CN115034131B - 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 - Google Patents
一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 Download PDFInfo
- Publication number
- CN115034131B CN115034131B CN202210562324.9A CN202210562324A CN115034131B CN 115034131 B CN115034131 B CN 115034131B CN 202210562324 A CN202210562324 A CN 202210562324A CN 115034131 B CN115034131 B CN 115034131B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- capacitor
- degradation
- dominant
- 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.)
- Active
Links
- 239000003990 capacitor Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000015556 catabolic process Effects 0.000 claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 11
- 238000005562 fading Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000002238 attenuated effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本发明涉及电容寿命预测方法，具体为一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法。本发明根据地面半实物仿真平台，建立一组高精度采样的电容，按1%精度衰退的充电电流和中间母线电压数据，通过数据处理，选择与容值衰退显性相关的显性特征参数，并建立相关特征参数的衰退矩阵。全新产品在低采样频率下取得的N次运行数据，产品存在制造偏差，获取的N组状态数据，代表了产品初始状态电容值的合理偏差。通过仿真数据对真实数据的矩阵叠加，快速形成N组电容在容值从100%衰减到75%的寿命特征下退化特征数据，供机器学习算法调用，快速建立一套全生命周期特征数据构建方案，实现一种在线电容基于容值衰退的状态识别方案。
Description
技术领域
本发明涉及电容寿命预测方法，具体为一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法。
背景技术
随着机器学习，人工智能等技术在PHM等领域的应用，如何根据全生命周期典型失效特征，根据小批量的试验数据或仿真数据，结合在线运行情况，快速形成PHM各阶段状态识别的标签数据，成为PHM实现研究的重要难点之一。薄膜电容作为变流装置内的关键功能部件、寿命器件和故障多发部件，其在线状态识别也被视为PHM重要研究对象。
现有技术方案是通过对典型器件的失效特征和失效应力进行研究，建立加速老化试验，膜电容其寿命预计公式为：
式中：L：工作负荷下(场强E)的使用寿命(h)；
L0：设计时(场强E0)的使用寿命(105h，是国际上通常惯例，多年经验数据)；
E0：设计时的电场强度(V/m)；
T0：设计时的温度；
Ths:工作负荷(电压)下的电容器温度(℃)；
C：阿雷尼厄斯(Arrhenius)系数(约等于13)。
可见电容的寿命与其应用温度和过电压相关，选择这两个参量建立加速老化模型，在温度70摄氏度、1.4倍额定电压下，建立加速试验，监测电容值的衰退。
现有方法为采用一定取样的加速老化试验，这种方式的缺点是试验周期长、费用高，而且形成的数据数量有限，根据国标规定的加速试验采样率，一般为10只样件，按照上述的应力，加速比例为1：200，完成试验需要上万个小时，试验费用巨大。
发明内容
本发明针对现有的电容寿命预测方法试验周期长、费用高的问题，提供了一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法。本发明根据地面半实物仿真平台，建立一组高精度采样(每秒12000个采样点)的电容，按1％精度衰退的充电电流和中间母线电压数据，通过数据处理，选择与容值衰退显性相关的显性特征参数，并建立相关特征参数的衰退矩阵。全新产品在低采样频率下取得的N次运行数据。产品存在制造偏差，获取的N组状态数据，代表了产品初始状态电容值的合理偏差。通过仿真数据对真实数据的矩阵叠加，快速形成N组电容在容值从100％衰减到75％的寿命特征下退化特征数据，供机器学习算法调用，快速建立一套全生命周期特征数据构建方案，实现一种在线电容基于容值衰退的状态识别方案。
本发明是采用如下的技术方案实现的：一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，包括以下步骤：
仿真数据取得：在半实物仿真平台，按照一定的精度进行电容容值衰退输入，在高采样精度下，建立容值衰退的一组电压或电流数据；
仿真数据特征选取：对取得的仿真数据进行电压或电流特征值运算，观察特征值随电容值衰退变化趋势，将过程中有统一变化趋势的特征值确定为显性特征参数；
频率调整衰退矩阵：针对实际运行的采样频率，将高采样仿真数据按实际采样时间进行处理，处理为一秒采样n次的数据，对仿真数据按照此规则进行数据处理，处理后计算相应显性特征参数，以容值100％的电容为0点，建立容值衰退的显性特征参数矩阵；
运行数据取得：结合真实产品在电容100％状态，在每秒n次的采样频率，运行N次，取得的N次运行数据；
特征计算：运行数据按照仿真数据选取的显性特征参数进行特征值计算，计算产品容值100％下的显性特征参数N组；
数据生成：将N组100％容值的显性特征参数，按照容值衰退趋势结合同采样频率的显性特征参数矩阵，计算N组容值衰退的显性特征参数；
模型训练：通过机器学习，将N组容值衰退的显性特征参数进行训练，实现容值生命周期状态在线识别模型的建立；
容值的在线状态识别：对实际测得的预充电参数(电压或电流)进行显性特征参数计算，调用模型，计算的显性特征参数输入模型后进行容值的识别，实现在线电容基于容值衰退的状态识别；
健康状态和剩余寿命评估：由识别的容值在电容值退化特征曲线上得到电容理论运行时间，理论运行时间和实际运行时间的比值作为加速因子，再由电容值退化特征曲线得出识别的容值衰退到电容下限值的剩余使用时间，剩余使用时间和加速因子的乘积为电容的剩余寿命。
上述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，显性特征参数包括平均值、均方根值、方差值、偏度、峰度、峰值。
上述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，仿真数据取得过程中，高采样精度指的是每秒12000次采样。
上述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，容值衰退是指从100％容值衰减至75％容值。
上述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，模型训练中采用SVM机器学习算法。
本发明方案，基于高采样率的地面仿真数据，快速根据实际产品的离散性，形成全寿命的标签数据，可供机器学习算法进行数据培训。该方法有效的节省了老化试验的巨大费用及时间，也解决了单纯的依靠仿真数据，数据量不足的问题，是一种快速、便捷的大量依据实际产品离散性标签数据构建方案。
附图说明
图1为电容的容值变化过程中电压、电流变化图。
图2为本发明方法流程图。
具体实施方式
在牵引传动系统，中间电容和二次滤波电容在线并联使用，随着电容的容值变化，在传统拓扑结构不增加传感器的基础上，在线数据最容易获取的相关参数是预充电阶段的充电电流值和母线电压。如图1所示，随着电容值变化，电压曲线的上升速率和充电电流的震荡幅度也会有变化。
一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，包括以下步骤：
仿真数据取得：在半实物仿真平台，按照1％的精度进行电容容值衰退输入，在每秒12000次采样精度下，建立容值从100％衰减至75％的一组电压或电流数据。这组仿真数据体现了特征参数随容值衰退的维度。
c100＝[x100.1,x100.2,…x100.12000]
c99＝[x99.1,x99.2,…x99.12000]
c75＝[x75.1,x75.2,…x75.12000]
这组仿真数据，体现了当电容值衰减过程中对系统特征参数的理想变化影响。
仿真数据特征选取：对取得的仿真数据进行数据特征值运算，观察特征值随电容值100％到75％变化趋势，将过程中有统一变化趋势的特征值确定为显性特征参数，显性特征参数包括平均值、均方根值、方差值、偏度、峰度、峰值。
表1电容值C75-C100仿真数据特征指标表
频率调整衰退矩阵：针对实际运行的采样频率，将高采样仿真数据按实际采样时间进行处理，处理为一秒n次的数据，分别对C100至C75仿真数据按照此规则进行数据处理，处理后计算相应显性特征参数。以容值100％的电容为0点，建立容值衰退的显性特征参数矩阵。
运行数据取得：结合真实产品在电容100％状态，在每秒n次的采样频率，运行N次，取得的N次运行数据，这些运行数据存在的细微偏差，代表了产品的制造离散性差异和运行环境如网压波动对数据的影响。
C100.1＝[x100.1,x100.2,…x100.n]
C100.2＝[x100.1,x100.2,…x100.n]
C100.N＝[x100.1,x100.2,…x100.n]
特征计算：按照仿真数据选取的显性特征参数进行特征值计算，计算产品容值100％下的显性特征参数N组。
数据生成：将N组100％容值的显性特征参数，按照容值衰退趋势结合同采样频率的显性特征参数矩阵，计算N组99％至75％容值的显性特征参数。
模型训练：通过机器学习，将N组容值100％到75％的显性特征参数进行训练，实现容值生命周期状态在线识别模型的建立。
容值的在线状态识别：对实际测得的预充电参数(电压或电流)进行显性特征参数计算，调用模型，计算的显性特征参数输入模型后进行容值的识别，实现在线电容基于容值衰退的状态识别。
健康状态和剩余寿命评估：由识别的容值在电容值退化特征曲线上得到电容理论运行时间，理论运行时间和实际运行时间的比值作为加速因子，再由电容值退化特征曲线得出识别的容值衰退到电容下限值的剩余使用时间，剩余使用时间和加速因子的乘积为电容的剩余寿命。
电容值退化特征曲线是根据前期产品老化试验数据和产品定期检修数据拟合的，电容值退化特征曲线符合GB/T9324-1996中曲线趋势。
具体实施例
技术方案通过Python语言实现，对预充电阶段电压、电流信号进行标准化处理，选择跟容值衰退有统一显性趋势的平均值、均方根值、方差值、偏度、峰度、峰值6项数据作为显性特征参数。
根据实际运行采样频率n值的数据，进行仿真数据降频处理，仿真降频后的数据计算显性特征参数，以电容值100％为0点，建立6项显性特征参数随电容值100％衰减到75％的衰退矩阵。
表2衰退矩阵
对实际运用的电容产品，N次的运行数据按照6项显性特征参数进行数据处理。
对N次计算结果分别按照衰退矩阵计算全生命周期的显性特征参数。
以6项显性特征参数为指标特征，以电容值为标签数据，通过对N组数据SVM机器学习算法进行学习，从而实现基于仿真数据和产品初始数据的电容生命周期状态识别。具体应用Python调用Sklearn和Joblib模块进行训练模型发布。
通过调用训练模型结果，对实际采集数据进行6项显性特征参数和训练模型比对，实现在线电容基于容值衰退的状态识别。
Claims (5)
1.一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，其特征在于包括以下步骤：
仿真数据取得：在半实物仿真平台，按照一定的精度进行电容容值衰退输入，在高采样精度下，建立容值衰退的一组电压或电流数据；
仿真数据特征选取：对取得的仿真数据进行电压或电流特征值运算，观察特征值随电容值衰退变化趋势，将过程中有统一变化趋势的特征值确定为显性特征参数；
频率调整衰退矩阵：针对实际运行的采样频率，将高采样仿真数据按实际采样时间进行处理，处理为一秒采样n次的数据，对仿真数据按照此规则进行数据处理，处理后计算相应显性特征参数，以容值100%的电容为0点，建立容值衰退的显性特征参数矩阵；
运行数据取得：结合真实产品在电容100%状态，在每秒n次的采样频率，运行N次，取得的N次运行数据；
特征计算：运行数据按照仿真数据选取的显性特征参数进行特征值计算，计算产品容值100%下的显性特征参数N组；
数据生成：将N组100%容值的显性特征参数，按照容值衰退趋势结合同采样频率的显性特征参数矩阵，计算N组容值衰退的显性特征参数；
模型训练：通过机器学习，将N组容值衰退的显性特征参数进行训练，实现容值生命周期状态在线识别模型的建立；
容值的在线状态识别：对实际测得的预充电参数进行显性特征参数计算，调用模型，计算的显性特征参数输入模型后进行容值的识别，实现在线电容基于容值衰退的状态识别；
健康状态和剩余寿命评估：由识别的容值在电容值退化特征曲线上得到电容理论运行时间，理论运行时间和实际运行时间的比值作为加速因子，再由电容值退化特征曲线得出识别的容值衰退到电容下限值的剩余使用时间，剩余使用时间和加速因子的乘积为电容的剩余寿命。
2.根据权利要求1所述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，其特征在于显性特征参数包括平均值、均方根值、方差值、偏度、峰度、峰值。
3.根据权利要求1或2所述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，其特征在于仿真数据取得过程中，高采样精度指的是每秒12000次采样。
4.根据权利要求1或2所述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，其特征在于容值衰退是指从100%容值衰减至75%容值。
5.根据权利要求1或2所述的一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法，其特征在于模型训练中采用SVM机器学习算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562324.9A CN115034131B (zh) | 2022-05-23 | 2022-05-23 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562324.9A CN115034131B (zh) | 2022-05-23 | 2022-05-23 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034131A CN115034131A (zh) | 2022-09-09 |
| CN115034131B true CN115034131B (zh) | 2024-04-19 |
Family
ID=83120690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210562324.9A Active CN115034131B (zh) | 2022-05-23 | 2022-05-23 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034131B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457789A (zh) * | 2019-07-25 | 2019-11-15 | 桂林电子科技大学 | 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112560892A (zh) * | 2020-11-09 | 2021-03-26 | 西安电子科技大学芜湖研究院 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
| WO2021103678A1 (zh) * | 2019-11-27 | 2021-06-03 | 南京埃斯顿自动化股份有限公司 | 一种电解电容寿命实时在线诊断及寿命预测的方法 |
-
2022
- 2022-05-23 CN CN202210562324.9A patent/CN115034131B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110457789A (zh) * | 2019-07-25 | 2019-11-15 | 桂林电子科技大学 | 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法 |
| WO2021103678A1 (zh) * | 2019-11-27 | 2021-06-03 | 南京埃斯顿自动化股份有限公司 | 一种电解电容寿命实时在线诊断及寿命预测的方法 |
| CN112560892A (zh) * | 2020-11-09 | 2021-03-26 | 西安电子科技大学芜湖研究院 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于隐半马尔可夫模型的补偿电容维修机制优化;孙浩洋;刘伯鸿;;空军工程大学学报(自然科学版);20200225(01);全文 * |
| 锂离子电池寿命预测仿真建模技术;温鹏;房红征;;计算机仿真;20180415(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034131A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106055888B (zh) | 基于误差预测修正的变压器顶层油温预测方法和装置 | |
| CN105302941B (zh) | 高压单芯电缆寿命评估方法及系统 | |
| Wang et al. | A novel energy management strategy for the ternary lithium batteries based on the dynamic equivalent circuit modeling and differential Kalman filtering under time-varying conditions | |
| CN106154164B (zh) | 一种电池健康状态评估方法 | |
| DE102017103617A1 (de) | Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems | |
| CN114818348B (zh) | 考虑多应力耦合作用对产品退化影响的可靠性评估方法 | |
| CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
| CN114252103B (zh) | 融合电站运行故障预测方法 | |
| CN116341796A (zh) | 能耗监测与评估系统及方法 | |
| CN112817291A (zh) | 基于混合特性评价和子空间分解的层次故障监测方法 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
| CN106405280A (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
| CN115034131B (zh) | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 | |
| CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
| CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
| CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
| CN117991731B (zh) | 一种基于数字孪生的智慧工厂管控方法及系统 | |
| CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| CN109375143A (zh) | 一种确定智能电能表剩余寿命的方法 | |
| CN112115575A (zh) | 一种设备润滑油状态评价系统和方法 | |
| CN114925510B (zh) | 一种带有自适应交互作用项的多应力加速模型构建方法 | |
| CN114626957B (zh) | 基于门控循环单元深度学习模型的电压暂降状态评估方法 | |
| CN111428344B (zh) | 一种高速公路机电设备退化分析模型的构建方法 | |
| CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |