[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

说明书

本发明涉及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和系统，步骤S1：引入混合逻辑动态模型来构建三相逆变器的高精度仿真模型；步骤S2：采集实际电路的输入输出电流和输入输出电压等信号，并进行去噪处理；步骤S3：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模型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，用新的元件参数更新所述的数字孪生模型；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；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。本发明能在不对系统侵入的情况下更经济、更可靠地对元件参数进行辨识以对三相逆变器的运行状态进行监测。

技术领域

本发明涉及电力电子技术领域，特别是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和系统。

背景技术

近年来，电网规模的扩大，三相逆变器等电力电子功率变换器的应用日益广泛，器件的老化会给电网的运行带来不确定因素。如何对大规模电网中的器件状态进行实时地、智能化地监测，估计退化水平和预测使用寿命，估计保证电网的稳定性和可靠性是本技术领域急需解决的问题。

参数辨识的传统方法是利用器件特殊的充放电等特性来计算元件的参数，这类方法需要对元件增设额外的传感器，有些方法需要注入一定的信号或需要特殊的滤波电路，这又要求系统是可侵入性的或增加了参数辨识的成本；基于数据驱动的方法也是一种参数辨识有效的方法，但需要离线获取大量的训练数据，这在实际中很难实现。

发明内容

有鉴于此，本发明的目的是提供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和系统，能在不对系统侵入的情况下更经济、更可靠地对元件参数进行辨识以对三相逆变器的运行状态进行监测。

本发明采用以下方案实现：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，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经过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。

进一步地，步骤S2中所述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。

进一步地，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：