CN110658437A - 一种风电变流器功率模块igbt健康状态评价方法 - Google Patents

一种风电变流器功率模块igbt健康状态评价方法 Download PDF

Info

Publication number
CN110658437A
CN110658437A CN201910974000.4A CN201910974000A CN110658437A CN 110658437 A CN110658437 A CN 110658437A CN 201910974000 A CN201910974000 A CN 201910974000A CN 110658437 A CN110658437 A CN 110658437A
Authority
CN
China
Prior art keywords
igbt
cluster
health state
power module
clustering
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.)
Pending
Application number
CN201910974000.4A
Other languages
English (en)
Inventor
全瑞坤
李辉
杨甜
胡玉
冉军
刘晓宇
何蓓
刘静
杨微
兰涌森
余强
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201910974000.4A priority Critical patent/CN110658437A/zh
Publication of CN110658437A publication Critical patent/CN110658437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Abstract

本发明涉及一种风电变流器功率模块IGBT健康状态评价方法，属于风电变流器功率模块IGBT状态监测领域，该方法基于无监督学习迭代自组织聚类算法对IGBT工作状态进行分类，包括以下步骤：S1：采集环境风速、温度、机侧和网侧变频器的功率；S2：使用无监督学习迭代自组织聚类算法对IGBT工作状态进行健康状态分类。本发明方法数据采集和实现算法简单，无监督学习迭代自组织聚类算法健康评价能够挖掘风电变流器功率模块监测数据的潜在关系，有效的降低了风电变流器功率模块的运行维护难度。

Description

一种风电变流器功率模块IGBT健康状态评价方法
技术领域
本发明属于风电变流器功率模块IGBT状态监测领域，具体涉及一种风电变流器功率模块IGBT健康状态评价方法。
背景技术
风电变流器功率半导体器件IGBT是电力电子极为重要的核心器件，是能源转换与传输的核心器件，是风力发电和电力电子装置的核心部件，采用IGBT进行功率变换，能够提高用电效率和质量，具有高效节能和绿色环保的特点，是解决能源短缺问题和降低碳排放的关键支撑技术。功率半导体器件一般具有以下特点：1)高电压：一般的IGBT如果VCE的电压过高，很容易导致器件击穿；2)大电流：功率器件的电流取决于W/L，在需要大功率电源的要求下，IGBT模块的设计电流也在逐渐增大。以上情况都极大地增加了IGBT的损坏可能，因此需要研究一种IGBT健康状态评价的方法。
目前在聚类健康状态评价中，K聚类算法最为常用，K聚类算法对初值极为敏感，在实际中K值的选择可以采用机器学习中的一些指标来指定，比如损失函数最小，根据层次分类找到比较好的K值以及聚类的轮廓系数等。一般对不同的数据分布选择不同的方式，在使用基于距离的算法时需要进行无量纲化，防止样本在某些维度上过大导致距离计算失效，具体实现只要将属于最大簇的数据点用K均值聚类。
IGBT健康度评价目前采用基于结温评价，损耗评价，焊层疲劳程度等方法，一般使用阈值等评价指标，无法提供深层次的多参数评价体系。在本研究中通过采用基于多标签聚类方法的健康度分级评价可以通过充分挖掘IGBT各个特征参数的内在关联，揭示特征参数的非线性和隐形映射规律，实现一种各特征参数耦合的数据评价模型。通过无监督学习迭代自组织聚类算法建立一种健康分类评价方法。
发明内容
有鉴于此，本发明的目的在于提供一种风电变流器功率模块IGBT健康评价方法，通过无监督学习迭代自组织聚类算法实现风电变流器IGBT健康状态的分类。
为达到上述目的，本发明提供如下技术方案：
一种风电变流器功率模块IGBT健康评价方法，通过采集环境温度，风速，机侧和网侧变频器的功率，使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类，包括以下步骤：
S1：采集环境温度，风速，机侧和网侧变频器的功率；
S2：使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类。
进一步，步骤S1具体包括以下步骤：
S11：设定可编程逻辑控制器PLC的模拟数字采样频率，对电压电流信号进行采样并转换为数字信号到可编程逻辑控制器PLC，然后通过
Figure BDA0002233024460000021
计算有功功率；
S12：通过卡尔曼滤波算法对数据进行处理，消除错误数据。
进一步，步骤S2具体包括以下步骤：
S21：设置预期的IGBT健康状态聚类中心数目K0，聚类中心最小样本数目Nmin，最大方差σ，聚类簇中心最小距离Dmin；
S22：计算K0个IGBT健康状态聚类中心的距离并将其分类到最小的聚类中心簇；
S23：判断每个IGBT健康状态聚类簇中的样本数是否小于Nmin，如果小于该值则舍弃该聚类簇，并且令K＝K-1，同时把该类中的样本数据重新分配给剩下的距离最小的聚类中心所对应的类；
S23：针对每个IGBT健康状态聚类中心所对应的分类Ci，重新计算该分类的聚类中心
Figure BDA0002233024460000022
S24：如果IGBT健康状态聚类中心数
Figure BDA0002233024460000023
进行分裂操作；
S25：如果IGBT健康状态聚类中心数K≥2K0，进行合并操作；
S26：如果达到最大迭代次数则终止，否则回到S22继续执行。
本发明的有益效果在于：所述的IGBT健康状态评价方法可以通过无监督迭代自组织聚类算法将IGBT状态分类成若干个健康状态，本发明方法数据采集和实现算法简单，无监督学习迭代自组织聚类算法健康评价能够挖掘风电变流器功率模块监测数据的潜在关系，有效的降低了风电变流器功率模块的运行维护难度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明实施例的系统流程图；
图2为本发明实施例的系统结构图；
图3为本发明实施例的实验结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为本发明方法的具体系统流程图，首先，通过可编程逻辑控制器和互感器对机侧、网侧变频器数据采集；然后，对功率
Figure BDA0002233024460000031
计算和卡尔曼滤波；最后，使用无监督学习迭代自组织聚类算法进行IGBT健康状态分类。
以风电变流器功率模块IGBT健康状态评价方法为例，说明系统结构原理：如图2所示：在机侧和网侧变频器分别通过互感器采样，设定采样频率为100Hz，并开启可编程逻辑控制器PLC的数模转换功能，使用卡尔曼滤波消除无效和错误数据，然后对数据进行计算
Figure BDA0002233024460000032
如图1所示：风电变流器功率模块IGBT健康状态的无监督学习迭代自组织聚类算法如下，初始IGBT状态样本为N个模式样本数据，首先设定Nc个IGBT状态模式样本的初始聚类中心，在设定IGBT健康状态初始聚类中心数目之后，再将Nc个模式样本的数据分给聚类最近的聚类Sj通过模式样本数据的不同聚类中心分配，使得各个样本数据距离聚类中心的距离最小；通过对样本数据进行最小距离分类后，同时将Nc的数值减去1，根据IGBT健康状态实际样本的聚类中心距离，调整和修正各个聚类中心：
Figure BDA0002233024460000041
在调整和修正聚类中心后，计算各个聚类的样本数据和聚类中心的平均距离以及全部样本数据和对应的聚类中心总平均距离:
Figure BDA0002233024460000042
Figure BDA0002233024460000043
同时判别分裂、合并以及迭代运算，根据迭代运算次数，如果是最后一次迭代运算，那么设置θC为0，如果NC≤K/2,即设置的初始聚类中心数目小于或等于规定值K的一半，那么对现有的聚类进行分裂计算，如果迭代运算的次数NC≥2K,那么不进行分裂运算，本发明具体实施初始设定IGBT健康状态初始聚类中心为4，得到如图3所示的风电变流器功率模块IGBT健康状态分类。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种风电变流器功率模块IGBT健康评价方法，其特征在于：通过采集环境温度，风速，机侧和网侧变频器的功率，使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类，包括以下步骤：
S1：采集环境温度，风速，机侧和网侧变频器的功率；
S2：使用无监督学习迭代自组织聚类算法对IGBT工作状态进行分类。
2.根据权利要求1所述的风电变流器功率模块IGBT健康评价方法，其特征在于：步骤S1具体包括以下步骤：
S11：设定可编程逻辑控制器PLC的模拟数字采样频率，对电压电流信号进行采样并转换为数字信号到可编程逻辑控制器PLC，然后通过
Figure FDA0002233024450000011
计算有功功率；
S12：通过卡尔曼滤波算法对数据进行处理，消除错误数据。
3.根据权利要求1所述的风电变流器功率模块IGBT健康评价方法，其特征在于：步骤S2具体包括以下步骤：
S21：设置预期的IGBT健康状态聚类中心数目K0，聚类中心最小样本数目Nmin，最大方差σ，聚类簇中心最小距离Dmin；
S22：计算K0个IGBT健康状态聚类中心的距离并将其分类到最小的聚类中心簇；
S23：判断每个IGBT健康状态聚类簇中的样本数是否小于Nmin，如果小于该值则舍弃该聚类簇，并且令K＝K-1，同时把该类中的样本数据重新分配给剩下的距离最小的聚类中心所对应的类；
S23：针对每个IGBT健康状态聚类中心所对应的分类Ci，重新计算该分类的聚类中心
Figure FDA0002233024450000012
S24：如果IGBT健康状态聚类中心数
Figure FDA0002233024450000013
进行分裂操作；
S25：如果IGBT健康状态聚类中心数K≥2K0，进行合并操作；
S26：如果达到最大迭代次数则终止，否则回到S22继续执行。
4.根据权利要求1所述的风电变流器功率模块IGBT健康评价方法，其特征在于：所述的IGBT健康状态评价方法通过无监督迭代自组织聚类算法将IGBT状态分类成若干个健康状态。
CN201910974000.4A 2019-10-14 2019-10-14 一种风电变流器功率模块igbt健康状态评价方法 Pending CN110658437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910974000.4A CN110658437A (zh) 2019-10-14 2019-10-14 一种风电变流器功率模块igbt健康状态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910974000.4A CN110658437A (zh) 2019-10-14 2019-10-14 一种风电变流器功率模块igbt健康状态评价方法

Publications (1)

Publication Number Publication Date
CN110658437A true CN110658437A (zh) 2020-01-07

Family

ID=69040760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910974000.4A Pending CN110658437A (zh) 2019-10-14 2019-10-14 一种风电变流器功率模块igbt健康状态评价方法

Country Status (1)

Country Link
CN (1) CN110658437A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035797A (zh) * 2020-08-31 2020-12-04 山东诺蓝信息科技有限公司 一种基于自主学习的功率状态判决算法
CN112597620A (zh) * 2020-09-24 2021-04-02 新天绿色能源股份有限公司 一种基于k-medoids算法的风电机组功率曲线建模方法
CN113344428A (zh) * 2021-06-28 2021-09-03 中国船舶重工集团海装风电股份有限公司 一种风电变流器igbt功率模块散热系统健康度评价方法
EP4239419A1 (en) * 2022-03-01 2023-09-06 Siemens Aktiengesellschaft Condition monitoring of an electric power converter
CN117406059A (zh) * 2023-12-15 2024-01-16 国网天津市电力公司电力科学研究院 功率开关管风险定位方法及装置
CN117435939A (zh) * 2023-12-14 2024-01-23 广东力宏微电子有限公司 基于大数据的igbt健康状态评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873359A (zh) * 2015-12-11 2017-06-20 中国电力科学研究院 一种基于聚类分析和神经网络的风电噪声评价方法
CN110011618A (zh) * 2019-04-22 2019-07-12 河海大学常州校区 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873359A (zh) * 2015-12-11 2017-06-20 中国电力科学研究院 一种基于聚类分析和神经网络的风电噪声评价方法
CN110011618A (zh) * 2019-04-22 2019-07-12 河海大学常州校区 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUIKUN QUAN 等: ""A Novel IGBT Health Evaluation Method Based on Multi-Label Classification"", 《IEEE ACCESS》 *
吴青萍 等: "《电路基础（第3版）》", 31 March 2014, 北京理工大学出版社 *
贵州电网有限责任公司: "《高原山区风电功率预测技术》", 31 March 2017, 贵州大学出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035797A (zh) * 2020-08-31 2020-12-04 山东诺蓝信息科技有限公司 一种基于自主学习的功率状态判决算法
CN112597620A (zh) * 2020-09-24 2021-04-02 新天绿色能源股份有限公司 一种基于k-medoids算法的风电机组功率曲线建模方法
CN113344428A (zh) * 2021-06-28 2021-09-03 中国船舶重工集团海装风电股份有限公司 一种风电变流器igbt功率模块散热系统健康度评价方法
EP4239419A1 (en) * 2022-03-01 2023-09-06 Siemens Aktiengesellschaft Condition monitoring of an electric power converter
CN117435939A (zh) * 2023-12-14 2024-01-23 广东力宏微电子有限公司 基于大数据的igbt健康状态评估方法
CN117435939B (zh) * 2023-12-14 2024-03-08 广东力宏微电子有限公司 基于大数据的igbt健康状态评估方法
CN117406059A (zh) * 2023-12-15 2024-01-16 国网天津市电力公司电力科学研究院 功率开关管风险定位方法及装置
CN117406059B (zh) * 2023-12-15 2024-04-12 国网天津市电力公司电力科学研究院 功率开关管风险定位方法及装置

Similar Documents

Publication Publication Date Title
CN110658437A (zh) 一种风电变流器功率模块igbt健康状态评价方法
WO2018045689A1 (zh) 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
WO2018120077A1 (zh) 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法
CN108964751A (zh) 一种利用环境rf无线充电的通信设备间的通信方法
CN111130430B (zh) 一种光储发电单元协调控制的方法
CN201497883U (zh) 加速器辐照控制系统
CN105656427A (zh) 一种防止光伏组串并联失配的方法及组串式逆变器系统
CN114980188A (zh) 一种考虑温湿度因素的5g基站业务能耗预测方法
CN1889486A (zh) 无线传感器网络中的动态能量管理方法与装置
CN112231976B (zh) 一种风电场等效模型的建立方法
Singh et al. Minimization of energy consumption of wireless sensor networks using fuzzy logic
CN117273409A (zh) 一种园区智慧化环保系统智能运维方法、系统及存储介质
CN106340874A (zh) 电力负荷分解的辨识决策方法和系统
CN107968432A (zh) 一种提高光伏电池板输出利用率的控制方法
CN206281957U (zh) 一种直流电机驱动器的节能老化系统
CN112510831B (zh) 一种用于分布式光伏电站数据传输中的分簇方法
CN111697620B (zh) 一种可预测功率的分布式组网光伏并网微逆变发电系统
CN113537330A (zh) 一种非侵入式负荷识别方法
CN209283187U (zh) 一种光伏组件监控装置
CN115963401A (zh) 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法
CN203084942U (zh) 一种基于Zigbee的停车场管理系统
CN112954715B (zh) 基于迁移学习的无线服务节点容量估计方法
CN211606441U (zh) 一种具有组串式mppt器件的太阳能电站
CN211718755U (zh) 一种智能锁控系统
CN106780139A (zh) 配电台区无功补偿节能数据处理方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200107