CN114791550A - 一种拆装便捷式的太阳能设备用自检系统 - Google Patents
一种拆装便捷式的太阳能设备用自检系统 Download PDFInfo
- Publication number
- CN114791550A CN114791550A CN202210475521.7A CN202210475521A CN114791550A CN 114791550 A CN114791550 A CN 114791550A CN 202210475521 A CN202210475521 A CN 202210475521A CN 114791550 A CN114791550 A CN 114791550A
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- data
- inverter
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 6
- 238000002372 labelling Methods 0.000 claims 1
- 239000000306 component Substances 0.000 description 10
- 238000010248 power generation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000087 stabilizing effect 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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2607—Circuits therefor
- G01R31/2608—Circuits therefor for testing bipolar transistors
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Inverter Devices (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种拆装便捷式的太阳能设备用自检系统,包括逆变器故障数据模块、第一故障检测诊断模块和第二故障检测诊断模块,所述逆变器故障数据模块与第一故障检测诊断模块、第二故障检测诊断模块电连接,所述逆变器故障数据模块用于利用逆变器仿真模型搭建模拟逆变器发生开路故障,并采集故障状态下的数据段和数据集,所述第一故障检测诊断模块用于通过经验模态分解方法分解采集的故障数据,提取反映逆变器故障的类型、程度和位置的故障特征信息量,进行信号处理后使用分类器算法实现故障诊断,所述第二故障检测诊断模块用于利用多标签分类方法对逆变器中发生故障的IGBT进行定位,本发明,具有光伏逆变器故障自检测的特点。
Description
技术领域
本发明涉及太阳能光伏逆变器故障检测技术领域,具体为一种拆装便捷式的太阳能设备用自检系统。
背景技术
光伏发电作为新能源发电的重要部分,有着资源易获取、低污染和便捷拆卸安装的特点,大力发展光伏发电不仅能提升经济型,还对生态环境的保护有着重大意义,光伏发电系统的运行过程是太阳能电池模块阵列将太阳能转换输出的电能,经过直流汇流箱集中送入直流配电柜,由并网逆变器逆变为交流电,最后集成到能源互联网。
其中并网逆变器中的绝缘栅双极型晶体管(IGBT)是光伏逆变器的核心组件,其开路故障将影响光伏发电系统的稳定运行,逆变器的故障可以分为两类:IGBT短路故障和IGBT开路故障,IGBT短路因时间短暂可以在电路上直接进行处理,目前已经有相当成熟的解决方法,但当一个或两个IGBT发生开路时,导致其不能正常导通,当电路中一个开关断开的情况下,会出现单管故障,当电路中两个开关断开情况下,会出现两管故障,而两管故障又分三种情况:同一相的两个功率管开路故障,同一半桥的两个功率管开路故障以及交叉的两个功率管开路故障,如果把正常情况归为一类,则IGBT开路故障的类型达到了22种,IGBT开路不仅会影响光伏逆变器的正常运行,而且会降低整个系统的发电效率,现实环境中外界因素也会对光伏逆变器的发电效率造成一定的影响,现有技术在一些条件下无法准确地获取系统中的故障问题,因此,设计光伏逆变器故障自检测的一种拆装便捷式的太阳能设备用自检系统是很有必要的。
发明内容
本发明的目的在于提供一种拆装便捷式的太阳能设备用自检系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种拆装便捷式的太阳能设备用自检系统,包括逆变器故障数据模块、第一故障检测诊断模块和第二故障检测诊断模块,所述逆变器故障数据模块与第一故障检测诊断模块、第二故障检测诊断模块电连接;
所述逆变器故障数据模块用于利用逆变器仿真模型搭建模拟逆变器发生开路故障,并采集故障状态下的数据段和数据集;
所述第一故障检测诊断模块用于通过经验模态分解方法分解采集的故障数据,提取反映逆变器故障的类型、程度和位置的故障特征信息量,进行信号处理后使用分类器算法实现故障诊断;
所述第二故障检测诊断模块用于利用多标签分类方法对逆变器中发生故障的IGBT进行定位。
根据上述技术方案,所述一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述逆变器故障数据模块包括开路故障状态模块、故障数据段采集模块、数据集汇合模块和电流变化图绘制模块,所述开路故障状态模块与故障数据段采集模块电连接,所述数据集汇合模块与电流变化图绘制模块电连接;
所述开路故障状态模块用于在逆变器仿真模型中利用开关是否闭合来模拟光伏逆变系统的IGBT开路故障状态;
所述故障数据段采集模块用于利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据;
所述数据集汇合模块用于将收集的数据段整体汇合成包含所有故障数据的数据集;
所述电流变化图绘制模块用于利用Scope窗口绘制直流侧的电流变化图。
根据上述技术方案,所述一种拆装便捷式的太阳能设备用自检系统的逆变器故障数据模块的分析运行方法包括以下步骤:
步骤A1:搭建光伏逆变器的仿真模型,利用开关是否闭合模拟光伏逆变系统的IGBT开路故障;
步骤A2:光伏逆变器每个IGBT的位置连接一个开关,形成6个开关,每个IGBT接收调制电路发出的驱动信号;
步骤A3:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,收集所有数据段再整体汇总成数据样本的故障数据集;
步骤A4:通过Scope窗口绘制直流侧的电流变化图。
根据上述技术方案,所述步骤A2中逆变器故障发生电路由时钟模块和双工位开关模块组成,时钟模块模拟故障发生的时刻,当仿真运行时间到达设定时刻时,双工位开关变位,IGB驱动电路被阻断,接收不到触发脉冲信号,相当于IGBT开路,从而可模拟出各类开路故障,控制每个IGBT对应的开关,然后再利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据,收集所有的数据段,最后整体汇总成故障样本的数据集。
根据上述技术方案,所述第一故障检测诊断模块包括经验模式分解模块、构建二维特征图模块、特征提取模块和故障检测诊断模块,所述经验模式分解模块与构建二维特征图模块电连接,所述特征提取模块与故障检测诊断模块电连接;
所述经验模式分解模块用于使用经验模式分解方法对获取的逆变器故障数据进行分解处理;
所述构建二维特征图模块用于将分解后的数据自适应提取多个内涵模态分量和原始数据序列,以此构成二维特征图;
所述特征提取模块用于利用卷积神经网络针对分解后的IMF分量包含的原始信号不同时间尺度的局部特征信号进行特征提取;
所述故障检测诊断模块用于利用经验模式分解与卷积神经网络模型对故障特征数据样本进行故障识别和诊断;
所述特征提取模块包括底层电流数据输入模块和故障数据分类模块,所述底层电流数据输入模块与故障数据分类模块电连接;
所述底层电流数据输入模块用于将每一种故障下的电流数据经过经验模式分解处理后作为数据样本输入故障诊断模型,所述故障数据分类模块用于将总的故障数据集分为训练集和测试集。
根据上述技术方案,所述一种拆装便捷式的太阳能设备用自检系统的第一故障检测诊断模块运行方法包括以下步骤:
步骤B1:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,作为原始故障分解数据;
步骤B2:设置IMF的个数,对电流信号进行经验模式分解,得到各开路故障下的IMF分量;
步骤B3:组合IMF和原始故障数据,获取不同开路故障下的特征向量样本;
步骤B4;将总的数据集分为训练集和测试集,利用训练故障特征向量样本,训练经验模式分解与卷积神经网络的故障诊断模型;
步骤B5;把测试故障特征样本输入训练的经验模式分解与卷积神经网络中进行故障识别和诊断,并输出故障诊断结果。
根据上述技术方案,所述步骤B3进一步包括以下步骤:
步骤B31:每一种故障下的电流数据经过经验模式分解处理后,会得到多个IMF和一个残差项res,每一种故障数据的序列长度固定;
步骤B32:对样本数据采用分段分割,根据采样周期和相电流频率,长的一维时间序列数据被分割成若干个等长度的短一维时间序列数据段,将短的一维时间序列数据段作为一个故障样本;
步骤B33:采用滑动窗口重叠采样方法对数据进行预处理,获得更多的故障样本用于神经网络模型的训练和测试。
根据上述技术方案,所述第二故障检测诊断模块包括多标签分类模块、故障定位模块和故障相关性模块,所述多标签分类模块与故障定位模块、故障相关性模块电连接;
所述多标签分类模块利用多标签分类方法进行多标签故障诊断;所述故障定位模块用于通过多标签分类中常用的评价指标来反映基于多标签的故障诊断模型的性能,直接地对发生故障的IGBT进行定位,所述故障相关性模块用于通过多标签分类定位结果得到故障数据间的相关性。
根据上述技术方案,所述一种拆装便捷式的太阳能设备用自检系统的第二故障检测诊断模块分析运行方法包括以下步骤:
步骤C1:将故障数据顺序排序,进行多标签标注;
步骤C2:将发生开路故障的IGBT标注为1,未发生开路故障的IGBT标注为0;
步骤C3:基于多标签的故障诊断模型结构及参数设置,通过多标签分类中常用的评价指标反映基于多标签的故障诊断模型的性能。
根据上述技术方案,所述步骤C2中,在神经网络模型的输出层输出的数量更少,只需要输出设定的预测值,然后分别将预测数值与神经网络中提前设定好的根据经验选择的设为1的实验阈值进行比较,比阈值大的预测值转换为1,反之则置换为0,最后的神经网络的输出是0与1组成的一维向量,根据输出的0和1所在的顺序,即可获得IGBT开路的编号即发生开路故障的位置,因此,将多标签分类应用于光伏逆变器的开路故障诊断,进一步简单清晰地对光伏逆变器的开路故障进行分类和准确定位。
与现有技术相比,本发明所达到的有益效果是:本发明,通过设置有逆变器故障数据模块、第一故障检测诊断模块和第二故障检测诊断模块,针对光伏逆变器的IGBT开路问题,通过仿真模型模拟不同类型的故障进行数据段的采集,由于光伏逆变器的直流侧电流曲线是非线性、非平稳数据,它受许多因素的影响,例如温度、光照强度、以及一些其他随机因素,因此采用经验模式分解方法,其能够从单个信号中提取多尺度特征,更加适用于非线性非平稳信号的分析处理,最后再采用主要应用于文本分类和图片标注领域的多标签分类方法,进行逆变器故障的定位和诊断。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的系统模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种拆装便捷式的太阳能设备用自检系统,包括逆变器故障数据模块、第一故障检测诊断模块和第二故障检测诊断模块,逆变器故障数据模块与第一故障检测诊断模块、第二故障检测诊断模块电连接;
逆变器故障数据模块用于利用逆变器仿真模型搭建模拟逆变器发生开路故障,并采集故障状态下的数据段和数据集;
第一故障检测诊断模块用于通过经验模态分解方法分解采集的故障数据,提取反映逆变器故障的类型、程度和位置的故障特征信息量,进行信号处理后使用分类器算法实现故障诊断;
第二故障检测诊断模块用于利用多标签分类方法对逆变器中发生故障的IGBT进行定位,针对光伏逆变器的IGBT开路问题,通过仿真模型模拟不同类型的故障进行数据段的采集,由于光伏逆变器的直流侧电流曲线是非线性、非平稳数据,它受许多因素的影响,例如温度、光照强度、以及一些其他随机因素,因此采用经验模式分解方法,其能够从单个信号中提取多尺度特征,更加适用于非线性非平稳信号的分析处理,最后再采用主要应用于文本分类和图片标注领域的多标签分类方法,进行逆变器故障的定位和诊断。
一种拆装便捷式的太阳能设备用自检系统,逆变器故障数据模块包括开路故障状态模块、故障数据段采集模块、数据集汇合模块和电流变化图绘制模块,开路故障状态模块与故障数据段采集模块电连接,数据集汇合模块与电流变化图绘制模块电连接;
开路故障状态模块用于在逆变器仿真模型中利用开关是否闭合来模拟光伏逆变系统的IGBT开路故障状态;
故障数据段采集模块用于利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据;
数据集汇合模块用于将收集的数据段整体汇合成包含所有故障数据的数据集;
电流变化图绘制模块用于利用Scope窗口绘制直流侧的电流变化图,IGBT从功能上讲是电路开关,由没有机械按钮的计算机控制,计算机控制IGBT(绝缘栅双极型晶体管)将电源侧的交流电源转换为直流电源,或将各种电源转换为所需频率的交流电源,然后将其用于负载,光伏发电系统正常工作时,电路中直流侧电流的幅度变化比较小,当光伏发电系统中出现单个IGBT或者两个IGBT开路时,直流侧电流的变化幅度较大,且曲线也不相同。
一种拆装便捷式的太阳能设备用自检系统的逆变器故障数据模块的分析运行方法包括以下步骤:
步骤A1:搭建光伏逆变器的仿真模型,利用开关是否闭合模拟光伏逆变系统的IGBT开路故障;
步骤A2:光伏逆变器每个IGBT的位置连接一个开关,形成6个开关,每个IGBT接收调制电路发出的驱动信号;
步骤A3:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,收集所有数据段再整体汇总成数据样本的故障数据集;
步骤A4:通过Scope窗口绘制直流侧的电流变化图,当光伏发电系统正常工作时,电路中直流侧电流的幅度变化比较小,当光伏发电系统中出现单个IGBT或者两个IGBT开路时,直流侧电流的变化幅度较大,曲线均不相同,当电路正常运行时,三相电流和对应的电压是同相位变化的,系统具有电压反馈控制功能,系统中的三相电压周期性变化,当电路中存在两个IGBT开路故障且是交叉两个桥臂的IGBT开路时,三相电流均受到影响,产生的电流电压相位变化明显。
步骤A2中逆变器故障发生电路由时钟模块和双工位开关模块组成,时钟模块模拟故障发生的时刻,当仿真运行时间到达设定时刻时,双工位开关变位,IGB驱动电路被阻断,接收不到触发脉冲信号,相当于IGBT开路,从而可模拟出各类开路故障,控制每个IGBT对应的开关,然后再利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据,收集所有的数据段,最后整体汇总成故障样本的数据集。
第一故障检测诊断模块包括经验模式分解模块、构建二维特征图模块、特征提取模块和故障检测诊断模块,经验模式分解模块与构建二维特征图模块电连接,特征提取模块与故障检测诊断模块电连接;
经验模式分解模块用于使用经验模式分解方法对获取的逆变器故障数据进行分解处理;
构建二维特征图模块用于将分解后的数据自适应提取多个内涵模态分量和原始数据序列,以此构成二维特征图;
特征提取模块用于利用卷积神经网络针对分解后的IMF分量包含的原始信号不同时间尺度的局部特征信号进行特征提取;
故障检测诊断模块用于利用经验模式分解与卷积神经网络模型对故障特征数据样本进行故障识别和诊断
特征提取模块包括底层电流数据输入模块和故障数据分类模块,底层电流数据输入模块与故障数据分类模块电连接;
底层电流数据输入模块用于将每一种故障下的电流数据经过经验模式分解处理后作为数据样本输入故障诊断模型,故障数据分类模块用于将总的故障数据集分为训练集和测试集。
一种拆装便捷式的太阳能设备用自检系统的第一故障检测诊断模块运行方法包括以下步骤:
步骤B1:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,作为原始故障分解数据;
步骤B2:设置IMF的个数,对电流信号进行经验模式分解,得到各开路故障下的IMF分量,IMF为:利用经验模式分解方法将复杂的电流信号分解为有限数量的本征函数即内涵模态分量,经验模式分解是一种新型自适应信号时频处理方法,经验模式分解能平稳化处理非平稳数据,然后进行希尔伯特变换获得时频谱图,得到有物理意义的频率,通过将复杂信号分解为有限数量的本征函数IMF和残差项res的总和,分解后的IMF分量包含原始信号不同时间尺度的局部特征信号;
步骤B3:组合IMF和原始故障数据,获取不同开路故障下的特征向量样本;
步骤B4;将总的数据集分为训练集和测试集,利用训练故障特征向量样本,训练经验模式分解与卷积神经网络的故障诊断模型;
步骤B5;把测试故障特征样本输入训练的经验模式分解与卷积神经网络中进行故障识别和诊断,并输出故障诊断结果。
步骤B3进一步包括以下步骤:
步骤B31:每一种故障下的电流数据经过经验模式分解处理后,会得到多个IMF和一个残差项res,每一种故障数据的序列长度固定,经验模式分解中,任何信号都可以拆分成若干个内涵模态分量之和而内涵模态分量有两个约束条件:在整个数据段内,极值点的个数和过零点的个数必须相等或相差最多不能超过一个,在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称;
步骤B32:对样本数据采用分段分割,根据采样周期和相电流频率,长的一维时间序列数据被分割成若干个等长度的短一维时间序列数据段,将短的一维时间序列数据段作为一个故障样本,每个故障样本数据序列长度设定为固定值,但它仍然是一个长的一维时间序列数据,如果把这个长的一维时间序列数据一次性输入网络模型中,会带来很大的计算复杂度,因此进行转换为短的一维时间序列;
步骤B33:采用滑动窗口重叠采样方法对数据进行预处理,获得更多的故障样本用于神经网络模型的训练和测试。
第二故障检测诊断模块包括多标签分类模块、故障定位模块和故障相关性模块,多标签分类模块与故障定位模块、故障相关性模块电连接;
多标签分类模块利用多标签分类方法进行多标签故障诊断;故障定位模块用于通过多标签分类中常用的评价指标来反映基于多标签的故障诊断模型的性能,直接地对发生故障的IGBT进行定位,故障相关性模块用于通过多标签分类定位结果得到故障数据间的相关性。
一种拆装便捷式的太阳能设备用自检系统的第二故障检测诊断模块分析运行方法包括以下步骤:
步骤C1:将故障数据顺序排序,进行多标签标注;
步骤C2:将发生开路故障的IGBT标注为1,未发生开路故障的IGBT标注为0;
步骤C3:基于多标签的故障诊断模型结构及参数设置,通过多标签分类中常用的评价指标反映基于多标签的故障诊断模型的性能。
步骤C2中,在神经网络模型的输出层输出的数量更少,只需要输出设定的预测值,然后分别将预测数值与神经网络中提前设定好的根据经验选择的设为1的实验阈值进行比较,比阈值大的预测值转换为1,反之则置换为0,最后的神经网络的输出是0与1组成的一维向量,根据输出的0和1所在的顺序,即可获得IGBT开路的编号即发生开路故障的位置,因此,将多标签分类应用于光伏逆变器的开路故障诊断,进一步简单清晰地对光伏逆变器的开路故障进行分类和准确定位。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述一种拆装便捷式的太阳能设备用自检系统包括逆变器故障数据模块、第一故障检测诊断模块和第二故障检测诊断模块,所述逆变器故障数据模块与第一故障检测诊断模块、第二故障检测诊断模块电连接;
