CN116879636B - 一种LLC变换器输出侧DC-link电容在线监测系统与方法 - Google Patents
一种LLC变换器输出侧DC-link电容在线监测系统与方法 Download PDFInfo
- Publication number
- CN116879636B CN116879636B CN202311153827.1A CN202311153827A CN116879636B CN 116879636 B CN116879636 B CN 116879636B CN 202311153827 A CN202311153827 A CN 202311153827A CN 116879636 B CN116879636 B CN 116879636B
- Authority
- CN
- China
- Prior art keywords
- link capacitance
- llc converter
- data
- output
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 16
- 230000001052 transient effect Effects 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 29
- 239000003990 capacitor Substances 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000012536 storage buffer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2605—Measuring capacitance
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dc-Dc Converters (AREA)
Abstract
本发明提供了一种LLC变换器输出侧DC‑link电容在线监测系统和方法，该方法包括步骤S1，构建基于LSTM的DC‑link电容值估计模型，将其部署在FPGA器件上；步骤S2，数据采集电路采集负载变化瞬态时LLC变换器的输出电压和电流；步骤S3，数据处理模块将步骤S2采集得到的输出电压和电流数据序列进行AD转换、滤波、归一化处理，得到时序数据序向量后输入至FPGA的DC‑link电容值估计模型中，得到LLC变换器输出侧DC‑link电容估计值C。本发明可以在不中断运行和避免对纹波高频采样的前提下，对LLC变换器输出侧DC‑link电容进行在线状态监测。
Description
技术领域
本发明涉及直流变换器的电容监测技术领域，尤其指一种LLC变换器输出侧DC-link电容在线监测系统和方法。
背景技术
直流变流器中存在着大量DC-link电容，而电容器是现代电力电子系统运行中故障率最为突出的部件之一，面临着高温、高湿度等恶劣的运行环境，高功率密度和散热体积限制也加剧对于可靠性的挑战。若DC-link电容器发生老化或故障，则系统无法将抑制纹波电压，同时无法提供理想的功率解耦和掉电保护性能。具体在输出侧DC-link电容器发生故障，则无法保证输出的电压波形质量，纹波幅度大，那么变换器的高效可靠运行将会受到影响，因此精确实时的电容运行状态监测对于系统的可靠运行具有重要意义。
电容值是DC-link电容器的重要变量，其衰减过程表征着电容器的老化，通常以5％-10％的减少作为电容器的失效标准。目前电容监测的相关方法已经很多，根据原理可以主要分为基于周期小信号波纹、基于非周期大信号充放电曲线。对于基于小信号波纹的方法，由于稳态纹波频率高、幅值小，准确采集通常需要使用到高精度的采集板卡和高通滤波器，导致成本较高而不利于工业应用和推广，同时，变化的工况又要求重新建模，方法普适性差。对于信号注入类监测和评估方法，虽然相对易于实现，但侵入式监测影响了变换器的正常运行，且扰动信号可能会很容易地在变流器中造成额外的功率损失，另外引入大量数字滤波器增加了本地控制器的运算负担。相比之下，基于大信号充放电曲线的方法不需要复杂建模和高频采样，实施条件相对简单，但是通常在启停过程中进行监测，这限制了该方法难以应用在不停机条件下。
发明内容
本发明所要解决的技术问题是提供一种LLC变换器输出侧DC-link电容在线监测系统和方法，该方法可以在不中断运行和避免对纹波高频采样的前提下，对LLC变换器输出侧DC-link电容进行在线状态监测。
为了解决上述技术问题，本发明采用如下技术方法：一种LLC变换器输出侧DC-link电容在线监测系统，包括数据采集模块、数据处理模块和FPGA器件；
所述数据采集模块采集LLC变换器的输出电压、电流信号；
所述数据处理模块将负载变化瞬态时LLC谐振变换器的输出电压、电流进行AD转换、滤波、归一化处理后，再以LSTM的数据形式传输至FPGA器件中；
所述FPGA器件上部署有基于LSTM的DC-link电容值估计模型，该模型根据数据处理模块传送的数据估测LLC变换器输出侧的DC-link电容值，该模型的表达式为：
式中，ΔV0(t)为LLC变换器实时的输出电压与输出侧直流母线参考电压的差值；ΔI0(t)为谐振变换器实时的输出电流与稳态输出电流的差值；L为输出侧直流母线的端口等效电感；R为输出侧直流母线的端口等效电阻。
作为本发明的另一面，一种LLC变换器输出侧DC-link电容在线监测方法，该方法采用前述LLC变换器输出侧DC-link电容在线监测系统估测LLC变换器输出侧的DC-link电容值，该方法包括：
步骤S1，构建基于LSTM的DC-link电容值估计模型，将其部署在FPGA器件上；
步骤S2，数据采集电路采集负载变化瞬态时LLC变换器的输出电压和电流；
步骤S3，数据处理模块将步骤S2采集得到的输出电压和电流数据序列进行AD转换、滤波、归一化处理，得到时序数据序向量后输入至FPGA的DC-link电容值估计模型中，得到LLC变换器输出侧DC-link电容估计值C。
进一步的，该方法还包括步骤S4：根据环境温度的影响校正电容估计值，如下式：
式中，αM、βM、γM均为电容器的温度特性参数，对于具体种类型号的电容器，该三个温度特性参数能通过实验测得；Ta、Ta，min、Ta,max分别表示电容器的实际工作温度、最低工作温度、最高工作温度。
进一步的，所述步骤S1包括：
步骤S101，在PC机上通过通信或模型仿真得到不同工况下负载变化瞬态时LLC变换器输出电压、电流以及DC-link电容值的数据集；
步骤S102，将步骤S101得到的数据集进行AD转换、滤波、归一化，处理成时序数据序向量后送入至LSTM单元中，采用学习算法对所有时序数据进行训练，得到训练好的LSTM权重；再在PC机上用Verilog语言通过Quartus软件对LSTM算法进行设计，进而得到基于LSTM的DC-link电容值估计模型；
步骤S103，将步骤S102得到的基于LSTM的DC-link电容值估计模型部署至FPGA开发板上。
再进一步的，所述步骤S101中，PC机获取不同工况下负载变化瞬态时关于LLC变换器输出电压、电流的数据集的方法有两种：
其一、基于LLC变换器样机装置运行测试模拟不同工况下负载变化瞬态以采集真实的输出电压、电流数据，并将该数据传输给PC机；
其二、在PC机上根据已知LLC变换器样机装置设计参数搭建数字孪生模型仿真不同工况下负载变化瞬态获取模拟的输出电压、电流数据；
所述不同工况包括负载突增、负载突减、负载不同程度增减、不同初始电压水平、不同初始负载水平。
再进一步的，所述步骤S102中，在对LSTM算法进行设计时，采用Sigmoid函数和Tanh函数作为LSTM的激活函数。
更进一步的，所述步骤S3包括：
步骤S301，数据处理模块将步骤S2采集得到的一个时间窗内的输出电压和电流数据进行AD转换、滤波、归一化处理，合并为一列时序数据，输入至FPGA的DC-link电容值估计模型中，得到该时间窗所对应的DC-link电容估计值；
步骤S302，滑动至下一个时间窗，重复执行步骤S301的操作估计电容值，累计执行N次，得到DC-link电容值估计模型输出的N个DC-link电容估计值；
步骤S303，将N个DC-link电容估计值作均值求解，得到最终的DC-link电容估计值。
本发明提供的LLC变换器输出侧DC-link电容在线监测方法通过利用长短期记忆神经网络对负载变化瞬态下采集的输出电压、电流进行非线性模型的参数辨识，以估计输出侧DC-link电容值，既避免了监测过程中高频纹波信号采样，还可使LLC变换器在在线不停机的状态下实现监测。而本发明提供的LLC变换器输出侧DC-link电容在线监测系统，基于FPGA设计长短期记忆神经网络，选取Sigmoid函数和Tanh函数作为激活函数，利用了神经网络的非线性学习能力，将电容参数辨识的复杂计算部署至LLC变换器本地实现电容的在线监测，简单且监测的准确性高。
附图说明
图1为本发明所涉LLC变换器的拓扑图；
图2为本发明所涉LLC变换器输出侧DC-link电容在线监测方法的流程图；
图3为本发明所涉长短期记忆神经网络结构图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
本发明所涉LLC变换器包括开关网络、谐振腔、理想变压器、整流桥和负载，具体结构参照图1，图中，Rload为LLC变换器输出侧的负载电阻，为了监测LLC变换器输出侧的DC-link电容Cf(忽略等效串联电感的影响，DC-link电容Cf等效为纯电阻和纯电容串联组成)，本发明提供一种基于LSTM(长短期记忆神经网络)的LLC变换器输出侧DC-link电容在线监测系统和方法。
本发明采用LLC变换器输出侧DC-link电容在线监测系统估测LLC变换器输出侧的DC-link电容值，可以将LLC变换器的本地控制器作为该在线监测系统，而本地控制器中设有数据采集模块、数据处理模块和FPGA器件，其中，数据采集模块采集LLC变换器的输出电压、电流信号；数据处理模块将负载变化瞬态时LLC谐振变换器的输出电压、电流进行AD转换、滤波、归一化处理后，再以LSTM的数据形式传输至FPGA器件中，数据处理模块与FPGA器件的GPIO口连接，利用FPGA编写状态机控制数据处理模块的AD转换器采集实验数据，设定AD转换器的采样频率和连续采集数据量，并利用异步RAM实现采集数据缓存；FPGA器件上部署有基于LSTM的DC-link电容值估计模型，该模型根据数据处理模块传送的数据估测LLC变换器输出侧的DC-link电容值，该模型的表达式为：
式中，ΔV0(t)为LLC变换器实时的输出电压与输出侧直流母线参考电压的差值；ΔI0(t)为谐振变换器实时的输出电流与稳态输出电流的差值；L为输出侧直流母线的端口等效电感；R为输出侧直流母线的端口等效电阻。
基于前述DC-link电容值估计模型，本发明通过对输出电压电流信号进行参数辨识即可提取待检测输出侧直流母线电容的电容值，此处，值得一提的是，参数辨识的方法有两类，一是基于模型解析的传统参数辨识算法，如最小二乘法、增广最小二乘法、梯度逼近法、最大似然估计法，其弊端为局限于线性系统，单点搜索，依赖于初始点，容易陷入局限，二是启发式智能算法、神经网络这类参数辨识算法，他们的优势是多点搜索，非线性拟合能力强，适用于处理非线性系统。本发明具体选取长短期记忆神经网络进行参数辨识，即是将训练好的LSTM部署在LLC变换器的本地控制器中进行DC-link电容在线监测。当LLC变换器稳定带载运行时，输出电压保持不变，本地控制器不启动在线监测程序，而当LLC变换器能够接收到负载变化信号或者通过输出电流捕获到负载变换瞬态时，控制器启动在线监测程序，从以下步骤S2开始至步骤S4结束，基于LSTM进行在线估计，本发明提供的在线估计的方法具体如下。
如图2所示，一种LLC变换器输出侧DC-link电容在线监测方法，包括：
步骤S1，构建基于LSTM的DC-link电容值估计模型。
步骤S101，获取不同工况下负载变化瞬态时LLC变换器输出电压、电流运行数据以及DC-link电容值，获取方式有两种：
其一、基于LLC变换器样机装置运行测试模拟不同工况下负载变化瞬态以采集真实的输出电压、电流数据，并测量对应的DC-link电容值，然后将这些数据传输给PC机。具体测试可以模拟负载突增、负载突减、负载不同程度增减、不同初始电压水平、不同初始负载水平等多组工况，采集负载变化瞬态下的的输出电压、电流数据。
其二、在PC机上根据已知LLC变换器样机装置设计参数搭建数字孪生模型仿真不同工况下负载变化瞬态获取模拟的输出电压、电流数据，仿真中DC-link电容值预先设定。此类方法适用于真实运行数据较少或者较难获取的情况，在搭建仿真模型的基础上可以产生大量的训练数据集和数据节省神经网络的设计时间，模拟工况的设置与获取方式一中的描述相同。
步骤S102，先将步骤S101得到的数据集进行AD转换、滤波、归一化，处理成时序数据序向量后，再进行数据处理，包括异常数据清洗、电压电流数据归一化等，接着依照长短期记忆神经网络的数据形式送入至LSTM单元中，采用学习算法对所有时序数据进行训练，得到训练好的LSTM权重；最后在PC机上用Verilog语言通过Quartus软件对LSTM算法进行设计，进而得到基于LSTM的DC-link电容值估计模型。
具体的，在对LSTM算法进行设计时：
激活函数设计方面，选取Sigmoid函数和Tanh函数作为激活函数，其中Sigmoid函数是一种常见的非线性激活函数，其表达式如下式：
