【技术实现步骤摘要】
本专利技术涉及储能逆变器，尤其涉及一种基于人工智能的储能逆变器电感温度识别方法、计算机设备及存储介质。
技术介绍
1、随着储能逆变器技术的持续进步与革新，电感作为逆变器结构中不可或缺的关键组件，在面临极端环境挑战时，其温度的异常升高不仅会严重影响电感的预期使用寿命，甚至可能直接导致电感损坏。因此，对电感温度实施即时且精确的监控措施显得尤为关键和重要。
2、电感温度的准确识别，在优化逆变器整体性能及预测潜在故障方面扮演着至关重要的角色。然而，在传统逆变器设计中，直接对电感温度进行采样面临着诸多实际困难。具体而言，这种做法不仅会导致硬件成本的显著增加，而且在电感内部布置如ntc（负温度系数热敏电阻）等温度传感器，还可能进一步加剧涡流损耗，从而加速电感温度的攀升。因此，传统逆变器通常并不直接对电感温度进行采样。
3、在储能逆变器正常运作的过程中，其电感温度会根据不同的运行工况发生动态变化。这些工况数据涵盖了逆变器的工作参数，诸如输入电压、输出电压、电流强度等，以及电感自身的物理属性信息。
4、综上所述，如何有效识别并监测逆变器的电感温度，进而提升逆变器的安全稳定性能，已成为当前该领域技术人员亟待攻克的重要技术难题之一。
5、以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。
技术实现思路
1、本专利技术提供一种基于人工智能的储能逆变器电感温度识别方法、计算机设备及存储介质，以解决
2、为实现上述目的，本专利技术提供以下的技术方案：
3、第一方面，本专利技术提供一种基于人工智能的储能逆变器电感温度识别方法，所述方法包括：
4、s1、构建并训练gru&lstm混合神经网络模型；
5、s2、将所述gru&lstm混合神经网络模型应用到实时运行工况中，并采集实时运行工况中的电感电流、电感感量、电感初始感量数据输入到所述gru&lstm混合神经网络模型，得到所述gru&lstm混合神经网络模型输出的储能逆变器电感温度。
6、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，在所述s2之后，所述方法还包括：
7、s3、根据输出的所述储能逆变器电感温度，对所述储能逆变器进行性能优化和/或进行故障预测。
8、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，所述s1包括：
9、s11、基于matlab神经网络工具箱构建gru&lstm混合神经网络模型，所述gru&lstm混合神经网络模型包括输入层、dropout层、lstm层、gru层、全连接层、权重层以及输出层；
10、s12、对所述gru&lstm混合神经网络模型进行训练。
11、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，所述s12包括：
12、s121、在实验室环境中，获取电感的数据；所述数据包括电感电流、电感感量、电感初始感量和电感温度；
13、s122、将所述电感电流、电感感量、电感初始感量作为可供所述gru&lstm混合神经网络模型训练与测试的数据输入，并将所述电感温度作为可供所述gru&lstm混合神经网络模型训练与测试的数据输出；
14、s123、将获取的数据随机划分成训练数据和测试数据；
15、s124、将所述训练数据导入所述gru&lstm混合神经网络模型，并训练所述gru&lstm混合神经网络模型，直至所述gru&lstm混合神经网络模型收敛；
16、s125、将所述测试数据导入所述gru&lstm混合神经网络模型，对收敛后的所述gru&lstm混合神经网络模型进行验证，且在所述gru&lstm混合神经网络模型的最大误差max小于或等于5％且平均误差mae小于或等于3％时，确认所述gru&lstm混合神经网络模型的评估结果达到期望目标。
17、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，所述s121包括：
18、s1211、在实验室环境中，保持电感温度不变，改变电感两端电流，通过dsp对当前的电感电流进行采样，在igbt驱动导通的时刻，记录下当前经过电感的电流瞬时值、电感两端的压降即母线电压和逆变电容电压的瞬时值；在igbt驱动关闭的时刻，记录下当前经过电感的电流瞬时值、电感两端的压降即母线电压和逆变电容电压的瞬时值；根据以下计算公式，得到任意一个时刻的电感量l：
19、；
20、s1212、在实验室环境中，保持电感电流不变，调节电感温度，然后同所述s1211所述，通过dsp对当前的电感电流进行采样，在igbt驱动导通的时刻，记录下当前经过电感的电流瞬时值、电感两端的压降即母线电压和逆变电容电压的瞬时值；在igbt驱动关闭的时刻，记录下当前经过电感的电流瞬时值、电感两端的压降即母线电压和逆变电容电压的瞬时值，并计算电感感量l；
21、s1213、更换不同初始感量的电感重复进行所述s1211至s1212，以获得更多的电感的数据；所述数据包括电感电流、电感感量、电感初始感量和电感温度。
22、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，在所述s123之后，所述方法还包括：
23、s123.1、将所述训练数据统一映射到[0，1]区间上，以得到归一化处理后的所述训练数据。
24、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，所述s124包括：
25、s124.1、选择adam随机梯度下降算法更新网络权重；
26、s124.2、将所述训练数据导入所述gru&lstm混合神经网络模型进行设定次数轮的训练，直至所述gru&lstm混合神经网络模型收敛，设置初始学习率为0.0001。
27、进一步地，所述基于人工智能的储能逆变器电感温度识别方法中，在所述s125中，所述最大误差max的计算公式为：
28、；
29、所述平均误差mae的计算公式为：
30、。
31、第二方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面提供的基于人工智能的储能逆变器电感温度识别方法。
32、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由计算机处理器执行，以实现如上述第一方面提供的基于人工智能的储能逆变器电感温度识别方法。
33、与现有技术相比，本专利技术具有以下有益效果：
34、本专利技术提供的一种基于人工智能的储能逆变器电感温度识别方法、计算机设备及存储介质，通本文档来自技高网...
【技术保护点】
1.一种基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，在所述S2之后，所述方法还包括：
3.根据权利要求1所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述S1包括：
4.根据权利要求3所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述S12包括：
5.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述S121包括：
6.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，在所述S123之后，所述方法还包括：
7.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述S124包括：
8.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，在所述S125中，所述最大误差MAX的计算公式为：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在
10.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述计算机可执行指令由计算机处理器执行，以实现如权利要求1-8中任一项所述的基于人工智能的储能逆变器电感温度识别方法。
...【技术特征摘要】
1.一种基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，在所述s2之后，所述方法还包括：
3.根据权利要求1所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述s1包括：
4.根据权利要求3所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述s12包括：
5.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，所述s121包括：
6.根据权利要求4所述的基于人工智能的储能逆变器电感温度识别方法，其特征在于，在所述s123之后，所述方法还包括：<...
【专利技术属性】
技术研发人员：徐彦忠，赵锦烽，沈志峰，郑淼，
申请(专利权)人：易事特集团股份有限公司，
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。