CN116305883A - 基于改进递归最小二乘法的逆变器阻抗辨识方法 - Google Patents
基于改进递归最小二乘法的逆变器阻抗辨识方法 Download PDFInfo
- Publication number
- CN116305883A CN116305883A CN202310197126.1A CN202310197126A CN116305883A CN 116305883 A CN116305883 A CN 116305883A CN 202310197126 A CN202310197126 A CN 202310197126A CN 116305883 A CN116305883 A CN 116305883A
- Authority
- CN
- China
- Prior art keywords
- matrix
- period
- identification
- phase
- kth
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000000819 phase cycle Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于改进最小二乘法的逆变器阻抗辨识方法,属于电气***领域。该方法的步骤包括采样电网电压、滤波电流和桥臂侧电压,构建逆变器数学模型,对逆变器数学模型进行离散化得到离散化逆变器数学模型,使用改进的递归最小二乘法,辨识滤波器电感和电路等效阻抗。本发明辨识方法提升递归最小二乘算法的鲁棒性和准确度,提升逆变器***稳定性。
Description
技术领域
本发明涉及电气***领域,具体涉及一种基于改进递归最小二乘的逆变器阻抗辨识方法。
背景技术
现阶段,以风能、水能和太阳能等可再生能源的电力***大规模的开发成为解决能源问题的主要手段,推动能源向清洁化、可持续化和低碳化方向发展。
在一系列可再生能源***中,逆变器是常见的输入电网的桥梁,大部分分布式发电***需要通过逆变器构建,为人类社会提供可再生的清洁能源。并网逆变器中常见的输出滤波器有L型和LCL型两种,LCL型滤波器虽然可以较好抑制电路中的高频谐波,同等成本下相对L型滤波器抑制效果较好,但是整体的结构更为复杂,组建LCL型滤波器容易由于工艺不同或者部分老化会出现***变换导致滤波效果的降低,从而使LCL型滤波器的逆变器***不能正常工作,破坏***的正常运行。
L型滤波器虽然结构简单,但是控制方便、容易实现,因此在大型电力***中,为了更好的稳定性和更长的寿命,通常使用L型滤波器。但由于在***控制中,需要使用滤波电感值和等效电阻值作为控制参数,而在***运行期间会由于温度等原因,导致电阻和电感值发生变化,使得控制出现较大的偏差,逆变器不能正常工作,影响***正常运行。
现有的电网阻抗辨识主要可分为主动检测和被动检测。
主动检测即通过硬件或软件的方式向***注入非特征次谐波、宽频率信号、激发滤波器谐振等方法,通过电压和电流响应计算电网阻抗。主动检测可以有效辨识阻抗,但是人为加入扰动选取困难,选取不当可能降低辨识精确度,甚至影响逆变器稳定性。
被动检测主要是通过***固有信息,主要通过递归最小二乘、最大似然估计等数学方法辨识电网阻抗大小。如题为“Online InductanceIdentification of a PWMRectifier Under Unbalanced and Distorted GridVoltages”,Zhang,Yongchang,BingyuLi,and Jie Liu,IEEE Transactionson Industry Applications,2020:3879-3888(“不平衡和扰动电网电压的PWM整流器电感在线辨识”,《IEEE工业应用》,2020年第4期,3879~3888)的文章,首先通过采集模块采集电压电流参数,建立逆变器电路等效模型,再离散化处理等效模型,之后通过递归最小二乘法计算辨识参数。但是这种阻抗辨识方法存在以下不足之处:
1)递归最小二乘法在辨识过程中,不能对旧信息进行遗忘,新数据发生较大变化,不能很好的跟踪新数据的变化,导致最后结果与实际出现较大偏差,降低算法的鲁棒性。
2)递归最小二乘法的精确度较低,容易受到噪声干扰,使得算法不能够有效跟踪变化的信号。
发明内容
本发明所要解决的技术问题为:弥补递归最小二乘法在辨识过程中偏差较大、鲁棒性较低、精确度较低、易受噪声干扰和不能有效跟踪变化信号等问题。
为了实现上述目的,本发明采用技术方案为:
一种基于改进递归最小二乘法的逆变器阻抗辨识方法,应用该方法的逆变器拓扑结构包括直流侧电压源、三相全桥逆变电路、三相电路阻抗和三相电网,所述直流侧电压源和三相全桥逆变电路连接,三相全桥逆变电路经过三相电路阻抗接入三相电网,其中,三相电路阻抗包括滤波电感和电路等效阻抗;
所述辨识方法利用改进递归最小二乘法对滤波电感和电路等效阻抗进行辨识,具体步骤如下:
步骤1,采样三相全桥逆变电路输出点的电压记为桥臂侧电压Uxc、采样电网电压Ux、采样流过滤波电感的电流并记为滤波电流ix,其中x为相序,x=a,b,c;
建立逆变器数学模型如下:
Ugc-Ug=Lgi′g+igRg
其中,g为a,b,c三相中的任意一相,Ugc为g相桥臂侧电压,Ug为g相电网电压,ig为g相滤波电流,i′g为g相滤波电流ig的导数,Lg为滤波电感的电感值,Rg为电路等效阻抗的阻抗值;
步骤2,设在辨识过程中共包含一个初始周期和n个辨识周期,其中,在初始周期中进行一次采样,并记为第1次采样,在n个辨识周期中的每一个辨识周期中均进行一次采样和一次辨识,将n个辨识周期中的任意一个记为当前辨识周期k,k=1,2,...n,当前辨识周期k的采记为第k+1个次采样;
对步骤1得到的逆变器数学模型进行离散化,得到离散化逆变器的数学模型,表达式如下:
其中,ig(k+1)为第k+1次采样得到的g相滤波电流,ig(k)为第k次采样得到的g相滤波电流,Ugc(k)为第k次采样得到的g相桥臂侧电压,Ug(k)为第k次采样得到的g相电网电压,Lgk为第k个辨识周期后计算出的滤波电感值,Rgk为第k次辨识周期后计算出的电路等效阻抗值,T为采样周期;
步骤3,根据最小二乘法,将步骤2得到的离散化的数学模型转化为离散化模型的矩阵形式,表达式如下:
其中,
yk为第k+1次采样得到的滤波电流信息,yk=ig(k+1);
Φk为第k采样得到的的已知信息,Φk=[Ugc(k) Ug(k) ig(k)]T;
θk为第k个辨识周期的待辨识参数计算矩阵,θk=[θ1k θ2k θ3k]T,θ1k为待辨识参数计算矩阵参数1,θ2k为待辨识参数计算矩阵参数2,θ3k为待辨识参数计算矩阵参数3,计算式分别为:
步骤4,将步骤3得到的离散化模型的矩阵形式,代入改进递归最小二乘法的迭代方程中,对逆变电路连接的滤波电感L和电路负载阻抗R进行n次辨识,得到第n个辨识周期的待辨识参数计算矩阵θn=[θ1n θ2n θ3n]T;
步骤5,辨识滤波电感值Lg和电路等效电阻值Rg,计算式如下:
优选地,步骤4所述改进递归最小二乘法的迭代方程的实现过程如下:
步骤4.1,参数设定;
需设定的参数包括遗忘因子下界uL,基于噪声水平的死区系数ε,敏感度系数η,用户自定义参数my,1-范数惩罚项权重λ;
初始化信息矩阵R0,初始化待辨识参数计算式矩阵θ0;
步骤4.2,计算第k个辨识周期的预测误差ek:
其中,ek为第k个辨识周期预测值与实际测量值之间的预测误差,θk-1表示第k-1个辨识周期计算的待辨识参数;
步骤4.3,计算第k个辨识周期遗忘因子uk,其表达式如下:
其中,tr(*)为矩阵的迹,uk为第k个辨识周期计算的遗忘因子,Pk-1为第k-1个辨识周期计算的协方差矩阵,max{}为最大值函数;
步骤4.4,计算并更新第k个辨识周期计算的信息矩阵Rk:
将第k个辨识周期的信息矩阵Rk表达如下:
其中,||*||为矩阵的范数,(*)-1为矩阵的逆;
步骤4.5,计算并更新协方差矩阵Pk,通过已更新的信息矩阵Rk进行计算,表达式如下:
步骤4.6,计算并更新待辨识参数计算矩阵θk,待辨识参数更新表达式如下:
其中,Pk-1为第k-1个辨识周期计算的协方差矩阵,θk-1表示第k-1个辨识周期计算的待辨识参数,sgn(*)为符号函数;
步骤4.7,根据步骤4.1~步骤4.6,得到改进递归最小二乘法的迭代方程如下:
与现有技术相比,本发明的有益技术效果为:
本发明通过采样电网电压滤波、流过电感的电流和逆变电路侧电压,通过构建的逆变器离散化数学模型,使用改进的递归最小二乘法,辨识滤波器电感值Lg和电路等效阻抗值Rg,提升递归最小二乘算法的鲁棒性和准确度。
附图说明
图1为本发明具体实施例中的逆变器电路拓扑图;
图2为辨识周期示意图;
图3为本发明辨识方法步骤4的流程图;
图4为本发明具体实施例的滤波电感参数辨识效果图;
图5为本发明具体实施例的电路等效阻抗参数辨识框图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
图1为本发明具体实施例中的逆变器电路拓扑图,由图1可见,本发明一种基于改进递归最小二乘法的逆变器阻抗辨识方法,应用该方法的逆变器拓扑结构包括直流侧电压源、三相全桥逆变电路、三相电路阻抗和三相电网,所述直流侧电压源和三相全桥逆变电路连接,三相全桥逆变电路经过三相电路阻抗接入三相电网,其中,三相电路阻抗包括滤波电感和电路等效阻抗。在图1上,1为直流侧电压源,2为三相全桥逆变电路,3为三相电路阻抗,4为三相电网,L为滤波电感,R为电路等效电阻。
