CN110703025A - 一种风电变流器igbt功率模块健康状态异常识别方法 - Google Patents
一种风电变流器igbt功率模块健康状态异常识别方法 Download PDFInfo
- Publication number
- CN110703025A CN110703025A CN201910996273.9A CN201910996273A CN110703025A CN 110703025 A CN110703025 A CN 110703025A CN 201910996273 A CN201910996273 A CN 201910996273A CN 110703025 A CN110703025 A CN 110703025A
- Authority
- CN
- China
- Prior art keywords
- igbt
- physical characteristic
- value
- wind
- power converter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 25
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013075 data extraction Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种风电变流器IGBT功率模块健康状态异常识别方法,属于风电机组状态监测技术领域。所述方法包括风电变流器监测数据提取部分、IGBT温度预测部分、残差分析及异常结果识别3个部分。在提取风电机组SCADA系统中有功功率和IGBT温度等各类物理特征量的历史运行数据的基础上,以有功功率为区间划分依据,利用bin方法,实现了对各类物理特征量历史运行数据的区间划分,进而形成过程记忆矩阵;并以所提取的各类物理特征量作为观测向量,采用非线性状态估计方法,实现对IGBT温度的预测;将IGBT温度的实际监测值与预测值结合求取残差,当残差值超出阈值则给出“异常”结果。
Description
技术领域
本发明属于风电机组状态监测技术领域,涉及一种风电变流器IGBT功率模块健康状态异常识别方法。
背景技术
风力发电在未来能源系统中占有重要地位,风电机组安全可靠运行对于风电行业健康发展至关重要。现有的大功率并网风电机组中,几乎全部采用电力电子变流器。由于复杂的运行环境和特殊的运行工况,风电变流器的可靠性问题正成为业界关注的焦点。IGBT模块是风电变流器中能量转换的关键部件,然而风电机组长时间、频繁和大范围的随机出力变化,导致其在电能转换中持续承受剧烈的热应力冲击,导致较高故障率出现。目前,国内外关于风电变流器IGBT状态监测研究还鲜有在实际中得到应用,研究主要侧重在3方面:(1)基于传感器的在线监测。该方法一般是通过在IGBT模块中增加传感器实现对其状态监测,但需在模块内、外部安置辅助测量电路,导致IGBT模块制造难度和成本增加,且可能降低模块可靠性。(2)基于IGBT模块门极信号的在线监测。针对目前IGBT功率模块内部键合线故障需要通过复杂辅助电路才能实现识别、监测的难题,从IGBT模块结构特性入手,分析得出键合线及并联IGBT芯片的故障特性将在模块门极关断电压的变化上得到体现,采用小波奇异熵理论对门极电压信号进行了故障特征提取。然而,由于门极信号响应时间非常短,微秒甚至纳秒级别,该方法对测量硬件要求非常高,须借助专业设备进行捕捉。(3)基于IGBT模块导通压降的状态监测。例如,有研究通过对IGBT芯片开展加速老化实验,记录键合线逐根脱落过程中导通压降、结温和键合线脱落根数的关系,为实现在线准确监测键合线状态提供重要依据,然而,随着键合线脱落程度加大,导通压降逐渐增大但增量较小,不易监测。综上所述可见,上述方法还难以在实际中应用且工程应用较难,无法实现对风电变流器IGBT功率模块异常识别。迫切需要寻求一种方法简单、满足工程要求的风电变流器IGBT功率模块健康状态实时异常识别方法。
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IGBT功率模块健康状态异常识别方法。以有功功率为区间划分依据,利用bin方法,实现了对各类物理特征量历史运行数据的区间划分,应用非线性状态估计方法,实现对风电变流器IGBT功率模块健康状态异常识别。该方法可应用到风电机组SCADA系统中,为风电变流器实现异常识别功能,为优化风电机组运维和检修策略提供技术支撑。
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IGBT功率模块健康状态异常识别方法,包括以下步骤:
步骤一:从风电机组SCADA系统提取有功功率和IGBT温度等各类物理特征量的历史运行数据;
步骤二:以有功功率为区间划分依据,利用bin方法,实现对各类物理特征量历史运行数据的区间划分,进而形成过程记忆矩阵;
步骤三:以所提取的各类物理特征量作为观测向量,采用非线性状态估计方法,获得IGBT温度的预测值;
步骤四:将IGBT温度的实际监测值与预测值结合求取残差,当残差值超出阈值则给出“异常”预警结果,否则给出“正常”结果。
可选的,所述步骤一中,从风电机组SCADA系统中物理特征量包括:风速、风力机转速、有功功率、机侧/网侧相电流/频率、环境温度、机舱温度、变流器直流环节电压、IGBT温度,采用Xobs表示物理特征量的集合,Xobs=[x1,x2,…,xn]T,其中,xi为第i个物理特征量,并提取以上物理特征量的历史运行数据。
可选的,所述步骤二中,以有功功率为区间划分依据,利用bin方法,将有功功率从0到额定功率按照大小平均划分为m个区间,各区间用Wj来表示,j=1,2,…m;分别以有功功率每个采样时刻的运行数据数值大小为依据,将各类物理特征量k个时刻的历史运行数据划归到各区间Wj,即将各类物理特征量历史运行数据划分为m个区间,区间Wj中的数据为:
可选的,所述步骤三中,应用非线性估计方法,将Xobs作为观测向量,设xn为IGBT温度特征量,在某采样时刻k时,将观测向量的实际监测值Xobs(k)带入式(3),计算得到IGBT温度的预测值xest(k);
可选的,所述步骤四中,求取的IGBT温度特征量的实际监测值与预测值的残差ε为:
ε=xn-xest (4)
当残差值超出阈值时,给出IGBT功率模块的健康状态识别结果“异常”,否则为“正常”状态。
可选的,所述阈值在确定时,通过利用历史运行数据,设置具有t个采样时刻的滑动窗口,利用式(3)形成残差时间序列数据{ε1、ε1、…、εt},计算残差时间序列数据的均值μ和标准差σ,过程为:
将[μ-1.96σ,μ+1.96σ]作为IGBT温度残差的阈值。
本发明的有益效果在于:本发明公开的风电变流器IGBT功率模块健康状态异常识别方法:将风电机组SCADA运行数据作为输入,以有功功率为区间划分依据,利用bin方法,实现了对各类物理特征量历史运行数据的区间划分,进而形成过程记忆矩阵;并以所提取的各类物理特征量作为观测向量,采用非线性状态估计方法,实现对IGBT温度的预测;将IGBT温度的实际监测值与预测值结合求取残差,当残差值超出阈值则给出“异常”预警结果,否则给出“正常”结果。本发明可为风电变流器实现异常识别功能,为优化风电机组运维和检修策略提供技术支撑,对确保风力发电机组高效、可靠、安全运行具有重要的工程应用价值。
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为风电变流器IGBT功率模块健康状态异常识别方法结构图;
图2为风电变流器IGBT功率模块健康状态异常识别方法应用过程;
图3为某2MW风电机组变流器IGBT功率模块残差数据。
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。
参见图1,风电变流器IGBT功率模块健康状态异常识别方法,包括3部分:监测数据提取部分、IGBT温度预测部分,残差分析及异常结果识别部分。
下面结合图2,详述风电变流器IGBT功率模块健康状态异常识别方法与实现的实现步骤。
S1:监测数据提取部分。从风电机组SCADA系统中获取物理特征量包括:风速、风力机转速、有功功率、机侧/网侧相电流/频率、环境温度、机舱温度、变流器直流环节电压、IGBT温度。对以上物理特征量的运行数据进行提取,作为异常识别方法的输入。
S2:IGBT温度预测部分。首先,以有功功率为区间划分依据,利用bin方法,将有功功率从0到额定功率按照大小平均划分为m个区间,各区间用Wj(j=1,2,…m)来表示,例如,对于额定功率为2MW的风电机组,利用bin区间划分方法,将有功功率作为区间划分的依据,从0-2MW从小到大平均划分成100个区间,即形成有功功率间隔为20kW的100个区间。其次,分别以有功功率每个采样时刻的运行数据数值大小为依据,将各类物理特征量k个时刻的历史运行数据划归到各区间Wj,即将各类物理特征量历史运行数据划分为m个区间,区间Wj中的数据为:
在此应用的基础上,应用非线性估计方法,将Xobs作为观测向量,设xn为IGBT温度特征量,在某采样时刻k时,将观测向量的实际监测值Xobs(k)带入式(3),计算得到IGBT温度的预测值xest(k)。
S3:残差分析及异常结果识别部分。求取的IGBT温度特征量的实际监测值与预测值的残差ε为:
ε=xn-xest (4)
当残差值超出阈值时,给出IGBT功率模块的健康状态识别结果“异常”,否则为“正常”状态。
在阈值确定方面,通过利用历史运行数据,设置具有t个采样时刻的滑动窗口,利用式(3)形成残差时间序列数据{ε1、ε1、…、εt},计算残差时间序列数据的均值μ和标准差σ,过程为:
标准差σ的计算公式如下:
将[μ-1.96σ,μ+1.96σ]作为IGBT温度残差的阈值。
例如:在S3部分的阈值确定方面,在物理特征量的历史监测数据上,应用非线性估计方法,利用式(3)和式(4),获得IGBT温度的残差值时间序列数据,见图3所示,运行数据量共30000个,计算均值μ和标准差σ得到:μ=0.34℃和σ=12.4℃。故IGBT温度的残差阈值为[-23.96℃,24.64℃]。
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 (6)
1.一种风电变流器IGBT功率模块健康状态异常识别方法,其特征在于:包括以下步骤:
步骤一:从风电机组SCADA系统提取有功功率和IGBT温度等各类物理特征量的历史运行数据;
步骤二:以有功功率为区间划分依据,利用bin方法,实现对各类物理特征量历史运行数据的区间划分,进而形成过程记忆矩阵;
步骤三:以所提取的各类物理特征量作为观测向量,采用非线性状态估计方法,获得IGBT温度的预测值;
步骤四:将IGBT温度的实际监测值与预测值结合求取残差,当残差值超出阈值则给出“异常”预警结果,否则给出“正常”结果。
2.根据权利要求1所述的一种风电变流器IGBT功率模块健康状态异常识别方法,其特征在于:所述步骤一中,从风电机组SCADA系统中物理特征量包括:风速、风力机转速、有功功率、机侧/网侧相电流/频率、环境温度、机舱温度、变流器直流环节电压、IGBT温度,采用Xobs表示物理特征量的集合,Xobs=[x1,x2,…,xn]T,其中,xi为第i个物理特征量,并提取以上物理特征量的历史运行数据。
5.根据权利要求4所述的风电变流器IGBT功率模块健康状态异常识别方法,其特征在于:所述步骤四中,求取的IGBT温度特征量的实际监测值与预测值的残差ε为:
ε=xn-xest (4)
