CN110287611B - 用于可靠性分析的mmc子模块相关性场景构建方法 - Google Patents

用于可靠性分析的mmc子模块相关性场景构建方法 Download PDF

Info

Publication number
CN110287611B
CN110287611B CN201910571705.1A CN201910571705A CN110287611B CN 110287611 B CN110287611 B CN 110287611B CN 201910571705 A CN201910571705 A CN 201910571705A CN 110287611 B CN110287611 B CN 110287611B
Authority
CN
China
Prior art keywords
sub
module
reliability
matrix
function
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
Application number
CN201910571705.1A
Other languages
English (en)
Other versions
CN110287611A (zh
Inventor
郑文迪
许启东
周腾龙
邵振国
曾祥勇
聂建雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910571705.1A priority Critical patent/CN110287611B/zh
Publication of CN110287611A publication Critical patent/CN110287611A/zh
Application granted granted Critical
Publication of CN110287611B publication Critical patent/CN110287611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于可靠性分析的MMC子模块相关性场景构建方法，包括以下步骤步骤S1：根据MMC拓扑结构和子模块组合关系，构建MMC子模块可靠性模型；步骤S2：根据子模块可靠性模型，利用拉丁超立方采样及Cholesky分解排序法构建子模块相关性场景；步骤S3:根据得到子模块相关性场景，通过直方图的统计特性，选取适用于的Copula函数，并利用极大似然估计理论估计Copula函数的参数；步骤S4:根据子模块可靠性模型和Copula函数，构建未冗余配置时可靠性模型；步骤S5:根据未冗余配置时可靠性模型和Copula函数，构建配置冗余时可靠性模型。本发明基于MMC相关性场景的构建，建立了MMC可靠性模型。

Description

用于可靠性分析的MMC子模块相关性场景构建方法
技术领域
本发明涉及用于可靠性分析的MMC子模块相关性场景构建方法。
背景技术
模块化多电平换流器(modular multilevel converter，MMC)采用桥臂子模块级联，具有谐波水平低、无换相失败问题、损耗较低等显著优点在实际工程中得到了越来越广泛的应用。为了提高MMC可靠性并增强故障自清除能力，在实际工程中，通常会对桥臂子模块采用冗余配置，提高换流器的可靠性并增强故障处理能力，这将有助于系统的设计和方便操作管理。因此，研究MMC可靠性和冗余子模块数目配置具有工程意义。
发明内容
有鉴于此，本发明的目的在于提供用于可靠性分析的MMC子模块相关性场景构建方法。
为实现上述目的，本发明采用如下技术方案：
用于可靠性分析的MMC子模块相关性场景构建方法，包括以下步骤：
步骤S1：根据MMC拓扑结构和子模块组合关系，构建子模块可靠性模型；
步骤S2：根据子模块可靠性模型，利用拉丁超立方采样及Cholesky分解排序法构建子模块相关性场景；
步骤S3:根据得到子模块相关性场景，通过直方图的统计特性，选取适用于的Copula函数，并利用极大似然估计理论估计Copula函数的参数；
步骤S4:根据子模块可靠性模型和Copula函数，构建未冗余配置时可靠性模型；
步骤S5:根据未冗余配置时可靠性模型和Copula函数，构建配置冗余时可靠性模型。
进一步的，所述MMC拓扑结构为半桥结构，其子模块可靠性模型具体为：根据拓扑结构和子模块组合关系，可得到子模块可靠性RSM(t)
RSM(t)＝RI 2(t)·Rcap(t)·RK1(t)·RK2(t)＝1-exp(-λit)
式中：RI、Rcap、RK1、RK2分别为IGBT模块、电容、旁路开关K1，压接式封装晶闸管K2的可靠性函数；
则子模块故障率为：
λSM＝2λI+λcap+λK1+λK2
式中：λI、λcap、λK1、λK2分别是IGBT模块、电容、旁路开关K1，压接式封装晶闸管K2的故障率。
进一步的，所述拉丁超立方采样法具体为：
步骤S21:假设有N个采样子模块相关性的随机变量，Xn(n＝1,2,...,N)为其中任意一个随机变量，其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间；
步骤S22:在每个子区间里随机选取一个Yn，利用反函数法可以得到采样值
Figure BDA0002111055540000031
其中
Figure BDA0002111055540000032
为Fn(·)的反函数；即可得到一个N×M阶的初始样本矩阵Z。
进一步的，所述Cholesky分解排序法具体为：
步骤S201:随机生成一个N×M维的顺序矩阵Q，其每一行由整数1,2,…,M随机排列组成；
步骤S202:计算顺序矩阵Q的相关系数矩阵ρQ，ρQ是一个正定对称矩阵，对其进行Cholesky分解，所得的L为下三角矩阵：
ρQ＝LLT
通过G＝Q-1L消除顺序矩阵Q的相关性；其中，G的相关系数矩阵为单位阵；
步骤S203:对具有可靠性的随机变量的实际相关系数矩阵ρ0作Cholesky分解，所得P为下三角矩阵：
ρ0＝PPT
接着通过Gu＝PG＝PQ-1L所得到的的相关系数矩阵Gu与ρ0近似相等；
步骤S204:根据Gu中对应行的元素顺序对初始样本矩阵的Z的元素进行更新，得到新的样本矩阵Zu，即为计及n个子模块间的相关性的可靠性样本矩阵。
进一步的，根据其生成的可靠性样本矩阵选取符合这一特定场景下的Copula函数，具体为：
在上述产生子模块可靠性样本矩阵作为数据样本，根据绘制出的频率直方图的分布规律选取适当的Copula函数，如是否为对称分布和是否可反应尾部相关特性。Copula函数主要有两大类:Ellipse-Copula函数簇和Archimedean-Copula函数簇。其中前者因密度等高线投影是椭圆得名，包括Normal-Copula和t-Copula；后者常用的3类函数为Gumbel-Copula，Clayton-Copula和Frank-Copula。
Normal-Copula有对称分布，但不反映尾部相关性；t-Copula有对称分布，同时反映尾部相关性；Gumbel-Copula为非对称分布，上尾相关，但下尾渐进独立；Clayton-Copula为非对称分布，下尾相关，上尾渐进独立；Frank-Copula为对称分布，不反映尾部相关性。而阿基米德Copula性质优良，具有显式表达式，又根据图5可知，子模块损坏度联合频率直方图的对称和尾部相关特性与阿基米德函数簇中Frank-Copula函数(图6)一致。因此选取Frank-Copula函数来描述该场景下的相关特征，进一步基于选取的Copula函数分析MMC可靠性。
进一步的，所诉步骤S4具体为：
步骤S41:假设桥臂中初始子模块数量为N，第i个子模块的寿命随机变量为Ti,寿命分布函数为Fi(t)＝P{Ti≤t}，i＝1,2,…,N；
步骤S42:在初始时刻t＝0时系统所有器件都处于理想状态且同时开始运行，则系统寿命取决于各元件寿命的最小值，即桥臂各模块中存在一个发生故障，则桥臂不可靠，此时桥臂的阶梯电压波形不满足要求。未配置冗余具有N子模块的桥臂可靠性函数为：
Figure BDA0002111055540000051
其中，P表示子模块寿命分布概率；k表示从子模块中选取正常工作的个数，情况m表示为在t时刻桥臂中指定m个子模块都无故障运行；
步骤S43:由于各子模块寿命同分布且式(1)中各联合密度函数可表示边缘分布与Copula函数复合而成，于是式(1)可简化为：
Figure BDA0002111055540000052
其中，
Figure BDA0002111055540000053
表示情况m发生的次数的选择数，θ为相关系数。
进一步的，所述步骤S5具体为：
步骤S51:当配置冗余子模块时，从N+N0个子模块组成的系统选取k个子模块正常工作，其中
Figure BDA0002111055540000054
步骤S52:从
Figure BDA0002111055540000055
中选取的k个SM重新排序为新的随机变量组:
Figure BDA0002111055540000056
则其余的子模块组成的随机变量为
Figure BDA0002111055540000057
则第M次取第k个子模块正常时桥臂的可靠性函数为：
Figure BDA0002111055540000061
式中：
Figure BDA0002111055540000062
可看作是N+N0-k个边缘分布函数组成的Copula函数；
Figure BDA0002111055540000063
可以看作k个边缘分布函数组成的Copula函数。因此可以由Sklar定理得知：可将后一项看作两个分布函数即
Figure BDA0002111055540000064
和
Figure BDA0002111055540000065
组成的Copula函数；
步骤S53:分别对两个分布函数进行计算得到配置冗余下的桥臂可靠性：
Figure BDA0002111055540000066
式中
其中，
Figure BDA0002111055540000067
Figure BDA0002111055540000068
x＝1-exp(-λSM·t)；p表示Ri等于Ri(t)的个数，
Figure BDA0002111055540000069
表示N+N0-k个故障子模块的边缘分布函数的组成的Copula函数，
Figure BDA00021110555400000610
表示从N+N0个子模块的选取p个未冗余的子模块。
本发明与现有技术相比具有以下有益效果：
本发明根据已有的MMC元件可靠性模型，利用拉丁超立方采样(LHS)及Cholesky分解排序法产生计及元件可靠性相关的场景；在现有产生场景的基础上，利用非参核密度估计理论分析其场景下的联合概率分布函数；然后根据其直方图的统计特性(上尾、下尾对称性及敏感程度等)，选取适用于用于可靠性分析的MMC子模块相关性场景的Copula函数。在已有场景的基础上，利用极大似然估计理论得到Copula函数的参数。进一步基于MMC元件组合关系图及Copula理论，分别建立了未冗余配置和不同配置冗余下的MMC可靠性分析模型。可就运行年数、相关程度、初始子模块个数及冗余子模块数量对MMC桥臂可靠性的影响进行了定量分析。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中MMC拓扑结构；
图3是本发明一实施例中子模块组合关系图；
图4是本发明一实施例中桥臂模块组合关系图。
图5是本发明一实施例中子模块损坏度的联合频率分布直方图。
图6是本发明一实施例中二元Frank Copula函数概率密度分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供用于可靠性分析的MMC子模块相关性场景构建方法，包括以下步骤：
步骤S1：根据MMC拓扑结构和子模块组合关系，构建子模块可靠性模型；
步骤S2：根据子模块可靠性模型，利用拉丁超立方采样及Cholesky分解排序法构建子模块相关性场景；
步骤S3:根据得到子模块相关性场景，通过直方图的统计特性，选取适用于的Copula函数，并利用极大似然估计理论估计Copula函数的参数；
步骤S4:根据子模块可靠性模型和Copula函数，构建未冗余配置时可靠性模型；
步骤S5:根据未冗余配置时可靠性模型和Copula函数，构建配置冗余时可靠性模型。
参考图2，在本实施例中，模块化多电平换流器由A、B、C三相桥臂构成，每个桥臂又分为上、下两个桥臂，每个桥臂由n个子模块级联构成。Udc和Idc分别为直流侧电压和电流，O为直流侧零电位参考点；
所述MMC拓扑结构为半桥结构，作为MMC最基本的组成单元，每个半桥子模块由2个反并联二极管的IGBT模块VT1、VT2，储能电容C和保护开关(旁路开关K1和压接式封装晶闸管K2)组成。
其子模块及控制系统可靠性模型具体为：根据拓扑结构和子模块组合关系，可得到子模块可靠性RSM(t)
RSM(t)＝RI 2(t)·Rcap(t)·RK1(t)·RK2(t)＝1-exp(-λit)
式中：RI、Rcap、RK1、RK2分别为IGBT模块、电容、旁路开关K1，压接式封装晶闸管K2的可靠性函数；
则子模块故障率为：
λSM＝2λI+λcap+λK1+λK2
式中：λI、λcap、λK1、λK2分别是IGBT模块、电容、旁路开关K1，压接式封装晶闸管K2的故障率。
在本实施例中，所述拉丁超立方采样法具体为：
步骤S21:假设有N个采样子模块相关性的随机变量，Xn(n＝1,2,...,N)为其中任意一个随机变量，其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间；
步骤S22:在每个子区间里随机选取一个Yn，利用反函数法可以得到采样值
Figure BDA0002111055540000091
其中
Figure BDA0002111055540000092
为Fn(·)的反函数；即可得到一个N×M阶的初始样本矩阵Z。
所述Cholesky分解排序法具体为：
步骤S201:随机生成一个N×M维的顺序矩阵Q，其每一行由整数1,2,…,M随机排列组成；
步骤S202:计算顺序矩阵Q的相关系数矩阵ρQ，ρQ是一个正定对称矩阵，对其进行Cholesky分解，所得的L为下三角矩阵：
ρQ＝LLT
通过G＝Q-1L消除顺序矩阵Q的相关性；其中，G的相关系数矩阵为单位阵；
步骤S203:对具有可靠性的随机变量的实际相关系数矩阵ρ0作Cholesky分解，所得P为下三角矩阵：
ρ0＝PPT
接着通过Gu＝PG＝PQ-1L所得到的的相关系数矩阵Gu与ρ0近似相等；
步骤S204:根据Gu中对应行的元素顺序对初始样本矩阵的Z的元素进行更新，得到新的样本矩阵Zu,即为计及n个子模块间的相关性的可靠性样本矩阵。
在本实施例中，根据其直方图的统计特性上尾、下尾对称性及敏感程度等，选取适用于用于可靠性分析的MMC子模块相关性场景的Copula函数。结合本实施例得到的采样数据结合尾部对称特性，而Frank Copula函数具有尾部对称性，故选取的Copula函数为FrankCopula函数。则Copula函数定义为：
Figure BDA0002111055540000101
其中，u为随机变量，θ∈(0,1)，θ为随机变量u1,...,ui,...un的相关系数，为待估计参数。
为了得到各元件可靠性相关系数θ，采用极大似然估计理论，其具体过程如下：
子模块可靠性随机变量X属于离散型，其分布律P{X＝x}＝p{x；θ}，θ∈Θ的形式，可靠性相关系数θ为待估计参数，Θ为θ可能的取值范围，设X1,X2,...,Xn是来自X的样本，则X1,X2,...,Xn的联合分布律为:
Figure BDA0002111055540000111
设x1,x2,...,xn是X1,X2,...,Xn的一个样本值。那么样本X1,X2,...,Xn，取的观测值x1,x2,...,xn的概率，即事件{X1＝x1,X2＝x2,...,Xn＝xn}发生的概率
Figure BDA0002111055540000112
θ∈Θ。这一概率随θ的取值变化而变化，它是θ的函数，L(θ)成为样本的似然函数。随机点落在(X1,X2,...,Xn)落在(x1,x2,...,xn)的领域的概率近似为
Figure BDA0002111055540000113
其因子
Figure BDA0002111055540000114
不随θ而变，故只需考虑函数
Figure BDA0002111055540000115
的最大值。这里L(θ)称为样本的似然函数，若
Figure BDA0002111055540000116
则称
Figure BDA0002111055540000117
为θ的最大似然估计值，称
Figure BDA0002111055540000118
为θ的最大似然估计量。将可靠性相关系数θ估计出来后，Copula函数的表达式就可以确定。
在本实施例中，所诉步骤S4具体为：
步骤S41:假设桥臂中初始子模块数量为N，第i个子模块的寿命随机变量为Ti,寿命分布函数为Fi(t)＝P{Ti≤t}，i＝1,2,…,N；
步骤S42:在初始时刻t＝0时系统所有器件都处于理想状态且同时开始运行，则系统寿命取决于各元件寿命的最小值，即桥臂各模块中存在一个发生故障，则桥臂不可靠，此时桥臂的阶梯电压波形不满足要求，则未配置冗余具有N子模块的桥臂可靠性函数为：
Figure BDA0002111055540000121
式(1)中，P表示子模块寿命分布概率。k表示从子模块中选取正常工作的个数，定义情况m：在t时刻桥臂中指定m个子模块都无故障运行。
步骤S43:由于各子模块寿命同分布且式(1)中各联合密度函数可表示边缘分布与Copula函数复合而成，于是式(1)可简化为：
Figure BDA0002111055540000122
式(2)中，p表示Ri等于Ri(t)的个数，
Figure BDA0002111055540000123
表示N+N0-k个故障子模块的边缘分布函数的组成的Copula函数。
进一步的，所述步骤S5具体为：
步骤S51:当配置冗余子模块时，从N+N0个子模块组成的系统选取k个子模块正常工作，其中
Figure BDA0002111055540000124
步骤S52:从
Figure BDA0002111055540000131
中选取的k个SM重新排序为新的随机变量组:
Figure BDA0002111055540000132
则其余的子模块组成的随机变量为
Figure BDA0002111055540000133
则第M次取第k个子模块正常时桥臂的
可靠性函数为：
Figure BDA0002111055540000134
式中：
Figure BDA0002111055540000135
可看作是N+N0-k个边缘分布函数组成的Copula函数；
Figure BDA0002111055540000136
可以看作k个边缘分布函数组成的Copula函数。因此可以由Sklar定理得知：可将后一项看作两个分布函数即
Figure BDA0002111055540000137
和
Figure BDA0002111055540000138
组成的Copula函数；
步骤S53:分别对两个分布函数进行计算得到配置冗余下的桥臂可靠性：
Figure BDA0002111055540000139
式中
其中，
Figure BDA00021110555400001310
Figure BDA00021110555400001311
x＝1-exp(-λSM·t)；p表示Ri等于Ri(t)的个数，
Figure BDA00021110555400001312
表示N+N0-k个故障子模块的边缘分布函数的组成的Copula函数，
Figure BDA0002111055540000141
表示从N+N0个子模块的选取p个未冗余的子模块。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (1)

1.用于可靠性分析的MMC子模块相关性场景构建方法，其特征在于，包括以下步骤：
步骤S1：根据MMC拓扑结构和子模块组合关系，构建子模块可靠性模型；
步骤S2：根据子模块可靠性模型，利用拉丁超立方采样及Cholesky分解排序法构建子模块相关性场景；
步骤S3:根据构建的子模块相关性场景，通过直方图的统计特性，选取Frank Copula函数，并利用极大似然估计理论估计Frank Copula函数的参数；
步骤S4:根据子模块可靠性模型和Frank Copula函数，构建未冗余配置时可靠性模型；
步骤S5:根据未冗余配置时可靠性模型和Frank Copula函数，构建配置冗余时可靠性模型；
所述步骤S4具体为：
步骤S41:假设桥臂中初始子模块数量为N，第i个子模块的寿命随机变量为Ti,寿命分布函数为Fi(t)＝P{Ti≤t}，i＝1,2,…,N，j＝1,2,…,N；
步骤S42:未配置冗余时，具有N个子模块的桥臂可靠性函数为：
Figure FDA0004038677770000021
式中，P表示计算概率，m表示在t时刻桥臂中指定m个子模块都无故障运行；
步骤S43:由于各子模块寿命同分布，且式(1)与Frank Copula函数复合，于是式(1)简化为：
Figure FDA0004038677770000022
式(2)中，
Figure FDA0004038677770000023
表示情况m发生的次数的选择数，θ为相关系数；
所述步骤S5具体为：
步骤S51:当配置冗余子模块时，从N+N0个子模块组成的系统选取k个子模块正常工作，其中M代表采样规模，
Figure FDA0004038677770000024
步骤S52:从
Figure FDA0004038677770000025
中选取的k个子模块重新排序为新的随机变量组:
Figure FDA0004038677770000026
则其余的子模块组成的随机变量组为
Figure FDA0004038677770000027
则第M次指定第k个子模块正常时桥臂的可靠性函数为：
Figure FDA0004038677770000031
由Sklar定理得知：
Figure FDA0004038677770000032
是由
Figure FDA0004038677770000033
和
Figure FDA0004038677770000034
这两个分布函数组成的Frank Copula函数；
步骤S53:分别对两个分布函数
Figure FDA0004038677770000035
和
Figure FDA0004038677770000036
进行计算得到配置冗余下的桥臂可靠性：
Figure FDA0004038677770000037
其中，
Figure FDA0004038677770000038
Figure FDA0004038677770000039
Figure FDA00040386777700000310
表示N+N0-k个故障子模块的边缘分布函数的组成的Frank Copula函数，x＝1-exp(-λSMt)，λSM为子模块故障；
所述拉丁超立方采样具体为：
步骤S21:假设有N个采样子模块相关性的随机变量，Xn为其中任意一个随机变量，n＝1,2,3、、、N,其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间；
步骤S22:在每个等间隔区间里随机选取一个Yn，利用反函数法得到采样值
Figure FDA0004038677770000041
其中
Figure FDA0004038677770000042
为Fn(·)的反函数；得到一个N×M阶的初始样本矩阵Z；
所述Cholesky分解排序法具体为：
步骤S201:随机生成一个N×M维的顺序矩阵Q，其每一行由整数1,2,…,M随机排列组成；
步骤S202:计算顺序矩阵Q的相关系数矩阵ρQ，ρQ是一个正定对称矩阵，对其进行Cholesky分解，所得的L为下三角矩阵：
ρQ＝LLT
通过G＝Q-1L消除顺序矩阵Q的相关性；其中，G的相关系数矩阵为单位阵；
步骤S203:对具有可靠性的随机变量的实际相关系数矩阵ρ0作Cholesky分解，所得P为下三角矩阵：
ρ0＝PPT
接着通过Gu＝PG＝PQ-1L得到相关系数矩阵Gu，且Gu≈ρ0；
步骤S204:根据Gu中对应行的元素顺序对初始样本矩阵Z的元素进行更新，得到新的样本矩阵Zu为计及n个子模块间的相关性的可靠性样本矩阵。
CN201910571705.1A 2019-06-28 2019-06-28 用于可靠性分析的mmc子模块相关性场景构建方法 Active CN110287611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910571705.1A CN110287611B (zh) 2019-06-28 2019-06-28 用于可靠性分析的mmc子模块相关性场景构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910571705.1A CN110287611B (zh) 2019-06-28 2019-06-28 用于可靠性分析的mmc子模块相关性场景构建方法

Publications (2)

Publication Number Publication Date
CN110287611A CN110287611A (zh) 2019-09-27
CN110287611B true CN110287611B (zh) 2023-05-12

Family

ID=68019395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910571705.1A Active CN110287611B (zh) 2019-06-28 2019-06-28 用于可靠性分析的mmc子模块相关性场景构建方法

Country Status (1)

Country Link
CN (1) CN110287611B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009032020A1 (en) * 2007-09-07 2009-03-12 Ultra-Scan Corporation Multimodal fusion decision logic system using copula model
CN107147152A (zh) * 2017-06-15 2017-09-08 广东工业大学 新能源配电网多类型有功无功源协同优化配置方法及系统
CN107633112A (zh) * 2017-08-17 2018-01-26 全球能源互联网研究院有限公司 一种mmc可靠性分析方法及装置
CN107704786A (zh) * 2017-09-11 2018-02-16 广州大学 一种优化物联网RFID应用系统的Copula多目标分布估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009032020A1 (en) * 2007-09-07 2009-03-12 Ultra-Scan Corporation Multimodal fusion decision logic system using copula model
CN107147152A (zh) * 2017-06-15 2017-09-08 广东工业大学 新能源配电网多类型有功无功源协同优化配置方法及系统
CN107633112A (zh) * 2017-08-17 2018-01-26 全球能源互联网研究院有限公司 一种mmc可靠性分析方法及装置
CN107704786A (zh) * 2017-09-11 2018-02-16 广州大学 一种优化物联网RFID应用系统的Copula多目标分布估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A unified MMC reliability evaluation based on physics-of-failure and SM lifetime correlation;Jiayou Xu et al;《International Journal of Electrical Power & Energy Systems》;20181004;第106卷;全文 *
模块化多电平换流器快速能量等效建模;程志伟 等;《电网技术》;20180825;第43卷(第3期);全文 *
考虑多风电场相关性的场景概率潮流计算及其在无功优化中的应用;熊强;《中国优秀博硕士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》;20160115;全文 *
考虑子模块相关性的MMC可靠性分析方法;井皓 等;《中国电机工程学报》;20170516;第37卷(第13期);全文 *

Also Published As

Publication number Publication date
CN110287611A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
Khan et al. A comprehensive review of fault diagnosis and tolerant control in DC-DC converters for DC microgrids
CN109921614B (zh) 一种基于排序的模块化多电平换流器电容状态监测方法
US20240255584A1 (en) Isolation forest-based modular multilevel converter open-circuit fault diagnosis method devices
CN107633112A (zh) 一种mmc可靠性分析方法及装置
CN111756232B (zh) 功率单元
CN110995036A (zh) 基于全桥子模块的模块化多电平换流器的电容监测方法
CN111707973B (zh) 基于格拉布斯准则的模块化多电平换流器开路故障诊断方法
CN115459204B (zh) 一种并联hsc芯片故障处理装置、方法、设备及介质
CN110988742A (zh) 基于四分位数的模块化多电平换流器开路故障诊断方法
CN111398772A (zh) 用于换流阀过电流关断试验的电路、方法和装置
Ranjbar et al. Dynamic Markov model for reliability evaluation of power electronic systems
CN110287611B (zh) 用于可靠性分析的mmc子模块相关性场景构建方法
CN112234576B (zh) 基于滑窗特征提取的模块化多电平换流器故障诊断方法
CN114024452A (zh) 换流器的换相控制方法、装置、换流器及可读存储介质
CN111478352B (zh) 一种柔性直流输电系统的控制方法、装置及存储介质
Sun et al. Non-invasive condition monitoring for boost converter based on crow search algorithm
Cirrincione et al. Power switch open-circuit fault detection in an interleaved DC/DC buck converter for electrolyzer applications by using curvilinear component analysis
Haji‐Esmaeili et al. Reliability challenge for impedance network‐based DC‐DC boost converters
Heo et al. Failure-rate Analysis Considering Operational Condition of Half-bridge Submodule in HVDC System
CN115021536A (zh) 一种桥臂单元模型的电压控制方法及装置
CN110098754B (zh) 一种考虑备用冗余的mmc冗余子模块有效利用率计算方法
Venkatachari et al. Submodule fault detection in MMCs using support vector classification
Zhang et al. Reliability assessment of power converters with partial redundancy and variable power distribution
CN113514744B (zh) 晶闸管耐压值的确定方法、设备和存储介质
CN111865700A (zh) 一种电力信息物理系统的信息节点筛选方法及相关装置

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