图3为本发明辨识方法的流程图,由该图可见,所述辨识方法利用改进递归最小二乘法对滤波电感和电路等效阻抗进行辨识,具体步骤如下:
步骤1,采样三相全桥逆变电路输出点的电压记为桥臂侧电压Uxc、采样电网电压Ux、采样流过滤波电感的电流并记为滤波电流ix,其中x为相序,x=a,b,c;
建立逆变器数学模型如下:
Ugc-Ug=Lgi′g+igRg
其中,g为a,b,c三相中的任意一相,Ugc为g相桥臂侧电压,Ug为g相电网电压,ig为g相滤波电流,i′g为g相滤波电流ig的导数,Lg为滤波电感的电感值,Rg为电路等效阻抗的阻抗值。
步骤2,设在辨识过程中共包含一个初始周期和n个辨识周期,其中,在初始周期中进行一次采样,并记为第1次采样,在n个辨识周期中的每一个辨识周期中均进行一次采样和一次辨识,将n个辨识周期中的任意一个记为当前辨识周期k,k=1,2,...n,当前辨识周期k的采记为第k+1个次采样;
对步骤1得到的逆变器数学模型进行离散化,得到离散化逆变器的数学模型,表达式如下:
其中,ig(k+1)为第k+1次采样得到的g相滤波电流,ig(k)为第k次采样得到的g相滤波电流,Ugc(k)为第k次采样得到的g相桥臂侧电压,Ug(k)为第k次采样得到的g相电网电压,Lgk为第k个辨识周期后计算出的滤波电感值,Rgk为第k次辨识周期后计算出的电路等效阻抗值,T为采样周期。
图2为辨识周期示意图,给出了辨识周期、采样次数和辨识次数的关系。
步骤3,根据最小二乘法,将步骤2得到的离散化的数学模型转化为离散化模型的矩阵形式,表达式如下:
其中,
yk为第k+1次采样得到的滤波电流信息,yk=ig(k+1);
Φk为第k采样得到的的已知信息,Φk=[Ugc(k) Ug(k) ig(k)]T;
θk为第k个辨识周期的待辨识参数计算矩阵,θk=[θ1k θ2k θ3k]T,θ1k为待辨识参数计算矩阵参数1,θ2k为待辨识参数计算矩阵参数2,θ3k为待辨识参数计算矩阵参数3,计算式分别为:
步骤4,将步骤3得到的离散化模型的矩阵形式,代入改进递归最小二乘法的迭代方程中,对逆变电路连接的滤波电感L和电路负载阻抗R进行n次辨识,得到第n个辨识周期的待辨识参数计算矩阵θn=[θ1n θ2n θ3n]T。
步骤5,辨识滤波电感值Lg和电路等效电阻值Rg,计算式如下:
在本实施例中,步骤4所述改进递归最小二乘法的迭代方程的实现过程如下:
步骤4.1,参数设定;
需设定的参数包括遗忘因子下界uL,基于噪声水平的死区系数ε,敏感度系数η,用户自定义参数my,1-范数惩罚项权重λ;
初始化信息矩阵R0,初始化待辨识参数计算式矩阵θ0;
步骤4.2,计算第k个辨识周期的预测误差ek:
其中,ek为第k个辨识周期预测值与实际测量值之间的预测误差,θk-1表示第k-1个辨识周期计算的待辨识参数;
步骤4.3,计算第k个辨识周期遗忘因子uk,其表达式如下:
其中,tr(*)为矩阵的迹,uk为第k个辨识周期计算的遗忘因子,Pk-1为第k-1个辨识周期计算的协方差矩阵,max{}为最大值函数;
步骤4.4,计算并更新第k个辨识周期计算的信息矩阵Rk:
将第k个辨识周期的信息矩阵Rk表达如下:
其中,||*||为矩阵的范数,(*)-1为矩阵的逆;
步骤4.5,计算并更新协方差矩阵Pk,通过已更新的信息矩阵Rk进行计算,表达式如下:
步骤4.6,计算并更新待辨识参数计算矩阵θk,待辨识参数更新表达式如下:
其中,Pk-1为第k-1个辨识周期计算的协方差矩阵,θk-1表示第k-1个辨识周期计算的待辨识参数,sgn(*)为符号函数;
步骤4.7,根据步骤4.1~步骤4.6,得到改进递归最小二乘法的迭代方程如下:
在本实施例中,电网电压Ug=415V/50Hz,直流输入电压值为Udc=1100V,滤波电感值Lg=6mH,电路等效阻抗值Rg=1Ω。
设定初始参数,初始值如下:
遗传因子下界uL=0.9,死区系数ε=20,敏感度系数η=0.1,自定义参数my=2,惩罚项权重λ=2,采样周期T=10-6s,
初始待辨识参数计算矩阵θ0=[0 0 0]。
在本实施例中,通过电压传感器和电流传感器采集任意一相的桥臂侧电压、电网电压和滤波电流作为已知信息,并与上述初始参数联合,通过改进递归最小二乘法进行了辨识。
在辨识结束后,将辨识结果与递归最小二乘法辨识结果、真实数据进行比较,最终效果图如图4和图5所示。改进递归最小二乘法辨识的滤波电感效果略优于递归最小二乘法,而等效阻抗的辨识效果里,改进递归最小二乘法更接近于真实值,说明改进递归最小二乘法辨识精度优于递归最小二乘法。
Claims (2)
1.一种基于改进递归最小二乘法的逆变器阻抗辨识方法,应用该方法的逆变器拓扑结构包括直流侧电压源、三相全桥逆变电路、三相电路阻抗和三相电网,所述直流侧电压源和三相全桥逆变电路连接,三相全桥逆变电路经过三相电路阻抗接入三相电网,其中,三相电路阻抗包括滤波电感和电路等效阻抗;
其特征在于,所述辨识方法利用改进递归最小二乘法对滤波电感和电路等效阻抗进行辨识,具体步骤如下:
步骤1,采样三相全桥逆变电路输出点的电压记为桥臂侧电压Uxc、采样电网电压Ux、采样流过滤波电感的电流并记为滤波电流ix,其中x为相序,x=a,b,c;
建立逆变器数学模型如下:
Ugc-Ug=Lgi′g+igRg
其中,g为a,b,c三相中的任意一相,Ugc为g相桥臂侧电压,Ug为g相电网电压,ig为g相滤波电流,i′g为g相滤波电流ig的导数,Lg为滤波电感的电感值,Rg为电路等效阻抗的阻抗值;
步骤2,设在辨识过程中共包含一个初始周期和n个辨识周期,其中,在初始周期中进行一次采样,并记为第1次采样,在n个辨识周期中的每一个辨识周期中均进行一次采样和一次辨识,将n个辨识周期中的任意一个记为当前辨识周期k,k=1,2,...n,当前辨识周期k的采记为第k+1个次采样;
对步骤1得到的逆变器数学模型进行离散化,得到离散化逆变器的数学模型,表达式如下:
其中,ig(k+1)为第k+1次采样得到的g相滤波电流,ig(k)为第k次采样得到的g相滤波电流,Ugc(k)为第k次采样得到的g相桥臂侧电压,Ug(k)为第k次采样得到的g相电网电压,Lgk为第k个辨识周期后计算出的滤波电感值,Rgk为第k次辨识周期后计算出的电路等效阻抗值,T为采样周期;
步骤3,根据最小二乘法,将步骤2得到的离散化的数学模型转化为离散化模型的矩阵形式,表达式如下:
其中,
yk为第k+1次采样得到的滤波电流信息,yk=ig(k+1);
Φk为第k采样得到的的已知信息,Φk=[Ugc(k) Ug(k) ig(k)]T;
θk为第k个辨识周期的待辨识参数计算矩阵,θk=[θ1k θ2k θ3k]T,θ1k为待辨识参数计算矩阵参数1,θ2k为待辨识参数计算矩阵参数2,θ3k为待辨识参数计算矩阵参数3,计算式分别为:
步骤4,将步骤3得到的离散化模型的矩阵形式,代入改进递归最小二乘法的迭代方程中,对逆变电路连接的滤波电感L和电路负载阻抗R进行n次辨识,得到第n个辨识周期的待辨识参数计算矩阵θn=[θ1n θ2n θ3n]T;
步骤5,辨识滤波电感值Lg和电路等效电阻值Rg,计算式如下:
2.根据权利要求1所述的一种基于改进递归最小二乘法的逆变器阻抗辨识方法,其特征在于,步骤4所述改进递归最小二乘法的迭代方程的实现过程如下:
步骤4.1,参数设定;
需设定的参数包括遗忘因子下界uL,基于噪声水平的死区系数ε,敏感度系数η,用户自定义参数my,1-范数惩罚项权重λ;
初始化信息矩阵R0,初始化待辨识参数计算矩阵θ0;
步骤4.2,计算第k个辨识周期的预测误差ek:
其中,ek为第k个辨识周期预测值与实际测量值之间的预测误差,θk-1表示第k-1个辨识周期计算的待辨识参数;
步骤4.3,计算第k个辨识周期遗忘因子uk,其表达式如下:
其中,tr(*)为矩阵的迹,uk为第k个辨识周期计算的遗忘因子,Pk-1为第k-1个辨识周期计算的协方差矩阵,max{}为最大值函数;
步骤4.4,计算并更新第k个辨识周期计算的信息矩阵Rk:
将第k个辨识周期的信息矩阵Rk表达如下:
其中,||*||为矩阵的范数,(*)-1为矩阵的逆;
步骤4.5,计算并更新协方差矩阵Pk,通过已更新的信息矩阵Rk进行计算,表达式如下:
步骤4.6,计算并更新待辨识参数计算矩阵θk,待辨识参数更新表达式如下:
其中,Pk-1为第k-1个辨识周期计算的协方差矩阵,θk-1表示第k-1个辨识周期计算的待辨识参数,sgn(*)为符号函数;
步骤4.7,根据步骤4.1~步骤4.6,得到改进递归最小二乘法的迭代方程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197126.1A CN116305883A (zh) | 2023-02-28 | 2023-02-28 | 基于改进递归最小二乘法的逆变器阻抗辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197126.1A CN116305883A (zh) | 2023-02-28 | 2023-02-28 | 基于改进递归最小二乘法的逆变器阻抗辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116305883A true CN116305883A (zh) | 2023-06-23 |
Family
ID=86800757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197126.1A Pending CN116305883A (zh) | 2023-02-28 | 2023-02-28 | 基于改进递归最小二乘法的逆变器阻抗辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117375471A (zh) * | 2023-12-08 | 2024-01-09 | 浙江大学 | 永磁电机转动惯量与负载转矩辨识方法及*** |
-
2023
- 2023-02-28 CN CN202310197126.1A patent/CN116305883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117375471A (zh) * | 2023-12-08 | 2024-01-09 | 浙江大学 | 永磁电机转动惯量与负载转矩辨识方法及*** |
CN117375471B (zh) * | 2023-12-08 | 2024-03-12 | 浙江大学 | 永磁电机转动惯量与负载转矩辨识方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN116305883A (zh) | 基于改进递归最小二乘法的逆变器阻抗辨识方法 | |
CN107727955B (zh) | 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法 | |
CN112215405A (zh) | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 | |
CN113285481B (zh) | 并网变流器电感参数在线估计方法、预测控制方法及*** | |
CN112310991B (zh) | 基于扰动观测的储能变换器改进有限集模型预测控制方法 | |
CN104833852A (zh) | 一种基于人工神经网络的电力***谐波信号估计测量方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
Yue et al. | Dynamic state estimation enabled health indicator for parametric fault detection in switching power converters | |
CN110571788A (zh) | 基于动态等值电路的静态电压稳定域边界系数的计算方法 | |
CN115343570B (zh) | 一种电网阻抗在线辨识方法及装置 | |
CN110912129A (zh) | 一种基于谐波预估的光伏逆变器谐波补偿方法 | |
CN116566061A (zh) | 一种并网逆变器***稳定性在线监测方法及*** | |
CN107069710B (zh) | 计及新能源时空相关性的电力***状态估计方法 | |
Yang et al. | Inverter fault diagnosis based on fourier transform and evolutionary neural network | |
CN110443358B (zh) | 一种基于加权正则化极限学习机的谐波源辨识方法 | |
CN115102172A (zh) | 一种多逆变器***谐波责任划分方法 | |
CN108020736A (zh) | 一种电能质量检测方法 | |
CN105671596A (zh) | 一种铝电解槽单个阳极数学模型的确定方法 | |
CN112564154A (zh) | 直流微电网非线性恒功率负载的不可测信号状态估计方法 | |
CN114355050A (zh) | 一种MMC型直流融冰装置dq阻抗在线辨识方法 | |
Chen et al. | An Improved AdaBoost-based Ensemble Learning Method for Data-Driven Dynamic Security Assessment of Power Systems | |
Xia et al. | Condition monitoring for capacitors in modular multilevel converter based on high-frequency transient analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |