CN117929904A - 一种逆变器老化测试方法、装置及存储介质 - Google Patents
一种逆变器老化测试方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117929904A CN117929904A CN202410316257.1A CN202410316257A CN117929904A CN 117929904 A CN117929904 A CN 117929904A CN 202410316257 A CN202410316257 A CN 202410316257A CN 117929904 A CN117929904 A CN 117929904A
- Authority
- CN
- China
- Prior art keywords
- test
- inverter
- data
- performance
- aging
- 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.)
- Granted
Links
- 230000032683 aging Effects 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000010998 test method Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 424
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Inverter Devices (AREA)
Abstract
本申请涉及一种逆变器老化测试方法、装置及存储介质，涉及逆变器测试技术领域其包括根据逆变器的存储环境生成测试环境模拟信号；根据逆变器的运输过程生成测试状态模拟信号；在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号；接收逆变器老化测试过程中采集的测试数据；根据测试数据提取逆变器性能特征数据；根据逆变器性能特征数据得到预测的测试结果。本申请具有提升逆变器老化测试的可靠性和精准性的效果。
Description
技术领域
本申请涉及逆变器测试技术领域，尤其是涉及一种逆变器老化测试方法、装置及存储介质。
背景技术
逆变器是一种把直流电转变成定频定压或调频调压交流电的转换器，被广泛应用于新能源发电系统中，随着新能源技术的快速发展，逆变器作为新能源发电系统中的核心设备，其性能稳定性和可靠性对整个发电系统的运行至关重要。逆变器的老化会导致性能稳定性和可靠性下降，甚至可能引发故障，严重影响新能源发电系统的运行效率和安全性，因此在逆变器的生产和使用过程中，老化导致的问题一直是困扰着技术人员的一个难题。
目前，针对逆变器的老化测试通常采用传统的测试方法，如恒温恒湿测试等。这些方法虽然能够在一定程度上模拟逆变器的实际工作环境，但往往忽略了逆变器在立体仓库中存储以及使用有轨制导车辆运输过程中的环境因素和状态因素对其老化过程的影响，导致老化测试的结果不够精准。
发明内容
本申请的目的是提供一种逆变器老化测试方法、装置及存储介质，提升逆变器老化测试的可靠性和精准性。
第一方面，本申请提供的一种逆变器老化测试方法采用如下的技术方案：
一种逆变器老化测试方法，包括：
根据逆变器的存储环境生成测试环境模拟信号；
根据逆变器的运输过程生成测试状态模拟信号；
在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号；
接收逆变器老化测试过程中采集的测试数据；
根据测试数据提取逆变器性能特征数据；
根据逆变器性能特征数据得到预测的测试结果。
通过采用上述技术方案，本申请通过生成测试环境和测试状态的模拟信号，以模拟逆变器在立体仓库中存储以及使用有轨制导车辆运输过程中的环境因素和状态因素对其老化过程的影响，在此基础上进行逆变器的老化测试，能够提升测试过程的可靠性和测试结果的精准性。
进一步的，所述根据逆变器性能特征数据得到预测的测试结果，具体包括：
获取数据库内若干组逆变器性能特征数据样本及其对应的测试结果，所述测试结果包括正常结果和异常结果，异常结果还包括异常类型；
将若干组逆变器性能特征数据样本及其对应的测试结果构建为测试结果预测样本集；
构建测试结果预测模型，输入测试结果预测样本集对测试结果预测模型进行训练，得到训练完成的测试结果预测模型；
将逆变器性能特征数据输入测试结果预测模型，得到预测的测试结果。
通过采用上述技术方案，本申请通过构建测试结果预测模型，并使用测试结果预测样本集对测试结果预测模型进行训练，以提升测试结果预测的智能性和准确性，进而提升逆变器老化测试的可靠性。
进一步的，所述将逆变器性能特征数据输入测试结果预测模型，得到预测的测试结果，具体包括：
将逆变器性能特征数据输入测试结果预测模型，输出测试结果为正常或异常，以及异常测试结果的异常类型和置信度。
通过采用上述技术方案，本申请除了能够判断逆变器性能特征数据的测试结果是否正常外，在测试结果为异常时还能够预测异常类型，并且得到预测结果的置信度，以便于快速获取逆变器哪部分性能特征数据产生了异常，从而更加方便技术人员根据异常的性能特征数据对逆变器的故障进行定位，增加本申请的实用性和便利性。
进一步的，所述根据测试数据提取逆变器性能特征数据，具体包括：
选取一个逆变器性能，对该逆变器性能与测试数据构建相关性模型，得到每个测试数据在模型中的权重；
根据每个测试数据在模型中的权重得到测试数据的权重排名；
根据测试数据的权重排名选取权重最高的测试数据，作为该逆变器性能的逆变器性能特征数据。
通过采用上述技术方案，权重最高的测试数据即为与该逆变器性能最相关的测试数据，作为逆变器性能特征数据。可以对逆变器性能特征数据进行全面而准确的特征选择，确定与逆变器性能最相关的特征，并为后续的性能分析和优化提供有针对性的指导，进一步提升逆变器老化测试的可靠性。
进一步的，所述根据测试数据提取逆变器性能特征数据，还包括：选取一个逆变器性能，对不同的测试数据进行相关分析，得到与该逆变器性能最相关的特征数据。
通过采用上述技术方案，本申请对测试数据进行特征提取，将原始数据转换为能够反映逆变器性能状态的特征数据，确保特征数据与逆变器性能具有相关性，从而增加测试结果预测的精准性。
进一步的，所述根据预设的测试方案生成逆变器老化测试信号，具体包括：
根据不同大小和类型的负载生成逆变器负载测试信号，以模拟逆变器不同的负载情况；
和/或，根据不同环境温度生成逆变器温升测试信号，以模拟逆变器在不同环境温度下的温升情况；
和/或，根据逆变器开关机频率生成逆变器开关机测试信号，以模拟逆变器频繁开关机的状态。
通过采用上述技术方案，负载测试可以检测不同负载情况下对逆变器的性能影响，从而检测逆变器对负载的可承受程度；温升测试可以检测不同温度情况下对逆变器的性能影响，从而检测逆变器的散热效果；开关机测试可以检测逆变器在频繁开关机情况下的性能影响，以检测逆变器的启动和停止性能。通过负载、温升和开关机测试能够有效进行逆变器的老化测试，确保测试结果的全面性和准确性。
进一步的，所述根据测试数据提取逆变器性能特征数据前，还包括：对采集到的测试数据进行预处理，所述预处理包括但不限于数据清洗、去噪和数据标准化。
通过采用上述技术方案，对采集到的测试数据进行预处理有助于提高数据的质量和一致性，为后续数据分析提供准确的基础，进一步提升测试结果的准确性。
进一步的，所述根据逆变器性能特征数据得到预测的测试结果后，还包括：根据测试结果生成测试结果可视化信号。
通过采用上述技术方案，对测试结果进行可视化的形式输出有助于技术人员及时并准确地了解逆变器当前的性能状态，可以更直观地观察数据的分布和变化趋势，进一步提升逆变器老化测试过程的可靠性。
第二方面，本申请提供的一种逆变器老化测试装置采用如下的技术方案：
一种逆变器老化测试装置，包括处理器，处理器用于第一方面所述的一种逆变器老化测试方法，还包括：
测试环境模拟设备，用于接收处理器发送的测试环境模拟信号，并根据测试环境模拟信号模拟逆变器的测试环境，所述测试环境包括但不限于温度、湿度和光照；
测试状态模拟设备，用于接收处理器发送的测试状态模型信号，并根据测试状态模型信号模拟逆变器的测试状态，所述测试状态包括但不限于振动和冲击；
测试数据采集设备，用于接收处理器发送的逆变器老化测试信号，并根据逆变器老化测试信号采集逆变器老化测试过程中的测试数据，将测试数据上传至处理器，所述测试数据包括但不限于电流数据、电压数据、功率数据和温度数据。
通过采用上述技术方案，本申请通过测试环境模拟设备模拟逆变器在立体仓库中存储的环境因素，通过测试状态模拟设备模拟逆变器在使用有轨制导车辆运输过程中的状态因素，在此基础上进行逆变器的老化测试，通过测试数据采集设备采集测试过程中的测试数据并上传至服务器进行测试数据分析和测试结果预测，能够提升测试过程的可靠性和测试结果的精准性。
第三方面，本申请提供的一种计算机可读存储介质采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面所述的一种逆变器老化测试方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请通过生成测试环境和测试状态的模拟信号，以模拟逆变器在立体仓库中存储以及使用有轨制导车辆运输过程中的环境因素和状态因素对其老化过程的影响，在此基础上进行逆变器的老化测试，能够提升测试过程的可靠性和测试结果的精准性；
2.本申请通过构建测试结果预测模型，并使用测试结果预测样本集对测试结果预测模型进行训练，以提升测试结果预测的智能性和准确性，进而提升逆变器老化测试的可靠性；
3.本申请除了能够判断逆变器性能特征数据的测试结果是否正常外，在测试结果为异常时还能够预测异常类型，并且得到预测结果的置信度，以便于快速获取逆变器哪部分性能特征数据产生了异常。
附图说明
图1是本申请实施例的逆变器老化测试方法流程图。
图2是本申请实施例的逆变器性能特征提取方法流程图。
图3是本申请实施例的测试结果预测方法流程图。
图4是本申请实施例的逆变器老化测试装置连接示意图。
附图标记说明：1、处理器；2、测试环境模拟设备；3、测试状态模拟设备；4、测试数据采集设备；5、显示设备。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
现有技术中对逆变器进行老化测试时，通常逆变器在立体仓库中存储以及使用有轨制导车辆运输过程中的环境因素和状态因素对其老化过程的影响，导致老化测试的结果不够精准，因此本申请实施例公开一种逆变器老化测试方法，参照图1，包括：
S1、根据逆变器的存储环境生成测试环境模拟信号。
具体的，逆变器通常在立体仓库内存储，立体仓库内的温度、湿度和光照等环境因素可能会对逆变器的老化过程产生影响，因此本实施例根据仓库环境生成测试环境模拟信号，并将测试环境模拟信号发送至测试环境模拟设备，测试环境模拟设备包括但不限于温度模拟子设备、湿度模拟子设备和光照模拟子设备。在具体实施过程中，温度模拟子设备可以使用空调等调温设备，湿度模拟子设备可以采用加湿器等调湿设备，光照模拟子设备可以采用LED灯等调光设备。
S2、根据逆变器的运输过程生成测试状态模拟信号。
具体的，逆变器在立式仓库中通常使用有轨制导车辆（Rail Guided Vehicle，RGV）进行运输，有轨制导车辆可用于各类高密度储存的仓库，小车通道可设计任意长，可提高整个仓库储存量，并且在操作时安全性更高。在使用有轨制导车辆运输的过程中可能会对逆变器产生振动和冲击，而振动和冲击会对逆变器的老化过程产生一定的影响，因此本实施例生成测试状态模拟信号，并将测试状态模拟信号发送至设备状态模拟设备，以使测试状态模拟设备模拟运输的过程中的振动和冲击，测试状态模拟设备包括振动模拟设备和冲击模拟设备。在具体实施过程中，振动模拟设备可以采用振动模拟试验台，冲击模拟设备可以采用冲击模拟试验台。
S3、在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号。
具体的，通常逆变器的老化测试包括负载测试、温升测试和开关机测试，其中负载测试通过给逆变器施加不同大小和类型的负载，模拟其在实际工作中的负载变化情况，以获取逆变器在不同大小和类型的负载情况下的性能变化；温升测试通过改变逆变器的温度，模拟其在实际工作中的不同温度情况，记录其在不同温度情况下的温升情况，以获取逆变器的散热性能；开关机测试通过模拟逆变器频繁的开关机操作，以获取逆变器在频繁开关机情况下的启动和停止性能。根据不同的测试方案分别生成不同的逆变器老化测试信号，以使相关的设备开始对逆变器的老化测试，并采集测试过程中的测试数据。
S4、接收逆变器老化测试过程中采集的测试数据。
具体的，测试数据包括电流数据、电压数据、功率数据和温度数据，通过以上数据能够较为全面地评估逆变器的性能。测试数据通过测试数据采集设备采集获得，在具体实施过程中，可以通过电表、传感器或监控系统等设备进行数据采集。
S5、根据测试数据提取逆变器性能特征数据。
具体的，从测试数据中提取与逆变器性能相关的特征，得到逆变器性能特征数据，包括波形特征数据、统计特征数据、时频域特征数据等。特征提取的目的是将原始测试数据转换为能够反映逆变器性能状态的特征数据。
S6、根据逆变器性能特征数据得到预测的测试结果。
具体的，逆变器性能特征数据能够全面反映逆变器的性能情况，从而能够根据特征数据得到测试结果。
本申请实施例的实施原理为：通过生成测试环境和测试状态的模拟信号，以模拟逆变器在立体仓库中存储以及使用有轨制导车辆运输过程中的环境因素和状态因素对其老化过程的影响，在此基础上进行逆变器的老化测试，能够提升测试过程的可靠性和测试结果的精准性。
在具体实施过程中，为了确保测试过程的可靠性，在测试时需要对模拟出的测试环境和测试状态进行严格控制和监测，确保测试环境和测试状态的稳定性和一致性，以消除环境因素和状态因素对测试结果的影响。还需要定期对测试过程中使用到的设备以及测试环境、测试状态进行校准和验证，同时，对测试结果进行定期复核和验证，以确保测试结果的准确性和可信度，为逆变器的性能评估和质量控制提供更为可靠的数据支持。
为了确保测试数据的严谨性，在测试过程中需要详细记录所有数据，包括逆变器的测试数据、性能参数、环境参数、测试时间等，并且根据记录的数据建立数据追溯系统，方便后续对测试结果进行分析和对比。
为了获取与逆变器性能相关性最高的测试数据作为逆变器性能特征数据，如图2所示，本实施例步骤S5具体包括：
S501、选取一个逆变器性能，对该逆变器性能与测试数据构建相关性模型，得到每个测试数据在模型中的权重。
具体的，构建相关性模型可以利用机器学习算法，例如决策树、随机森林、梯度提升树等，对逆变器测试数据进行建模，并评估每个测试数据在模型中的重要性，得到测试数据重要性作为权重。
S502、根据每个测试数据在模型中的权重得到测试数据的权重排名。
S503、根据测试数据的权重排名选取权重最高的测试数据，作为该逆变器性能的逆变器性能特征数据。
具体的，权重最高的测试数据即为与该逆变器性能最相关的测试数据，作为逆变器性能特征数据。
另一种实施方式中，根据测试数据提取逆变器性能特征数据还可以采用基于领域知识的特征选择，利用逆变器领域的专业知识和经验，选择与逆变器性能密切相关的特征，例如逆变器的电压、电流、功率、效率等参数通常是关键性能指标，因此可以选择与这些参数直接相关的测试数据作为逆变器性能特征数据。还可以应用统计分析方法对测试数据进行处理和分析，以确定哪些测试数据与逆变器性能之间存在显著的相关性，通过计算相关系数、进行假设检验等方法，评估测试数据与性能之间的关联程度，并选择与性能最相关的测试数据作为逆变器性能特征数据。还可以应用特征选择算法，例如递归特征消除、基于遗传算法的特征选择等，自动搜索和选择与逆变器性能最相关的测试数据集合，通过迭代评估不同测试数据组合的性能，选择最优的测试数据集合作为逆变器性能特征数据。
当有大量的逆变器测试数据时，可以利用迁移学习或域适应的方法。首先在一个相关任务或领域上训练一个模型，并使用该模型的特征提取器来提取测试数据的特征。然后基于这些特征进行进一步的分析和建模，得到逆变器性能特征数据。综合运用以上方法，可以对逆变器测试数据进行全面而准确的特征选择，确定与逆变器性能最相关的特征数据，并为后续的性能分析和优化提供有针对性的指导。
为了确保测试结果的准确性，如图3所示，本实施例步骤S6具体包括：
S601、获取数据库内若干组逆变器性能特征数据样本及其对应的测试结果。
具体的，数据库为以往的逆变器老化测试过程中得到的逆变器性能特征数据样本以及对应的测试结果，测试结果包括正常结果和异常结果，异常结果还包括异常类型，例如逆变器的电压数据过高或温度数据过高等。
S602、将若干组逆变器性能特征数据样本及其对应的测试结果构建为测试结果预测样本集。
具体的，将逆变器性能特征数据样本作为输入，测试结果作为输出，构建为测试结果预测样本集。
S603、构建测试结果预测模型，输入测试结果预测样本集对测试结果预测模型进行训练，得到训练完成的测试结果预测模型。
具体的，测试结果预测模型可以采用故障树分析、模式识别、神经网络等。将测试结果预测样本集中70%的逆变器性能特征数据样本及其对应的测试结果构建为训练集，将测试结果预测样本集中30%的逆变器性能特征数据样本及其对应的测试结果构建为测试集。首先将训练集的逆变器性能特征数据样本及其对应的测试结果输入测试结果预测模型对模型进行训练，得到待测试的测试结果预测模型。再将测试集的逆变器性能特征数据样本输入待测试的测试结果预测模型，得到待测试的测试结果。将待测试的测试结果与测试集中对应的测试结果进行对比，通过计算待测试的测试结果与测试集中对应的测试结果的损失函数得到测试集的准确率，如果准确率符合标准则表明测试结果预测模型训练完成，如果准确率不符合则继续使用样本集进行迭代优化，直至测试集准确率达到标准，得到训练完成的测试结果预测模型。
S604、将逆变器性能特征数据输入测试结果预测模型，得到预测的测试结果。
具体的，将逆变器性能特征数据输入测试结果预测模型，输出测试结果为正常或异常。当输出结果为异常时，输出异常测试结果的异常类型和置信度。当输出结果为正常时，还包括：获取逆变器的性能要求；根据性能要求预设逆变器评估标准；根据逆变器评估标准和测试结果得到逆变器的性能等级。由于不同型号和不同使用场景的逆变器的性能要求有所不同，根据不同的性能要求预设能够判断测试结果性能等级逆变器评估标准。
输出的测试结果为异常则需要进一步得知异常可能产生的原因，通过模型分析能够得到异常类型，例如电压数据过高或温度数据过高等，以便于技术人员能够对异常的逆变器性能特征数据进行分析，进而得到逆变器的改进方向以确保逆变器能够减少异常情况。输出的测试结果为正常，逆变器也可能存在隐患，因此根据不同型号和不同使用场景的逆变器的性能要求对逆变器性能特征数据进行评级，判断逆变器是否能够满足需求。
在另一种实施方式中，除了使用模型对逆变器性能特征数据进行分析外，还可以使用统计分析软件对数据进行处理和分析，例如通过计算均值、标准差、变异系数等统计指标，可以评估逆变器性能特征数据的稳定性和一致性，并找出与预设的逆变器性能标准不符的具体参数。还可以利用专家系统或知识库，将逆变器领域的专业知识和经验进行整合，通过查询和比对专家系统中的规则和案例，进而辅助技术人员能够更准确地定位逆变器性能特征数据中存在的问题以及产生问题的原因。还可以采用多变量分析方法，考虑到多个逆变器性能特征数据之间的相互影响，进行多变量分析，通过使用相关分析、回归分析等方法，探索不同数据之间的关系，并确定影响逆变器性能的关键因素。还可以将逆变器的测试数据与其他同类产品的历史数据或标准数据进行对比分析，通过对比不同条件下的性能特征数据，可以发现逆变器性能的问题，并找出可能导致问题的原因。综合运用以上工具和方法，对逆变器测试数据进行全面而准确的分析，从而更精确地找出逆变器性能不符合预设性能标准的原因，并为后续的问题解决和改进提供有针对性的指导。
为了进一步提升测试结果的准确性，在根据测试数据提取逆变器性能特征数据前，还包括：对采集到的测试数据进行预处理，预处理包括但不限于数据清洗、去噪和数据标准化。对测试数据进行预处理有助于提高测试数据的质量和一致性。
为了使技术人员能够快速确认测试结果，根据逆变器性能特征数据得到预测的测试结果后，还包括对测试结果进行可视化，具体包括：根据测试结果生成可视化信号，并将可视化信号发送至显示设备。显示设备利用数据可视化工具，如测试报告、图表、曲线图等方式将整理后的测试数据进行呈现，通过可视化方式，可以更直观地观察测试数据的分布和变化趋势，能够更快确认测试结果。
在另一种实施方式中，还可以对测试数据采用对比分析方法，将不同测试条件下的数据进行对比分析，例如对比不同负载情况下的逆变器性能、不同环境温度下的温升情况。再利用统计分析方法，如均值、标准差、变异系数等，对测试数据进行统计描述和评估。或者通过对历史测试数据的趋势分析，可以预测逆变器性能的变化趋势，对于质量的持续改进和优化具有重要意义。
在具体实施过程中，通过测试结果发现逆变器在某些方面存在性能问题或质量缺陷，可以进一步进行问题诊断和相关的改进措施。例如优化逆变器的设计参数、改进生产工艺等，以提高其性能和质量。对测试过程中记录的数据进行全面分析和对比，从而准确评估逆变器的性能和质量，从而为逆变器的质量控制和后续改进提供了重要依据和支持。
当发现逆变器在某些测试条件下存在性能问题时，可以采取以下步骤进行问题诊断和改进措施：首先，尝试在相同的测试条件下复现问题，以确保问题的真实性和可重复性，有助于排除偶然因素或测试误差的可能性。对测试过程中记录的数据进行深入分析，包括逆变器的各项性能特征数据、环境参数、测试时间等，通过对比分析不同条件下的测试数据，寻找可能引发问题的关键因素。根据数据分析的结果，结合逆变器的设计原理和工作机制，对可能存在问题的部件或模块进行故障定位，可以利用专业的故障诊断工具或方法，如故障树分析、因果分析等方法来辅助故障定位过程。针对定位到的故障部件或模块，进行深入的原因分析，考虑可能的设计缺陷、材料问题或生产工艺等因素，找出导致性能问题的根本原因。根据原因分析结果，制定相应的改进措施，可以包括优化设计参数、改进材料选择、调整生产工艺等，确保改进措施能够针对性地解决性能问题，并提升逆变器的整体性能和质量。在实施改进措施后，进行重新的测试以验证性能问题是否已得到解决，可以在相同的测试条件下进行对比测试，观察改进后的逆变器性能特征数据是否达到预期要求。如果验证测试结果表明逆变器性能问题已得到解决，可以进一步探索其他潜在的优化方向，以持续提升逆变器的性能和质量，可以建立持续改进的循环机制，不断优化产品设计和生产过程。通过以上步骤，可以对逆变器存在的性能问题进行有效的诊断和改进措施，确保逆变器在各种测试条件下都能表现出良好的性能和质量。
在验证测试过程中，如果发现改进后的逆变器性能仍未达到预期要求，可以考虑以下步骤进行处理：首先，对验证测试得到的测试数据进行详细分析，与预期要求进行对比，找出具体不符合的数据类型和差距。分析改进措施的有效性和完整性，确定是否需要进一步的优化或补充措施。如果改进措施未能达到预期效果，可能存在其他潜在问题，则进行更深入的调查，包括对逆变器设计、材料、制造工艺等方面的综合考虑，以寻找可能影响性能的关键因素。也需要重新评估性能需求的合理性，确保预期要求是基于实际需求和市场竞争的考虑，同时也考虑到技术可行性和成本效益。如果当前改进措施无法满足预期要求，可以探索新的解决方案，包括引入新的技术、材料或设计思路，以突破当前性能限制。在找到新的解决方案后，对逆变器进行进一步迭代测试，通过不断的测试、分析和优化，逐步逼近预设的性能需求，直至达到满意的性能水平。通过以上步骤的循环迭代，可以逐步解决逆变器性能不足的问题，并最终实现预期要求的达成。
本申请实施例还提供一种逆变器老化测试装置，如图4所示，包括处理器1，处理器1用于执行一种逆变器老化测试方法：
S1、根据逆变器的存储环境生成测试环境模拟信号。
S2、根据逆变器的运输过程生成测试状态模拟信号。
S3、在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号。
S4、接收逆变器老化测试过程中采集的测试数据。
S5、根据测试数据提取逆变器性能特征数据。
S6、根据逆变器性能特征数据得到预测的测试结果。
还包括与处理器1通信连接的测试环境模拟设备2、测试状态模拟设备3和测试数据采集设备4。
测试环境模拟设备2用于接收处理器1发送的测试环境模拟信号，并根据测试环境模拟信号模拟逆变器的测试环境，测试环境包括但不限于温度、湿度和光照，因此在具体实施过程中，测试环境模拟设备2包括但不限于温度模拟子设备、湿度模拟子设备和光照模拟子设备，温度模拟子设备可以使用空调等调温设备，湿度模拟子设备可以采用加湿器等调湿设备，光照模拟子设备可以采用LED灯等调光设备。
测试状态模拟设备3用于接收处理器1发送的测试状态模型信号，并根据测试状态模型信号模拟逆变器的测试状态，测试状态包括但不限于振动和冲击，因此在具体实施过程中，测试状态模拟设备3包括振动模拟设备和冲击模拟设备，振动模拟设备可以采用振动模拟试验台，冲击模拟设备可以采用冲击模拟试验台。
测试数据采集设备4用于接收处理器1发送的逆变器老化测试信号，并根据逆变器老化测试信号采集逆变器老化测试过程中的测试数据，将测试数据上传至处理器1，测试数据包括但不限于电流数据、电压数据、功率数据和温度数据，因此在具体实施过程中，测试数据采集设备4包括但不限于电流采集设备、电压采集设备、功率采集设备和温度采集设备，可以通过万用电表、温度传感器或监控系统等设备进行数据采集。
还包括显示设备5，显示设备5与处理器1通信连接，用于接收处理器1生成的测试结果可视化信号，并根据测试结果可视化信号对测试结果进行可视化，具体可以通过测试报告、图表或曲线图等方式进行显示，以便于技术人员及时并且直观地得知测试结果。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器1执行时实现以下步骤：
S1、根据逆变器的存储环境生成测试环境模拟信号。
S2、根据逆变器的运输过程生成测试状态模拟信号。
S3、在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号。
S4、接收逆变器老化测试过程中采集的测试数据。
S5、根据测试数据提取逆变器性能特征数据。
S6、根据逆变器性能特征数据得到预测的测试结果。
处理器1执行计算机程序时还能够执行上述任意实施例中关于逆变器老化测试方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
本具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，其中相同的零部件用相同的附图标记表示。故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种逆变器老化测试方法，其特征在于，包括：
根据逆变器的存储环境生成测试环境模拟信号；
根据逆变器的运输过程生成测试状态模拟信号；
在模拟的测试环境和测试状态下，根据预设的测试方案生成逆变器老化测试信号；
接收逆变器老化测试过程中采集的测试数据；
根据测试数据提取逆变器性能特征数据；
根据逆变器性能特征数据得到预测的测试结果。
2.根据权利要求1所述的一种逆变器老化测试方法，其特征在于，所述根据逆变器性能特征数据得到预测的测试结果，具体包括：
获取数据库内若干组逆变器性能特征数据样本及其对应的测试结果，所述测试结果包括正常结果和异常结果，异常结果还包括异常类型；
将若干组逆变器性能特征数据样本及其对应的测试结果构建为测试结果预测样本集；
构建测试结果预测模型，输入测试结果预测样本集对测试结果预测模型进行训练，得到训练完成的测试结果预测模型；
将逆变器性能特征数据输入测试结果预测模型，得到预测的测试结果。
3.根据权利要求2所述的一种逆变器老化测试方法，其特征在于，所述将逆变器性能特征数据输入测试结果预测模型，得到预测的测试结果，具体包括：
将逆变器性能特征数据输入测试结果预测模型，输出测试结果为正常或异常，以及异常测试结果的异常类型和置信度。
4.根据权利要求1所述的一种逆变器老化测试方法，其特征在于，所述根据测试数据提取逆变器性能特征数据，具体包括：
选取一个逆变器性能，对该逆变器性能与测试数据构建相关性模型，得到每个测试数据在模型中的权重；
根据每个测试数据在模型中的权重得到测试数据的权重排名；
根据测试数据的权重排名选取权重最高的测试数据，作为该逆变器性能的逆变器性能特征数据。
5.根据权利要求4所述的一种逆变器老化测试方法，其特征在于，所述根据测试数据提取逆变器性能特征数据，还包括：选取一个逆变器性能，对不同的测试数据进行相关分析，得到与该逆变器性能最相关的特征数据。
6.根据权利要求1所述的一种逆变器老化测试方法，其特征在于，所述根据预设的测试方案生成逆变器老化测试信号，具体包括：
根据不同大小和类型的负载生成逆变器负载测试信号，以模拟逆变器不同的负载情况；
和/或，根据不同环境温度生成逆变器温升测试信号，以模拟逆变器在不同环境温度下的温升情况；
和/或，根据逆变器开关机频率生成逆变器开关机测试信号，以模拟逆变器频繁开关机的状态。
7.根据权利要求1-6任一项所述的一种逆变器老化测试方法，其特征在于，所述根据测试数据提取逆变器性能特征数据前，还包括：对采集到的测试数据进行预处理，所述预处理包括但不限于数据清洗、去噪和数据标准化。
8.根据权利要求1-6任一项所述的一种逆变器老化测试方法，其特征在于，所述根据逆变器性能特征数据得到预测的测试结果后，还包括：根据测试结果生成测试结果可视化信号。
9.一种逆变器老化测试装置，其特征在于，包括处理器(1)，处理器(1)用于执行权利要求1-8任一项所述的一种逆变器老化测试方法，还包括：
测试环境模拟设备(2)，用于接收处理器(1)发送的测试环境模拟信号，并根据测试环境模拟信号模拟逆变器的测试环境，所述测试环境包括但不限于温度、湿度和光照；
测试状态模拟设备(3)，用于接收处理器(1)发送的测试状态模型信号，并根据测试状态模型信号模拟逆变器的测试状态，所述测试状态包括但不限于振动和冲击；
测试数据采集设备(4)，用于接收处理器(1)发送的逆变器老化测试信号，并根据逆变器老化测试信号采集逆变器老化测试过程中的测试数据，将测试数据上传至处理器(1)，所述测试数据包括但不限于电流数据、电压数据、功率数据和温度数据。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器(1)加载并执行如权利要求1-8任一项所述的一种逆变器老化测试方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410316257.1A CN117929904B (zh) | 2024-03-20 | 2024-03-20 | 一种逆变器老化测试方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410316257.1A CN117929904B (zh) | 2024-03-20 | 2024-03-20 | 一种逆变器老化测试方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117929904A true CN117929904A (zh) | 2024-04-26 |
| CN117929904B CN117929904B (zh) | 2024-06-21 |
Family
ID=90766667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410316257.1A Active CN117929904B (zh) | 2024-03-20 | 2024-03-20 | 一种逆变器老化测试方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117929904B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118549741A (zh) * | 2024-07-24 | 2024-08-27 | 广州菲利斯太阳能科技有限公司 | 一种适用于储能逆变器的调节系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201993423U (zh) * | 2011-01-06 | 2011-09-28 | 陈育展 | 一种恒温老化系统 |
| CN103713674A (zh) * | 2013-12-30 | 2014-04-09 | 苏州苏试试验仪器股份有限公司 | 用于振动、温湿度综合测试装置的控制方法 |
| CN103852663A (zh) * | 2013-08-06 | 2014-06-11 | 国家电网公司 | 一种能量回馈型分布式光伏电源逆变器综合测试系统 |
| CN105068019A (zh) * | 2015-07-29 | 2015-11-18 | 东莞市锐源仪器股份有限公司 | 一种基于电源恒温振动老化的智能监测系统 |
| KR20150132976A (ko) * | 2014-05-19 | 2015-11-27 | 엘에스산전 주식회사 | 인버터 트립 검사장치 |
| CN108832660A (zh) * | 2018-07-05 | 2018-11-16 | 安徽电气工程职业技术学院 | 一种可实现电力电子孤岛检测和模拟电网交流源的装置 |
| KR102095807B1 (ko) * | 2019-01-21 | 2020-04-01 | 엘지전자 주식회사 | 전기 자동차용 인버터 검사 장치 및 검사 방법 |
| CN212989506U (zh) * | 2020-06-29 | 2021-04-16 | 东莞市冠达自动化设备有限公司 | 一种新型恒温老化系统 |
| KR20210135739A (ko) * | 2020-05-06 | 2021-11-16 | 현대트랜시스 주식회사 | 인버터 성능 시험 장치 |
| WO2022008552A1 (fr) * | 2020-07-07 | 2022-01-13 | Electricite De France | Procédé de détection de défaillance d'un onduleur photovoltaïque |
| CN115453253A (zh) * | 2022-11-09 | 2022-12-09 | 深圳市鼎泰佳创科技有限公司 | 一种光储逆变器老化测试系统 |
| CN219533302U (zh) * | 2023-04-03 | 2023-08-15 | 阳光电源股份有限公司 | 一种逆变器测试装置及系统 |
| CN117318614A (zh) * | 2023-10-07 | 2023-12-29 | 冯志宏 | 一种光伏逆变器故障预测方法 |
| CN117590135A (zh) * | 2023-12-14 | 2024-02-23 | 甬江实验室 | 测试方法、测试装置、测试终端设备和存储介质 |
-
2024
- 2024-03-20 CN CN202410316257.1A patent/CN117929904B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201993423U (zh) * | 2011-01-06 | 2011-09-28 | 陈育展 | 一种恒温老化系统 |
| CN103852663A (zh) * | 2013-08-06 | 2014-06-11 | 国家电网公司 | 一种能量回馈型分布式光伏电源逆变器综合测试系统 |
| CN103713674A (zh) * | 2013-12-30 | 2014-04-09 | 苏州苏试试验仪器股份有限公司 | 用于振动、温湿度综合测试装置的控制方法 |
| KR20150132976A (ko) * | 2014-05-19 | 2015-11-27 | 엘에스산전 주식회사 | 인버터 트립 검사장치 |
| CN105068019A (zh) * | 2015-07-29 | 2015-11-18 | 东莞市锐源仪器股份有限公司 | 一种基于电源恒温振动老化的智能监测系统 |
| CN108832660A (zh) * | 2018-07-05 | 2018-11-16 | 安徽电气工程职业技术学院 | 一种可实现电力电子孤岛检测和模拟电网交流源的装置 |
| KR102095807B1 (ko) * | 2019-01-21 | 2020-04-01 | 엘지전자 주식회사 | 전기 자동차용 인버터 검사 장치 및 검사 방법 |
| KR20210135739A (ko) * | 2020-05-06 | 2021-11-16 | 현대트랜시스 주식회사 | 인버터 성능 시험 장치 |
| CN212989506U (zh) * | 2020-06-29 | 2021-04-16 | 东莞市冠达自动化设备有限公司 | 一种新型恒温老化系统 |
| WO2022008552A1 (fr) * | 2020-07-07 | 2022-01-13 | Electricite De France | Procédé de détection de défaillance d'un onduleur photovoltaïque |
| CN115453253A (zh) * | 2022-11-09 | 2022-12-09 | 深圳市鼎泰佳创科技有限公司 | 一种光储逆变器老化测试系统 |
| CN219533302U (zh) * | 2023-04-03 | 2023-08-15 | 阳光电源股份有限公司 | 一种逆变器测试装置及系统 |
| CN117318614A (zh) * | 2023-10-07 | 2023-12-29 | 冯志宏 | 一种光伏逆变器故障预测方法 |
| CN117590135A (zh) * | 2023-12-14 | 2024-02-23 | 甬江实验室 | 测试方法、测试装置、测试终端设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张昆仑 等: "高速磁浮铁路技术", 30 June 2021, 中国铁道出版社有限公司, pages: 192 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118549741A (zh) * | 2024-07-24 | 2024-08-27 | 广州菲利斯太阳能科技有限公司 | 一种适用于储能逆变器的调节系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117929904B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| CN117929904B (zh) | 一种逆变器老化测试方法、装置及存储介质 | |
| CN114065613A (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN117571742B (zh) | 基于人工智能实现芯片质检的方法及装置 | |
| CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| CN116125242A (zh) | 对象检测方法及系统 | |
| CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
| CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
| CN117150418A (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN115456196A (zh) | 一种故障诊断模型建立方法、诊断方法、装置及存储介质 | |
| CN111831862B (zh) | 高质量绝缘评估系统 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN117984024B (zh) | 基于船闸人字门自动化生产的焊接数据管理方法及系统 | |
| CN116067618B (zh) | 一种800g高速光模块的自动化生产及调测方法 | |
| CN116449202B (zh) | 一种发电机自动化程序测试系统 | |
| CN113900865B (zh) | 智能的电网设备自动化测试方法、系统和可读存储介质 | |
| CN113608074B (zh) | 一种多表位耐压试验装置自动化在线监测方法及系统 | |
| CN117195742A (zh) | 一种电路实验板可靠性预测方法和系统 | |
| CN116027253A (zh) | 一种电能表故障自诊断方法 | |
| CN117764167A (zh) | 一种逆变器智能故障推理的方法 |
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 |