CN116662763B - 一种用于变频器温升测试的数据处理方法和系统 - Google Patents

一种用于变频器温升测试的数据处理方法和系统 Download PDF

Info

Publication number
CN116662763B
CN116662763B CN202310913094.0A CN202310913094A CN116662763B CN 116662763 B CN116662763 B CN 116662763B CN 202310913094 A CN202310913094 A CN 202310913094A CN 116662763 B CN116662763 B CN 116662763B
Authority
CN
China
Prior art keywords
temperature rise
frequency converter
data set
test
rise test
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
Application number
CN202310913094.0A
Other languages
English (en)
Other versions
CN116662763A (zh
Inventor
黄小光
李志刚
苏位峰
宇文博
卫三民
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.)
Huaxia Tianxin Intelligent Internet Of Things Co ltd
Original Assignee
Huaxia Tianxin Intelligent Internet Of Things Co ltd
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 Huaxia Tianxin Intelligent Internet Of Things Co ltd filed Critical Huaxia Tianxin Intelligent Internet Of Things Co ltd
Priority to CN202310913094.0A priority Critical patent/CN116662763B/zh
Publication of CN116662763A publication Critical patent/CN116662763A/zh
Application granted granted Critical
Publication of CN116662763B publication Critical patent/CN116662763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R31/003—Environmental or reliability tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing

Abstract

本申请涉及数据处理技术领域，提供一种用于变频器温升测试的数据处理方法和系统。所述方法包括：搭建温升试验测试系统，并确定变频器测温点位置信息，以此对目标变频器进行仿真、实际测试，获得变频器温升测试数据集，对其数据集进行分类整合，获得温升测试因素样本数据集；基于温升测试机制对温升测试因素样本数据集进行处理，获得最高温升数据集，利用深度学习网络结构对温升测试因素样本数据集和最高温升数据集进行训练，生成变频器温升自适应处理器，进而对变频器温升测试数据进行处理管控。采用本方法能够达到简化测试条件，降低测试电源功率需求，提高温升测试数据处理准确性和处理效率，进而提高变频器温升评估准确性的技术效果。

Description

一种用于变频器温升测试的数据处理方法和系统
技术领域
本申请涉及数据处理技术领域，特别是涉及一种用于变频器温升测试的数据处理方法和系统。
背景技术
温升试验是衡量变频器整体性能的一个重要因素，变频器的主要发热部位是整流及逆变部分。主流变频器的逆变模块一般采用IGBT模块，如果热量不能及时散掉，使得器件的结温Tj超过Tjmax，则IGBT可能损坏。一般要留余量，保证在最恶劣条件下IGBT结温Tj限定在器件允许的最高结温以下，但芯片内结温监测有难度，目前通常做法是都在散热器外表IGBT附近安装热敏电阻或温控开关，其理论保护值、温升值可以通过仿真计算得到。具体温升验证通常采用电阻和电抗器、对托实验机组等进行负载模拟。其中，前种方法存在不宜调节，功耗大等缺点；后者方法存在建造成本高周期长等缺点。
发明内容
基于此，有必要针对上述技术问题，提供一种能够简化测试条件，降低测试电源功率需求，提高温升测试数据处理准确性和处理效率，进而提高变频器温升评估准确性的一种用于变频器温升测试的数据处理方法和系统。
一种用于变频器温升测试的数据处理方法，所述方法包括：搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；根据所述温升试验测试系统，确定温升测试机制；基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控。
一种用于变频器温升测试的数据处理系统，所述系统包括：测温点位置确定模块，用于搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；仿真实际测试模块，用于通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；数据集分类整合模块，用于将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；温升测试机制确定模块，用于根据所述温升试验测试系统，确定温升测试机制；样本数据处理模块，用于基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；自适应处理器生成模块，用于利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；数据处理管控模块，用于基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控。
上述一种用于变频器温升测试的数据处理方法和系统，解决了现有技术温升测试成本高、准确性低的技术问题，达到了通过搭建温升试验测试系统进行变频器温升测试，简化测试条件，降低测试电源功率需求，提高温升测试数据处理准确性和处理效率，进而提高变频器温升评估准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种用于变频器温升测试的数据处理方法的流程示意图；
图2为一个实施例中一种用于变频器温升测试的数据处理方法中获得变频器温升测试数据集的流程示意图；
图3为一个实施例中一种用于变频器温升测试的数据处理系统的结构框图；
附图标记说明：测温点位置确定模块11，仿真实际测试模块12，数据集分类整合模块13，温升测试机制确定模块14，样本数据处理模块15，自适应处理器生成模块16，数据处理管控模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种用于变频器温升测试的数据处理方法，所述方法包括：
步骤S100：搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；
具体而言，温升试验是衡量变频器整体性能的一个重要因素，变频器的主要发热部位是整流及逆变部分。主流变频器的逆变模块一般采用IGBT模块，如果热量不能及时散掉，使得器件的结温Tj超过Tjmax，则IGBT可能损坏。因此一般要留余量，保证在最恶劣条件下IGBT结温Tj限定在器件允许的最高结温以下。
为利用相对较低成本实现变频器温升准确评估，搭建温升试验测试系统，所搭建温升试验测试系统包括电源、被测功率单元、控制器、电抗器、测功仪、热敏电阻、测温仪等。其中被测功率单元通过电源进行供电； 电抗器作为被测功率单元的负载；热敏电阻分布在被测模块每一个IGBT和二极管部位；控制器通过控制被测功率单元的IGBT导通占空比实现输出电压和电流调节，占空比可调，负载可调；测功仪分别测量被测单元输入输出功率；测温仪用于测量被测功率单元的IGBT和二极管的温度。通过控制器实现功率单元不同调制系数输出，并分别测试损耗和温升数据。根据所述温升试验测试系统确定变频器测温点位置信息，即确定被测功率单元的IGBT和二极管的温度测量点，保证变频器温升测试全面性和准确性。
步骤S200：通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；
在一个实施例中，如图2所示，所述获得变频器温升测试数据集，本申请步骤S200还包括：
步骤S210：根据实验精度需求，确定测试取样次数；
步骤S220：通过测试系统控制器按照所述测试取样次数调整所述目标变频器的输出电压，取样获得输出电流采样集合；
步骤S230：基于所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次仿真测试，获得仿真温升测试数据集；
步骤S240：通过所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次实际测试，获得实际温升测试数据集；
步骤S250：基于所述仿真温升测试数据集和所述实际温升测试数据集，确定所述变频器温升测试数据集。
具体而言，通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器依次进行仿真、实际测试。首先根据实验精度需求，确定测试取样次数，取样次数越多，实验计算精度越高，可根据具体实验情况调整，其最低采样次数不低于6个。通过测试系统控制器按照所述测试取样次数调整所述目标变频器的输出电压，即通过温升试验测试系统中的控制器调整变频器输出电压，取样获得输出电流采样集合，通过电压调整使得输出电流分别为额定值的0.1，0.2，0.3… 1，简化测试条件，降低测试电源功率需求。
基于所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次仿真测试，记录每次测量的损耗数据及温升数据，获得仿真温升测试数据集。同时通过所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次实际实验测试，记录每次测量的损耗数据及温升数据，获得实际温升测试数据集。基于所述仿真温升测试数据集和所述实际温升测试数据集，结合组成变频器温升测试数据集，保证数据采集全面性，进而提高后续数据处理准确性。
步骤S300：将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；
步骤S400：根据所述温升试验测试系统，确定温升测试机制；
具体而言，将所述变频器温升测试数据集进行分类整合，即按照温升测试数据类型进行数据集分类，将相同类型的测试数据划分为一类，以此获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集。根据所述温升试验测试系统，确定温升测试机制，所述温升测试机制为变频器温升测试数据的处理依据。
步骤S500：基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；
在一个实施例中，所述获得最高温升数据集，本申请步骤S500还包括：
步骤S510：获得所述温升测试机制，所述温升测试机制包括损耗修正系数计算机制、修正接触热阻计算机制和最高温升数据计算机制；
步骤S520：利用所述损耗修正系数计算机制对所述温升测试因素样本数据集进行计算，获得损耗修正系数集；
在一个实施例中，所述损耗修正系数计算机制具体为：
；
其中，标识损耗修正系数，N表征所述测试取样次数，/>表征第i次测试条件仿真损耗，/>表征第i次测试条件实际损耗。
步骤S530：通过修正接触热阻计算机制对所述温升测试因素样本数据集进行计算，获得散热器修正接触热阻集；
在一个实施例中，所述修正接触热阻计算机制具体为：
；
其中，标识散热器修正接触热阻，N表征所述测试取样次数，/>表征第i次计算的散热器接触热阻；
；
其中，表征第i次测量的温升差值，/>表征第i次测试条件实际损耗，/>表征器件结壳热阻，由厂家直接给出。
步骤S540：基于所述最高温升数据计算机制对所述损耗修正系数集和所述散热器修正接触热阻集进行计算，获得所述最高温升数据集。
在一个实施例中，所述最高温升数据计算机制具体为：
；
其中，标识最高温升数据，/>标识损耗修正系数，/>表征仿真最大损耗功率，/>标识散热器修正接触热阻，/>表征器件结壳热阻。
具体而言，基于所述温升测试机制对所述温升测试因素样本数据集进行处理，其中所述温升测试机制具体包括损耗修正系数计算机制、修正接触热阻计算机制和最高温升数据计算机制。首先利用所述损耗修正系数计算机制对所述温升测试因素样本数据集进行计算，所述损耗修正系数计算机制具体为：，其中，/>标识损耗修正系数，N表征所述测试取样次数，/>表征第i次测试条件仿真损耗，/>表征第i次测试条件实际损耗，依次对所述温升测试因素样本数据集进行计算获得相应的损耗修正系数集。
再通过修正接触热阻计算机制对所述温升测试因素样本数据集进行计算，所述修正接触热阻计算机制具体为：，其中，/>标识散热器修正后的接触热阻，N表征所述测试取样次数，/>表征第i次计算的散热器接触热阻，散热器接触热阻的具体计算公式为：/>，其中，/>表征第i次测量的仿真与实际测量温升差值，/>表征第i次测试条件实际损耗，/>表征器件结壳热阻，由厂家直接给出，通过不同调制比下实际温升和仿真温升差值计算获得散热器修正接触热阻集。最后基于所述最高温升数据计算机制对所述损耗修正系数集和所述散热器修正接触热阻集进行计算，所述最高温升数据计算机制具体为：/>，其中，/>最高温升数据，/>标识损耗修正系数，/>表征仿真最大损耗功率，/>标识散热器修正接触热阻，/>表征器件结壳热阻，计算获得待测额定功率的温升即最高温升数据集。通过温升测试机制智能化计算最高温升数据，提高温升测试数据处理准确性和处理效率，进而提高变频器温升评估准确性。
步骤S600：利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；
在一个实施例中，所述生成变频器温升自适应处理器，本申请步骤S600还包括：
步骤S610：通过深度学习网络结构对所述损耗数据集和所述最高温升数据集进行训练，获得温升损耗分支模型；
步骤S620：基于深度学习网络结构对所述温升数据集和所述最高温升数据集进行训练，生成温升处理分支模型；
步骤S630：基将所述温升损耗分支模型和所述温升处理分支模型进行均分融合，获得初始温升自适应处理器；
步骤S640：对所述初始温升自适应处理器进行验证、更新，迭代获得所述变频器温升自适应处理器。
具体而言，利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行模型训练。首先通过深度学习网络结构对所述损耗数据集和所述最高温升数据集进行训练，获得温升损耗分支模型，用于分析损耗数据和最高温升数据关联。基于深度学习网络结构对所述温升数据集和所述最高温升数据集进行训练，生成温升处理分支模型，用于分析温升测试数据和最高温升数据关联。为提升模型强分析性，将所述温升损耗分支模型和所述温升处理分支模型进行均分融合，即对于分支模型进行等分权重融合获得初始温升自适应处理器。同时对所述初始温升自适应处理器进行模型误差率验证，获得模型损失数据，进而更新迭代获得变频器温升自适应处理器，用于对温升测试数据进行高效评估处理。提高温升测试数据处理准确性和处理效率，进而提高变频器温升评估准确性，保证变频器安全运行。
步骤S700：基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控。
具体而言，基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控，即通过自适应模型对温升测试数据进行高效处理，智能化快速评估变频器温升，以便通过评估结果进行变频器散热优化处理。达到提高变频器温升评估准确性和评估效率，保证变频器安全运行的技术效果。
在一个实施例中，如图3所示，提供了一种用于变频器温升测试的数据处理系统，包括：测温点位置确定模块11，仿真实际测试模块12，数据集分类整合模块13，温升测试机制确定模块14，样本数据处理模块15，自适应处理器生成模块16，数据处理管控模块17，其中：
测温点位置确定模块11，用于搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；
仿真实际测试模块12，用于通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；
数据集分类整合模块13，用于将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；
温升测试机制确定模块14，用于根据所述温升试验测试系统，确定温升测试机制；
样本数据处理模块15，用于基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；
自适应处理器生成模块16，用于利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；
数据处理管控模块17，用于基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控。
在一个实施例中，所述系统还包括：
取样次数确定单元，用于根据实验精度需求，确定测试取样次数；
电流采样集合获得单元，用于通过测试系统控制器按照所述测试取样次数调整所述目标变频器的输出电压，取样获得输出电流采样集合；
仿真测试单元，用于基于所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次仿真测试，获得仿真温升测试数据集；
实际测试单元，用于通过所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次实际测试，获得实际温升测试数据集；
温升测试数据集确定单元，用于基于所述仿真温升测试数据集和所述实际温升测试数据集，确定所述变频器温升测试数据集。
在一个实施例中，所述系统还包括：
温升测试机制构成单元，用于获得所述温升测试机制，所述温升测试机制包括损耗修正系数计算机制、修正接触热阻计算机制和最高温升数据计算机制；
损耗修正计算单元，用于利用所述损耗修正系数计算机制对所述温升测试因素样本数据集进行计算，获得损耗修正系数集；
接触热阻计算单元，用于通过修正接触热阻计算机制对所述温升测试因素样本数据集进行计算，获得散热器修正接触热阻集；
最高温升数据集获得单元，用于基于所述最高温升数据计算机制对所述损耗修正系数集和所述散热器修正接触热阻集进行计算，获得所述最高温升数据集。
在一个实施例中，所述系统还包括：
损耗修正系数计算单元，用于，其中，/>标识损耗修正系数，N表征所述测试取样次数，/>表征第i次测试条件仿真损耗，/>表征第i次测试条件实际损耗。
在一个实施例中，所述系统还包括：
修正接触热阻计算单元，用于，其中，/>标识散热器修正接触热阻，N表征所述测试取样次数，/>表征第i次计算的散热器接触热阻；
散热器接触热阻计算单元，用于，其中，/>表征第i次测量的温升差值，/>表征第i次测试条件实际损耗，/>表征器件结壳热阻，由厂家直接给出。
在一个实施例中，所述系统还包括：
最高温升数据计算单元，用于，其中，/>标识最高温升数据，标识损耗修正系数，/>表征仿真最大损耗功率，/>标识散热器修正接触热阻，表征器件结壳热阻。
在一个实施例中，所述系统还包括：
温升损耗分支模型获得单元，用于通过深度学习网络结构对所述损耗数据集和所述最高温升数据集进行训练，获得温升损耗分支模型；
温升处理分支模型生成单元，用于基于深度学习网络结构对所述温升数据集和所述最高温升数据集进行训练，生成温升处理分支模型；
模型融合单元，用于将所述温升损耗分支模型和所述温升处理分支模型进行均分融合，获得初始温升自适应处理器；
模型验证更新单元，用于对所述初始温升自适应处理器进行验证、更新，迭代获得所述变频器温升自适应处理器。
关于一种用于变频器温升测试的数据处理系统的具体实施例可以参见上文中对于一种用于变频器温升测试的数据处理方法的实施例，在此不再赘述。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种用于变频器温升测试的数据处理方法，其特征在于，所述方法包括：
搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；
通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；
将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；
根据所述温升试验测试系统，确定温升测试机制；
基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；
利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；
基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控；
所述获得变频器温升测试数据集，包括：
根据实验精度需求，确定测试取样次数；
通过测试系统控制器按照所述测试取样次数调整所述目标变频器的输出电压，取样获得输出电流采样集合；
基于所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次仿真测试，获得仿真温升测试数据集；
通过所述输出电流采样集合和所述变频器测温点位置信息对所述目标变频器进行多次实际测试，获得实际温升测试数据集；
基于所述仿真温升测试数据集和所述实际温升测试数据集，确定所述变频器温升测试数据集；
所述获得最高温升数据集，包括：
获得所述温升测试机制，所述温升测试机制包括损耗修正系数计算机制、修正接触热阻计算机制和最高温升数据计算机制；
利用所述损耗修正系数计算机制对所述温升测试因素样本数据集进行计算，获得损耗修正系数集；
通过修正接触热阻计算机制对所述温升测试因素样本数据集进行计算，获得散热器修正接触热阻集；
基于所述最高温升数据计算机制对所述损耗修正系数集和所述散热器修正接触热阻集进行计算，获得所述最高温升数据集；
所述损耗修正系数计算机制具体为：
；
其中，标识损耗修正系数，N表征所述测试取样次数，/>表征第i次测试条件仿真损耗，/>表征第i次测试条件实际损耗；
所述修正接触热阻计算机制具体为：
；
其中，标识散热器修正接触热阻，N表征所述测试取样次数，/>表征第i次计算的散热器接触热阻；
；
其中，表征第i次测量的温升差值，/>表征第i次测试条件实际损耗，/>表征器件结壳热阻，由厂家直接给出；
所述最高温升数据计算机制具体为：
；
其中，标识最高温升数据，/>标识损耗修正系数，/>表征仿真最大损耗功率，/>标识散热器修正接触热阻，/>表征器件结壳热阻。
2.如权利要求1所述的方法，其特征在于，所述生成变频器温升自适应处理器，包括：
通过深度学习网络结构对所述损耗数据集和所述最高温升数据集进行训练，获得温升损耗分支模型；
基于深度学习网络结构对所述温升数据集和所述最高温升数据集进行训练，生成温升处理分支模型；
将所述温升损耗分支模型和所述温升处理分支模型进行均分融合，获得初始温升自适应处理器；
对所述初始温升自适应处理器进行验证、更新，迭代获得所述变频器温升自适应处理器。
3.一种用于变频器温升测试的数据处理系统，其特征在于，所述系统执行权利要求1至2任一项所述的方法，所述系统包括：
测温点位置确定模块，用于搭建温升试验测试系统，根据所述温升试验测试系统确定变频器测温点位置信息；
仿真实际测试模块，用于通过所述温升试验测试系统和所述变频器测温点位置信息对目标变频器进行仿真、实际测试，获得变频器温升测试数据集；
数据集分类整合模块，用于将所述变频器温升测试数据集进行分类整合，获得温升测试因素样本数据集，所述温升测试因素样本数据集包括损耗数据集和温升数据集；
温升测试机制确定模块，用于根据所述温升试验测试系统，确定温升测试机制；
样本数据处理模块，用于基于所述温升测试机制对所述温升测试因素样本数据集进行处理，获得最高温升数据集；
自适应处理器生成模块，用于利用深度学习网络结构对所述温升测试因素样本数据集包括损耗数据集和温升数据集以及所述最高温升数据集进行训练，生成变频器温升自适应处理器；
数据处理管控模块，用于基于所述变频器温升自适应处理器对变频器温升测试数据进行处理管控。
CN202310913094.0A 2023-07-25 2023-07-25 一种用于变频器温升测试的数据处理方法和系统 Active CN116662763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310913094.0A CN116662763B (zh) 2023-07-25 2023-07-25 一种用于变频器温升测试的数据处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310913094.0A CN116662763B (zh) 2023-07-25 2023-07-25 一种用于变频器温升测试的数据处理方法和系统

Publications (2)

Publication Number Publication Date
CN116662763A CN116662763A (zh) 2023-08-29
CN116662763B true CN116662763B (zh) 2023-10-20

Family

ID=87715572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310913094.0A Active CN116662763B (zh) 2023-07-25 2023-07-25 一种用于变频器温升测试的数据处理方法和系统

Country Status (1)

Country Link
CN (1) CN116662763B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010232325A (ja) * 2009-03-26 2010-10-14 Meidensha Corp 変圧器の温度上昇試験方法
CN106096116A (zh) * 2016-06-06 2016-11-09 中国电力科学研究院 一种用于为涂敷电力复合脂的端子板建立温升预测模型的方法及系统
CN109489220A (zh) * 2018-11-28 2019-03-19 奥克斯空调股份有限公司 变频空调功率器件的温升测试方法、装置、变频空调及计算机可读存储介质
CN112036077A (zh) * 2020-08-14 2020-12-04 天地（常州）自动化股份有限公司 无流量传感器的矿用隔爆水冷变频器过热保护方法
CN112580203A (zh) * 2020-12-16 2021-03-30 上海新时达电气股份有限公司 变频器电解电容温升预测方法、装置和存储介质
EP3846034A1 (en) * 2020-01-02 2021-07-07 Accenture Global Solutions Limited Systems and methods for automated testing using artificial intelligence techniques
WO2021174907A1 (zh) * 2020-03-03 2021-09-10 华中科技大学 一种基于神经网络的igbt结温预测方法
WO2022155785A1 (en) * 2021-01-19 2022-07-28 Abb Schweiz Ag Method and apparatus for training model for predicting temperature rise of heating element in switchgear
WO2022198687A1 (zh) * 2021-03-25 2022-09-29 苏州电器科学研究院股份有限公司 高压开关温升试验方法及系统
CN115906554A (zh) * 2022-09-30 2023-04-04 国网青海省电力公司电力科学研究院 基于有限元仿真的变压器温升试验准确度保障方法及系统
CN115952698A (zh) * 2023-03-14 2023-04-11 苏州时代华景新能源有限公司 一种锂电池储能箱热能管理优化方法及系统
CN116415686A (zh) * 2022-12-09 2023-07-11 武汉联影医疗科技有限公司 温升模型校准方法、装置、超声成像设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010232325A (ja) * 2009-03-26 2010-10-14 Meidensha Corp 変圧器の温度上昇試験方法
CN106096116A (zh) * 2016-06-06 2016-11-09 中国电力科学研究院 一种用于为涂敷电力复合脂的端子板建立温升预测模型的方法及系统
CN109489220A (zh) * 2018-11-28 2019-03-19 奥克斯空调股份有限公司 变频空调功率器件的温升测试方法、装置、变频空调及计算机可读存储介质
EP3846034A1 (en) * 2020-01-02 2021-07-07 Accenture Global Solutions Limited Systems and methods for automated testing using artificial intelligence techniques
WO2021174907A1 (zh) * 2020-03-03 2021-09-10 华中科技大学 一种基于神经网络的igbt结温预测方法
CN112036077A (zh) * 2020-08-14 2020-12-04 天地（常州）自动化股份有限公司 无流量传感器的矿用隔爆水冷变频器过热保护方法
CN112580203A (zh) * 2020-12-16 2021-03-30 上海新时达电气股份有限公司 变频器电解电容温升预测方法、装置和存储介质
WO2022155785A1 (en) * 2021-01-19 2022-07-28 Abb Schweiz Ag Method and apparatus for training model for predicting temperature rise of heating element in switchgear
WO2022198687A1 (zh) * 2021-03-25 2022-09-29 苏州电器科学研究院股份有限公司 高压开关温升试验方法及系统
CN115906554A (zh) * 2022-09-30 2023-04-04 国网青海省电力公司电力科学研究院 基于有限元仿真的变压器温升试验准确度保障方法及系统
CN116415686A (zh) * 2022-12-09 2023-07-11 武汉联影医疗科技有限公司 温升模型校准方法、装置、超声成像设备及存储介质
CN115952698A (zh) * 2023-03-14 2023-04-11 苏州时代华景新能源有限公司 一种锂电池储能箱热能管理优化方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
IGBT热模型的硬件在环实时仿真方法研究;高瑾等;《电机与控制应用》;第43卷(第01期);第22-28页 *
Prediction of Dynamic Temperature Rise of Thermocouple Sensors Based on Genetic Algorithm-Back Propagation Neural Network;Hanyu Wang et al.;《 IEEE Sensors Journal》;第22卷(第24期);第24121 - 24129页 *
Research on the instantaneous temperature rise prediction of continuous electromagnetic launch guide rail based on data-driven technology;Zeng Delin et al.;《2019 22nd International Conference on Electrical Machines and Systems (ICEMS)》;第1-7页 *
Transformer and Reactor Testing: Temperature Rise;Tom Breckenridge et al.;《Transformer and Reactor Procurement 》;第365–386页 *
Yifeng Zhu et al..Research of temperature rise on IGBT module and DC busbar for a single-phase PWM rectifier.《2012 15th International Conference on Electrical Machines and Systems (ICEMS)》.2013,第1-4页. *
Yueqiang Huang et al..A study of test system for thermal resistance of IGBT.《2010 Asia Pacific Conference on Postgraduate Research in Microelectronics and Electronics (PrimeAsia)》.2010,第1-4页. *
数控加工中心主轴温升测试系统设计与实验研究;史清华;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第08期);第B022-593页 *

Also Published As

Publication number Publication date
CN116662763A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
US11719760B2 (en) Probabilistic determination of transformer end of life
US10985694B2 (en) Method and apparatus for determining key performance photovoltaic characteristics using sensors from module-level power electronics
CN111693840A (zh) 一种利用反向特性测试肖特基二极管热阻的方法
CN115828699B (zh) 功率半导体模块全生命周期结温预测方法、系统及终端
CN106124078B (zh) 一种采用双热电偶测量强瞬变流体温度的方法
KR20210120059A (ko) 모의전지 구축 방법 및 모의전지 구축 장치
CN106124955B (zh) 液冷冷板热阻的瞬态电学测试方法
CN108896803B (zh) 基于温度补偿的电能表计量精度优化方法
CN111060798B (zh) 一种mos管自动功率老化测试系统及测试方法
CN110781611B (zh) 基于Lambert W函数的光伏组件温度实时计算方法
CN116662763B (zh) 一种用于变频器温升测试的数据处理方法和系统
Jauregui-Rivera et al. Improving reliability assessment of transformer thermal top-oil model parameters estimated from measured data
CN112182883A (zh) 基于自适应lm的光伏组件参数估计方法
CN116718921A (zh) 基于多模型的电池荷电状态预测方法及装置
JP7167415B2 (ja) 温度推定モデル決定方法および装置、温度推定モデルが適用されたバッテリ管理システム
CN113985337B (zh) 电阻式电流传感器的标定方法、装置、系统及校准方法
CN112649752B (zh) 一种降额曲线测量方法及其系统
CN112671336B (zh) 检测光伏组件工作温度异常的方法、装置和计算机设备
CN116203060A (zh) 一种变压器绕组材质检测装置有效性测试系统及方法
Huang et al. Predicting the Temperature of the Electrolytic Capacitor Based on Neural Network Algorithm
CN113435048B (zh) 半导体器件的寿命评估方法、装置及温度检测平台
TWI564689B (zh) 用以模擬近似太陽能電池之電源供應器及其方法
CN117288348B (zh) 一种母线槽测温方法及系统
CN115062262B (zh) 一种太阳能电池串联电阻估算方法
CN115343618B (zh) 一种新能源电机的测试设备及测试方法

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