CN110083955B - 传动系统牵引支撑电容的选型和设计方法 - Google Patents
传动系统牵引支撑电容的选型和设计方法 Download PDFInfo
- Publication number
- CN110083955B CN110083955B CN201910367499.2A CN201910367499A CN110083955B CN 110083955 B CN110083955 B CN 110083955B CN 201910367499 A CN201910367499 A CN 201910367499A CN 110083955 B CN110083955 B CN 110083955B
- Authority
- CN
- China
- Prior art keywords
- capacitor
- parameters
- model
- data
- capacitance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本发明公开了一种传动系统牵引支撑电容的选型和设计方法。基于牵引传动模型和薄膜直流环节电容器寿命模型收集不同优劣工况条件下,不同支撑电容参数的多维度寿命估计数据。同时,收集和折算不同制造商的数量和成本数据。进一步引入多层高维深度学习网络DNN模型预测体积,成本和预期寿命,并通过均方误差(MSE)验证模型的准确性。该发明可以快速准确地将电容器的性能参数映射到所选直流环节电容器的体积,成本和预期寿命,并实现将电容器的性能参数用作黑箱,面向用户的需求,直接针对薄膜直流环节支撑电容器的体积,成本和寿命进行选型和设计。
Description
技术领域
本发明涉及电子元器件的可靠性的选型和设计方法,具体来说是涉及通过牵引传动系统支撑电容的可靠性分析,对牵引传动系统支撑电容进行选型和设计的方法。
背景技术
电容器被认为是电力电子系统中最脆弱的部件之一,因此电容器的可靠性日益成为一个突出的问题。在牵引传动中,直流环节支撑电容主要起到储能和过滤的作用,其可靠性与高速牵引驱动系统的安全性和性能息息相关。使用具有更高电压和更长寿命的薄膜电容器来代替铝电解电容器是一种趋势。因此,研究牵引传动系统中薄膜直流环节电容器的可靠性具有重要意义。王怀,F.Blaabjerg给出了薄膜电容器寿命的数学模型,并分析了直流环节电容器的失效机理。王浩然,P.Davari等人提出了一种考虑频率和电网电压不平衡影响的电容器寿命估算方法,并给出了薄膜电容器和电解电容器之间的性能比较。M.Horák等人通过加速老化试验研究了丙烯薄膜电容器参数的非线性变化规律。
同时考虑到电容,电感,电阻等无源元件需要十多年甚至几十年的运行周期,意味着应在器件设计开始时就仔细考虑和设计器件的寿命和故障率,并根据分析结果反馈到器件的设计指标和参数上。所以在牵引传动系统运行之前,就应该通过一些电容器的设计方案对电容的选型进行支撑。王浩然等人从可靠性和成本的角度评估了无源直流母线的设计方法,并发明了一种双端有源电容器,并讨论了其设计约束和阻抗建模。随着CPU性能的提高,深度学习已应用于电力电子领域的设计实践中。Y.LeCun等人提出了深层神经网络(DNN)的运用概念,其较高的层数和较多的神经元个数被用于有效地解决图像识别和相关的设计问题。Shakirov V V等人比较了几种智能算法的结果表明,DNN可以合理地处理复杂参数并完成不同特征参数的分类。
发明内容
本发明的目的是提出一种基于可靠性分析的牵引传动系统支撑电容的选型和设计方法,旨在能快速准确地将电容器的性能参数映射到所选直流环节电容器的体积,成本和预期寿命,并实现牵引传动系统中直流环节薄膜电容器的主动选择和设计。
本发明的目的是通过如下的手段实现的:
一种基于可靠性分析,采集相关数据,考虑到其电容的运行寿命,购买成本,使用体积对牵引传动系统支撑电容的选型和设计方法,包括数据的收集和数据的处理两部分;牵引传动模型和薄膜直流环节电容器寿命模型收集寿命估计数据;建立适用于支撑电容的多层高维深度学习网络建立DNN(深度神经网络)模型预测体积,成本和预期寿命。包含如下的主要步骤:
1)、建立不同优劣工况条件,不同支撑电容参数的多维度电容电参数采集模型,并获得电容器电压和电流纹波信号的数据集合。
建立牵引传动系统的仿真模型,其中包括设置直流链路电容器额定电压Vcap,电容值Ccap和等效电阻ESR的设计参数。
为了反映不同运行环境,不同工况运行的负载变化,根据实际运行情况,在牵引传动系统中设置不低于两个测试工况,其中测试工况之间需要有一定的针对性和区别,并反馈给牵引传动系统的主电路。
为了实现电容器参数的定量设计,通过一系列电参数收集关键数据以获得电容器的电信号。
在工作条件发生变化时,电容器的电压和电流会存在一定的突变,表明在直流环节中发生了一定的振荡。随着Ccap的减小和ESR的增加,直流环节上的振荡程度也显着增加。
2)、对不同优劣工况条件下,不同支撑电容参数下的支撑电容进行寿命计算和数据收集
对于薄膜电容器,寿命模型和热点温度模型如下:
其中热阻Rha,等效电阻ESR(fi),电容电流的均方根Irms(fi),支撑电容器额定电压Vcap和环境温度Ta是设计参数,Th为热点温度,L0表示厂家提供的在额定热点温度为T0时的额定寿命,p为经验系数,取常数10,T0为厂家提供的额定温度,m表示经验系数,取8.5左右,n表示一个从1开始的数组,随频率f的变化,取到10000左右,V表示实际工作电压,L为实际运行中的电容寿命。
将设计参数ESR和第一步获得的Irms通过傅里叶分解转换为关于频率f变化的数据集合ESR(fi)和Irms(fi),将ESR(fi)和Irms(fi)数据代入热点温度模型以获得热点温度值,通过高温点验证工作条件变化的影响;其中把热阻Rha,等效电阻ESR(fi),电容电流的均方根Irms(fi),支撑电容器额定电压Vcap和环境温度Ta设置为设计参数,进一步在寿命模型中代入求解的热点温度Th,第一步获得的实际工作电压V和制造商的额定参数收集电容器寿命多维度数据集合。。
进一步代入额定温度Th,额定电压V和制造商的额定寿命数据来求解和收集电容器寿命多维度集合,随着Ccap的减少和ESR的增加,寿命期望逐渐降低。在一定范围内,Ccap对寿命期望的影响大于ESR,不同的测试工况其寿命期望的变化规律也不相同。
3)、不同品牌支撑电容组合参数的挖掘和折算
进一步收集与电容体积和价格相关的参数,为了尽可能确保收集数据的合理性和全面性,需要尽可能选择较多的厂家参数。
由于不同制造商的电容参数整体上具有不同的特征,将0和1参数用于为品牌参数指定值。同时,考虑到不同厂家的测试电阻频率与等效电阻ESR和电容额定电流Icap温度的差异,根据相关技术手册统一不同厂家ESR和Icap的标签。牵引传动系统中的中间支流环节的电容器需要更大的电容和高额定电压额定电容器,因此应使用串联和并联电容器组结构来增加单个电容器的电压或电容。应注意,串联和并联电容器组的连接会引起相关参数的变化。
4)、建立适用于支撑电容的多层高维度的深度学习网络模型
由于收集的参数具有不同的特征,不同厂家的参数也有不同的特征值。因此,采用DNN(深度神经网络)用于建立电容器可靠性的有源设计网络模型。DNN强调模型结构的深度,突出了特征学习的重要性,并且可以完成不同制造商参数的“分类”,从而实现牵引传动系统的支撑电容器的选择和设计。
DNN1:寿命期望作为目标值的深度学习网络
DNN1的目的是将电容器的电气相关参数映射到目标电容器的寿命。将寿命模型中的输入参数代入牵引传动系统中收集的电信号中,并且通过求解寿命模型中的结果来提取数据。在DNN1中,输入层是寿命期望即Vcap,Ccap,ESR,输出层是预期寿命。
DNN2:成本和体积作为目标值的深度学习网络
DNN2的目的是将相关的电容器参数映射到体积和成本。在DNN2中,输入是薄膜电容器的基本参数和表IV中的电容器组参数,输出层是体积和成本。由于不同品牌的电容参数具有一定的差异性,需要设计更多隐藏层数的DNN,同时使用relu函数的非线性激活功能来优化模型。
为了测试电容参数预测DNN模型的误差,通过引入经典的回归损失函数:MSE用于验证模型的正确性,将DNN1和DNN2模型的数据集随机分为三类,包括训练集(75%的数据),验证集(15%的数据)和测试集(10%的数据)。
5)、牵引传动系统中直流环节薄膜电容器主动设计的实现
DNN1和DNN2可以精确地预测薄膜电容器的性能参数,以满足所选直流链路电容器的体积,成本和预期寿命。将电容器的性能参数可以用作黑盒子,面向用户的需求,直接选择和设计薄膜直流环节电容器的体积,成本和寿命。从而得到薄膜电容器在不同工作条件对不同性能参数的体积,成本和寿命预期。得到的每个点代表一组薄膜电容器的性能参数。因此,它为牵引驱动系统直流环节电容器的选择和设计提供了参考。
与现有技术相比,本发明提供的基于可靠性分析的牵引传动系统支撑电容的设计方法具有如下有益效果:
一、本发明通过牵引传动模型和薄膜直流环节电容器寿命模型收集寿命估计数据,通过修改相关设置和参数可以改变运用对象,其运用前景广阔。
二、本发明可以快速准确地将电容器的性能参数映射到所选直流环节电容器的体积,成本和预期寿命,实现牵引传动系统中直流环节薄膜电容器的主动选型和设计。
三、本发明可以将电容器的性能参数可以用作黑盒子,面向用户的需求,直接选择和设计直流环节薄膜电容器的体积,成本和寿命。
该方法通过建立基于牵引传动系统的多维度电容电参数采集模型和薄膜直流环节电容器寿命模型收集寿命估计数据,并收集和折算不同制造商的体积和成本数据。进一步建立适用于支撑电容的多层高维深度学习网络建立DNN模型预测体积,成本和预期寿命,并通过均方误差(MSE)验证模型的准确性。该发明可以快速准确地将电容器的性能参数映射到所选直流环节电容器的体积,成本和预期寿命,并实现牵引传动系统中直流环节薄膜电容器的主动选型和设计。
附图说明
图1为本发明的CRH3系列动车组多维度支撑电容电参数采集系统示意图
图2、图3、图4分别是本发明的两种工况下四组不同支撑电容参数的电容电压、电流均方根Irms以及电容的热点温度的测试信号。
图5为本发明的工况A下不同支撑电容参数对应电容寿命的拟合分布图。
图6为本发明的工况B下不同支撑电容参数对应电容寿命的拟合分布图。
图7为本发明的基于深度学习的DNN1模型的网络结构(关于电容寿命)
图8为本发明的基于深度学习的DNN2模型的网络结构(关于电容成本-体积)。
图9为本发明的DNN1模型的学习次数和MSE关系图。
图10为本发明的DNN2模型的学习次数和MSE关系图。
图11测试案例工况A下电容器成本-体积-寿命期望的设计结果。
图12为测试案例工况B下电容器成本-体积-寿命期望的设计结果。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅是本发明的一个实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明中一种基于可靠性分析的牵引传动系统支撑电容的设计方法,支撑电容的电参数采集模型设定编程环境为MATLAB/Simulink,编程语言为MATLAB/Simulink自身的C语言,支撑电容寿命评估算法和基于DNN的数据预测方法的编程环境为PYTHON,编程语言为PYTHON语言。
实施例
本实施例以高速铁路中两电平动车组牵引传动系统为测试对象,EKG,KEMET,TDK,FARATRONIC等薄膜电容厂家的支撑电容为数据参考。通过建立不同优劣工况条件下,不同支撑电容参数的多维度电参数采集模型,获得电容器电压和电流纹波信号的数据集合,并通过支撑电容寿命模型收集寿命估计数据。同时挖掘和收集不同制造商的电容体积和成本相关参数的数据,并折算到电容组。进一步基于DNN建立适用于支撑电容的多层高维深度学习模型对电容的体积,成本和寿命期望进行预测,并通过均方误差(MSE)验证模型的准确性。该实例反应了该发明可以快速准确地将电容器的性能参数映射到所选直流环节电容器的体积,成本和预期寿命,并实现牵引传动系统中直流环节薄膜电容器的主动选择和设计。
本实施例的寿命评估方法由以下各步组成。
1)、建立不同优劣工况条件,不同支撑电容参数的多维度电容电参数采集模型,并获得电容器电压和电流纹波信号的数据集合。
首先,建立高速列车AC/DC/AC牵引传动系统的仿真模型,如图1所示,主要参数如表I所示。其中包括直流链路电容器额定电压Vcap,电容值Ccap和等效电阻ESR的设计参数如下:
Vcap=[3000,3250,3500,...,4750,5000]V
Ccap=[2000,2250,2500,...,4500,4750]mF
ESR=[0.1,0.12,0.14,...,0.28,.0.3,0.32]mΩ
为了反映不同线路,不同工况运行的负载变化,根据实际运行情况,在牵引传动系统中设置两个测试工况,其中测试工况B比A更加恶劣,如表二所示,并反馈给图1的主电路。
为了实现电容器参数的定量设计,通过一系列电参数收集关键数据以获得电容器的电信号。图2和图3分别示出了在测试工况A和B下电容器电压Vcap和电容器电流的均方根(RMS)Irms。从上到下列出了与四个典型电容相对应的测试参数:
I.Ccap=4.0mF,ESR=0.14mΩ
II.Ccap=4.0mF,ESR=0.28mΩ
III.Ccap=2.5mF,ESR=0.14mΩ
IV.Ccap=2.5mF,ESR=0.28mΩ
可以看出,在工作条件发生变化时,电容器的电压和电流会存在一定的突变,表明在直流环节中发生了一定的振荡。随着电容容值Ccap的减小和等效电阻ESR的增加,直流环节上的振荡程度也显着增加,并且测试工况B的振荡程度也大于测试工况A。
2)、对不同优劣工况条件下,不同支撑电容参数下的支撑电容进行寿命计算和数据收集对于薄膜电容器,寿命模型和热点温度模型如下:
其中热阻Rha,等效电阻ESR(fi)(将设计参数ESR通过傅里叶分解转换为关于频率f变化的数据集合获得),电容电流的均方根Irms(fi)(将第一步获得的Irms通过傅里叶分解转换为关于频率f变化的数据集合获得),支撑电容器额定电压Vcap和环境温度Ta是设计参数,Th为热点温度,L0表示厂家提供的在额定热点温度为T0时的额定寿命,p为经验系数,取常数10,T0为厂家提供的额定温度,m表示经验系数,取8.5左右,n表示一个从1开始的数组,随频率f的变化,取到10000左右,V表示实际工作电压,L为实际运行中的电容寿命;
将设计参数ESR和第一步获得的Irms通过傅里叶分解转换为关于频率f变化的数据集合ESR(fi)和Irms(fi),将ESR(fi)和Irms(fi)数据代入热点温度模型以获得热点温度值,通过高温点验证工作条件变化的影响;其中把热阻Rha,等效电阻ESR(fi),电容电流的均方根Irms(fi),支撑电容器额定电压Vcap和环境温度Ta设置为设计参数,进一步在寿命模型中代入求解的热点温度Th,第一步获得的实际工作电压V和制造商的额定参数收集电容器寿命多维度数据集合;图4显示I,II,III和IV测试值的电容热点温度曲线。其高温点可验证工作条件变化的影响。同时,随着Ccap降低和ESR增加,热点温度显着增加,测试案例B的热点温度略高于测试案例A。
进一步代入额定温度Th,额点电压V0和制造商的额定寿命数据来求解和收集电容器寿命多维度集合,如图5和图6所示。从图中可以得到随着Ccap的减少和ESR的增加,寿命期望逐渐降低。在一定范围内,Ccap对寿命期望的影响大于ESR,当电容参数一致时,测试案例A的寿命期望的估计结果高于测试案例B.
3)、不同品牌支撑电容组合参数的挖掘和折算
进一步收集与电容体积和价格相关的参数,为了尽可能确保收集数据的合理性和全面性,选择了四家制造商。由于不同制造商的电容参数整体上具有不同的特征,将0和1参数用于为品牌参数指定值。同时,考虑到不同厂家的测试频率与等效电阻ESR和电容额定电流Icap温度的差异,根据相关技术手册统一了不同厂家ESR和Icap的标签。牵引传动系统中的中间支流环节的电容器需要更大的电容和高额定电压额定电容器,因此应使用串联和并联电容器组结构来增加单个电容器的电压或电容。应注意,串联和并联电容器组的连接会引起相关参数的变化,如引表4所示。
4)、建立适用于支撑电容的多层高维度的深度学习网络模型
本案例涉及的参数具有不同的特征,不同厂家的参数也有不同的特征值。因此,采用DNN(深度神经网络)用于建立电容器可靠性的设计网络模型。DNN强调模型结构的深度,突出了特征学习的重要性,并且可以完成不同制造商参数的“分类”。因此,可以更精确地实现牵引驱动系统的直流链电容器的选择和设计。
DNN1:寿命期望作为目标值的深度学习网络
DNN1的目的是将电容器的电气相关参数映射到目标电容器的寿命。将寿命模型中的输入参数代入牵引传动系统中收集的电信号中,并且通过求解寿命模型中的结果来提取数据。在DNN1中,输入层是Vcap,Ccap,ESR,输出层是预期寿命。相应神经元数和神经元数量见引表5,网络结构图如图7所示。
DNN2:成本和体积作为目标值的深度学习网络
DNN2的目的是将相关的电容器参数映射到体积和成本。在DNN2中,输入是薄膜电容器的基本参数和表IV中的电容器组参数,输出层是体积和成本。为了处理这里较为庞大的数据集(超过3000个样本),设计了具有五个隐藏层的DNN,所有层都是完全连接的,同时还使用relu函数的非线性激活功能。各层对应的神经元数和神经元权重如见引表6所示,网络结构图如图8所示。
为了测试电容参数预测DNN模型的误差,通过引入经典的回归损失函数:MSE用于验证模型的正确性,将DNN1和DNN2模型的数据集随机分为三类,包括训练集(75%的数据),验证集(15%的数据)和测试集(10%的数据)。
图9和图10分别显示了学习迭代次数和DNN1和DNN2的误差。在较低的学习迭代次数(500次)下,DNN1网络的测试集误差小于0.01。DNN2网络需要稍高的学习迭代(1500次),其测试集的误差约为0.03。DNN1和DNN2的准确度均满足理想的训练要求,但由于DNN2的数据量较大,数据之间的差异更大,训练的准确性略低于DNN1。
5)、牵引传动系统中直流环节薄膜电容器主动设计的实现
DNN1和DNN2可以精确地预测薄膜电容器的性能参数,以满足所选直流链路电容器的体积,成本和预期寿命。将电容器的性能参数可以用作黑盒子,面向用户的需求,直接选择和设计薄膜直流环节电容器的体积,成本和寿命。图11和图12显示了薄膜电容器在工作条件A或B下对不同性能参数的体积,成本和寿命预期。每个点代表一组薄膜电容器的性能参数。因此,它为牵引驱动系统直流环节电容器的选择和设计提供了参考。
引表1
引表2
引表3
引表4
a.表示参数数值对应的系数
引表5
引表6
Claims (3)
1.一种传动系统牵引支撑电容的选型和设计方法,其特征在于,包括以下步骤:
步骤1.建立不同优劣工况条件下不同支撑电容参数的多维度电容电参数采集模型,以获得不同运维条件下电容器电压和电流纹波信号的数据集合,具体步骤如下:
1.1)建立基于不同支撑电容参数的多维度牵引传动系统仿真模型,其中包括设置支撑电容器额定电压Vcap,额定电容值Ccap和等效电阻ESR的设计参数;
1.2)根据实际运行情况,在牵引传动系统中设置不同的测试工况对比,并反馈给牵引传动系统的主电路;
1.3)通过一系列电参数收集关键数据以获得电容器的电信号,实现电容器参数的定量设计;
步骤2.基于不同优劣工况条件下,不同支撑电容参数下的支撑电容寿命期望数据的采集方法;
对于薄膜电容器,寿命模型和热点温度模型如下:
其中热阻Rha,等效电阻ESR(fi)为 将设计参数ESR通过傅里叶分解转换为关于频率f变化的数据集合,电容电流的均方根Irms(fi)为 将第一步获得的Irms通过傅里叶分解转换为关于频率f变化的数据集合,支撑电容器额定电压Vcap和环境温度Ta是设计参数,Th为热点温度,L0表示厂家提供的在额定热点温度为T0时的额定寿命,p为经验系数,取常数10,T0为厂家提供的额定温度,m表示经验系数,取8.5左右,n表示一个从1开始的数组,随频率f的变化,取到10000左右,V表示实际工作电压,L为实际运行中的电容寿命;
将设计参数ESR和第一步获得的Irms通过傅里叶分解转换为关于频率f变化的数据集合ESR(fi)和Irms(fi),将ESR(fi)和Irms(fi)数据代入热点温度模型以获得热点温度值,通过高温点验证工作条件变化的影响;其中把热阻Rha,等效电阻ESR(fi),电容电流的均方根Irms(fi),支撑电容器额定电压Vcap和环境温度Ta设置为设计参数,进一步在寿命模型中代入求解的热点温度Th,第一步获得的实际工作电压V和制造商的额定参数收集电容器寿命多维度数据集合;
步骤3.不同品牌的支撑电容参数的折算方法
由于不同制造商的电容参数整体上具有不同的特征,将0和1参数用于为品牌参数指定值;同时,考虑到不同厂家的测试频率与等效电阻ESR和电容额定电流Icap温度的差异,根据相关技术手册统一不同厂家ESR和Icap的标签;使用串联和并联电容器组结构来增加单个电容器的电压或电容,并计算相关参数的变化;
步骤4.建立适用于支撑电容的多层高维度的深度学习网络模型,具体步骤如下:
4.1)建立寿命期望作为目标值的深度学习网络DNN1
DNN1的目的是将电容器的电气相关参数映射到目标电容器的寿命;将寿命模型中的输入参数代入牵引传动系统中收集的电信号中,并且通过求解寿命模型中的结果来提取数据;在DNN1中,输入层是额定电压Vcap,额定电容值Ccap,等效电阻ESR,输出层是实际寿命L;
4.2)建立成本和数量作为目标值的深度学习网络DNN2
DNN2的目的是将相关的电容器参数映射到体积和成本;在DNN2中,输入层是薄膜电容器的基本参数和电容器组的相关等效参数,输出层是体积和成本;由于不同品牌的电容参数具有一定的差异性,需要设计更多隐藏层数的DNN,同时使用relu函数的非线性激活功能优化模型;
4.3)引入回归损失函数验证电容参数预测DNN1和DNN2模型的误差
均方误差MSE用于验证模型的正确性,为了保证其数据预测的合理性,将DNN1和DNN2模型的数据集随机分为三类,包括75%左右的数据的训练集,15%左右的数据的验证集和10%左右的数据的测试集;
步骤5.牵引传动系统中直流环节薄膜电容器主动设计的实现方法
步骤4获得的DNN1和DNN2模型的预测数据能精确地预测薄膜电容器的性能参数,以满足所选直流环节支撑电容器的体积,成本和预期寿命的选择;将电容器的性能参数用作黑盒子,面向用户的需求,直接选择和设计薄膜直流环节电容器的体积,成本和寿命;从而得到薄膜电容器在不同工作条件对不同性能参数的体积,成本和寿命预期;得到的每个点代表一组薄膜电容器的性能参数,为牵引传动系统直流环节电容器的选择和设计提供参考。
2.根据权利要求1所述的传动系统牵引支撑电容的选型和设计方法,其特征在于,所述步骤1.2)中在牵引传动系统中设置不低于两个测试工况,且测试工况之间需要有一定的针对性和区别。
3.根据权利要求1或2所述的传动系统牵引支撑电容的选型和设计方法,其特征在于,所述步骤4.2)中电容组的相关等效参数具体为:额定电容值Ccap,n/ma;额定电压Vcap,ma;额定电流Icap,na;等效热阻Rha,m/na;等效电阻ESR,m/na;等效电感ESL,m/na;体积vol,m×na;价格pri,m×na;其中,m,n≤5,α表示参数数值对应的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367499.2A CN110083955B (zh) | 2019-05-05 | 2019-05-05 | 传动系统牵引支撑电容的选型和设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367499.2A CN110083955B (zh) | 2019-05-05 | 2019-05-05 | 传动系统牵引支撑电容的选型和设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083955A CN110083955A (zh) | 2019-08-02 |
CN110083955B true CN110083955B (zh) | 2022-03-15 |
Family
ID=67418460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367499.2A Active CN110083955B (zh) | 2019-05-05 | 2019-05-05 | 传动系统牵引支撑电容的选型和设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083955B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470934B (zh) * | 2019-09-02 | 2022-04-29 | 重庆中涪科瑞工业技术研究院有限公司 | 牵引传动系统直流侧支撑电容状态监测电路及方法 |
CN111104756B (zh) * | 2020-01-06 | 2022-04-22 | 西安交通大学 | 基于任务剖面与老化分析的金属化膜电容器寿命预测方法 |
CN112816788B (zh) * | 2021-01-05 | 2022-05-27 | 株洲中车时代电气股份有限公司 | 机车牵引变流器直流支撑电容器的容值估算方法及其应用系统 |
CN113315388B (zh) * | 2021-06-25 | 2022-05-06 | 江苏容正医药科技有限公司 | 一种高功率密度-长寿命高频脉冲交流电源 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033182A (zh) * | 2010-12-10 | 2011-04-27 | 北京航空航天大学 | 一种固体钽电解电容器寿命预测方法 |
CN107592051A (zh) * | 2017-09-22 | 2018-01-16 | 西南交通大学 | 一种直线牵引电机励磁电感在线参数辨识仿真方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN108414856A (zh) * | 2018-02-26 | 2018-08-17 | 南方电网科学研究院有限责任公司 | 模块化多电平换流器的子模块电容器的寿命评估方法及装置 |
CN109142922A (zh) * | 2018-08-20 | 2019-01-04 | 中车永济电机有限公司 | 薄膜电容寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255253B2 (en) * | 2013-08-07 | 2019-04-09 | Microsoft Technology Licensing, Llc | Augmenting and presenting captured data |
-
2019
- 2019-05-05 CN CN201910367499.2A patent/CN110083955B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033182A (zh) * | 2010-12-10 | 2011-04-27 | 北京航空航天大学 | 一种固体钽电解电容器寿命预测方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN107592051A (zh) * | 2017-09-22 | 2018-01-16 | 西南交通大学 | 一种直线牵引电机励磁电感在线参数辨识仿真方法 |
CN108414856A (zh) * | 2018-02-26 | 2018-08-17 | 南方电网科学研究院有限责任公司 | 模块化多电平换流器的子模块电容器的寿命评估方法及装置 |
CN109142922A (zh) * | 2018-08-20 | 2019-01-04 | 中车永济电机有限公司 | 薄膜电容寿命预测方法 |
Non-Patent Citations (5)
Title |
---|
An Online Power System Dynamics Prediction Based on Deep Neural Network;Bin Zhang等;《Proceedings of the 2018 International Conference on Electronics and Electrical Engineering Technology》;ACM;20180919;第39-43页 * |
Lifetime Estimation of DC-Link Capacitors in Adjustable Speed Drives Under Grid Voltage Unbalances;Haoran Wang等;《IEEE Transactions on Power Electronics》;IEEE;20180806;第34卷;第4064 - 4078页 * |
PoF-Simulation-Assisted Reliability Prediction for Electrolytic Capacitor in LED Drivers;Bo Sun等;《IEEE Transactions on Industrial Electronics 》;IEEE;20160615;第63卷;第6726 - 6735页 * |
Reliability of Capacitors for DC-Link Applications in Power Electronic Converters—An Overview;Huai Wang等;《 IEEE Transactions on Industry Applications》;IEEE;20141225;第50卷;第3569 - 3578页 * |
牵引变流器的故障预测与健康管理(PHM)及可靠性评估技术研究;孟苓辉;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20180115(第1期);C033-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN110083955A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083955B (zh) | 传动系统牵引支撑电容的选型和设计方法 | |
