CN113761793B - 逆变器输出阻抗检测装置及方法、逆变器运行控制方法 - Google Patents
逆变器输出阻抗检测装置及方法、逆变器运行控制方法 Download PDFInfo
- Publication number
- CN113761793B CN113761793B CN202110935878.4A CN202110935878A CN113761793B CN 113761793 B CN113761793 B CN 113761793B CN 202110935878 A CN202110935878 A CN 202110935878A CN 113761793 B CN113761793 B CN 113761793B
- Authority
- CN
- China
- Prior art keywords
- inverter
- output impedance
- neural network
- network model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000003062 neural network model Methods 0.000 claims abstract description 72
- 239000003990 capacitor Substances 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/08—Measuring resistance by measuring both voltage and current
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开一种逆变器输出阻抗检测装置及方法、逆变器运行控制方法,本发明在验证通过逆变器侧滤波电容电压和滤波电感电流来计算逆变器输出阻抗的可行性的前提下,提出一种新的逆变器输出阻抗检测方案,即将采样的逆变器侧滤波电容电压和滤波电感电流输入神经网络模型,以预测逆变器的输出阻抗,并提供了该神经网络模型的建立及训练步骤;将该神经网络模型下载到智能芯片中,CPU根据智能芯片输出的实时检测结果,通过自适应算法调制脉冲信号,实现对逆变器运行状态的实时控制。本发明的逆变器输出阻抗检测装置无需电压源或电流源作为扰动量,也无需频率响应分析仪,通过深度神经网络模型能够实时、准确地预测逆变器的输出阻抗,实现对逆变器的自适应控制。
Description
技术领域
本发明涉及逆变器领域,尤其涉及一种逆变器输出阻抗检测装置及方法、逆变器运行控制方法。
背景技术
在世界各国的“碳中和”、“碳达峰”目标下,包括光伏、风电和储能在内的新能源装机增量逐年大幅攀升,但新能源渗透率的不断提升在减少了碳排放的同时,也造成了电网强度的下降,一般称电网强度较低的电网为弱电网。
弱电网会造成新能源逆变器的失稳,给电力***的安全稳定运行带来了巨大的挑战。目前阻抗分析法被广泛用于逆变器的稳定性分析中,通过计算逆变器输出阻抗与电网阻抗,可以判断***的稳定性,并设计算法改变逆变器的输出阻抗进而提高逆变器的稳定性。但该方法基于数学模型推导,只是实际模型的近似值,由于逆变器中的软硬件参数会随运行状态而改变,导致误差较大。
现有技术中针对逆变器的控制技术主要集中在谐振抑制,比如专利公开号为CN110247427A的中国专利申请,公开了一种电网参数在线识别的并网逆变器谐振智能抑制方法,也有检测逆变器性能的现有技术,比如专利公开号为CN106291107A的中国专利申请,公开了逆变器的输出阻抗角检测装置及检测方法,但是现有技术中对于逆变器输出阻抗的检测研究少之又少,目前常用的逆变器输出阻抗测量方法一般通过在公共耦合点(PCC)处施加扰动电压或扰动电流,通过频率响应分析仪测量PCC点的电压和电流来计算输出阻抗。该方法需要的仪器较多,且只能在产品开发测试阶段,用于优化逆变器的设计参数,而无法应用到逆变器的实际工况中。
现有技术存在至少以下缺陷:
第一、工业应用中,逆变器实际工况的输出阻抗难以实时检测,因为在实际工况中实时施加扰动信号或者利用实验室较多仪器应用到工况检测中都是不切实际的;
第二、目前并未明确逆变器输出阻抗的实时检测价值,这导致本领域技术人员没有动机去研究逆变器输出阻抗的检测技术。
发明内容
为了解决现有技术的问题,本发明提供了一种逆变器输出阻抗检测装置及方法、逆变器运行控制方法,利用逆变器侧的滤波电容电压和滤波电感电流基于神经网络模型实时计算逆变器的输出阻抗,并将实时输出的逆变器输出阻抗值生成控制指令,以实时控制逆变器的运行状态。相比于现有技术中通过在公共耦合点处施加扰动电压或扰动电流,利用频率响应分析仪测量PCC点的电压和电流来计算输出阻抗,本发明提供了一种全新的检测逆变器输出阻抗的方法。利用滤波电容电压和滤波电感电流计算逆变器的输出阻抗的可行性(即逆变器输出阻抗的检测原理)的验证过程如下:
参见图2的逆变器和电网的等效电路图,其中,is、zo1和C为逆变器的等效电路,is为等效电流源的输出电流,iL1为逆变器侧电感电流,zo1为不考虑滤波电容时的逆变器等效输出阻抗,C为滤波电容,zo1和C共同组成逆变器的输出阻抗zo。zg为电网等效阻抗,vg为电网电压。根据等效电流可得:
iL1=is-vc/zo1 (1)
通过采集n个不同时刻的变量值,和m个不同的运行状态(包括有功功率P和无功功率Q),可以得到以下方程:
逆变器稳定运行在一种状态下时,可以认为
zo1_0=zo1_1=…=zo1_n-1,is_0=is_1=…=is_n-1 (3)
则可以根据式2与式3估计zo1与is。
同时由于滤波电容电压和滤波电感电流含有丰富的各次谐波,原则上可以得到不同频率下的zo1与is,进而根据下式(4)得到逆变器输出阻抗zo为
其中zc为电容阻抗,且zc=1/C。
至此,验证得出根据逆变器侧滤波电感电流和滤波电容电压计算逆变器输出阻抗这一方案的可行性。
但是这种计算方式在理论上虽然可以计算得到逆变器的输出阻抗,但在实际***中,采集的电压和电流信号存在电磁干扰,并同时受电网电压的干扰,因此,使用上述计算方法很难准确稳定地检测阻抗。
本发明在验证上述计算方案(不考虑干扰的情况下)的可行性的前提下,提供了一种基于人工智能的逆变器输出阻抗检测算法,采用人工神经网络方法,由于增加了专用的智能芯片,可以实现复杂的人工神经网络算法,如深度神经网络,来提高检测的准确度与鲁棒性。与传统的机器学习算法相比,深度神经网络算法不需要人工设计特征提取器,而由网络自身学习获得,特别适用于变化复杂的数据,具有非常优良的泛化能力和鲁棒性。以上的优良特性,使得采用深度神经网络可以准确稳定地检测(预测)逆变器的输出阻抗,具体技术方案如下:
一方面,本发明提供了一种逆变器输出阻抗的智能检测装置,用于对检测装置外部的逆变器的输出阻抗进行检测,所述检测装置无需电压源或电流源作为扰动量,包括以下模块:
采样模块,用于采样逆变器侧滤波电容电压和滤波电感电流;
智能芯片,用于接收所述采样模块所采样到的电压信号和电流信号,并将其输入至内部的逆变器输出阻抗检测神经网络模型,所述逆变器输出阻抗检测神经网络模型预先建立并完成训练,以能够根据输入的电压信号和电流信号而输出逆变器输出阻抗。
进一步地,用于对所述逆变器输出阻抗检测神经网络模型进行训练的训练样本通过以下步骤获取:
S1、收集数据:在搭建两个相同的逆变器工作平台的情况下,在第一逆变器工作平台上采集逆变器的工作电路在不同时刻下的滤波电容电压和滤波电感电流数据,以得到多个样本,在第二逆变器工作平台上相应的不同时刻下测量逆变器的实际阻抗值;
S2、数据预处理:将步骤S1收集的样本数据变换为频域数据,得到训练样本,并将步骤S1中测量得到的各个实际阻抗值分别作为在相同时刻下采集的样本数据变换后的训练样本的标签。
进一步地,所述逆变器输出阻抗检测神经网络模型预先通过以下步骤建立:
E1、使用深度学习平台搭建卷积神经网络模型,将网络结构配置为包括卷积层、池化层和全连接层,并对其进行网络定义;
E2、为搭建的卷积神经网络配置训练环境和创建执行器,并根据训练样本的维度定义网络输出数据维度;
E3、所述执行器利用训练样本对所述神经网络模型进行训练,其中,每个训练样本具有相应的标签。
进一步地,步骤S2中将样本数据变换为频域数据后,从所述频域数据中分别按照预设的比例获取训练样本和测试样本;
步骤E3中对利用训练样本对所述神经网络模型进行预设轮次的训练后,使用所述测试样本对所述神经网络模型进行验证,得到损失值和准确率;若所述损失值和/或准确率通过验证,则将当前的所述神经网络模型作为所述逆变器输出阻抗检测神经网络模型,否则利用训练样本对所述神经网络模型进行迭代训练,直至训练得到的神经网络模型的损失值和/或准确率通过验证;
再将所述逆变器输出阻抗检测神经网络模型下载到所述智能芯片中。
进一步地,所述逆变器输出阻抗的智能检测装置还包括CPU模块和PWM模块,其中,所述CPU模块与所述智能芯片、PWM模块均电连接,所述PWM模块用于与所述逆变器电连接;
所述采样模块为实时采集并发送电压信号和电流信号,所述智能芯片向所述CPU模块实时输出估计的逆变器输出阻抗值,所述CPU模块用于根据当前的逆变器输出阻抗值生成控制指令,并将其发送至所述PWM模块;
所述PWM模块用于根据所述控制指令输出适配的脉冲信号以实时控制所述逆变器的运行状态。
另一方面,本发明提供了一种逆变器输出阻抗的智能检测方法,无需电压源施加扰动电压且无需电流源施加扰动电流,所述检测方法包括以下步骤:
采集逆变器侧的滤波电容电压和滤波电感电流;
将所述滤波电容电压和滤波电感电流的数据采集结果输入至预生成的逆变器输出阻抗检测神经网络模型,所述逆变器输出阻抗检测神经网络模型输出相应的逆变器输出阻抗的检测结果;其中,所述逆变器输出阻抗检测神经网络模型通过以下步骤预生成:
S1、收集数据:在搭建两个相同的逆变器工作平台的情况下,在第一逆变器工作平台上采集逆变器的工作电路在不同时刻下的逆变器侧滤波电容电压和滤波电感电流数据,以得到多个样本,在第二逆变器工作平台上相应的不同时刻下测量逆变器的实际阻抗值,以得到相应的标签;