由于此种复指数函数运算在FPGA硬件上并不支持，因此采用分段线性函数拟合法在FPGA中设计激活函数，具体是将函数在定义域上分为多个子区间，各子区间使用线性函数表示，然后基于查表法完成激活函数为的硬件实现，具体是在定义域上各子区间预先保存接近值，进而节省去大量硬件计算时间。
门单元设计方面，门单元的作用是对输入数据通过和权重矩阵的乘加运算进行选择，在硬件中执行的主要步骤是向量乘法和激活函数。向量乘法通过两个MAC单元并行执行，该单元采用向量流和权重矩阵行流，MAC单元的输出向量相加，然后将输出结果进入激活函数模块。非线性的激活函数模块由分段后多区间上线性偏置函数构成，每区间由一个MAC单元和一个比较器实现。偏置函数一次项系数、常数项系数和区间范围的值存储在配置寄存器中。
步骤S103，将步骤S102得到的基于LSTM的DC-link电容值估计模型部署至FPGA开发板上。
步骤S2，采集负载变化瞬态时LLC变换器的输出电压和电流。
基于上述DC-link电容值估计模型，通过对输出电压电流信号进行参数辨识可以提取待检测输出侧直流母线电容的电容值，因此，数据采集电路采集负载变化瞬态时LLC变换器的输出电压和电流，数据采集电路包括电压传感器和电流传感器，其中，输出电压通过电压传感器采集，输出电流通过电流传感器采集。
步骤S3，获取DC-link电容估计值。
步骤S301，数据处理模块将步骤S2采集得到的一个时间窗内的输出电压和电流数据进行AD转换、滤波、归一化处理，合并为一列时序数据，输入至FPGA的DC-link电容值估计模型中，具体的，时序数据按照长短期记忆神经网络的数据形式输入至模型中，如图3所示，该模型包括输入层、LSTM层、全连接层、输出层，其中，LSTM层由n个LSTM单元组成，LSTM单元的激活函数为Sigmoid函数和Tanh函数，图3中x、h、m分别代表某时刻的输入信息、输出信息、记忆信息(记忆信息是神经单元在当前时刻计算出来的另外一个输出值，会在下一时刻用到)，时序数据进入LSTM层后将得到的输出向量传送至全连接层，全连接层将输出向量与LSTM权重进行向量乘和计算后得到该时间窗所对应的DC-link电容估计值，将该DC-link电容估计值从输出层输出并发送至本地控制器的存储缓存区中。
步骤S302，滑动至下一个时间窗，重复执行步骤S301的操作估计电容值，累计执行N次，直到连续时间窗内采集到的DC-link电容估计值在设定变化范围内停止估计程序。
步骤S303，将最终得到的存储缓存区的N个DC-link电容估计值作均值求解，得到最终的DC-link电容估计值。
步骤S4，DC-link电容估计值校正。
由于LLC变换器工作频率固定，因此不考虑开关频率变化的影响，仅考虑环境温度的影响，对DC-link电容估计值进行校正，如下式：
式中，αM、βM、γM均为电容器的温度特性参数，对于具体的电容器产品型号，该三个温度特性参数能通过实验测得；Ta、Ta，min、Ta,max分别表示电容器工作温度的实际值、最低值、最高值。
上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且为了清楚起见，本申请文件还省略了一些其他元素，本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。
Claims (7)
1.一种LLC变换器输出侧DC-link电容在线监测系统，其特征在于：包括数据采集模块、数据处理模块和FPGA器件；
所述数据采集模块采集LLC变换器的输出电压、电流信号；
所述数据处理模块将负载变化瞬态时LLC变换器的输出电压、电流进行AD转换、滤波、归一化处理后，再以LSTM的数据形式传输至FPGA器件中；
所述FPGA器件上部署有基于LSTM的DC-link电容值估计模型，该模型根据数据处理模块传送的数据估测LLC变换器输出侧的DC-link电容值，该模型的表达式为：
式中，ΔV0(t)为LLC变换器实时的输出电压与输出侧直流母线参考电压的差值；ΔI0(t)为谐振变换器实时的输出电流与稳态输出电流的差值；L为输出侧直流母线的端口等效电感；R为输出侧直流母线的端口等效电阻。
2.一种LLC变换器输出侧DC-link电容在线监测方法，其特征在于，采用权利要求1所述的LLC变换器输出侧DC-link电容在线监测系统估测LLC变换器输出侧的DC-link电容值，该方法包括：
步骤S1，构建基于LSTM的DC-link电容值估计模型，将其部署在FPGA器件上；
步骤S2，数据采集电路采集负载变化瞬态时LLC变换器的输出电压和电流；
步骤S3，数据处理模块将步骤S2采集得到的输出电压和电流数据序列进行AD转换、滤波、归一化处理，得到时序数据序向量后输入至FPGA的DC-link电容值估计模型中，得到LLC变换器输出侧DC-link电容估计值C。
3.根据权利要求2所述的LLC变换器输出侧DC-link电容在线监测方法，其特征在于：还包括步骤S4：根据环境温度的影响校正电容估计值，如下式：
式中，αM、βM、γM均为电容器的温度特性参数，对于具体种类型号的电容器，该三个温度特性参数能通过实验测得；Ta、Ta，min、Ta,max分别表示电容器的实际工作温度、最低工作温度、最高工作温度。
4.根据权利要求3所述的LLC变换器输出侧DC-link电容在线监测方法，其特征在于：所述步骤S1包括：
步骤S101，在PC机上通过通信或模型仿真得到不同工况下负载变化瞬态时LLC变换器输出电压、电流以及DC-link电容值的数据集；
步骤S102，将步骤S101得到的数据集进行AD转换、滤波、归一化，处理成时序数据序向量后送入至LSTM单元中，采用学习算法对所有时序数据进行训练，得到训练好的LSTM权重；再在PC机上用Verilog语言通过Quartus软件对LSTM算法进行设计，进而得到基于LSTM的DC-link电容值估计模型；
步骤S103，将步骤S102得到的基于LSTM的DC-link电容值估计模型部署至FPGA开发板上。
5.根据权利要求4所述的LLC变换器输出侧DC-link电容在线监测方法，其特征在于：所述步骤S101中，PC机获取不同工况下负载变化瞬态时关于LLC变换器输出电压、电流的数据集的方法有两种：
其一、基于LLC变换器样机装置运行测试模拟不同工况下负载变化瞬态以采集真实的输出电压、电流数据，并将该数据传输给PC机；
其二、在PC机上根据已知LLC变换器样机装置设计参数搭建数字孪生模型仿真不同工况下负载变化瞬态获取模拟的输出电压、电流数据；
所述不同工况包括负载突增、负载突减、负载不同程度增减、不同初始电压水平、不同初始负载水平。
6.根据权利要求5所述的LLC变换器输出侧DC-link电容在线监测方法，其特征在于：所述步骤S102中，在对LSTM算法进行设计时，采用Sigmoid函数和Tanh函数作为LSTM的激活函数。
7.根据权利要求6所述的LLC变换器输出侧DC-link电容在线监测方法，其特征在于：所述步骤S3包括：
步骤S301，数据处理模块将步骤S2采集得到的一个时间窗内的输出电压和电流数据进行AD转换、滤波、归一化处理，合并为一列时序数据，输入至FPGA的DC-link电容值估计模型中，得到该时间窗所对应的DC-link电容估计值；
步骤S302，滑动至下一个时间窗，重复执行步骤S301的操作估计电容值，累计执行N次，得到DC-link电容值估计模型输出的N个DC-link电容估计值；
步骤S303，将N个DC-link电容估计值作均值求解，得到最终的DC-link电容估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311153827.1A CN116879636B (zh) | 2023-09-08 | 2023-09-08 | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311153827.1A CN116879636B (zh) | 2023-09-08 | 2023-09-08 | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116879636A CN116879636A (zh) | 2023-10-13 |
| CN116879636B true CN116879636B (zh) | 2023-12-08 |
Family
ID=88270359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311153827.1A Active CN116879636B (zh) | 2023-09-08 | 2023-09-08 | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116879636B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110133513A (ko) * | 2010-06-05 | 2011-12-13 | 손진근 | 펄스폭변조 전력 컨버터에서 직류 링크 커패시터의 개선된 온라인 고장 진단 시스템 |
| CN103636119A (zh) * | 2011-06-22 | 2014-03-12 | 株式会社村田制作所 | 高频功率放大电路用电源装置以及高频功率放大装置 |
| KR20160007130A (ko) * | 2014-07-11 | 2016-01-20 | 서울과학기술대학교 산학협력단 | 모델예측제어 기법을 이용한 직류/직류 변환기의 출력 제어장치 및 출력 제어방법 |
| CN108490269A (zh) * | 2018-05-02 | 2018-09-04 | 西安交通大学 | 一种变压器寄生电容的实验测量方法 |
| WO2020195090A1 (en) * | 2019-03-26 | 2020-10-01 | Mitsubishi Electric Corporation | Method for monitoring parameters of dc bus capacitor |
| CN114740272A (zh) * | 2022-04-18 | 2022-07-12 | 西南交通大学 | 一种母线电容在线监测方法、装置、设备及存储介质 |
| KR20220163778A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 라온텍 | 캐패시턴스 검출방법 및 검출장치 |
| CN115549477A (zh) * | 2022-10-18 | 2022-12-30 | 湖南大学 | 一种ISOP型中压直流变换器及其DC-link电容状态监测方法 |
| CN115932432A (zh) * | 2022-11-03 | 2023-04-07 | 哈尔滨工业大学 | 一种直流变换器中电解电容失效参数辨识方法 |
| CN116184037A (zh) * | 2023-02-22 | 2023-05-30 | 湖南大学 | 一种中压直流llc谐振变换器的谐振电容状态监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9470739B2 (en) * | 2013-11-12 | 2016-10-18 | Ford Global Technologies, Llc | DC link capacitance measurement for electric vehicle drivetrain |
-
2023
- 2023-09-08 CN CN202311153827.1A patent/CN116879636B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110133513A (ko) * | 2010-06-05 | 2011-12-13 | 손진근 | 펄스폭변조 전력 컨버터에서 직류 링크 커패시터의 개선된 온라인 고장 진단 시스템 |
| CN103636119A (zh) * | 2011-06-22 | 2014-03-12 | 株式会社村田制作所 | 高频功率放大电路用电源装置以及高频功率放大装置 |
| KR20160007130A (ko) * | 2014-07-11 | 2016-01-20 | 서울과학기술대학교 산학협력단 | 모델예측제어 기법을 이용한 직류/직류 변환기의 출력 제어장치 및 출력 제어방법 |
| CN108490269A (zh) * | 2018-05-02 | 2018-09-04 | 西安交通大学 | 一种变压器寄生电容的实验测量方法 |
| WO2020195090A1 (en) * | 2019-03-26 | 2020-10-01 | Mitsubishi Electric Corporation | Method for monitoring parameters of dc bus capacitor |
| KR20220163778A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 라온텍 | 캐패시턴스 검출방법 및 검출장치 |
| CN114740272A (zh) * | 2022-04-18 | 2022-07-12 | 西南交通大学 | 一种母线电容在线监测方法、装置、设备及存储介质 |
| CN115549477A (zh) * | 2022-10-18 | 2022-12-30 | 湖南大学 | 一种ISOP型中压直流变换器及其DC-link电容状态监测方法 |
| CN115932432A (zh) * | 2022-11-03 | 2023-04-07 | 哈尔滨工业大学 | 一种直流变换器中电解电容失效参数辨识方法 |
| CN116184037A (zh) * | 2023-02-22 | 2023-05-30 | 湖南大学 | 一种中压直流llc谐振变换器的谐振电容状态监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种Buck变换器输出电容故障在线预测方法;唐圣学;董沙沙;姚芳;;太阳能学报(第01期);全文 * |
| 一种大功率交流变流器直流母线电容等效串联电阻的在线监测方法;孙鹏菊;龚灿;杜雄;彭英舟;王海波;周雒维;;中国电机工程学报(第17期);全文 * |
| 原边串联型 LLC变换器拓扑及其频率自适应追踪方法;刘宝泉，韩猛，王伟，;《高电压技术》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116879636A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103257271A (zh) | 一种基于stm32f107vct6的微电网谐波与间谐波检测装置及检测方法 | |
| CN203287435U (zh) | 一种基于stm32f107vct6的微电网谐波与间谐波检测装置 | |
| CN104091056B (zh) | 一种实验室设备使用寿命预测系统和方法 | |
| CN103278686B (zh) | 一种谐波分析滤波系统及智能选择谐波检测方法 | |
| CN108508399B (zh) | 基于电子式电压互感器传递过程仿真的电压暂态测试方法 | |
| CN113189513B (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN116879636B (zh) | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 | |
| CN117233687B (zh) | 一种基于历史数据的cvt初始误差评估方法、介质及终端 | |
| CN116595395A (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
| CN106053936B (zh) | 一种获取电学信号瞬时频率的方法及系统 | |
| CN107860969A (zh) | 风力发电机组电能信息采集装置、系统和方法 | |
| CN110334087B (zh) | 一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法 | |
| CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
| CN109599867A (zh) | 基于双环结构的三相并网变流器电流环干扰抑制控制方法 | |
| CN111045329B (zh) | 基于自适应模式切换的双馈风机数字物理混合仿真方法 | |
| CN109375139B (zh) | 一种自动测试光纤电流互感器的装置及方法 | |
| Zhao et al. | Design of a data acquisition system for building electrical fault diagnosis | |
| CN110768261A (zh) | 一种基于状态空间预测的储能型dvr控制方法 | |
| CN106324403A (zh) | 一种基于状态识别的继电保护适应性滤波算法 | |
| CN109902961A (zh) | 用于能量分解中功率信号滤波的多尺度滤波方法及系统 | |
| CN114487613A (zh) | 一种Buck变换器输出电容tanδ监测方法 | |
| CN117851955B (zh) | 一种柔直电容器状态检测方法及系统 | |
| CN115145328B (zh) | 一种i型集中器的温度控制方法及i型集中器 | |
| CN111505388B (zh) | CCM降压变换器输出电容tanδ的监测装置及方法 | |
| CN112305343B (zh) | Buck变换器输出电容开关频率点ESR与C监测方法 |
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 |