[發明專利]一種風電變流器功率模塊IGBT健康狀態評價方法

在審

• 申請號: 201910974000.4
• 申請日: 2019-10-14
• 公開（公告）號: CN110658437A
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 全瑞坤;李輝;楊甜;胡玉;冉軍;劉曉宇;何蓓;劉靜;楊微;蘭涌森;余強
• 申請（專利權）人: 重慶大學
• 主分類號: G01R31/26
• 分類號: G01R31/26;G06K9/62
• 代理公司: 11275 北京同恒源知識產權代理有限公司
• 代理人: 趙榮之

本發明涉及一種風電變流器功率模塊IGBT健康狀態評價方法，屬于風電變流器功率模塊IGBT狀態監測領域，該方法基于無監督學習迭代自組織聚類算法對IGBT工作狀態進行分類，包括以下步驟：S1：采集環境風速、溫度、機側和網側變頻器的功率；S2：使用無監督學習迭代自組織聚類算法對IGBT工作狀態進行健康狀態分類。本發明方法數據采集和實現算法簡單，無監督學習迭代自組織聚類算法健康評價能夠挖掘風電變流器功率模塊監測數據的潛在關系，有效的降低了風電變流器功率模塊的運行維護難度。

技術領域

本發明屬于風電變流器功率模塊IGBT狀態監測領域，具體涉及一種風電變流器功率模塊IGBT健康狀態評價方法。

背景技術

風電變流器功率半導體器件IGBT是電力電子極為重要的核心器件，是能源轉換與傳輸的核心器件，是風力發電和電力電子裝置的核心部件，采用IGBT進行功率變換，能夠提高用電效率和質量，具有高效節能和綠色環保的特點，是解決能源短缺問題和降低碳排放的關鍵支撐技術。功率半導體器件一般具有以下特點：1)高電壓：一般的IGBT如果V_CE的電壓過高，很容易導致器件擊穿；2)大電流：功率器件的電流取決于W/L，在需要大功率電源的要求下，IGBT模塊的設計電流也在逐漸增大。以上情況都極大地增加了IGBT的損壞可能，因此需要研究一種IGBT健康狀態評價的方法。

目前在聚類健康狀態評價中，K聚類算法最為常用，K聚類算法對初值極為敏感，在實際中K值的選擇可以采用機器學習中的一些指標來指定，比如損失函數最小，根據層次分類找到比較好的K值以及聚類的輪廓系數等。一般對不同的數據分布選擇不同的方式，在使用基于距離的算法時需要進行無量綱化，防止樣本在某些維度上過大導致距離計算失效，具體實現只要將屬于最大簇的數據點用K均值聚類。

IGBT健康度評價目前采用基于結溫評價，損耗評價，焊層疲勞程度等方法，一般使用閾值等評價指標，無法提供深層次的多參數評價體系。在本研究中通過采用基于多標簽聚類方法的健康度分級評價可以通過充分挖掘IGBT各個特征參數的內在關聯，揭示特征參數的非線性和隱形映射規律，實現一種各特征參數耦合的數據評價模型。通過無監督學習迭代自組織聚類算法建立一種健康分類評價方法。

發明內容

有鑒于此，本發明的目的在于提供一種風電變流器功率模塊IGBT健康評價方法，通過無監督學習迭代自組織聚類算法實現風電變流器IGBT健康狀態的分類。

為達到上述目的，本發明提供如下技術方案：

一種風電變流器功率模塊IGBT健康評價方法，通過采集環境溫度，風速，機側和網側變頻器的功率，使用無監督學習迭代自組織聚類算法對IGBT工作狀態進行分類，包括以下步驟：

S1：采集環境溫度，風速，機側和網側變頻器的功率；

S2：使用無監督學習迭代自組織聚類算法對IGBT工作狀態進行分類。

進一步，步驟S1具體包括以下步驟：

S11：設定可編程邏輯控制器PLC的模擬數字采樣頻率，對電壓電流信號進行采樣并轉換為數字信號到可編程邏輯控制器PLC，然后通過計算有功功率；

S12：通過卡爾曼濾波算法對數據進行處理，消除錯誤數據。

進一步，步驟S2具體包括以下步驟：

S21：設置預期的IGBT健康狀態聚類中心數目K₀，聚類中心最小樣本數目N_min，最大方差σ，聚類簇中心最小距離D_min；

S22：計算K₀個IGBT健康狀態聚類中心的距離并將其分類到最小的聚類中心簇；