所述逆变器故障数据模块用于利用逆变器仿真模型搭建模拟逆变器发生开路故障,并采集故障状态下的数据段和数据集;
所述第一故障检测诊断模块用于通过经验模态分解方法分解采集的故障数据,提取反映逆变器故障的类型、程度和位置的故障特征信息量,进行信号处理后使用分类器算法实现故障诊断;
所述第二故障检测诊断模块用于利用多标签分类方法对逆变器中发生故障的IGBT进行定位。
2.根据权利要求1所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述逆变器故障数据模块包括开路故障状态模块、故障数据段采集模块、数据集汇合模块和电流变化图绘制模块,所述开路故障状态模块与故障数据段采集模块电连接,所述数据集汇合模块与电流变化图绘制模块电连接;
所述开路故障状态模块用于在逆变器仿真模型中利用开关是否闭合来模拟光伏逆变系统的IGBT开路故障状态;
所述故障数据段采集模块用于利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据;
所述数据集汇合模块用于将收集的数据段整体汇合成包含所有故障数据的数据集;
所述电流变化图绘制模块用于利用Scope窗口绘制直流侧的电流变化图。
3.基于权利要求1-2所述的一种拆装便捷式的太阳能设备用自检系统的逆变器故障数据模块的分析运行方法包括以下步骤:
步骤A1:搭建光伏逆变器的仿真模型,利用开关是否闭合模拟光伏逆变系统的IGBT开路故障;
步骤A2:光伏逆变器每个IGBT的位置连接一个开关,形成6个开关,每个IGBT接收调制电路发出的驱动信号;
步骤A3:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,收集所有数据段再整体汇总成数据样本的故障数据集;
步骤A4:通过Scope窗口绘制直流侧的电流变化图。
4.根据权利要求3所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述步骤A2中逆变器故障发生电路由时钟模块和双工位开关模块组成,时钟模块模拟故障发生的时刻,当仿真运行时间到达设定时刻时,双工位开关变位,IGB驱动电路被阻断,接收不到触发脉冲信号,相当于IGBT开路,从而可模拟出各类开路故障,控制每个IGBT对应的开关,然后再利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号即故障数据,收集所有的数据段,最后整体汇总成故障样本的数据集。
5.根据权利要求4所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述第一故障检测诊断模块包括经验模式分解模块、构建二维特征图模块、特征提取模块和故障检测诊断模块,所述经验模式分解模块与构建二维特征图模块电连接,所述特征提取模块与故障检测诊断模块电连接;
所述经验模式分解模块用于使用经验模式分解方法对获取的逆变器故障数据进行分解处理;
所述构建二维特征图模块用于将分解后的数据自适应提取多个内涵模态分量和原始数据序列,以此构成二维特征图;
所述特征提取模块用于利用卷积神经网络针对分解后的IMF分量包含的原始信号不同时间尺度的局部特征信号进行特征提取;
所述故障检测诊断模块用于利用经验模式分解与卷积神经网络模型对故障特征数据样本进行故障识别和诊断;
所述特征提取模块包括底层电流数据输入模块和故障数据分类模块,所述底层电流数据输入模块与故障数据分类模块电连接;
所述底层电流数据输入模块用于将每一种故障下的电流数据经过经验模式分解处理后作为数据样本输入故障诊断模型,所述故障数据分类模块用于将总的故障数据集分为训练集和测试集。
6.根据权利要求5所述的一种拆装便捷式的太阳能设备用自检系统的第一故障检测诊断模块运行方法包括以下步骤:
步骤B1:利用传感器以数据段的形式,等时间采样每一种情况下的直流侧电流信号,作为原始故障分解数据;
步骤B2:设置IMF的个数,对电流信号进行经验模式分解,得到各开路故障下的IMF分量;
步骤B3:组合IMF和原始故障数据,获取不同开路故障下的特征向量样本;
步骤B4;将总的数据集分为训练集和测试集,利用训练故障特征向量样本,训练经验模式分解与卷积神经网络的故障诊断模型;
步骤B5;把测试故障特征样本输入训练的经验模式分解与卷积神经网络中进行故障识别和诊断,并输出故障诊断结果。
7.根据权利要求6所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述步骤B3进一步包括以下步骤:
步骤B31:每一种故障下的电流数据经过经验模式分解处理后,会得到多个IMF和一个残差项res,每一种故障数据的序列长度固定;
步骤B32:对样本数据采用分段分割,根据采样周期和相电流频率,长的一维时间序列数据被分割成若干个等长度的短一维时间序列数据段,将短的一维时间序列数据段作为一个故障样本;
步骤B33:采用滑动窗口重叠采样方法对数据进行预处理,获得更多的故障样本用于神经网络模型的训练和测试。
8.根据权利要求7所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述第二故障检测诊断模块包括多标签分类模块、故障定位模块和故障相关性模块,所述多标签分类模块与故障定位模块、故障相关性模块电连接;
所述多标签分类模块利用多标签分类方法进行多标签故障诊断;所述故障定位模块用于通过多标签分类中常用的评价指标来反映基于多标签的故障诊断模型的性能,直接地对发生故障的IGBT进行定位,所述故障相关性模块用于通过多标签分类定位结果得到故障数据间的相关性。
9.根据权利要求8所述的一种拆装便捷式的太阳能设备用自检系统的第二故障检测诊断模块分析运行方法包括以下步骤:
步骤C1:将故障数据顺序排序,进行多标签标注;
步骤C2:将发生开路故障的IGBT标注为1,未发生开路故障的IGBT标注为0;
步骤C3:基于多标签的故障诊断模型结构及参数设置,通过多标签分类中常用的评价指标反映基于多标签的故障诊断模型的性能。
10.根据权利要求9所述的一种拆装便捷式的太阳能设备用自检系统,其特征在于:所述步骤C2中,在神经网络模型的输出层输出的数量更少,只需要输出设定的预测值,然后分别将预测数值与神经网络中提前设定好的根据经验选择的设为1的实验阈值进行比较,比阈值大的预测值转换为1,反之则置换为0,最后的神经网络的输出是0与1组成的一维向量,根据输出的0和1所在的顺序,即可获得IGBT开路的编号即发生开路故障的位置,因此,将多标签分类应用于光伏逆变器的开路故障诊断,进一步简单清晰地对光伏逆变器的开路故障进行分类和准确定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210475521.7A CN114791550A (zh) | 2022-04-29 | 2022-04-29 | 一种拆装便捷式的太阳能设备用自检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210475521.7A CN114791550A (zh) | 2022-04-29 | 2022-04-29 | 一种拆装便捷式的太阳能设备用自检系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114791550A true CN114791550A (zh) | 2022-07-26 |
Family
ID=82461860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210475521.7A Pending CN114791550A (zh) | 2022-04-29 | 2022-04-29 | 一种拆装便捷式的太阳能设备用自检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114791550A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520111A (zh) * | 2023-07-03 | 2023-08-01 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器的电弧故障检测方法及检测系统 |
-
2022
- 2022-04-29 CN CN202210475521.7A patent/CN114791550A/zh active Pending
Non-Patent Citations (1)
Title |
---|
孟献蒙: "《基于深度学习的光伏逆变器故障诊断方法研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520111A (zh) * | 2023-07-03 | 2023-08-01 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器的电弧故障检测方法及检测系统 |
CN116520111B (zh) * | 2023-07-03 | 2023-08-25 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器的电弧故障检测方法及检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210135625A1 (en) | Photovoltaic array fault diagnosis method based on composite information | |
Lu et al. | DA-DCGAN: An effective methodology for DC series arc fault diagnosis in photovoltaic systems | |
Veerasamy et al. | LSTM recurrent neural network classifier for high impedance fault detection in solar PV integrated power system | |
NL2020015B1 (en) | Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM | |
Wang et al. | Fault diagnosis method based on FFT-RPCA-SVM for cascaded-multilevel inverter | |
Kou et al. | Fault diagnosis for open‐circuit faults in NPC inverter based on knowledge‐driven and data‐driven approaches | |
Ezzat et al. | Microgrids islanding detection using Fourier transform and machine learning algorithm | |
Manohar et al. | Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults | |
CN106093678B (zh) | 一种快速准确诊断柔性直流输电系统换流器故障的方法 | |
Kundacina et al. | State estimation in electric power systems leveraging graph neural networks | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
CN114791550A (zh) | 一种拆装便捷式的太阳能设备用自检系统 | |
Yılmaz et al. | Automated classification of power quality disturbances in a SOFC&PV-based distributed generator using a hybrid machine learning method with high noise immunity | |
CN110068776A (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
Patra et al. | Power quality improvement in grid-connected photovoltaic–fuel cell based hybrid system using robust maximum power point tracking controller | |
Tikariha et al. | Fault classification in an ieee 30 bus system using convolutional neural network | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
An et al. | A data-driven method for IGBT open-circuit fault diagnosis for the modular multilevel converter based on a modified Elman neural network | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
Althi et al. | A random forest based communication-less approach for protection scheme of six-phase transmission line against shunt, series, evolving and cross-country faults | |
CN114355275A (zh) | 电能表负荷监测方法、系统、装置及计算机可读存储介质 | |
Xing et al. | An open-circuit fault detection and location strategy for MMC with feature extraction and random forest | |
Liu et al. | Identification and location of voltage sag sources based on multi-label random forest | |
Das et al. | String fault detection in solar photo voltaic arrays | |
Ke et al. | Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion |
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 |