【技术实现步骤摘要】
本专利技术实施例涉及电子元件，具体涉及一种基于pinn的直流支撑电容在线状态监测方法及装置。
技术介绍
1、车载牵引变流器系统作为列车实现动能转换的核心装备，是列车强大的“动力源心脏”，而变流器一旦发生异常，也就意味着整车正常运行都将严重受限。直流环节支撑电容(即dc-link电容)作为变流器中间直流环节用于实现电能变换的关键执行部件，能够对输入源与输出负载在工作时产生的瞬时功率差进行平衡，因而能够在当前应用技术下，最大限度实现变流器中间直流环节高脉冲电流的吸收和高脉冲电压的缓冲，起到滤除纹波的作用。目前，牵引变流器系统直流环节支撑电容器多采用低阻抗、容量大、无极性、对过电压和反向脉冲电压承受能力较强、使用寿命长的金属化聚丙烯薄膜电容器(metallized filmcapacitance，mfc)。据统计，在车载变流系统故障分布中，因直流支撑电容发生故障的占比最大，因此，对于列车运维来说，对牵引变流器支撑电容劣化特征参数进行在线状态监测具有合理性与相当大的科学实用价值。
2、目前，根据物理先验知识在辨识方法中的重要程度，可以将现有在线辨识方法大致分为基于电容阻抗物理模型的物理公式驱动辨识法、基于智能黑箱算法的纯数据驱动辨识法和将物理信息与数据驱动相结合的混合辨识法。纯物理模型驱动方法的应用基础源于各工程领域经过多年的研究积累，只要能够得到准确的前置参数并正确求解相应的物理模型，就能够得到足够精确的预测结果。但实际应用中，传统的物理驱动方法很多基于偏微分方程，因此在求解高维空间问题、结合实际情况的复杂几何边界求解、逆
3、将数据驱动用物理知识信息约束的物理学信息机器学习(piml)思路已经得到了广泛认同。其中，物理信息神经网络(physics informed neural network，pinn)作为一类针对于有监督的数据训练模型，得益于神经网络的自动微分技术，能够在训练过程中将物理信息有效地嵌入模型训练损失计算中，极大地提高了算法的运行效率和实用性。例如，pinn算法解决感应电动机的高频(hf)建模问题，利用电机每一相的阻抗，来推算出各电路元件的值。将pinn算法应用于同步发电机建模，并且使得此模型能够在小容量数据集条件下，使同步发电机模型在各个阶段的磁饱和特性都得到准确表达。但是现有技术中还没有将pinn算法应用于牵引变流器中直流支撑电容的在线状态监测。
技术实现思路
1、鉴于上述问题，本专利技术实施例提供了一种基于pinn的直流支撑电容在线状态监测方法及装置，克服了上述问题或者至少部分地解决了上述问题。
2、根据本专利技术实施例的一个方面，提供了一种基于pinn的直流支撑电容在线状态监测方法，所述方法包括：获取多组直流支撑电容不同容值下的电压随时间变化的充放电数据，并确定训练集和验证集；使用adamw算法根据所述训练集对预设的pinn模型进行模型训练，自适应更新各组分损失函数权值和线性网络权重，直至达到第一预设迭代次数，获取训练后的所述pinn模型的模型参数，其中，所述pinn模型为一个前馈全连接深度神经网络，其模型参数根据基于直流支撑电容的预充电模型构建的偏微分方程的求解进行调整；使用l-bfgs算法对训练后的所述pinn模型的模型参数进行更新，并根据所述验证集进行验证，得到最终的所述pinn模型；在线获取待测直流支撑电容的预充电数据，并根据所述预充电数据应用最终的所述pinn模型监测所述待测直流支撑电容的状态。
3、可选的，所述获取多组直流支撑电容不同值下的电压随时间变化的充放电数据，并确定训练集和验证集，包括：通过在直流支撑电容外侧并联不同数量相同容量薄膜电容模拟直流支撑电容老化过程，获取直流支撑电容不同值下的相同采样间隔的电压有序数组和时间有序数组，作为电压随时间变化的充放电数据；更换直流支撑电容，获取多组直流支撑电容不同值下的相同采样间隔的电压有序数组和时间有序数组；基于多组直流支撑电容不同值下的电压有序数组和时间有序数组，确定训练集和验证集。
4、可选的，所述根据所述训练集对预设的pinn模型进行模型训练，直至达到第一预设迭代次数，获取训练后的所述pinn模型的模型参数，包括：将所述训练集中的样本数据输入预设的pinn模型，获取输出结果与当前网络结构；计算pinn模型的总损失，并利用adamw算法更新模型权重，直至达到第一预设迭代次数。
