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

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

一种风电变流器IGBT功率模块健康状态异常识别方法

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X_obs表示物理特征量的集合，X_obs＝[x₁,x₂,…,x_n]^T，其中，x_i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W_j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W_j，即将各类物理特征量历史运行数据划分为m个区间，区间W_j中的数据为：

然后，分别将每个区间的各类物理特征量数据求平均，得到：

其中，

最后，按照有功功率从0到额定功率依次数值大小，将所有区间的

组成成为一个矩阵，即形成过程记忆矩阵D，表示如下：

可选的，所述步骤三中，应用非线性估计方法，将X_obs作为观测向量，设x_n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X_obs(k)带入式(3)，计算得到IGBT温度的预测值x_est(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＝x_n-x_est (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、…、ε_t}，计算残差时间序列数据的均值μ和标准差σ，过程为：

均值μ的计算公式如下：

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。

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W_j(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W_j，即将各类物理特征量历史运行数据划分为m个区间，区间W_j中的数据为：

然后，分别将每个区间的各类物理特征量数据求平均，得到：

其中，

最后，按照有功功率从0到额定功率依次数值大小，将所有区间的

组成为一个矩阵，即形成过程记忆矩阵D，表示如下：

在此应用的基础上，应用非线性估计方法，将X_obs作为观测向量，设x_n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X_obs(k)带入式(3)，计算得到IGBT温度的预测值x_est(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＝x_n-x_est (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、…、ε_t}，计算残差时间序列数据的均值μ和标准差σ，过程为：

均值μ的计算公式如下：

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X_obs表示物理特征量的集合，X_obs＝[x₁,x₂,…,x_n]^T，其中，x_i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。

3.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W_j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W_j，即将各类物理特征量历史运行数据划分为m个区间，区间W_j中的数据为：

然后，分别将每个区间的各类物理特征量数据求平均，得到：

其中，

最后，按照有功功率从0到额定功率依次数值大小，将所有区间的

组成成为一个矩阵，即形成过程记忆矩阵D，表示如下：

4.根据权利要求3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：所述步骤三中，应用非线性估计方法，将X_obs作为观测向量，设x_n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X_obs(k)带入式(3)，计算得到IGBT温度的预测值x_est(k)；

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＝x_n-x_est (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。

6.根据权利要求5所述的风电变流器IGBT功率模块健康状态异常识别方法，其确定特征在于：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、…、ε_t}，计算残差时间序列数据的均值μ和标准差σ，过程为：

均值μ的计算公式如下：

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。

Images