[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

说明书

本发明公开了一种基于逆变器散热器温度预测的过温预警方法，涉及电子电力电子技术领域，首先通过引入经验模态分解方法，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，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，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。本发明有效地把握了逆变器散热器温度变化趋势，实现了逆变器过温预警。

技术领域

本发明涉及电力电子技术领域，尤其涉及一种逆变器过温预警方法。

背景技术

随着经济的快速发展，化石能源消耗量持续增加，全球正面临着日益严重的能源短缺和环境破坏问题。光伏发电作为环境友好型的可再生能源发电技术,是目前可再生能源中最具规模化开发条件和商业化发展前景的发电方式之一,正受到越来越多的关注。由于光伏电站常常建于戈壁、海岛等自然地理环境恶劣的偏远地区,确保核心器件光伏并网逆变器可靠稳定运行尤其重要。过温故障是逆变器经常出现的一种故障类型。引发这一故障的原因有很多，例如环境温度上升、逆变器散热风机故障、逆变器发电功率过高、逆变器老化、逆变器电流电压超限等。逆变器过温会导致发电功率降额，严重时会直接停机，造成巨大的发电经济损失。因此,快速准确地预测逆变器散热器温度，对逆变器提前发出过温预警十分必要，有助于适时调整供电计划，提升光伏电站运营的经济效益。

现有关于逆变器温度预测的发明主要是基于逆变器的内部物理参数进行机理建模。这类方案一般会首先建立光伏逆变器元件温度预测方程，预测方程所需的参数信息包括环境温度、散热器温升、逆变器元件温升以及逆变器元件温度。其中环境温度是利用温度传感器或气象监测仪测量得到的。接下来，此类方案会通过建立光伏逆变器散热器的热平衡状态方程，计算逆变器散热器温升。之后，利用绝缘栅双极型晶体管(Insulated GateBipolar Transistor，IGBT)散热系数和功率消耗建立IGBT在稳定状态下和散热器之间的温度差方程，也即逆变器元件温升。最后，根据建立的光伏逆变器元件温度预测方程，结合求得的环境温度、散热器温升、逆变器元件温升以及光伏逆变器元件温度，计算出光伏逆变器元件温度的预测值。

现有发明的另一种方案是根据大量数据通过数理统计方法建立一种气象相关的光伏组件工作温度预测方法。该方案首先建立了光伏组件工作温度与环境温度、辐射强度和风速的非线性模型。之后，根据能量守恒定律得到含参数的方程，最后，根据大量数据通过数理统计的方法进行线性拟合，最终得到线性温度预测模型。

现有发明中也有基于神经网络的逆变器温度预测方案。该方案首先搭建了一个用于IGBT结温预测的反向传播(Back Propagation，BP)神经网络，其中输入层的个数为1，包括三个神经元，分别用于输入相电流峰值、开关频率和环境温度；输出层的个数为1，包括一个神经元，用于输出IGBT结温。之后，采用ANSYS Icepak软件构建逆变器的3D热仿真模型，通过改变环境信息以及其它参数信息，采集了多组IGBT结温以及相应的结温特征，其中，结温特征包括：相电流峰值、开关频率和环境温度，这些数据经过预处理后被用作BP神经网络训练样本，通过划分训练集和测试集，训练得到了基于BP神经网络的IGBT结温预测模型。最后，将采集到的实际结温特征输入到预训练好的IGBT结温预测模型，得到待测IGBT的结温。

现有发明方法都将逆变器的散热器温度视为已知量，或者假定这个量可以通过温度传感器测得，然而实际现场安装的逆变器出于成本考虑，很少具备散热器测温功能。同时，现有发明方案忽略了对现场采集数据的预处理问题，例如三相电流和三相电压数据中包含有许多干扰噪声，会对预测结果的精度造成较大的影响。此外，现有基于神经网络的预测方案采用的是最基础的BP神经网络，没有考虑深度学习下多层网络预测方法，而且仅仅是针对逆变器各个时刻的温度值进行点预测，没有利用逆变器温度的后验分布信息。