}_k},$ 则利用退化轨迹粒子 $f_1\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}$ 进行单步预测的时间间隔误差为Δt_1,error＝t_1,x-t_k-1-Δt；令

则可求得故障征兆参数

与

的时间间隔

则利用退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)进行单步预测的时间间隔误差为Δt_2,error＝t_2,x-Δt；

（6.2）权值 ${\hat{p}}_i=\frac{1}{\sqrt{2\mathrm{\π}\·{10}^{-4}}}{e}^{-\frac{{{\mathrm{\Δt}}_{k,\mathrm{error}}}^2}{2\·{10}^{-4}}},i=\mathrm{1,2};$

（6.3）权值

归一化后得 $p_i=\frac{{\hat{p}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\hat{p}}_i},n=2\·$

（7）利用步骤（5）获取的各退化粒子轨迹对应的剩余寿命和步骤（6）所确定的退化轨迹粒子权值，最终得到当前第k时刻下的光伏逆变器的剩余寿命为

其中p_i为k时刻退化轨迹粒子f_i(t)的权值，T_i,k为第k时刻利用退化轨迹粒子f_i(t)所预测的剩余寿命。

（8）k＝k+1时刻，重复步骤（3）-（8），即可实现光伏逆变器的在线剩余寿命评估。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，包括以下步骤：

（1）采用相关向量机（Relative Vector Machine,RVM）构建健康光伏逆变器效率计算器；

（2）在线实时采集光伏逆变器输入电压、输入电流和输出电压、输出电流信号，实时计算并获取光伏逆变器转换效率，并给出光伏逆变器的失效阈值

（3）利用步骤（1）的健康逆变器效率计算器与步骤（2）所获取的光伏逆变器工作过程中的转换效率，每间隔Δt时间，计算并获取光伏逆变器实时工作过程中的故障征兆参数，构建故障征兆参数时间序列

其中

为当前第k时刻的故障征兆参数；

（4）利用步骤（3）中的故障征兆参数时间序列数据，建立当前第k时刻下的光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 其中η^*故障征兆参数，f_i(t)为光伏逆变器实际退化过程所分解的第i个退化轨迹粒子，p_i为退化轨迹粒子f_i(t)的权值，n为退化轨迹粒子的个数，t为时间变量；

（5）采用步骤（4）所建立的光伏逆变器复合粒子退化过程模型中所确定的退化轨迹粒子，分别进行剩余寿命预测，获取当前第k时刻的各退化轨迹粒子对应的剩余寿命T_i,k；

（6）确定当前第k时刻的退化轨迹粒子权值p_i；

（7）利用步骤（5）获取的各退化粒子轨迹对应的剩余寿命和步骤（6）所确定的退化轨迹粒子权值，最终得到当前第k时刻下的光伏逆变器的剩余寿命为

其中p_i为k时刻退化轨迹粒子f_i(t)的权值，T_i,k为第k时刻利用退化轨迹粒子f_i(t)所预测的剩余寿命，i＝1,2,…,n；

（8）k＝k+1时刻重复步骤（3）-（8），即可实现光伏逆变器的在线剩余寿命评估。

2.如权利要求1所述光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，所述步骤（1）中构建健康逆变器效率计算器的具体步骤为：

（2.1）对健康状态下的光伏逆变器，施加N种不同的工作条件，即施加N种不同的输入电压U_im与负载Z_m，采集并获取各工作条件下的输入电压U_im、输入电流I_im和输出电压U_om、输出电流I_om，计算N种不同工作条件下的对应转换效率η_m，其中N为大于等于20的正整数，m＝1,2,3,…N；

（2.2）采用RVM算法，以U_im、Z_m为输入，η_m为输出，训练RVM，训练所得的两输入单输出的RVM即为健康逆变器效率计算器。

3.如权利要求1所述光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，所述步骤（3）中，故障征兆参数的计算方法为：

设光伏逆变器实时工作于第k时刻（对应时间为t_k）的输入电压为U_k、负载为Z_k，则第k时刻光伏逆变器的故障征兆参数计算方法为：

以U_k、Z_k作为步骤（1）所构建健康逆变器效率计算器的输入，则经过健康光伏逆变器效率计算器运算后的输出即为第k时刻工作条件下光伏逆变器处于健康状态下的转换效率η_{k_health}，而第k时刻光伏逆变器的实际转换效率为η_k，则第k时刻光伏逆变器的故障征兆参数为

