智能数据驱动数字孪生：用于三相并网光伏系统的预测性健康监控

《IEEE Transactions on Industrial Cyber-Physical Systems》：Intelligent Data-Driven Digital Twin for Predictive Health Monitoring of 3-Phase Grid-Connected PV Systems

　　

摘要：

并网光伏（PV）逆变器越来越多地面临动态辐照度变化、畸变电网电压和无源元件的渐进式退化，这可能会降低电能质量、增加损耗并损害长期可靠性。传统的基于物理模型的数字孪生需要详细的解析模型并与物理系统进行持续同步，而许多诊断方法仍保持离线状态或严重依赖于预定义的元件模型。为了解决这些局限性，本文提出了一种数据驱动数字孪生（DD-DT）框架，用于单级三相并网光伏逆变器的状态估计、内部参数识别和预测性健康监测。采用级联二阶和三阶广义积分器 - 噪声抑制模块 - 紧凑广义积分器（CSTOGI-NSB-CGI），用于在畸变电网条件下进行鲁棒的电压模板提取。随后使用回声状态网络（ESN）作为储层计算代理，学习可测量信号与隐藏的内部电气状态之间的非线性时间关系。重构的状态进一步用于估计关键元件参数，包括接口电感、电容、等效串联电阻和开关导通电阻。在接口电感和直流母线电容渐进式退化下的实验验证证实了硬件与 DD-DT 响应之间的高度一致性，相对预测误差保持在 3% 以内，总体平均 NRMSE 为 5.57%，并且在报告的所有测试案例中平均 R2 为 0.876。所开发的框架为工业信息物理系统（ICPS）中并网光伏逆变器系统的预测性维护提供了可扩展且计算高效的基准。