[发明专利]单相光伏逆变器在线状态监测与剩余寿命预测方法

权利要求书

1.单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，具体包括以下步骤：

步骤1、获取单相光伏逆变器为健康状态时的状态参数基准值及单相光伏逆变器的失效阈值，其具体步骤如下：

步骤1.1、定义在环境温度为25℃、输入电压为额定工作电压条件下，性能满足要求的单相光伏逆变器的状态为健康状态；等时间间隔连续采集单相光伏逆变器在p个时刻点的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)以及功率MOSFET的漏源极电流I_DS(n)和结温T_j(n)，其中，n＝1，2，...，p；

步骤1.2、建立深度神经网络模型，进行单相光伏逆变器在线状态评估，该模型的输入量为输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)以及功率MOSFET的结温T_j(n)，输出量为单相光伏逆变器的状态参数值SC_(n)；

步骤1.3、计算单相光伏逆变器为健康状态时的状态参数基准值

步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值其中且R_DS(n)为第n时刻点的导通电阻值；定义当功率MOSFET导通电阻值增大到其基准值R_DS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2R_DS0；

步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在t_m时刻的状态参数值并与状态参数基准值进行比较，判断该时刻被测单相光伏逆变器的状态；t_m时刻被测单相光伏逆变器的状态评估准则如下：

(1)当时，被测单相光伏逆变器为正常状态；

(2)当时，被测单相光伏逆变器为微弱退化状态；

(3)当时，被测单相光伏逆变器为严重退化状态；

(4)当时，被测单相光伏逆变器为临近失效状态；

步骤3、计算被测单相光伏逆变器中功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命；具体包括以下四个步骤：

A、以功率MOSFET在t₁，t₂，…，t_m时刻的导通电阻作为历史时间序列数据，其中z＝1，2，...，m；

B、选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置；

C、确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量输出向量从而预测步数即为τ；

D、当预测到t_m+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在t_m时刻的剩余寿命为

2.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，步骤1中建立深度神经网络模型，进行单相光伏逆变器在线状态评估的具体步骤如下：

(2.1)采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h¹，...，h^u)＝P(v|h¹)P(h¹|h²)…P(h^u-2|h^u-1)P(h^u-1|h^u)，其中，u为隐含层个数；

(2.2)确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤1.1采集的输入电压V_i(n)、输入电流I_i(n)、输出电压V_o(n)、输出电流I_o(n)和功率MOSFET的结温T_j(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；

(2.3)采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；

(2.4)根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC_(n)。