${\mathrm{\η}}_k^{*}=\frac{{\mathrm{\η}}_k}{{\mathrm{\η}}_{k\_\mathrm{health}}}\×100\%\·$

4.如权利要求1所述光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，所述步骤（4）中，光伏逆变器的复合粒子退化过程模型的建立步骤为：

（4.1）将光伏逆变器的实际退化过程分解为多个退化轨迹粒子的线性组合，即复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)+\·\·\·p_n{f}_n\left(t\right),$ 则第k时刻光伏逆变器实际退化过程分解为指数轨迹粒子

和随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)的组合，p₁、p₂为第k时刻退化轨迹粒子f₁(t)与f₂(t)的权值，α_k、β_k、μ_k、σ_k为第k时刻模型的待定参数，W(t)为标准布朗运动；

（4.2）利用故障征兆参数时间序列 ${\mathrm{\η}}_0^{*},{\mathrm{\η}}_1^{*},{\mathrm{\η}}_2^{*},{\mathrm{\η}}_3^{*},\·\·\·{\mathrm{\η}}_{k-1}^{*}$ 代入 ${\mathrm{\η}}^{*}\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t},$ 求解出待定参数的最小二乘解，即为第k时刻的模型待定参数值α_k、β_k；

（4.3）随机过程轨迹粒子f₂(t)＝μ_kt+σ_kW(t)为维纳随机过程，利用故障征兆参数时间序列

采用极大似然法求解出估计值

作为第k时刻的待定参数μ_k、σ_k；

（4.4）确定了第k时刻的α_k、β_k、μ_k、σ_k后，即可得到第k时刻光伏逆变器的复合粒子退化过程模型 ${\mathrm{\η}}^{*}\left(t\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{p}_i{f}_i\left(t\right)=p_1{f}_1\left(t\right)+p_2{f}_2\left(t\right)=p_1\·{10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}+p_2[{\mathrm{\μ}}_{k}t+{\mathrm{\σ}}_{k}W\left(t\right)]\·$

5.如权利要求1所述光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，所述步骤（5）的详细步骤为：

（5.1）令失效阈值

求得光伏逆变器达到失效阈值的时间

则由退化轨迹粒子

预测得到的第k时刻光伏逆变器的剩余寿命为T_1,t＝t_L-t_k；

（5.2）退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)对应的第k时刻的剩余寿命分布为

则退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)预测得到的第k时刻的剩余寿命为

6.如权利要求1所述光伏逆变器复合粒子过程在线剩余寿命评估方法，其特征在于，所述步骤（6）中，确定退化轨迹粒子权值的具体步骤为：

（6.1）光伏逆变器第k时刻的故障征兆参数为

k时刻（对应时间t_k）与k-1时刻（对应时间t_k-1）间的时间间隔为Δt＝t_k-t_k-1，求取采用相应退化轨迹粒子f_i(t)进行单步预测的时间间隔误差Δt_i,error，即：

令 ${\mathrm{\η}}_k^{*}={10}^{{\mathrm{\α}}_t+{\mathrm{\β}}_t\·t},$ 求得 $t_{1,x}=\frac{\lg \left({\mathrm{\η}}_k^{*}\right)-{\mathrm{\α}}_k}{{\mathrm{\β}}_k},$ 则利用退化轨迹粒子 $f_1\left(t\right)={10}^{{\mathrm{\α}}_k+{\mathrm{\β}}_k\·t}$ 进行单步预测的时间间隔误差为Δt_1,error＝t_1,x-t_k-1-Δt；令

则可求得故障征兆参数

与

的时间间隔

则利用退化轨迹粒子f₂(t)＝μ_kt+σ_kW(t)进行单步预测的时间间隔误差为Δt_2,error＝t_2,x-Δt；

（6.2）权值 ${\hat{p}}_i=\frac{1}{\sqrt{2\mathrm{\π}\·{10}^{-4}}}{e}^{-\frac{{{\mathrm{\Δt}}_{k,\mathrm{error}}}^2}{2\·{10}^{-4}}},i=\mathrm{1,2};$

（6.3）权值

归一化后得 $p_i=\frac{{\hat{p}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\hat{p}}_i},n=2\·$

Images