当残差值超出阈值时,给出IGBT功率模块的健康状态识别结果“异常”,否则为“正常”状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996273.9A CN110703025A (zh) | 2019-10-18 | 2019-10-18 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996273.9A CN110703025A (zh) | 2019-10-18 | 2019-10-18 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110703025A true CN110703025A (zh) | 2020-01-17 |
Family
ID=69201726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910996273.9A Pending CN110703025A (zh) | 2019-10-18 | 2019-10-18 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703025A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786415A (zh) * | 2020-07-30 | 2020-10-16 | 南方电网科学研究院有限责任公司 | 一种考虑风电变流器故障的海上风电场可靠性评估方法 |
CN113312758A (zh) * | 2021-05-12 | 2021-08-27 | 上海电气风电集团股份有限公司 | 风力发电机组的健康状态评估方法和装置 |
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 |
CN113572148A (zh) * | 2020-04-29 | 2021-10-29 | 乌鲁木齐金风天翼风电有限公司 | 变流器系统、变流器功率模组的健康状态评估方法和装置 |
CN113723502A (zh) * | 2021-08-27 | 2021-11-30 | 西安热工研究院有限公司 | 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统 |
WO2021244722A1 (en) * | 2020-06-04 | 2021-12-09 | Vestas Wind Systems A/S | Temperature estimation in a wind turbine |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104131950A (zh) * | 2014-07-24 | 2014-11-05 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
-
2019
- 2019-10-18 CN CN201910996273.9A patent/CN110703025A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104131950A (zh) * | 2014-07-24 | 2014-11-05 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
Non-Patent Citations (4)
Title |
---|
PENG GUO 等: "Wind Turbine Generator Condition-Monitoring Using Temperature Trend Analysis", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
RUIKUN QUAN 等: "A Novel IGBT Health Evaluation Method Based on Multi-Label Classification", 《IEEE ACCESS》 * |
YAOGANG HU 等: "A probability evaluation method of early deterioration condition for the critical components of wind turbine generator systems", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
李新丽: "大型风力发电机组的故障诊断研究", 《万方数据库》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572148A (zh) * | 2020-04-29 | 2021-10-29 | 乌鲁木齐金风天翼风电有限公司 | 变流器系统、变流器功率模组的健康状态评估方法和装置 |
WO2021244722A1 (en) * | 2020-06-04 | 2021-12-09 | Vestas Wind Systems A/S | Temperature estimation in a wind turbine |
US11920562B2 (en) | 2020-06-04 | 2024-03-05 | Vestas Wind Systems A/S | Temperature estimation in a wind turbine |
CN111786415A (zh) * | 2020-07-30 | 2020-10-16 | 南方电网科学研究院有限责任公司 | 一种考虑风电变流器故障的海上风电场可靠性评估方法 |
CN111786415B (zh) * | 2020-07-30 | 2021-08-24 | 南方电网科学研究院有限责任公司 | 一种考虑风电变流器故障的海上风电场可靠性评估方法 |
CN113312758A (zh) * | 2021-05-12 | 2021-08-27 | 上海电气风电集团股份有限公司 | 风力发电机组的健康状态评估方法和装置 |
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 |
CN113723502A (zh) * | 2021-08-27 | 2021-11-30 | 西安热工研究院有限公司 | 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统 |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116400126B (zh) * | 2023-06-08 | 2023-08-01 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN117851414B (zh) * | 2024-03-07 | 2024-05-17 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703025A (zh) | 一种风电变流器igbt功率模块健康状态异常识别方法 | |
Wang et al. | Wind turbine fault detection and identification through PCA-based optimal variable selection | |
Wang et al. | Toward reliable power electronics: Challenges, design tools, and opportunities | |
CN104155587B (zh) | 一种igbt模块工作结温的在线检测系统及检测方法 | |
CN101943921B (zh) | 一种变压器冷却系统智能控制方法和智能控制装置 | |
CN110174555B (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 | |
Wang et al. | Design for reliability in power electronics in renewable energy systems–status and future | |
EP3690463B1 (en) | Monitoring an operating condition of a transistor-based power converter | |
Haque et al. | Deep learning based micro-grid fault detection and classification in future smart vehicle | |
Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
Holzke et al. | A condition monitoring system for power semiconductors in wind energy plants | |
CN106771801B (zh) | 一种电容器组在线监测装置及其应用方法 | |
Yüce et al. | Condition monitoring of power electronic systems through data analysis of measurement signals and control output variables | |
CN105975737B (zh) | 转折点计算模型及电机电流的断路器状态监测方法、系统 | |
CN105137194A (zh) | 汽车高压电路连接电阻故障预测定位诊断电路及方法 | |
Abid et al. | Artificial neural network approach assessment of short-circuit fault detection in a three phase inverter | |
KR102234370B1 (ko) | 태양광 발전 시스템을 위한 스마트 태양광 접속반 및 이를 이용한 모니터링 방법 | |
CN110058112B (zh) | 一种三电平级联逆变器的故障诊断方法 | |
JP6023458B2 (ja) | 太陽電池システム | |
Azarian et al. | Applications of health monitoring to wind turbines | |
CN101807077A (zh) | 一种具有隐性故障检测的伺服系统 | |
Chand et al. | Open Circuit (OC) and Short Circuit (SC) IGBT switch fault detection in three-phase standalone photovoltaic inverters using shallow neural networks | |
Rosli et al. | Application of principal component analysis vs. Multiple linear regression in resolving influential factor subject to air booster compressor Motor failure | |
CN112688359A (zh) | 电梯电源故障检测方法、设备、装置和存储介质 | |
CN105182228A (zh) | 断路器在线运行能力简易评价方法 |
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 |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |