[发明专利]一种基于深度学习和数字孪生的三相逆变器参数辨识方法

权利要求书

1.一种基于深度学习和数字孪生的三相逆变器参数辨识方法，其特征在于：包括以下步骤：

步骤S1：引入混合逻辑动态模型来构建三相逆变器拓扑的高精度数字孪生模型；

步骤S2：通过电压传感器和电流传感器采集三相逆变器拓扑的实际电路输入输出电流、输入输出电压和电网电压信号，并进行去噪处理；

步骤S3：获取数据集，并将数据集分为训练集、验证集和测试集，对神经网络进行训练、验证和测试后，将同时刻的数字孪生模型的仿真数据和实际电路的输出数据进行作差，构建神经网络的目标函数；采用梯度下降法更新神经网络中的权值，用神经网络权值更新后输出的元件参数更新所述的数字孪生模型中的元件参数；所述数据集中的数据包括在数字孪生模型中设置的元件参数、输入电压、输入电流、电网电压信号以及经过数字孪生模型仿真之后采集的输出电压和输出电流；

步骤S4：反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值，则认为数字孪生模型的参数即为辨识出的实际电路的参数，输出数字孪生模型的元件参数，实现实际电路的元件参数在线快速辨识；

步骤S2中对实际电路采集到的信号进行去噪处理具体为：对采集到的信号作离散小波分析，得到信号各个分解层的小波系数；根据有用信号小波系数幅值大、噪声信号小波系数幅值小的特点，设置合适的阈值对信号进行滤波，当分解的小波系数小于阈值时，予以舍弃；当分解的小波系数大于阈值时，予以保留；用去噪处理后的小波系数进行小波重构，得到去噪后的信号；

其中，阈值函数为：

上式中，w_i,j和分别是信号经去噪处理前后的小波分解系数；

神经网络的输入为实际电路中三相逆变器的输入输出电压、实际电路中三相逆变器的输入输出电流信号值、电网电压信号数据，输出为与输入相对应的数字孪生模型中的元件参数即电感感值、电容容值和电阻阻值；

神经网络的目标函数为：

其中，y为数字孪生模型的输出，y_m为实际电路的输出，通过多次更新权值直至目标函数收敛至所预设的阈值内；所述预设阈值为0.01；

神经网络采用前馈全连接深度神经网络；DNN具有三个层级结构，分别为输入层，隐含层和输出层；前后两层采用全连接的方式，隐含层的输出是由前一层的输出与前一层的权重线性加权求和，再通过计算非线性激活函数得到的；对于有L个隐含层的DNN，其输入为h⁰＝X，隐含层的输出用如下公式进行计算：

a^l＝W^lh^l-1+b^l,(1≤l≤L+1)

更新神经网络权值的方法采用反向传播算法和梯度下降法，求解从神经网络的输出层到输入层神经网络中权值的导数，采用如下公式进行权值更新：

上式中，w_ij代表第l层第j个神经元与第l+1层第i个神经元的连接权值；

在数字孪生模型中设置不同的输入电压电流、电网信号和不同的元件参数，采集输出的电压电流，获得数据作为神经网络的数据集；将数据按7:2:1分成训练集、验证集和测试集，训练集用以训练神经网络模型完成对神经网络权值的更新；将验证集的数据作为经训练集训练完成的神经网络的输入，将神经网络的输出与验证集的标签进行对比完成验证过程，用以验证泛化能力和对网络性能进行初步评估，将测试集的数据作为经验证集验证完成后的神经网络的输入，将神经网络的输出与测试集的标签进行对比，计算出神经网络的识别正确率，正确率大于95％则完成测试过程，用以对网络的泛化能力进行最终评估；测试完成后将实际电路采集到的输入输出电压、输入输出电流和电网电压信号数据传输至上位机，根据目标函数再次更新神经网络的权值直至目标函数收敛至所设阈值内。