一种光伏逆变器的热故障识别方法、装置及存储介质与流程

本发明涉及光伏逆变器热故障识别，尤其涉及一种光伏逆变器的热故障识别方法、装置及存储介质。

背景技术：

1、逆变器的主要组成是绝缘栅双极晶体管，绝缘栅双极晶体管的热情况与其故障类型密切相关。以下是一些常见的绝缘栅双极晶体管热故障类型及其特征：由于散热膏干燥、散热器污染或散热器与绝缘栅双极晶体管之间的接触不良，绝缘栅双极晶体管模块与散热器之间的热阻增加，导致散热效率下降，形成热阻增加故障。绝缘栅双极晶体管模块经历频繁的频繁启停或负载波动，导致温度变化形成热应力，产生热循环故障；热循环故障可能导致绝缘栅双极晶体管的焊点疲劳、材料老化加速。可能是因为局部过载、不均匀散热、内部短路或焊接不良绝缘栅双极晶体管模块的某个局部区域温度异常升高，形成热点故障；热点可能导致局部材料退化，甚至引起热失控。热失控故障，通常是多重故障的结果，如内部短路、冷却系统完全失效等；绝缘栅双极晶体管模块温度急剧上升可能导致绝缘栅双极晶体管模块迅速损坏，甚至引发火灾。

2、诊断和解决绝缘栅双极晶体管热故障通常需要综合使用热像仪检测、电气测试和维护检查。然而，现有的基于热像仪的热故障检测多通过红外图分析温度和设定阈值关系，确定是否发生热故障，缺乏对于热故障的类型及热故障趋势的进一步分析。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供一种光伏逆变器的热故障识别方法、装置及存储介质。

2、第一方面，本发明提供一种光伏逆变器的热故障识别方法，包括：

3、采集光伏逆变器的离散红外图和对应rgb图；

4、将离散红外图通过二维变分模态分解方法分解得到m个二维解析信号估计带宽之和最小的模态函数；

5、对于连续时段内的离散红外图的模态函数和对应rgb图，求得模态函数和rgb图的波动量；将离散红外图的模态函数、对应离散红外图的rgb图及两者的波动量交替穿插组成特征矩阵f；

6、将所得到的特征矩阵f输送到预训练的热故障模型中，得到光伏逆变器的故障类别及故障趋势。

7、更进一步地，将离散红外图通过二维变分模态分解方法分解得到m个二维解析信号估计带宽之和最小的模态函数，包括：

8、根据模态函数的二维解析信号在频域的定义和傅里叶变换特性得到二维解析信号和模态函数之间的联系：

9、模态函数的二维解析信号在频域的定义为：

10、；

11、其中，为的频域表示，为的中心频率，为在频域对应的瞬时频率，表示符号函数，表示内积；

12、则根据傅里叶变换特性得到二维解析信号和模态函数之间的联系：

13、；

14、其中，为狄拉克函数，为卷积，为的二维解析信号；

15、用高斯平滑偏移的梯度平方来估计二维解析信号的带宽，则m个模态函数带宽之和最小的目标函数表示为：

16、；

17、其中，表示l2范数的平方，表示梯度函数，表示权重系数；

18、在的约束下对目标函数求解：

19、给目标函数引入二次惩罚项和拉格朗日乘子得到：

20、；

21、其中，表示第个离散红外图对应的拉格朗日乘子，

22、通过admm算法交替在频域更新模态函数、中心频率和拉格朗日乘子，找到满足目标函数的鞍点。

23、更进一步地，通过admm算法交替在频域更新模态函数、中心频率和拉格朗日乘子，找到满足目标函数的鞍点，过程包括：

24、初始化：、、、、和。表示第一步迭代时第个离散红外图的第个模态函数的频域表达，通过快速傅里叶变换得到。表示第一步迭代时，对应第个离散红外图的第个模态函数的中心频率，表示第一步迭代时第个离散红外图对应的拉格朗日乘子的频域表达，和分别为收敛阈值和误差阈值；

25、第个离散红外图的第个模态函数的频域表达的更新公式如下：

26、；

27、其中，，为在第步迭代时第个离散红外图的第个模态函数的频域表达，，为第个离散红外图的频域表达，为在第步迭代时第个离散红外图的第个模态函数的频域表达，，表示第步迭代时第个离散红外图对应的拉格朗日乘子的频域表达，表示第步迭代时，对应第个离散红外图的第个模态函数的中心频率。

28、中心频率频域表达的更新公式如下：

29、；

30、其中，为在第步迭代时第个离散红外图的第个模态函数的频域表达；

31、拉格朗日乘子频域表达的更新公式如下：

32、；其中，

33、其中，为控制更新拉格朗日乘子步长的参数；

34、迭代直至满足如下收敛条件：

35、，

36、且，

37、。

38、更进一步地，第个模态函数的波动量：

39、；

40、rgb图的波动量：；

41、其中，为第个模态函数在所处时段内的平均值，为rgb图在所处时段内的平均值，，，为连续时间段的起点，为连续时间段的终点。

42、更进一步地，所述热故障模型包括：

43、2d卷积层和层归一化，2d卷积层的卷积核大小3、步幅1和填充1，2d卷积层提取的特征保持了特征矩阵f的空间维度；

44、在2d卷积层和层归一化之后，是多组深度缩放层和引入senet层的convnext块，

45、通过线性映射将特征映射到用于分类的全连接层，全连接层后设置softmax层。

46、更进一步地，深度缩放层包含层归一化和若干卷积层；层归一化按顺序应用于特征的通道，接下来的卷积层逐渐扩大通道维度。

47、更进一步地，引入senet层的convnext块包括一个逐深度卷积层，逐深度卷积层独立处理每个输入特征的通道，随后，是senet层和层归一化，通过senet层选择性地强调重要通道并减少不相关的通道来优化通道特征，在层归一化之后，采用两个逐点卷积层：第一个逐点卷积层将特征的通道维度扩展了四倍，第二逐点卷积层将特征的通道恢复到原始大小，两个逐点卷积层转换了通道特征表示，两个逐点卷积层之间设置gelu激活函数，并且还利用可学习的缩放参数来根据特征的显着性调整输出；引入senet层的convnext块还集成了残差连接和dropout，分别促进信息流动和减轻过拟合。

48、更进一步地，senet层包括：全局平均池化层，然后是具有relu激活函数的第一个全连接层和具有sigmoid激活函数的第二个全连接层，senet层能够动态地关注特征通道中最相关的特征，通过强调显著特征并抑制较小特征，并通过relu激活函数和sigmoid激活函数引入非线性。

49、第二方面，本发明提供一种光伏逆变器的热故障识别装置，包括：至少一处理单元，所述处理单元通过总线单元连接存储单元和采集单元，所述采集单元采集光伏逆变器的离散红外图和对应rgb图，所述存储单元存储计算机程序，所述计算机程序被所述处理单元执行时，实现所述的光伏逆变器的热故障识别方法。

50、第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时，实现如所述的光伏逆变器的热故障识别方法。

51、本发明实施例提供的上述技术方案与现有技术相比具有如下优点：

52、本技术采集光伏逆变器的离散红外图和对应rgb图；将离散红外图通过二维变分模态分解方法分解得到m个二维解析信号估计带宽之和最小的模态函数；对于连续时段内的离散红外图的模态函数和对应rgb图，求得模态函数和rgb图的波动量；将离散红外图的模态函数、对应离散红外图的rgb图及两者的波动量交替穿插组成特征矩阵f；将所得到的特征矩阵f输送到预训练的热故障模型中，得到光伏逆变器的热故障类别。本技术利用红外图的数据和rgb图的数据进行热故障识别，融合两种图的特征进行热故障的识别，为热故障识别提供更丰富的特征。且对于红外图本技术通过二维变分模态分解得到m个估计带宽之和最小的模态函数，将模态函数作为部分特征，用以更精细地建立热故障和不同模态函数所含特征之间的联系，更好的进行热故障分类。

53、本技术特征矩阵f中还融合了波动量，通过波动量的时序关系，即波动量通道之间的关系可以很好的反应热故障趋势。

54、本技术的故障识别采用引入senet层的convnext块，通过senet层选择性地强调重要通道并减少不相关的通道来优化通道特征，以更好的通过通道特征之间的联系来理解热故障的同时理解热故障趋势。senet层还可以有效地增强模型处理和解释多通道数据集复杂性的能力。