论文部分内容阅读
绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)具有载流密度大、输入阻抗高等诸多优点,广泛应用于电力行业的各个方面。然而长期工作在高温、高压等恶劣环境下的IGBT会逐渐老化故障,甚至失效。因此,研究IGBT故障预测,对降低事故发生、提高电力系统稳定性具有重要意义。大多数研究学者采用数理统计方法或机器学习方法对IGBT进行故障预测,未能充分利用退化数据的时间序列信息,预测效果不够理想。因此,本文对IGBT故障预测问题进行研究,提出使用深度学习混合网络模型方法对IGBT进行故障预测,并将该混合网络模型应用于故障预测软件系统。论文主要研究内容如下:(1)首先对IGBT的失效机理进行深入分析和研究,从中选取集电极-发射极关断尖峰电压值作为故障预测的特征参数,并使用提取的NASAPCoE研究中心老化数据验证该特征参数。(2)对IGBT进行时间序列故障预测问题研究,提出使用深度学习循环神经网络方法进行IGBT故障预测。深入探究并设计LSTM(Long Short-term Memory)、GRU(Gated Recurrent Unit)时间序列预测网络。针对网络利用输出历史时刻信息不充分的问题,提出使用全连接层Ds(Denses)优化网络模型,设计LSTM-Ds、GRU-Ds网络用于IGBT故障预测。(3)对建立的LSTM、GRU、LSTM-Ds、GRU-Ds网络进行IGBT故障预测实验。针对LSTM-Ds、GRU-Ds网络预测时数据波动性强、谐波周期扰动大的问题,进一步提出网络改进方案。最终使用二次指数平滑(Second Exponential Smoothing Method,SES)之后的混合网络模型SES-GRU-LSTM-Ds能够得到RMSE(均方根误差)为0.0756、MAE(平均绝对误差)为0.0593的最优网络模型。(4)设计用于换流阀设备的IGBT故障预测及可视化软件系统,并将得出的最优混合网络模型集成到软件系统中进行应用,具有一定的实用性。综上所述,本文以IGBT故障预测为研究方向,通过深度学习算法混合网络模型对IGBT进行故障预测,对工程应用具有参考意义。