[發明專利]一種基于逆變器散熱器溫度預測的過溫預警方法

有效

• 申請號: 202011442899.4
• 申請日: 2020-12-08
• 公開（公告）號: CN112910288B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 劉琦;楊博;汪鑫奕;陳彩蓮;王召健;關新平
• 申請（專利權）人: 上海交通大學
• 主分類號: H02M7/48
• 分類號: H02M7/48;G06N3/04;G06N3/08
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

1.一種基于逆變器散熱器溫度預測的過溫預警方法，首先通過引入經驗模態分解(Empirical Mode Decomposition,EMD)方法，去除了數據采集過程中產生的噪聲；然后基于貝葉斯長短時記憶網絡(Bayesian Long Short-Term Memory，BLSTM)，提出了一種逆變器散熱器溫度預測模型，包括：(1)構建傳統的長短時記憶網絡(Long Short-Term Memory,LSTM)，提取數據時序性特征；(2)引入貝葉斯思想，使用蒙特卡洛dropout方法來進行近似推斷，通過最小化網絡權重的近似分布和后驗分布之間KL散度學習網絡權重；(3)根據逆變器溫度預測結果的分布情況，分別采用平方馬氏距離和局部密度比這兩種度量方式來計算模型預測值與實際值之間的偏差情況，調整網絡權重；

所述預警方法包括如下步驟：

步驟a、數據清洗，實際逆變器采集的三相電流和三相電壓數據包含較多的噪聲，選用經驗模態分解對原始數據進行清洗；

步驟b、數據預處理，將數據轉化為神經網絡可以處理的有效數據；

步驟c、建立LSTM；

步驟d、建立BLSTM；

步驟e、基于變分dropout實現BLSTM；

步驟f、多步預測，對逆變器建立超短時、短時、長時各種時間尺度下的預警機制，所設計BLSTM的輸出維度是可調節的；

步驟g、量化近似后驗分布；

步驟h、逆變器過溫預警；

所述步驟a還包括：

步驟a1、信號分解，利用所述經驗模態方法將原始所述三相電流和所述三相電壓數據分別分解為14個本征模函數(Intrinsic Mode Function，IMF)分量；

步驟a2、信號濾波，然后將分解得到的14個所述IMF分量按頻率從低到高排序，最后四個高頻所述IMF分量被視為偽分量，也即高頻噪聲，將其剔除；

步驟a3、信號重構，最后將信號濾波后所述三相電流和所述三相電壓各自的10個有效所述IMF分量分別疊加，得到重構后的所述三相電流和所述三相電壓數據；

所述BLSTM通過整合所述LSTM網絡參數的統計建模，得到了一個輸入輸出映射的概率模型；所述概率模型求解方法包括：

步驟1、參數ω＝{W_f,W_i,W_c,W_o,b_f,b_y,b_c,b_o}作為先驗分布p(ω)的隨機變量，因此，所述LSTM的細胞狀態和輸出可以重新表示為：

C_t＝f_i^ω(x_t,h_t-1)

其中下標i和o分別表示隱藏層和輸出層節點的索引，f_i^ω和分別表示兩種非線性算子；

每個數據點輸出的可能性為：

其中τ是反映數據固有噪聲的精度參數，參數ω為模型參數，C_t是細胞當前時刻狀態，C_t-1細胞上一時刻狀態，I_D表示單位矩陣；

步驟2、給定一個包含X、Y的訓練數據集,所述X即所述逆變器的所述三相電流、所述三相電壓以及所述逆變器機內空氣溫度、變壓器溫度；所述Y即光伏系統中所述逆變器散熱器的實際溫度，所述訓練數據集即大型地面光伏電站存儲的所述逆變器歷史運行數據，在參數空間上學習需要估計后驗分布p(ω∣X,Y)；利用更新后的分布，通過積分得到逆變器散熱器溫度的預測輸出y^*的分布：

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

其中，x^*表示一個新的觀測值，對于先驗分布，選擇權重矩陣p(W)上的標準零均值高斯先驗，預測的不確定性將直接反映在后驗分布p(y^*∣x^*,X,Y)。