一种应急支撑条件下的光伏逆变器健康评估方法和介质

技术领域

本发明涉及综合能源中光伏逆变器的检修，尤其涉及一种应急支撑条件下的光伏逆变器健康评估方法和介质。

背景技术

随着传统能源的使用逐渐减少，绿色洁净的太阳能作为一种代表性的可再生能源，被越来越广泛地应用于可再生能源开发中，太阳能光伏发电也是新能源发电系统的重要组成部分。光伏逆变器作为光伏电站的转换设备，在整个电站中起着重要作用，其健康状态也会直接影响光伏电站所参与的综合能源系统运行的稳定与安全。随着社会用电需求不断增大，对光伏发电系统容量也提出了更高的要求，而光伏逆变器的健康状态直接影响了其发电效率。因此，准确评估光伏逆变器的健康状态，有利于提前规划维护方案，及时更换老旧部件，保持一定的发电效率，增加企业的发电总量，保证综合能源系统的稳定运行。

当前，光伏逆变器的检修维护通常是在故障发生后进行，检修人员无法实时把握光伏逆变器的健康状态。通过健康状态评估技术，可以帮助检修人员及时掌握光伏逆变器的健康状态，在健康状态较差的中后期多加关注，预判可能发生的故障。但是现在的健康状态评估技术大部分是基于设备的全寿命周期运行数据，建立的健康状态评估模型，也多适用于单台设备，难以满足应急支撑要求，具有较差的可移植性。

发明内容

发明目的：本发明目的是提供一种应急支撑条件下的光伏逆变器健康评估方法和介质，该方法具有较好的复用性且普适性，能够准确有效地实现光伏逆变器健康状态的在线评估并及时预警。

技术方案：一种应急支撑条件下的光伏逆变器健康评估方法，包括：

步骤1：采集光伏逆变器集群中同一型号的光伏逆变器的全寿命周期历史监测信号，形成原始特征库；

步骤2：在光伏逆变器集群的特征信号中，提取剩余工作时间长度排前3的特征信号，作为光伏逆变器集群的敏感特征：

步骤3：构建光伏逆变器敏感特征矩阵及其对应的健康状态数据组；

步骤4：构建前馈人工神经网络，将敏感特征矩阵及其对应的健康状态数据组投前馈人工入神经网络进行训练，得到训练后的前馈人工神经网络；

步骤5：将监测到的光伏逆变器的敏感特征数据投入到训练后的前馈人工神经网络，输出对应的健康状态评估值，用于在线评估光伏逆变器健康状态。

进一步地，步骤1中，全寿命周期历史监测信号包括：光伏逆变器A、B、C相电流，A、B、C相电压，AB线电压，AC线电压，BC线电压，A、B、C相IGBT温度，输出总功率，光伏逆变器每一路PV的直流电流、直流电压、直流输入功率；将每一路历史监测信号作为原始特征库中的一个特征，记为f

进一步地，步骤2中，采用最大相关-最小冗余算法mRMR从原始特征库中找出光伏逆变器剩余工作时间长度排前3的3种特征，称为敏感特征。

进一步地，敏感特征的提取具体包括：将n个特征的集合称为S，健康状态的评估与剩余可工作时间的长度相关，将剩余工作时间作为目标分类，记为M；

对特征集合S内的各个特征f

特征集合S和剩余工作时间M的相关性D(S,M)由各个特征f

特征集合S中所有特征的冗余R(S)是特征f

将特征集合与剩余工作时间M的相关性D和特征集合S中所有特征的冗余R结合起来，在相关性D尽量大的情况下冗余R尽量小，定义算子Φ(D,R)用来结合D和R，Φ＝D-R，取令Φ(D,R)最大的前3个特征为敏感特征，计为f

进一步地，步骤3具体包括：根据全寿命周期中光伏逆变器的健康状态，按时间段划分为优、良、中、差4个阶段，计为T

进一步地，步骤4中具体包括：构建一个含有输入层、隐藏层、输出层的前馈人工神经网络，当敏感特征矩阵从输入层进入到隐藏层时，神经网络将进行如下激活运算：z＝g(F

进一步地，将若干组输入数据和输出数据

进一步地，当前监测到的光伏逆变器的敏感特征数据输入到训练后的前馈人工神经网络，前馈人工神经网络将会输出光伏逆变器的健康状态评估值，当健康状态对应到T

一种计算机可读存储介质，包括供一个或多个处理器执行的一个或多个程序，一个或多个程序包括用于执行上述的任一方法的指令。

有益效果：与现有技术相比，本发明具有如下显著的优点：

(1)通过对光伏逆变器进行全寿命历史信号检测，可以准确地区分不同时间段设备的健康状态；

(2)通过最大相关最小冗余的算法，筛选出与设备健康状态最相关的敏感特征，将数据投入前馈人工神经网络，训练出一个特定的人工神经网络系统，从而实现对设备健康状态的准确评估；