5、可选的，所述计算预设的pinn模型的总损失，并利用adamw算法更新模型权重，包括：根据所述偏微分方程构建自适应损失函数，得到pinn模型的总损失；利用adamw算法同时更新自适应损失函数中各损失组分自适应权重和所述pinn模型的模型权重。
6、可选的，所述根据所述偏微分方程构建自适应损失函数，得到pinn模型的总损失，包括：根据所述前馈全连接深度神经网络的输出值与真实值求均方差得到数据损失；将可选域内随机数输入网络，获取初始损失和边界损失；将所述前馈全连接深度神经网络的输出值与输入值构成偏微分方程，获得偏微分方程残差损失；对所述数据损失、所述初值损失、所述边界损失以及偏微分残差损失进行自适应加权求和得到pinn模型的总损失。
7、可选的，所述计算预设的pinn模型的总损失，并利用adamw算法更新模型权重之后，还包括：判断迭代次数是否达到第二预设迭代次数，所述第二预设迭代次数小于所述第一预设迭代次数；如果迭代次数达到第二预设迭代次数且数据损失小于预设阈值，应用条件生成对抗网络扩充训练集；更新pinn模型的总损失为数据损失、初值损失、边界损失、偏微分残差损失以及生成数据损失的加权和，其中所述生成数据损失为基于生成数据的所述前馈全连接深度神经网络的输出值与真实值求均方差。
8、可选的，所述应用条件生成对抗网络扩充训练集，包括：将所述训练集中的样本数据进行分组，根据实验电压向量获取计算电压向量；将服从概率分布的随机噪音向量作为输入经过条件生成对抗网络中的生成器随机生成噪声向量；将所述计算电压向量与所述噪声向量相加得到负样本；将所述实验电压向量作为真样本，所述负样本作为假样本，应用条件生成对抗网络中的判别器进行判别，确定可信结果向量；将应用条件生成对抗网络获得的所有所述可信结果向量和对应的时间向量对应拼接成两个对应的矩阵并加入所述训练集，获取扩充后的所述训练集。
9、基于同一专利技术构思，提供了一种基于pinn的直流支撑电容在线状态本文档来自技高网...
【技术保护点】
1.一种基于PINN的直流支撑电容在线状态监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取多组直流支撑电容不同值下的电压随时间变化的充放电数据，并确定训练集和验证集，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述训练集对预设的PINN模型进行模型训练，直至达到第一预设迭代次数，获取训练后的所述PINN模型的模型参数，包括：
4.根据权利要求3所述的方法，其特征在于，所述计算预设的PINN模型的总损失，并利用AdamW算法更新模型权重，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述偏微分方程构建自适应损失函数，得到PINN模型的总损失，包括：
6.根据权利要求5所述的方法，其特征在于，所述计算预设的PINN模型的总损失，并利用AdamW算法更新模型权重之后，还包括：
7.根据权利要求6所述的方法，其特征在于，所述应用条件生成对抗网络扩充训练集，包括：
8.一种基于PINN的直流支撑电容在线状态监测装置，其特征是，所述装置包括：<...
【技术特征摘要】
1.一种基于pinn的直流支撑电容在线状态监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取多组直流支撑电容不同值下的电压随时间变化的充放电数据，并确定训练集和验证集，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述训练集对预设的pinn模型进行模型训练，直至达到第一预设迭代次数，获取训练后的所述pinn模型的模型参数，包括：
4.根据权利要求3所述的方法，其特征在于，所述计算预设的pinn模型的总损失，并利用adamw算法更新模型权重，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述偏微分方程构建自适应损失函数，得到pinn模型的总损失...
【专利技术属性】
技术研发人员：向超群，尹雪瑶，伍珣，成庶，吕鑫，马永超，邹阳，
申请(专利权)人：中南大学，
类型：发明
国别省市：
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。