【技术实现步骤摘要】
本专利技术属于电能变换器的数据处理领域，尤其涉及一种基于物理信息融合的电能变换器时域建模方法、预测系统及装置。
技术介绍
1、随着可再生能源、电动汽车与交通自动化的应用与普及，电能变换器在电能形式和幅值的转换中拥有至关重要的地位。为了保证接入电网或供给负荷的电能变换器性能稳定可靠且高效，需要对电能变换器进行精确建模。而电能变换器中半导体元件的开关动作，各种储能元件的耦合与充放电，使得其建模具有复杂高阶非线性的特征。传统的建模方法是基于物理理论模型和经验法则来分析解析表达式，但由于系统的高阶非线性、复杂的工况、实际参数偏移等情况存在，传统基于的知识的解析建模方法存在模型偏移的问题，无法准确地反映电能变换器的实际行为。作为一种新兴的建模方法，数据驱动建模方法利用人工智能算法从数据中自动提取潜在特征关系以替代传统的建模过程。数据驱动建模方法的准确率极大依赖于所提供数据的整体质量，包括两方面，数据足量性与其分布完整性。对数据的依赖带来了以下不可忽略的挑战。第一，数据驱动建模方法通常是数据密集型的，需要大量数据去学习到映射关系。而大部分电力电子领域如控制与故障诊断往往缺乏的足够数据支撑，使得数据驱动模型不可实施。第二，受限于训练数据的分布，数据驱动模型仅能在分布覆盖范围内有效。当预测数据分布外或数据分布稀疏的情况时，数据驱动模型的效用通常会迅速衰减。其次，数据驱动方法是黑盒子模型，其物理不可解释性在任务关键领域如航空航天中是不可接受的。因此，需要一种数据轻量的、具有域外转移能力的、物理可解释的建模方法来更好地描述电能变换器的运行方式，能够
2、专利文献cn114448023a公开了一种电能变换器控制系统及一种氢燃料电池系统，该系统包括采样调理模块，用于采集所述电能变换器的电感电流、所述电能变换器的输入端电压以及所述电能变换器的输出端电压，调理为数字信号后生成电感电流采样值、输入端电压采样值以及输出端电压采样值；精度优化模块，与所述采样调理模块通信，基于所述输入端电压采样值、输出端电压采样值以及所述电能变换器在断续工况下的占空比信号，优化所述电感电流采样值，生成校准值；控制模块，与所述精度优化模块通信，以所述校准值为依据，以控制信号控制所述电能变换器的输入-输出电流比。该系统通过经验法则对电能变换器的输入输出进行控制，存在数据偏移的问题。
技术实现思路
1、本专利技术的主要目的在于提供一种基于物理信息融合的电能变换器时域建模方法、预测系统及装置，该方法能解决传统解析建模方法中的模型偏移问题，从而更加准确可靠地揭示电能变换器的行为规律和特性，为后续下游任务更加全面的数据指导。
2、为了实现本专利技术的第一个目的，提供了一种基于物理信息融合的电能变换器时域建模方法，包括以下步骤：
3、根据目标电能变换器的拓扑结构和控制方式，获取对应的电路控制调制参数，电路输入变量以及电路状态变量，并基于获得参数和变量通过电路物理公式推导目标电能变换器的电路状态空间方程表达；
4、将获取的电路输入变量和电路状变量以预设的采样间隔，分别生成对应的波形图，并将电路输入变量和电路状变量，以及对应的波形图组成数据集；
5、基于所述采样间隔，对所述电路状态空间方程表达式进行离散化以构建循环神经网络，所述循环神经网络包括特征提取模块，融合模块以及预测模块，所述特征提取模块根据输入的电路输入变量与电路状态变量，提取生成对应的波形图特征，所述融合模块包括物理信息融合部分和时序数据驱动部分，所述物理信息融合部分根据输入的波形图特征与嵌入的电路物理信息生成初始的下一时刻预测结果，所述时序数据驱动部分根据输入的波形图特征生成对应的修正量，将下一时刻预测结果和对应的修正量作为融合体征输出至预测模块，所述预测模块根据获得的融合特征，以输出下一时刻的电路状态变量；
6、利用数据集对循环神经网络进行训练，以获得用于预测电路状态变量的等效预测模型；
7、将当前电路的电路输入变量与期望的电路状态变量输入至等效预测模型，以预测下一时刻的电路状态变量。
8、该方法通过离散电路状态空间方程表达式，并将其嵌入定制循环神经网络中，从而使得最终训练获得的模型能够同时具备数据量轻和良好域外预测能力的优点。
9、具体的，所述电路控制调制参数包括各个电感、电容、电阻值，变压器匝数比和内部移相角；
10、所述电路输入变量包括电路的多端电压电流；
11、所述电路状态变量包括储能元件电容的电压和电感的电流。
12、具体的，所述电路状态空间方程表达的表达式如下：
13、
14、式中，θ表示电路控制参数，u(t)表示电路输入变量，x(t)表示电路状态变量，g(x(t)；u(t)；θ)表示电路状态变量的函数，h(x(t)；u(t)；θ)表示电路输入变量的函数。
15、具体的，利用显示或隐式数值差分方法对电路状态空间方程表达进行离散化，其具体过程如下：
16、x(t+δt)＝x(t)+φ(x(t)；u(t)；δt；θ)δt
17、
18、
19、式中，ai、pi和qi,j表示通用龙格库塔法系数，δt表示采样间隔，表示由电路输入变量、电路状态变量、采样间隔和电路控制参数定义的修正函数，kj表示龙格库塔法计算得到的中间变量。
20、具体的，所述物理信息融合部分通过增量函数对输入的电路输入变量波形图进行预处理，并将预处理结果与电路状态变量波形图相结合以获得的下一时刻预测结果；
21、所述时序数据驱动部分包括具有层归一化的门控循环单元，所述具有层归一化的门控循环单元根据输入的电路输入变量波形图和电路状态变量波形图，生成对应的修正量；
22、将获得的下一时刻预测结果和对应的修正量作为融合特征输出至预测模块。
23、具体的，所述增量函数采用显式欧拉、胡恩或三阶龙格库塔法中的一种或多种。
24、具体的，在训练时，采用损失函数对循环神经网络进行反向传播和训练，以更新循环神经网络中的参数。
25、具体的，所述损失函数的表达式如下：
26、
27、式中，θ表示电路控制参数，w和b表示时序数据驱动网络的可训练参数，nd表示数据集中波形图的数量，nt表示每个波形图的数据长度，xj*(tk)表示tk时刻第j个波形图中电路状态变量的真实值，xj(tk)表示tk时刻第j个波形图中电路状态变量的预测值。
28、具体的，在训练时，按照顺序依次对物理信息融合部分和时序数据驱动部分进行反向传播和训练，以更新各部分的参数，先充分挖掘物理的内涵，从而为后续时序数据驱动部分提供更加信息以弥补模型的偏差。
29、为了实现本专利技术的第二个目的，提供了一种电能变换器预测系统，通过上述的基于物理信息融合的电能变换器本文档来自技高网...
【技术保护点】
1.一种基于物理信息融合的电能变换器时域建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述电路状态空间方程表达的表达式如下：
3.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，利用显示或隐式数值差分方法对电路状态空间方程表达进行离散化，其具体过程如下：
4.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述物理信息融合部分通过增量函数对输入的电路输入变量波形图进行预处理，并将预处理结果与电路状态变量波形图相结合以获得的下一时刻预测结果；
5.根据权利要求4所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述增量函数采用显式欧拉、胡恩或三阶龙格库塔法中的一种或多种。
6.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，在训练时，采用损失函数对循环神经网络进行反向传播和训练，以更新循环神经网络中的参数。
7.根据权利要求6所述的基于物理信息融合的电能变
8.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，在训练时，按照顺序依次对物理信息融合部分和时序数据驱动部分进行反向传播和训练，以更新各部分的参数。
9.一种电能变换器预测系统，其特征在于，通过权利要求1～8任一项所述的基于物理信息融合的电能变换器时域建模方法实现，包括数据采集单元，数据处理单元以及数据输出单元；
10.一种电能变换器预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现如权利要求1～8任一项所述的基于物理信息融合的电能变换器时域建模方法。
...【技术特征摘要】
1.一种基于物理信息融合的电能变换器时域建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述电路状态空间方程表达的表达式如下：
3.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，利用显示或隐式数值差分方法对电路状态空间方程表达进行离散化，其具体过程如下：
4.根据权利要求1所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述物理信息融合部分通过增量函数对输入的电路输入变量波形图进行预处理，并将预处理结果与电路状态变量波形图相结合以获得的下一时刻预测结果；
5.根据权利要求4所述的基于物理信息融合的电能变换器时域建模方法，其特征在于，所述增量函数采用显式欧拉、胡恩或三阶龙格库塔法中的一种或多种。
6.根据权利要求1所述的基于物理信息融合的电能变换器...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。