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技术方案

本发明专利技术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。本发明专利技术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。器的运行状态进行监测。器的运行状态进行监测。

【技术实现步骤摘要】
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


[0001]本专利技术涉及电力电子
，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。

技术介绍

[0002]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
急需解决的问题。
[0003]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。

技术实现思路

[0004]有鉴于此，本专利技术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。
[0005]本专利技术采用以下方案实现：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：
[0006]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；
[0007]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；/>[0008]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；
[0009]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。
[0010]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；
[0011]其中，阈值函数为：
[0012][0013]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。
[0014]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；
[0015]神经网络的目标函数为：
[0016][0017]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；
[0018]特别的，神经网络采用前馈全连接深度神经网络(DNN)；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，隐含层的输出可用如下公式进行计算：
[0019]a
l
＝W
l
h
l
‑1+b
l
,(1≤l≤L+1)
[0020][0021]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：
[0022][0023][0024][0025][0026]上式中，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。
[0027]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。
[0028]本专利技术还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系统，包括数据采集模块、数据传输模块、数据分析模块和可视化模块；所述数据采集模块通过每个传感器采集实际电路的输入输出电压、输入输出电流和电网电压信号，并对信号进行去噪处理；所述数据传输模块用于将数据采集模块去噪处理后的数据传输至数据分析模块；所述数据分析模块用于利用数字孪生技术实现三相逆变器的高逼真度仿真，并利用神经网络不断更新数字孪生模型，使数字孪生模型无限接近实际电路；所述数据采集模块与所述数据分析模块均通过所述数据传输模块与所述可视化模块通信，用以将去噪处理后的数据及数字孪生模型中的元件参数进行可视化，实现人机交互，实施对三相逆变器的预测性维护措施；所述数据传输模块采用的是无线通信模块。
[0029]进一步地，所述数据分析模块包括数字孪生模型构建单元、神经网络单元、模型更新单元和参数确定单元；所述数字孪生模型构建单元用于构建以三相逆变器为拓扑的的高精度数字孪生模型；所述神经网络单元用于完成对神经网络的构建、训练、验证和测试；所述模型更新单元用于通过神经网络的输出参数值来替换原数字孪生模型中的原元件参数用以实现模型更新，直至由数字孪生模型输出的信号与实际电路的信号构成的目标函数小于设置阈值；所述参数确定单元用于根据目标函数是否小于设置的阈值来确定估计的实际电路元件参数。
[0030]与现有技术相比，本专利技术具有以下有益效果：
[0031]本专利技术可以通过分析三相逆变器的工作原理和运行规律来构建初始数字孪生模型，然后，将数据集分为训练集、验证集和测试集对神经网络中进行训练、验证和测试，再根据目标函数对神经网络的权值进行二次更新，从而使神经网络的输出即数字孪生模型的元件参数与实际电路的本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.根据权利要求1所述的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：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。3.根据权利要求1所述的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：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
l
h
l
‑1+b
l
,(1≤l≤L+1)更新神经网络权值的方法采用...

【专利技术属性】
技术研发人员：林琼斌，余凯，王武，蔡逢煌，
申请(专利权)人：福州大学，
类型：发明
国别省市：