CN110514933A - 一种基于相关性分析的模块化多电平换流器故障子模块定位方法 - Google Patents
一种基于相关性分析的模块化多电平换流器故障子模块定位方法 Download PDFInfo
- Publication number
- CN110514933A CN110514933A CN201910839556.2A CN201910839556A CN110514933A CN 110514933 A CN110514933 A CN 110514933A CN 201910839556 A CN201910839556 A CN 201910839556A CN 110514933 A CN110514933 A CN 110514933A
- Authority
- CN
- China
- Prior art keywords
- submodule
- voltage
- bridge arm
- failure
- correlation analysis
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于相关性分析的模块化多电平换流器故障子模块定位方法,包括以下步骤:步骤S1:进行MMC子模块电压建模;步骤S2:采用卡尔曼滤波算法对子模块的电压进行估计;步骤S3:基于相关性分析对故障子模块进行定位。本发明采用卡尔曼滤波算法(Kalman filter,KF)估计换流器子模块电压,相比基于传感器测量子模块电容电压的方法,仅需要一个电压传感器可以实现对所有子模块电压的估计。同时对子模块电压估计值进行相关性分析,可以定位出故障子模块,不需要额外的测量或者硬件模块。
Description
技术领域
本发明涉及故障诊断领域,特别是一种基于相关性分析的模块化多电平换流器故障子模块定位方法。
背景技术
模块化多电平换流器(Modular Multilevel Converter,MMC)因其具有模块化设计、扩展性强、运行损耗小、输出波形高等优点,近几年在高压等级、大传输容量场合得到了越来越广泛的应用。然而由于子模块数量庞大,其故障诊断策略是目前提高模块化多电平变换器可靠性的重要途径。
目前,子模块故障诊断方法大多基于子模块电压测量值与估计值的比较,由故障与正常子模块的电压偏差定位故障。然而,每一个子模块都需要配备电压传感器,将造成较高的硬件成本、较复杂的软件设计难度与较高的故障发生可能性。当故障发生时,由于故障子模块需要一定的时间充电到一个很大的值,所以需要很长的时间才能定位故障。当换流器工作在不同功率水平时,电压偏差的阈值也很难确定。因此,需要一种能在电容电压达到较高值之前就能定位故障子模块的诊断方法。
发明内容
有鉴于此,本发明的目的是提供种基于相关性分析的模块化多电平换流器故障子模块定位方法,能够快速定位故障子模块,提高故障诊断的速度。
本发明采用以下方案实现:一种基于相关性分析的模块化多电平换流器故障子模块定位方法,包括以下步骤:
步骤S1:进行MMC子模块电压建模;
步骤S2:采用卡尔曼滤波算法对子模块的电压进行估计;
步骤S3:基于相关性分析对故障子模块进行定位。
进一步地,所述步骤S1具体包括以下内容:所述MMC为三相MMC,a、b、c三相分为上、下两桥臂,每个桥臂都配有一个桥臂电感L0用以限制和平滑电流,每相的两个桥臂都有相同数量的子模块;
上、下桥臂第i个子模块的端电压分别表示为:
usm,p,i=Sp,iuc,p,i (1)
usm,n,i=Sn,iuc,n,i (2)
其中Sp,i和Sn,i分别是上、下桥臂第i个子模块的开关函数;uc,p,i和uc,n,i分别是上、下桥臂第i个子模块的电容电压;usm,p,i和usm,n,i分别是上、下桥臂第i个子模块的端电压;
根据基尔霍夫定律,得到以下方程:
其中up、un分别为上、下桥臂电压;ip、in分别为上、下桥臂电流;v0为输出相电压;Udc表示直流侧电压;为了估计电容电压,将式(5)和式(6)重新排列并改写为矢量形式如下:
其中,uLp、uLn分别表示如下:
进一步地,所述步骤S2具体包括以下内容:
同一桥臂电压up/n与子模块电压uc,p/n满足线性关系:
其中
卡尔曼滤波估算过程包括如下步骤:
步骤SA:状态一步预测:
其中,v(t-1)为测量白噪声;
步骤SB:计算卡尔曼增益:
其中,P(t-1)为协方差矩阵,在递归算法中,通常将其初始化为P(0)=GI,G为正常数,I为维度是子模块个数的单位阵;
步骤SC:计算预测误差:
步骤SD:状态更新:
步骤SE:协方差阵更新:
其中,Q(t)为观测噪声方差矩阵;r(t)为方差系数,将其定义为整个采样时间的一个常数即r(1)=r(2)=..=r(j);式(17)说明了根据t-1时刻的状态估计t时刻状态的过程,通过协方差阵对预测效果做了定量描述,通过式(15)、(16)、(18)计算针对时间更新值的修正量,以上步骤SA至步骤SE均为了更合理的利用up/n(t-1),并通过式(17)得出实时电压估计值
进一步地,所述步骤S3具体包括以下内容:
同一桥臂两个子模块电容电压估计值的相关系数为:
其中T=1/TsfN为一个窗口采样点个数;为采样电容电压估计值的平均值;其中代表式(19)中或 为同一个桥臂上第m/n个子模块的电容电压估计值;相关性系数为1时为完全线性正相关,为-1时为完全线性负相关;在区间(-1,1)内时表示两个电压值之间的线性相关程度,当它趋近于零时,更接近于不相关,系数越接近1或-1,电容电压之间的相关性越强;
将(19)简化为
其中m,n=1,2,...,N;m≠n,
在正常工作中,由于串联拓扑结构和电容电压平衡控制,同一桥臂上任意两个电容电压的相关系数都接近于1;当发生开路故障时,故障SM即故障子模块的电容电压异常,这意味着它与正常SM的电容电压不成线性相关,正常SM的相关系数将保持接近1;采用阈值ξ来识别这种情况,当且m≠n时满足1-ρp,mn>ξ即定位第n个子模块为故障子模块;因此,基于相关系数计算,能够快速准确地定位故障SM。
与现有技术相比,本发明具有以下有益效果:
(1)本发明引入基于卡尔曼滤波算法的电压估计方法,仅需要桥臂电压值和子模块开关状态,降低了电压传感器的配置。
(2)本发明利用相关性分析的方法,计算桥臂子模块电压的相关性系数,快速定位故障子模块。
(3)本发明检测到故障的同时,定位故障子模块,提高故障诊断的速度及系统可靠性。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的图分别为子模块正常和开路故障时的卡尔曼滤波算法电压估计效果图,其中图2(a)为正常时卡尔曼滤波估计效果;图2(b)为开路故障时卡尔曼滤波估计效果。
图3为本发明实施例的桥臂子模块相关性系数图。
图4为本发明实施例的MMC拓扑图。
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。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种基于相关性分析的模块化多电平换流器的子模块故障定位方法,包括以下步骤:
步骤S1:进行MMC子模块电压建模;
步骤S2:采用卡尔曼滤波算法对子模块的电压进行估计;
步骤S3:基于相关性分析对故障子模块进行定位。
在本实施例中,所述步骤S1具体包括以下内容:所述MMC为三相MMC,a、b、c三相分为上、下两桥臂,每个桥臂都配有一个桥臂电感L0用以限制和平滑电流,每相的两个桥臂都有相同数量的子模块;
上、下桥臂第i个子模块的端电压分别表示为:
usm,p,i=Sp,iuc,p,i (1)
usm,n,i=Sn,iuc,n,i (2)
其中Sp,i和Sn,i分别是上、下桥臂第i个子模块的开关函数;uc,p,i和uc,n,i分别是上、下桥臂第i个子模块的电容电压;usm,p,i和usm,n,i分别是上、下桥臂第i个子模块的端电压。
根据基尔霍夫定律,得到以下方程:
其中up、un分别为上、下桥臂电压;ip、in分别为上、下桥臂电流;v0为输出相电压;Udc为直流侧电压;为了估计电容电压,将式(5)和式(6)重新排列并改写为矢量形式如下
其中,uLp、uLn分别如下所示:
在本实施例中,所述步骤S2具体包括以下内容:
同一桥臂电压up/n与子模块电压uc,p/n满足线性关系:
其中
卡尔曼滤波估算过程包括如下步骤:
步骤SA:状态一步预测:
其中,v(t-1)为测量白噪声;
步骤SB:计算卡尔曼增益:
其中,P(t-1)为协方差矩阵,在递归算法中,通常将其初始化为P(0)=GI,G为正常数本实施例中取G=600,I为维度是子模块个数的单位阵;
步骤SC:计算预测误差:
步骤SD:状态更新:
步骤SE:协方差阵更新:
其中,Q(t)为观测噪声方差矩阵;r(t)为方差系数,将其定义为整个采样时间的一个常数即r(1)=r(2)=..=r(j);式(17)说明了根据t-1时刻的状态估计t时刻状态的过程,通过协方差阵对预测效果做了定量描述,通过式(15)、(16)、(18)计算针对时间更新值的修正量,以上步骤SA至步骤SE均为了更合理的利用up/n(t-1),并通过式(17)得出实时电压估计值
在本实施例中,所述步骤S3具体包括以下内容:
同一桥臂两个电容电压的相关系数为:
其中T=1/TsfN为一个窗口采样点个数;为采样电容电压估计值的平均值;其中代表式(19)中或 为同一个桥臂上第m/n个子模块的电容电压估计值;相关性系数为1时为完全线性正相关,为-1时为完全线性负相关;在区间(-1,1)内时表示两个电压值之间的线性相关程度,当它趋近于零时,更接近于不相关,系数越接近1或-1,电容电压之间的相关性越强;
将(19)简化为
其中m,n=1,2,...,N;m≠n,
在正常工作中,由于串联拓扑结构和电容电压平衡控制,同一桥臂上任意两个电容电压的相关系数都接近于1;当发生开路故障时,故障SM即故障子模块的电容电压异常,这意味着它与正常SM的电容电压不成线性相关,正常SM的相关系数将保持接近1;采用阈值ξ来识别这种情况,当且m≠n时满足1-ρp,mn>ξ即定位第n个子模块为故障子模块;因此,基于相关系数计算,能够快速准确地定位故障SM。
特别的,本实施例首先采用卡尔曼滤波算法(Kalman filter,KF)估计换流器子模块电压,相比基于传感器测量子模块电容电压的方法,仅需要一个电压传感器可以实现对所有子模块电压的估计。同时对子模块电压估计值进行相关性分析,可以定位出故障子模块,不需要额外的测量或者硬件模块。
较佳的,如本实施例图2所示分别为子模块正常和开路故障时的卡尔曼滤波算法电压估计效果,可以看出当故障发生时,卡尔曼滤波算法可以很好的跟随电容电压突变。
在本实施例中,以5电平桥臂为例,当0.5S时SM4发生开路故障,图3所示为相关性分析结果SM4与其他子模块相关性系数ρ1,4,ρ2,4,ρ3,4均不再等于1,可以在26ms定位SM4为故障子模块。
较佳的,在本实施例中,子模块的IGBT和二极管过载能力较弱,会因过压、过电流等原因造成损坏。IGBT和二极管的短路故障会产生较大的短路电流。在实际工程中,大量的子模块配置过电流保护,可以快速旁路短路故障的子模块。因此本实施例主要针对子模块的IGBT开路故障。
MMC由子模块串联而成,如图4所示,a、b、c三相分为上、下两桥臂。每相的两个桥臂都有相同数量的子模块,图中仅展示了半桥子模块(half bridge sub-module,HBSM)。每个桥臂都配有一个桥臂电感L0以限制和平滑电流,upa和una分别为a相上、下桥臂电压,Udc为直流侧电压,usm、uc分别为子模块端电压及电容电压。
半桥子模块由两个绝缘栅双极晶体管(IGBT)(T1和T2)、并联连接的二极管(D1和D2)和直流电容C组成。根据T1和T2的开启状态,子模块的端电压为uc或0,半桥子模块的工作模式见表1。
表1子模块操作模式
上、下桥臂第i个子模块的端电压可以分别表示为:
usm,p,i=Sp,iuc,p,i (1)
usm,n,i=Sn,iuc,n,i (2)
其中Sp,i和Sn,i分别是上、下桥臂第i个子模块的开关函数;uc,p,i和uc,n,i分别是上、下桥臂第i个子模块的电容电压;usm,p,i和usm,n,i分别是上、下桥臂第i个子模块的端电压。
根据基尔霍夫定律,可以得到以下方程:
其中up、un分别为上、下桥臂电压;ip、in分别为上、下桥臂电流;v0为输出相电压;Udc为直流侧电压;为了估计电容电压,将式(5)和式(6)重新排列并改写为矢量形式如下:
其中:
基于卡尔曼滤波算法的子模块电压估计:
卡尔曼滤波(KF)是一种广泛应用于电力电子领域的基于数学序列的估计算法,用于估计微分方程或状态空间模型表示中的状态和系统参数。KF具有消除传感器对测量噪声影响的能力,这使得该算法优于其他一些递归算法。在线性系统中,卡尔曼滤波器是最有效滤波器。可以发现同一桥臂电压up/n与子模块电压uc,p/n满足线性关系::
其中
卡尔曼滤波估算过程如下:
(1)状态一步预测:
其中,V(t-1)为测量白噪声;
(2)计算卡尔曼增益:
其中,P(t-1)为协方差矩阵,在递归算法中,通常将其初始化为P(0)=GI,G为的正常数(本实施例中取G=600),I为维度是子模块个数的单位阵;
(3)计算预测误差:
(4)状态更新:
(5)协方差阵更新:
其中,Q(t)为观测噪声方差矩阵;r(t)为方差系数,将其定义为整个采样时间的一个常数即r(1)=r(2)=..=r(j);式(17)说明了根据t-1时刻的状态估计t时刻状态的方法,通过协方差阵对预测效果做了定量描述,通过式(15)、(16)、(18)计算针对时间更新值的修正量,以上步骤SA至步骤SE均为了更合理的利用观测量up(t-1),并通过式(17)得出实时电压估计值
基于相关性分析的子模块定位:
当发生开路故障时,与正常子模块的电容电压相比,由于没有放电电路,故障子模块的电容电压将出现异常。利用卡尔曼滤波估算的电压估计值,可以通过计算同一桥臂上电容电压的相关性系数来提取该特性。
同一桥臂两个电容电压的相关系数为:
其中T=1/TsfN为一个窗口采样点个数;为采样电容电压估计值的平均值;其中代表式(19)中或 为同一个桥臂上第m/n个子模块的电容电压估计值;相关性系数为1时为完全线性正相关,为-1时为完全线性负相关。在区间(-1,1)内时表示两个电压值之间的线性相关程度,当它趋近于零时,更接近于不相关,系数越接近1或-1,电容电压之间的相关性越强。
将(19)简化为
其中m,n=1,2,...,N;m≠n,
在正常工作中,由于串联拓扑结构和电容电压平衡控制,同一桥臂上任意两个电容电压的相关系数都接近于1。当发生开路故障时,故障SM的电容电压异常,这意味着它与正常SM的电容电压不成线性相关,正常SM的相关系数将保持接近1。采用阈值ξ来识别这种情况,当且m≠n时满足1-ρp,mn>ξ即可定位第n个子模块为故障子模块;因此,基于相关系数计算,可以快速准确地定位故障SM。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 (4)
1.一种基于相关性分析的模块化多电平换流器故障子模块定位方法,其特征在于:包括以下步骤:
步骤S1:进行MMC子模块电压建模;
步骤S2:采用卡尔曼滤波算法对子模块的电压进行估计;
步骤S3:基于相关性分析对故障子模块进行定位。
2.根据权利要求1所述的一种基于相关性分析的模块化多电平换流器故障子模块定位方法,其特征在于:所述步骤S1具体包括以下内容:所述MMC为三相MMC,a、b、c三相分为上、下两桥臂,每个桥臂都配有一个桥臂电感L0用以限制和平滑电流,每相的两个桥臂都有相同数量的子模块;
上、下桥臂第i个子模块的端电压分别表示为:
usm,p,i=Sp,iuc,p,i (1)
usm,n,i=Sn,iuc,n,i (2)
其中Sp,i和Sn,i分别是上、下桥臂第i个子模块的开关函数;uc,p,i和uc,n,i分别是上、下桥臂第i个子模块的电容电压;usm,p,i和usm,n,i分别是上、下桥臂第i个子模块的端电压;
根据基尔霍夫定律,得到以下方程:
其中up、un分别为上、下桥臂电压;ip、in分别为上、下桥臂电流;v0为输出相电压;Udc为直流侧电压;为了估计电容电压,将式(5)和式(6)重新排列并改写为矢量形式如下:
其中,uLp、uLn分别表示如下:
3.根据权利要求1所述的一种基于相关性分析的模块化多电平换流器故障子模块定位方法,其特征在于:所述步骤S2具体包括以下内容:
桥臂电压up/n与子模块电压uc,p/n满足线性关系:
其中
卡尔曼滤波估算过程包括如下步骤:
步骤SA:状态一步预测:
其中,v(t-1)为测量白噪声;
步骤SB:计算卡尔曼增益:
其中,P(t-1)为协方差矩阵,在递归算法中,通常将其初始化为P(0)=GI,G为正常数,I为维度是子模块个数的单位阵;
步骤SC:计算预测误差:
步骤SD:状态更新:
步骤SE:协方差阵更新:
其中,Q(t)为观测噪声方差矩阵;r(t)为方差系数,将其定义为整个采样时间的一个常数即r(1)=r(2)=..=r(j);式(17)说明了根据t-1时刻的状态估计t时刻状态的过程,通过协方差阵对预测效果做了定量描述,通过式(15)、(16)、(18)计算针对时间更新值的修正量,以上步骤SA至步骤SE均为了利用up/n(t-1),并通过式(17)得出实时电压估计值
4.根据权利要求1所述的一种基于相关性分析的模块化多电平换流器故障子模块定位方法,其特征在于:所述步骤S3具体包括以下内容:
同一桥臂两个子模块电容电压估计值的相关系数为:
其中T=1/TsfN为一个窗口采样点个数;为采样电容电压估计值的平均值;其中代表式(19)中或 为同一个桥臂上第m/n个子模块的电容电压估计值;相关性系数为1时为完全线性正相关,为-1时为完全线性负相关;在区间(-1,1)内时表示两个电压值之间的线性相关程度,当它趋近于零时,更接近于不相关,系数越接近1或-1,电容电压之间的相关性越强;
将(19)简化为
其中m,n=1,2,...,N;m≠n,
在正常工作中,由于串联拓扑结构和电容电压平衡控制,同一桥臂上任意两个电容电压的相关系数都接近于1;当发生开路故障时,故障SM即故障子模块的电容电压异常,这意味着它与正常SM的电容电压不成线性相关,正常SM的相关系数将保持接近1;采用阈值ξ来识别这种情况,当且m≠n时满足1-ρp,mn>ξ即定位第n个子模块为故障子模块;因此,基于相关系数计算,能够快速准确地定位故障SM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839556.2A CN110514933A (zh) | 2019-09-05 | 2019-09-05 | 一种基于相关性分析的模块化多电平换流器故障子模块定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839556.2A CN110514933A (zh) | 2019-09-05 | 2019-09-05 | 一种基于相关性分析的模块化多电平换流器故障子模块定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110514933A true CN110514933A (zh) | 2019-11-29 |
Family
ID=68629889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910839556.2A Withdrawn CN110514933A (zh) | 2019-09-05 | 2019-09-05 | 一种基于相关性分析的模块化多电平换流器故障子模块定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110514933A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679226A (zh) * | 2020-05-26 | 2020-09-18 | 西安理工大学 | 一种mmc子模块开关管开路故障诊断与定位方法 |
TWI721897B (zh) * | 2020-06-01 | 2021-03-11 | 台達電子工業股份有限公司 | 直流鏈電容電壓不平衡之偵測裝置 |
-
2019
- 2019-09-05 CN CN201910839556.2A patent/CN110514933A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679226A (zh) * | 2020-05-26 | 2020-09-18 | 西安理工大学 | 一种mmc子模块开关管开路故障诊断与定位方法 |
CN111679226B (zh) * | 2020-05-26 | 2022-06-14 | 西安理工大学 | 一种mmc子模块开关管开路故障诊断与定位方法 |
TWI721897B (zh) * | 2020-06-01 | 2021-03-11 | 台達電子工業股份有限公司 | 直流鏈電容電壓不平衡之偵測裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106885966B (zh) | 一种mmc功率器件开路故障诊断方法 | |
CN110376471B (zh) | 一种基于电压残差的级联h桥变换器故障诊断方法 | |
CN110514933A (zh) | 一种基于相关性分析的模块化多电平换流器故障子模块定位方法 | |
CN106096298B (zh) | 基于观测器的变换器参数在线辨识方法 | |
CN111308392B (zh) | 一种单相级联npc整流器igbt开路故障的诊断方法 | |
CN110426664B (zh) | 一种带两个电流传感器的三相三线制逆变器功率管开路故障和电流传感器故障综合诊断方法 | |
CN111562517B (zh) | 一种npc三电平逆变器开关管开路故障诊断方法 | |
CN108828387B (zh) | 一种mmc子模块开路故障一体化诊断方法 | |
CN113238170B (zh) | 一种用于电机控制的逆变器开路故障在线诊断方法 | |
CN110165914A (zh) | 一种模块化多电平换流器子模块电容值在线估计方法 | |
CN113219315B (zh) | 基于结温归一化的逆变器igbt老化在线监测方法及系统 | |
CN111665393A (zh) | 一种mmc子模块电容容值和esr值在线监测方法及装置 | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
KR20110133513A (ko) | 펄스폭변조 전력 컨버터에서 직류 링크 커패시터의 개선된 온라인 고장 진단 시스템 | |
CN109921614A (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 | |
CN118033487B (zh) | 一种并网hanpc全控器件开路故障诊断方法 | |
CN103630745A (zh) | 一种高精度的多路共地直流电源绝缘电阻检测电路及方法 | |
CN114879087A (zh) | 一种用于vienna整流器开路故障综合辨识的方法 | |
CN113281678B (zh) | 模块化多电平变换器半桥子模块上管开路故障的定位方法 | |
CN114859266B (zh) | 一种chb光伏并网逆变器系统开路故障诊断方法 | |
CN110399926A (zh) | 一种路灯故障诊断方法及装置 | |
KR20180009242A (ko) | 전력반도체 파워모듈의 기생인덕턴스 측정 방법 | |
CN113536674B (zh) | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 | |
CN110231538A (zh) | 一种利用暂态能量的区内外故障识别方法 | |
Peiwen et al. | A Fast Open-circuit Fault Diagnosis Strategy for Submodules of MMC Based on Kalman Filter |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191129 |
|
WW01 | Invention patent application withdrawn after publication |