← 返回
基于简易迁移学习的模型-数据混合驱动电池逆变器故障检测方法
Easy Transfer Learning-Based Model-Data-Hybrid-Driven Fault Detection for Battery Inverters
| 作者 | Yu Zeng · Ezequiel Rodriguez · Qingxiang Liu · Gaowen Liang · Huamin Jie · Josep Pou |
| 期刊 | IEEE Transactions on Industrial Electronics |
| 出版日期 | 2024年10月 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 故障诊断 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 故障检测 知识迁移学习 电池变换器 微电网 检测精度 |
语言:
中文摘要
在这篇论文中，提出了一种基于简易知识迁移学习、结合数据与模型的混合故障检测方法。该方法应用于多个电池变流器，在离线阶段，利用现有系统获取的知识对并入微电网的新系统进行训练。新的目标分类器能够在数据集减少 60% 的情况下检测开路故障和电流传感器故障。该方法的有效性在一个包含两个三相两电平变流器（一个源变流器和一个目标变流器）的微电网中通过实验得到了验证。利用硬件在环测试了不同电压、容量和额定功率的电池。检测准确率达到了 99.1%。
English Abstract
In this letter, a hybrid method of fault detection using data and models, based on easy knowledge transfer learning, is proposed. The proposed method is applied for multiple battery converters, where new systems that are integrated into a microgrid are trained using the knowledge acquired by the existing systems during the offline phase. The new Target classifier can detect both open-circuit faults and current sensor faults with a 60% dataset reduction. The effectiveness of the method has been experimentally corroborated in a microgrid with two three-phase two-level converters, one Source, and one Target. Different values in terms of voltage, capacity, and power rating of the batteries, are tested using hardware in the loop. The detection accuracy is 99.1%.
S
SunView 深度解读
从阳光电源储能系统业务视角来看，这项基于迁移学习的模型-数据混合驱动故障检测技术具有显著的工程应用价值。该技术针对电池变流器的开路故障和电流传感器故障检测，实现了99.1%的检测精度，同时将数据集需求降低60%，这对于我们大规模部署的储能电站运维具有重要意义。
该技术的核心优势在于知识迁移能力。在微电网或储能集群场景中，新接入系统可以复用已有系统的故障诊断知识，无需从零开始训练模型。这与阳光电源在全球部署的数千个储能项目形成天然契合——我们可以将成熟项目的故障诊断经验快速迁移到新建项目，大幅缩短调试周期，降低现场数据采集成本。特别是在电池电压、容量、功率等级存在差异的异构系统中，该方法仍能保持高准确率，这对应对我们产品线的多样化配置需求极具价值。
从技术成熟度评估，该方法已通过硬件在环实验验证，具备工程化基础。但实际应用仍面临挑战：首先，微电网实验环境与大型储能电站的复杂工况存在差距，需要验证在数十甚至数百台变流器并联场景下的可扩展性；其次，故障类型的覆盖度有待扩展，实际运维中还需应对IGBT老化、直流母线电容退化等多种故障模式。
建议阳光电源将此技术纳入智慧运维平台的研发路线图，优先在示范项目中试点应用，结合我们现有的大数据平台和云端诊断系统，逐步构建具有自主知识产权的储能系统智能故障诊断体系，进一步巩固在储能系统可靠性方面的技术领先优势。