(3)检测人员可通过本方法对采集到的实时数据进行健康状态评估，根据设备的健康状态进行深入检修或者基础维修，极大地减少了检测人员的工作量，并且根据不同的健康状态提醒检测人员，提前预警，避免企业因设备老化停工造成的经济损失；

(4)将同一光伏逆变器集群中的光伏逆变器的所有类型数据结合最大相关与最小冗余的特征选择方法，筛选出3种敏感特征，以这3种敏感特征的数值为输入训练出前馈人工神经网络系统，本发明选择的特征具有明确的物理意义，拓展其复用性和实用性；

(5)当设备健康状态为差时，开启自动预警，并将结果上报应急支撑模块，由应急支撑模块产生调度策略，解决用户侧在微电网短时供电不足的应急支撑问题，提升用户/微电网与电网的互动能力，并保障微电网的安全稳定运行。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1所示，将同一光伏发电站的光伏逆变器集群的全寿命周期历史监测信号作为原始特征库，通过最大相关-最小冗余(mRMR)算法从原始特征库中找出与光伏逆变器剩余工作时间最相关的3种特征，称为敏感特征，将光伏逆变器的全寿命周期分为优、良、中、差4种健康状态，则敏感特征的数值与健康状态之间将会存在一个特征矩阵，使用敏感特征的数值与其对应的健康状态对前馈人工神经网络进行训练，则将会形成一前馈人工神经网络，可以对某一型号的光伏逆变器进行健康状态预估，健康状态为差时启动自动预警，上报区域应急支撑功能模块。

具体的方法包括如下步骤：

步骤一、采集光伏逆变器集群中某种同一型号的光伏逆变器的n路全寿命周期历史监测信号，监测信号包括：光伏逆变器A、B、C相电流，A、B、C相电压，AB线电压，AC线电压，BC线电压，A、B、C相IGBT温度，输出总功率，光伏逆变器每一路PV的直流电流、直流电压、直流输入功率。将上述每一路历史监测信号作为原始特征库中的一个特征，记为f

步骤二、通过最大相关-最小冗余算法从原始特征库中筛选出联系剩余工作时间的3种敏感特征，计算过程如下：

将以上信号称为光伏逆变器健康状态的特征，这n个特征的集合称为S。对健康状态的评估主要是看剩余可工作时间的长度，因此，剩余工作时间就作为目标分类，记为M。

首先，需要对特征集合S内的各个特征f

特征集合S和剩余工作时间M的相关性D(S,M)由各个特征f

特征集合S中所有特征的冗余R(S)是特征f

将特征集合与剩余工作时间M的相关性D和特征集合S中所有特征的冗余R结合起来，在相关性D尽量大的情况下冗余R尽量小，定义算子Φ(D,R)用来结合D和R，Φ＝D-R，取令Φ(D,R)最大的前3个特征为敏感特征，计为f

步骤三、提取光伏逆变器特征矩阵敏感特征矩阵及对应健康状态的数据组，具体方法如下：

根据全寿命周期中光伏逆变器的健康状态，按时间段划分为优、良、中、差4个阶段，计为T

步骤四、构建一个前馈人工神经网络，将敏感特征矩阵及对应健康状态的数据组投入该神经网络进行训练：

构建一个含有输入层、隐藏层、输出层的前馈人工神经网络，当敏感特征矩阵从输入层进入到隐藏层时，神经网络将进行如下激活运算：z＝g(F

进一步的，将若干组输入数据和输出数据

取

步骤五、这时候我们得到了训练后的前馈人工神经网络，这个神经网络将适用于本台区的所有光伏逆变器健康状态监测。将当前监测到的光伏逆变器的敏感特征数据投入到本神经网络，将会输出对应的健康状态评估值，如果健康状态对应到T

本发明可实现光伏逆变器健康状态的在线评估，可以帮助检修人员掌握光伏逆变器所处的健康状态，对光伏逆变器实施针对性的维修维护方案，与通常采用的故障后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了光伏逆变器的主动维修，并及时对区域综合能源系统预警，必要时上报区域应急支撑功能模块。且本发明可在线运行、计算简便、无特殊要求限制，对于不同规模的光伏逆变器集群均适用，复用性高，有利于检修人员建立合理有效的维修计划，确保微电网的安全稳定运行。

本发明的实施例可提供为方法或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明的具体实施方式中，未涉及到的说明属于本领域的公知技术，可参考公知技术加以实施。