S2、数据预处理:将步骤S1收集的样本数据变换为频域数据,得到训练样本;
S3、模型训练:利用步骤S2中预处理得到的训练样本及其相应的标签,对神经网络模型进行训练,得到所述逆变器输出阻抗检测神经网络模型。
进一步地,步骤S3中所述对神经网络模型进行训练包括:
S31、使用深度学习平台搭建卷积神经网络模型,将网络结构配置为包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层,并对其进行网络定义;
S32、为搭建的卷积神经网络配置训练环境和创建执行器,并定义网络输出数据维度等于训练样本维度;
S33、按照预设的训练轮次使用所述执行器来执行对所述神经网络模型的训练。
进一步地,步骤S2中将样本数据变换为频域数据后,从变换后的频域数据中,得到训练样本且得到测试样本;或者,通过搭建第三个相同的逆变器工作平台以得到测试样本;
步骤S33之后还包括:
S34、在每次完成预设轮次的训练后,使用所述测试样本对所述神经网络模型进行验证,得到损失值和准确率;
S35、判断验证得到的损失值和/或准确率是否满足预设的条件,若满足,则将当前的所述神经网络模型作为所述逆变器输出阻抗检测神经网络模型;否则返回执行S33-S35。
进一步地,步骤S31中所述对其进行网络定义包括:
定义所述第一卷积层的卷积核大小及对应层的激活函数;
定义所述第一池化层的池化核大小及对应层的池化类型为max,池化步长为2;
定义所述第二卷积层的卷积核大小及对应层的激活函数;
定义所述第二池化层的池化核大小及对应层的池化类型;
定义所述全连接层大小及对应层的激活函数。
进一步地,步骤S1中利用频率响应分析仪和线性放大设备实时测量逆变器的实际阻抗值,并且对所述第一逆变器工作平台和第二逆变器工作平台同步调节运行参数,以得到不同工况下的样本数据及对应相同时刻下的标签。
进一步地,步骤S2中对收集到的样本数据进行快速傅里叶变换,选择频率范围为50Hz至6000Hz。
再一方面,本发明提供了一种逆变器运行状态的智能控制方法,包括以下步骤:
利用如上所述的逆变器输出阻抗的智能检测方法检测当前逆变器的输出阻抗;
根据阻抗分析法判断当前逆变器的稳定性,通过自适应算法调制用于对所述逆变器运行状态进行控制的脉冲信号。
本发明提供的技术方案带来的有益效果如下:
a.基于智能芯片运行人工神经网络算法,即可准确输出逆变器的输出阻抗,无需施加电压扰动或者电流扰动,也无需频率响应分析仪或其它测量设备,即可检测逆变器输出阻抗;
b.能够实时检测逆变器在实际工况中的输出阻抗;
c.在实际工况中实时检测输出阻抗的前提下,根据阻抗分析法判断逆变器的工作稳定性,进而通过自适应算法改进控制参数,提高逆变器的稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的逆变器输出阻抗的智能检测装置的结构示意图;
图2是图1中逆变器和电网的等效电路图;
图3是本发明实施例提供的逆变器输出阻抗的智能检测方法流程示意图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
随着新能源渗透率的提升,光伏/储能逆变器运行的电网环境日趋复杂,对逆变器的智能化要求也日益增加,仅使用现有的控制芯片无法实现逆变器的智能化要求。在此背景下,本发明提出用于光伏/储能逆变器的工程可实现的、实时的、高精度的逆变器输出阻抗检测技术。
在本发明的一个实施例中,提供了一种逆变器输出阻抗的智能检测装置,用于对检测装置外部的逆变器的输出阻抗进行检测,所述检测装置无需电压源或电流源作为扰动量,参见图1,所述逆变器输出阻抗的智能检测装置包括以下模块:
采样模块,用于采样逆变器侧滤波电容电压和滤波电感电流;
智能芯片,用于接收所述采样模块所采样到的电压信号和电流信号,并将其输入至内部的逆变器输出阻抗检测神经网络模型,所述逆变器输出阻抗检测神经网络模型预先建立并完成训练,以能够根据输入的电压信号和电流信号而输出逆变器输出阻抗的预测值;
CPU模块,其与智能芯片电连接,其用于接收所述逆变器输出阻抗的预测值,并根据当前的逆变器输出阻抗值生成控制指令;
PWM模块,其输入端与所述CPU模块电连接,其输出端与所述逆变器电连接,所述PWM模块用于接收所述控制指令并根据所述控制指令输出适配的脉冲信号以实时控制所述逆变器的运行状态。
另外,所述检测装置还包括通讯模块和存储模块,所述通讯模块用于实现装置内部CPU与装置外部设备(比如控制器或移动终端)的通讯,所述存储模块用于存储所述检测装置内部(比如CPU的处理信息)。
所述逆变器输出阻抗的智能检测装置的应用场景如图1示意:与电网连接的逆变器为待检测的目标逆变器,逆变器侧设置有滤波电感和滤波电容,用于对逆变器向电网的输送信号进行滤波。
基于这样的配置(滤波电容和滤波电感),所述检测装置的采样模块分别采样滤波电容的端电压及流经滤波电感的电流,作为输入智能芯片中神经网络模型的输入参数;由于所述采样模块能够实时采集并发送电压信号和电流信号,因此智能芯片能够向所述CPU模块实时输出估计的逆变器输出阻抗值,最终实现对逆变器的实时自适应控制。
即在现有的逆变器控制芯片(CPU模块)外,额外增加一个人工智能芯片,可以是TPU、ARM、STM32系列芯片或其他适合提高智能算法的芯片,专门用于运行人工智能算法,提高算法的运行速度,保证算法的实时性。该智能芯片用于逆变器输出阻抗检测(预测),但是不排除在其他场景下运行其他人工智能算法。
本发明利用以下工作原理检测逆变器输出阻抗:采样模块实时采样逆变器侧滤波电容电压vc和滤波电感电流iL1,将采样值输入到CPU和智能芯片中,智能芯片通过智能阻抗检测算法实时估计逆变器输出阻抗,该算法可以是人工神经网络算法或其他智能算法。智能芯片将估计的逆变器输出阻抗输入到CPU中,CPU将接收到阻抗值用于逆变器的控制程序中,输出控制信号到PWM模块,PWM模块输出脉冲信号控制逆变器的运行。
正如上述所验证的,根据逆变器侧的滤波电感电流和滤波电容电压来计算逆变器输出阻抗是可行的,因此,本发明实施例以电感电流和电容端电压作为神经网络模型的输入参量,以逆变器输出阻抗作为神经网络模型的输出参量。
确定输入参量类型和输出参量类型后,通过以下步骤建立神经网络模型:
E1、使用深度学习平台搭建卷积神经网络模型,将网络结构配置为包括卷积层、池化层和全连接层,并对其进行网络定义。
具体地,本实施例中可使用飞桨深度学习平台搭建卷积神经网络(CNN),并将网络结构配置为包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层,定义所述第一卷积层的卷积核大小为10,数量为5,激活函数为relu;定义所述第一池化层的池化核大小为2,池化类型为max,池化步长为2;定义所述第二卷积层的卷积核大小为25,数量为5,激活函数为relu;定义所述第二池化层的池化核大小为2,池化类型为max,池化步长为2;定义所述全连接层大小为10,激活函数为sigmoid。
此外,网络定义操作还包括:
选择损失函数为以下任意一种:
log-cosh损失函数或
均方差误差损失函数或
平均绝对值误差损失函数其中,/>为每次训练后验证的损失值,N为每次验证的测试样本数量,/>为第i个测试样本的预测值,yi为第i个测试样本所对应的标签值;
定义所述卷积神经网络模型的优化方法为Adam、AdaMax或Nadam;
定义学习速率范围为0.0001-0.002,优选为0.001。
E2、为搭建的卷积神经网络配置训练环境和创建执行器(Executor),并根据训练样本的维度定义网络输出数据维度。
具体地,完成CNN网络搭建后,配置训练环境和创建Executor,然后定义输出数据维度等于样本维度,并设置训练轮次。
E3、所述执行器利用训练样本对所述神经网络模型进行训练,其中,每个训练样本具有相应的标签,直至训练后的神经网络模型的损失值和/或准确率符合要求,则结束(完成)训练,即将当前完成训练的神经网络模型作为上述的逆变器输出阻抗检测神经网络模型部署到智能芯片中。
本发明中对神经网络模型进行训练所需的训练样本,参见图3,在本发明的一个实施例中,通过以下步骤获取:
S1、收集数据:在搭建两个相同的逆变器工作平台的情况下,在第一逆变器工作平台上采集逆变器的工作电路在不同时刻下的逆变器侧滤波电容电压和滤波电感电流数据,以得到多个样本,在第二逆变器工作平台上相应的不同时刻下测量逆变器的实际阻抗值。
具体地,首先在实验室搭建两个完全相同的逆变器实验平台,且使两个逆变器运行在完全相同的状态中,其中一逆变器实验平台称为A平台,采集滤波电容电压和滤波电感电流的数据用于作为训练样本和测试样本,另一逆变器实验平台称为B平台,采用频率响应分析仪和线性放大设备实时测量逆变器的实际阻抗值,作为训练样本和测试样本的标签,需要说明的是,训练样本/测试样本的采样时刻与相应的标签(实际阻抗值)的测量时刻相同。
以采样频率为16KHz、每个样本为20ms的电压及电流采样值为例,则每个样本为2×320的矩阵;通过改变输出的有功功率、无功功率、直流母线电压、电网电压和电网等效阻抗等方式(可以择一或者任意组合),采集得到不同工况下的样本,本实施例中采集的样本数量超过105个,设置训练轮次为200(显然也可以相应调整样本数量和训练轮次)。同步在B平台上采用相同的频率和时刻测量逆变器输出阻抗值,作为样本的标签。
S2、数据预处理:将步骤S1收集的样本数据变换为频域数据,得到训练样本,并将步骤S1中测量得到的各个实际阻抗值分别作为在相同时刻下采集的样本数据变换后的训练样本的标签。
具体地,将步骤S1所有收集到的数据集合到一起,并进行预处理。由于阻抗检测在频域内进行,本实施例中将收集的样本数据进行快速傅里叶变换(FFT),比如选择频率范围为(50Hz,6000Hz),频率点间隔为50Hz,转换后的每个样本变为一个2×120的矩阵;
可根据需要对样本数据进行整形,比如将2×120的矩阵样本整形为一12×20或者16×15的矩阵,使整形后的样本能够更好地训练神经网络模型。
将FFT变换或FFT变换并整形后的80%样本作为训练样本,另20%样本作为测试样本,这里的样本比例仅为举例,从总样本中划分训练样本和测试样本仅为一种可实施例,本申请不排除通过搭建第三个相同的逆变器工作平台(C平台)以得到测试样本的方式,比如以A平台的全部样本作为训练样本,以C平台样本中随机选取测试样本。
在获取训练样本集和测试样本集之后,对神经网络模型进行如下训练:
将带有标签的训练样本集输入神经网络模型,神经网络模型会根据训练样本集中的每一个训练样本进行学习,直至训练样本集中的训练样本都训练一遍,则完成一轮学习,若设定训练轮次为200,则接着再启新的一轮学习,直至完成200轮学习,则完成一次训练。
每次训练完成后,将不带有标签的测试样本集输入神经网络模型,根据神经网络模型输出对应的各个预测值,比对各个标签,计算相应的损失值Cost和准确率acc,其中,计算准确率可以设置一定的容差范围,比如预测值与标签数值相差差值绝对值在一定范围内认为是准确,超出范围则认为不准确,准确的预测值的数量与预测值总数量的比值为准确率。
损失值为根据损失函数计算得到,以log-cosh损失函数为例,
根据N个测试样本的预测值和标签值,带入损失函数可以得到相应的损失值。
损失值越小,或者准确率越高,则表明当前训练后的神经网络模型的精度越高,反之越低。设定一个训练目标,可以是损失值小于损失阈值,或者,准确率高于准确率阈值,或者两者同时满足;当验证损失值和/或准确率满足训练目标,则认为当前训练好的模型满足要求。
若达到训练目标,则停止训练,将当前神经网络模型下载到智能芯片中;
若未达到训练目标,则进行迭代训练,即将训练样本集再次多轮输入当前训练好的神经网络模型中,直至完成下一次的训练,再进行如上所述的验证损失值和/或准确率是否满足训练目标,若不满足,则再进行迭代训练和验证,直至达到训练目标。
本发明的逆变器输出阻抗检测方案可以应用于单相逆变器,同样也适用于三相逆变器,本发明对所应用的逆变器的类型或具体型号均不限定。
将上述达到训练目标(验证通过)的神经网络模型下载到智能芯片中后,使用训练好的模型,在逆变器工况下,根据实际采样得到的电压信号和电流信号估计逆变器输出阻抗值,这就是本发明实施例的逆变器输出阻抗检测装置检测逆变器输出阻抗的方法;
在检测当前逆变器的输出阻抗后,将检测结果输出到CPU中,根据阻抗分析法判断当前逆变器的稳定性,该CPU通过自适应算法调制脉冲信号以对逆变器运行状态进行控制,这就是本发明实施例的逆变器输出阻抗检测装置控制逆变器运行状态的方法,有效提高逆变器所在***的鲁棒性。
本发明提供一种基于人工智能的逆变器输出阻抗检测算法,突破实验室测量的局限,并验证了该算法的可行性和科学性,增加专用的智能芯片,可以实现复杂的人工神经网络算法,来提高检测的准确度与鲁棒性,使得采用深度神经网络可以准确稳定地预测逆变器的输出阻抗。本发明的逆变器输出阻抗检测装置无需电压源或电流源作为扰动量,也无需频率响应分析仪,通过深度神经网络模型能够实时、准确地预测逆变器的输出阻抗,实现对逆变器的自适应控制。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种逆变器输出阻抗的智能检测装置,用于对检测装置外部的逆变器的输出阻抗进行检测,其特征在于,所述检测装置无需电压源或电流源作为扰动量,包括以下模块:
采样模块,用于采样逆变器侧滤波电容电压和滤波电感电流;
智能芯片,用于接收所述采样模块所采样到的电压信号和电流信号,并将其输入至内部的逆变器输出阻抗检测神经网络模型,所述逆变器输出阻抗检测神经网络模型预先建立并完成训练,以能够根据输入的电压信号和电流信号而输出逆变器输出阻抗;
所述装置还包括CPU模块和PWM模块,所述CPU模块用于根据当前的逆变器输出阻抗值生成控制指令,并将其发送至所述PWM模块;
所述PWM模块用于根据所述控制指令输出适配的脉冲信号以实时控制所述逆变器的运行状态。
2.根据权利要求1所述的逆变器输出阻抗的智能检测装置,其特征在于,用于对所述逆变器输出阻抗检测神经网络模型进行训练的训练样本通过以下步骤获取:
S1、收集数据:在搭建两个相同的逆变器工作平台的情况下,在第一逆变器工作平台上采集逆变器的工作电路在不同时刻下的逆变器侧滤波电容电压和滤波电感电流数据,以得到多个样本,在第二逆变器工作平台上相应的不同时刻下测量逆变器的实际阻抗值;
S2、数据预处理:将步骤S1收集的样本数据变换为频域数据,得到训练样本,并将步骤S1中测量得到的各个实际阻抗值分别作为在相同时刻下采集的样本数据变换后的训练样本的标签。
3.根据权利要求2所述的逆变器输出阻抗的智能检测装置,其特征在于,所述逆变器输出阻抗检测神经网络模型预先通过以下步骤建立:
E1、使用深度学习平台搭建卷积神经网络模型,将网络结构配置为包括卷积层、池化层和全连接层,并对其进行网络定义;
E2、为搭建的卷积神经网络配置训练环境和创建执行器,并根据训练样本的维度定义网络输出数据维度;
E3、所述执行器利用训练样本对所述神经网络模型进行训练,其中,每个训练样本具有相应的标签。
4.根据权利要求3所述的逆变器输出阻抗的智能检测装置,其特征在于,步骤S2中将样本数据变换为频域数据后,从所述频域数据中分别按照预设的比例获取训练样本和测试样本;
步骤E3中对利用训练样本对所述神经网络模型进行预设轮次的训练后,使用所述测试样本对所述神经网络模型进行验证,得到损失值和准确率;若所述损失值和/或准确率通过验证,则将当前的所述神经网络模型作为所述逆变器输出阻抗检测神经网络模型,否则利用训练样本对所述神经网络模型进行迭代训练,直至训练得到的神经网络模型的损失值和/或准确率通过验证;
再将所述逆变器输出阻抗检测神经网络模型下载到所述智能芯片中。
5.根据权利要求1所述的逆变器输出阻抗的智能检测装置,其特征在于,所述CPU模块与所述智能芯片、PWM模块均电连接,所述PWM模块用于与所述逆变器电连接;
所述采样模块为实时采集并发送电压信号和电流信号,所述智能芯片向所述CPU模块实时输出估计的逆变器输出阻抗值。
6.一种逆变器输出阻抗的智能检测方法,其特征在于,无需电压源施加扰动电压且无需电流源施加扰动电流,所述检测方法包括以下步骤:
采集逆变器侧滤波电容电压和滤波电感电流;
将所述滤波电容电压和滤波电感电流的数据采集结果输入至预生成的逆变器输出阻抗检测神经网络模型,所述逆变器输出阻抗检测神经网络模型输出相应的逆变器输出阻抗的检测结果;根据当前的逆变器输出阻抗值生成控制指令,并根据所述控制指令输出适配的脉冲信号以实时控制所述逆变器的运行状态;其中,所述逆变器输出阻抗检测神经网络模型通过以下步骤预生成:
S1、收集数据:在搭建两个相同的逆变器工作平台的情况下,在第一逆变器工作平台上采集逆变器的工作电路在不同时刻下的逆变器侧滤波电容电压和滤波电感电流数据,以得到多个样本,在第二逆变器工作平台上相应的不同时刻下测量逆变器的实际阻抗值,以得到相应的标签;
S2、数据预处理:将步骤S1收集的样本数据变换为频域数据,得到训练样本;
S3、模型训练:利用步骤S2中预处理得到的训练样本及其相应的标签,对神经网络模型进行训练,得到所述逆变器输出阻抗检测神经网络模型。
7.根据权利要求6所述的逆变器输出阻抗的智能检测方法,其特征在于,步骤S3中所述对神经网络模型进行训练包括:
S31、使用深度学习平台搭建卷积神经网络模型,将网络结构配置为包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层,并对其进行网络定义;
S32、为搭建的卷积神经网络配置训练环境和创建执行器,并定义网络输出数据维度等于训练样本维度;
S33、按照预设的训练轮次使用所述执行器来执行对所述神经网络模型的训练。
8.根据权利要求7所述的逆变器输出阻抗的智能检测方法,其特征在于,步骤S2中将样本数据变换为频域数据后,从变换后的频域数据中,得到训练样本且得到测试样本;或者,通过搭建第三个相同的逆变器工作平台以得到测试样本;
步骤S33之后还包括:
S34、在每次完成预设轮次的训练后,使用所述测试样本对所述神经网络模型进行验证,得到损失值和准确率;
S35、判断验证得到的损失值和/或准确率是否满足预设的条件,若满足,则将当前的所述神经网络模型作为所述逆变器输出阻抗检测神经网络模型;否则返回执行S33-S35。
9.根据权利要求7所述的逆变器输出阻抗的智能检测方法,其特征在于,步骤S31中所述对其进行网络定义包括:定义所述第一卷积层的卷积核大小及对应层的激活函数;
定义所述第一池化层的池化核大小及对应层的池化类型;
定义所述第二卷积层的卷积核大小及对应层的激活函数;
定义所述第二池化层的池化核大小及对应层的池化类型;
定义所述全连接层大小及对应层的激活函数。
10.根据权利要求6所述的逆变器输出阻抗的智能检测方法,其特征在于,步骤S1中利用频率响应分析仪和线性放大设备实时测量逆变器的实际阻抗值,并且对所述第一逆变器工作平台和第二逆变器工作平台同步调节运行参数,以得到不同工况下的样本数据及对应相同时刻下的标签。
11.根据权利要求6所述的逆变器输出阻抗的智能检测方法,其特征在于,步骤S2中对收集到的样本数据进行快速傅里叶变换,选择频率范围为50Hz至6000Hz。
12.一种逆变器运行状态的智能控制方法,其特征在于,包括以下步骤:
利用如权利要求6-11中任一项所述的逆变器输出阻抗的智能检测方法检测当前逆变器的输出阻抗;
根据阻抗分析法判断当前逆变器的稳定性,通过自适应算法调制用于对所述逆变器运行状态进行控制的脉冲信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935878.4A CN113761793B (zh) | 2021-08-16 | 2021-08-16 | 逆变器输出阻抗检测装置及方法、逆变器运行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935878.4A CN113761793B (zh) | 2021-08-16 | 2021-08-16 | 逆变器输出阻抗检测装置及方法、逆变器运行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761793A CN113761793A (zh) | 2021-12-07 |
CN113761793B true CN113761793B (zh) | 2024-02-27 |
Family
ID=78789505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110935878.4A Active CN113761793B (zh) | 2021-08-16 | 2021-08-16 | 逆变器输出阻抗检测装置及方法、逆变器运行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761793B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1020014A5 (nl) * | 2012-01-27 | 2013-03-05 | Mindcet Bvba | Werkwijzen en systeem voor het berekenen van modelparameters voor een te modelleren spoel. |
CN105680474A (zh) * | 2016-02-22 | 2016-06-15 | 中国电力科学研究院 | 一种储能抑制光伏电站快速功率变化的控制方法 |
CN111157798A (zh) * | 2020-01-03 | 2020-05-15 | 国网吉林省电力有限公司 | 一种基于实时仿真机和实物控制器的阻抗测量*** |
WO2020106894A1 (en) * | 2018-11-20 | 2020-05-28 | Georgia Tech Research Corporation | Systems and methods for enhanced engineering design and optimization |
CN111262238A (zh) * | 2020-02-12 | 2020-06-09 | 浙江大学 | 基于机器学习的含iidg配电网短路电流预测方法 |
CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9140731B2 (en) * | 2011-09-16 | 2015-09-22 | Virginia Tech Intellectual Properties, Inc. | Algorithm and implementation system for measuring impedance in the D-Q domain |
US9429610B2 (en) * | 2014-01-16 | 2016-08-30 | Qualcomm Incorporated | Voltage dependent die RC modeling for system level power distribution networks |
US11393546B2 (en) * | 2019-07-19 | 2022-07-19 | Silicon Storage Technology, Inc. | Testing circuitry and methods for analog neural memory in artificial neural network |
-
2021
- 2021-08-16 CN CN202110935878.4A patent/CN113761793B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1020014A5 (nl) * | 2012-01-27 | 2013-03-05 | Mindcet Bvba | Werkwijzen en systeem voor het berekenen van modelparameters voor een te modelleren spoel. |
CN105680474A (zh) * | 2016-02-22 | 2016-06-15 | 中国电力科学研究院 | 一种储能抑制光伏电站快速功率变化的控制方法 |
WO2020106894A1 (en) * | 2018-11-20 | 2020-05-28 | Georgia Tech Research Corporation | Systems and methods for enhanced engineering design and optimization |
CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
CN111157798A (zh) * | 2020-01-03 | 2020-05-15 | 国网吉林省电力有限公司 | 一种基于实时仿真机和实物控制器的阻抗测量*** |
CN111262238A (zh) * | 2020-02-12 | 2020-06-09 | 浙江大学 | 基于机器学习的含iidg配电网短路电流预测方法 |
Non-Patent Citations (2)
Title |
---|
Non-communication and artificial neural network based photovoltaic monitoring using the existing impedance relay;Heba M. Abdullah等;Sustainable Energy, Grids and Networks;第22卷;1-13 * |
基于BP神经网络的SSSC的建模与仿真;林俊波;蒋程;;电气开关(第04期);72-75 * |
Also Published As
Publication number | Publication date |
---|---|
CN113761793A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN107219447B (zh) | 一种基于阻抗特征的直流电弧检测方法及*** | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN110045317B (zh) | 一种互感器计量误差在线检测方法及*** | |
CN105182141A (zh) | 变压器故障检测方法及*** | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN104410360A (zh) | 光伏发电***安全运行方法及其中对人工神经网络的训练方法和实时检测方法及装置 | |
CN106250904A (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
Soliman et al. | Capacitance estimation for dc-link capacitors in a back-to-back converter based on artificial neural network algorithm | |
Azad et al. | Parameter estimation of doubly fed induction generator driven by wind turbine | |
CN109193635A (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN104638671A (zh) | 基于引入粒子群算法及相位扰动的孤岛检测方法 | |
CN108108672A (zh) | 一种基于线性搜索策略的随机共振电流弱信息识别方法 | |
CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
Bayrak et al. | Deep learning-based multi-model ensemble method for classification of PQDs in a hydrogen energy-based microgrid using modified weighted majority algorithm | |
CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
CN114611676A (zh) | 基于神经网络的新能源发电***阻抗模型辨识方法及*** | |
CN113761793B (zh) | 逆变器输出阻抗检测装置及方法、逆变器运行控制方法 | |
CN110210152A (zh) | 一种超高次谐波源建模方法 | |
CN117892611A (zh) | 基于时空图神经网络的中压配电网伪量测生成方法及装置 | |
CN104332984A (zh) | 一种基于类噪声的节点电压相互影响因子的在线辨识方法 | |
CN112630596A (zh) | 一种风电变流器igbt器件开路故障综合诊断方法 | |
CN104730384A (zh) | 基于不完全s变换的电能扰动识别与定位方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力***状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 215000 No. 90, Zijin Road, high tech Zone, Suzhou, Jiangsu Applicant after: Goodway Technology Co.,Ltd. Address before: 215163 No.90 Zijin Road, high tech Zone, Suzhou City, Jiangsu Province Applicant before: JIANGSU GOODWE POWER SUPPLY TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |