[发明专利]一种基于逆变器散热器温度预测的过温预警方法

权利要求书

1.一种基于逆变器散热器温度预测的过温预警方法，首先通过引入经验模态分解(Empirical Mode Decomposition,EMD)方法，去除了数据采集过程中产生的噪声；然后基于贝叶斯长短时记忆网络(Bayesian Long Short-Term Memory，BLSTM)，提出了一种逆变器散热器温度预测模型，包括：(1)构建传统的长短时记忆网络(Long Short-Term Memory,LSTM)，提取数据时序性特征；(2)引入贝叶斯思想，使用蒙特卡洛dropout方法来进行近似推断，通过最小化网络权重的近似分布和后验分布之间KL散度学习网络权重；(3)根据逆变器温度预测结果的分布情况，分别采用平方马氏距离和局部密度比这两种度量方式来计算模型预测值与实际值之间的偏差情况，调整网络权重；

所述预警方法包括如下步骤：

步骤a、数据清洗，实际逆变器采集的三相电流和三相电压数据包含较多的噪声，选用经验模态分解对原始数据进行清洗；

步骤b、数据预处理，将数据转化为神经网络可以处理的有效数据；

步骤c、建立LSTM；

步骤d、建立BLSTM；

步骤e、基于变分dropout实现BLSTM；

步骤f、多步预测，对逆变器建立超短时、短时、长时各种时间尺度下的预警机制，所设计BLSTM的输出维度是可调节的；

步骤g、量化近似后验分布；

步骤h、逆变器过温预警；

所述步骤a还包括：

步骤a1、信号分解，利用所述经验模态方法将原始所述三相电流和所述三相电压数据分别分解为14个本征模函数(Intrinsic Mode Function，IMF)分量；

步骤a2、信号滤波，然后将分解得到的14个所述IMF分量按频率从低到高排序，最后四个高频所述IMF分量被视为伪分量，也即高频噪声，将其剔除；

步骤a3、信号重构，最后将信号滤波后所述三相电流和所述三相电压各自的10个有效所述IMF分量分别叠加，得到重构后的所述三相电流和所述三相电压数据；

所述BLSTM通过整合所述LSTM网络参数的统计建模，得到了一个输入输出映射的概率模型；所述概率模型求解方法包括：

步骤1、参数ω＝{W_f,W_i,W_c,W_o,b_f,b_y,b_c,b_o}作为先验分布p(ω)的随机变量，因此，所述LSTM的细胞状态和输出可以重新表示为：

C_t＝f_i^ω(x_t,h_t-1)

其中下标i和o分别表示隐藏层和输出层节点的索引，f_i^ω和分别表示两种非线性算子；

每个数据点输出的可能性为：

其中τ是反映数据固有噪声的精度参数，参数ω为模型参数，C_t是细胞当前时刻状态，C_t-1细胞上一时刻状态，I_D表示单位矩阵；

步骤2、给定一个包含X、Y的训练数据集,所述X即所述逆变器的所述三相电流、所述三相电压以及所述逆变器机内空气温度、变压器温度；所述Y即光伏系统中所述逆变器散热器的实际温度，所述训练数据集即大型地面光伏电站存储的所述逆变器历史运行数据，在参数空间上学习需要估计后验分布p(ω∣X,Y)；利用更新后的分布，通过积分得到逆变器散热器温度的预测输出y^*的分布：

p(y^*∣x^*,X,Y)＝∫p(y^*∣x^*,ω)p(ω∣X,Y)dω

其中，x^*表示一个新的观测值，对于先验分布，选择权重矩阵p(W)上的标准零均值高斯先验，预测的不确定性将直接反映在后验分布p(y^*∣x^*,X,Y)。