← 返回
基于小波变换与卷积神经网络的电容参数估计
Capacitor Parameter Estimation Based on Wavelet Transform and Convolution Neural Network
| 作者 | Hongjian Xia · Yi Zhang · Minyou Chen · Dan Luo · Wei Lai · Huai Wang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年11月 |
| 技术分类 | 可靠性与测试 |
| 技术标签 | 可靠性分析 故障诊断 机器学习 深度学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 电容参数估计 小波变换 卷积神经网络 特征提取 状态监测 电力电子 |
语言:
中文摘要
本文提出了一种基于小波变换和卷积神经网络(CNN)的电容参数估计方法。通过利用小波变换和带通滤波器的非理想特性,高分辨率地提取电容电压中的低频和中频特征,并利用CNN网络实现参数的精确估计。
English Abstract
This article proposes a capacitor parameter estimation method based on wavelet transform and convolution neural network (CNN). By fully utilizing wavelet transforms and the inherently nonideal properties of bandpass filters, the low-frequency and midfrequency band features contained in capacitor voltages are extracted with high resolution. Leveraging these features, a subsequent CNN network simult...
S
SunView 深度解读
电容是光伏逆变器和储能变流器(PCS)中寿命最薄弱的元器件之一,其老化状态直接影响设备的可靠性。该技术通过深度学习实现电容参数的在线监测,可直接集成于iSolarCloud智能运维平台,实现对组串式逆变器、PowerTitan及PowerStack储能系统内部直流母线电容的健康状态(SOH)预警。建议研发团队将其转化为嵌入式算法,部署在逆变器控制板中,实现从“事后维修”到“预测性维护”的跨越,显著降低电站运维成本,提升阳光电源产品的全生命周期可靠性竞争力。