Hidalgo-Reyes et al. | Classical and fractional-order modeling of equivalent electrical circuits for supercapacitors and batteries, energy management strategies for hybrid systems and methods for the state of charge estimation: A state of the art review | |
CN110174555A (zh) | 基于多工况运行的牵引传动系统支撑电容器寿命估算方法 | |
US20140114592A1 (en) | Operational monitoring of electrochemical capacitors | |
Fouda et al. | Supercapacitor discharge under constant resistance, constant current and constant power loads | |
Hu et al. | Simple analytical method for determining parameters of discharging batteries | |
CN112433907B (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
He et al. | Feature extraction of analogue circuit fault signals via cross‐wavelet transform and variational Bayesian matrix factorisation | |
Quintana et al. | Modeling of an EDLC with fractional transfer functions using Mittag-Leffler equations | |
CN116629120A (zh) | 一种干式电力变压器的散热评价方法及系统 | |
CN106093615A (zh) | 超级电容储能模块的健康状态估计方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
Wang et al. | A novel OCV curve reconstruction and update method of lithium-ion batteries at different temperatures based on cloud data | |
Kaufhold et al. | Measurement-based identification of DC-link capacitance of single-phase power electronic devices for grey-box modeling | |
Yue et al. | SIMES: A simulator for hybrid electrical energy storage systems | |
Lystianingrum et al. | State of health and life estimation methods for supercapacitors | |
Xia et al. | A digital twin based reliability assessment of superbuck converters | |
CN108037424B (zh) | 基于多数据来源的电力电容器绝缘状态评估方法与系统 | |
CN113746132B (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
Wang et al. | Novel estimation solution on lithium‐ion battery state of charge with current‐free detection algorithm | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
Chang et al. | Novel supercapacitor model parameter identification methods | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
Wang et al. | Identifying household EV models via weighted power recurrence graphs | |
Soliman | Condition monitoring of capacitors for dc-link application in power electronic converters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |