CN112257997B - 一种基于神经网络的pcs转化率计算方法及系统 - Google Patents
一种基于神经网络的pcs转化率计算方法及系统 Download PDFInfo
- Publication number
- CN112257997B CN112257997B CN202011077057.3A CN202011077057A CN112257997B CN 112257997 B CN112257997 B CN 112257997B CN 202011077057 A CN202011077057 A CN 202011077057A CN 112257997 B CN112257997 B CN 112257997B
- Authority
- CN
- China
- Prior art keywords
- conversion rate
- power
- pcs
- operation data
- data
- 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 185
- 238000004364 calculation method Methods 0.000 title claims abstract description 116
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012795 verification Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Inverter Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了新能源技术领域的一种基于神经网络的PCS转化率计算方法及系统,方法包括如下步骤:步骤S10、在PCS运行的过程中,实时获取PCS的运行数据;步骤S20、对获取的所述运行数据进行清洗;步骤S30、对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;步骤S40、将所述数据集划分为训练集和验证集;步骤S50、基于神经网络创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;步骤S60、利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算。本发明的优点在于:实现实时计算不同工况下PCS的转化率,并极大的提升了计算精度。
Description
技术领域
本发明涉及新能源技术领域,特别指一种基于神经网络的PCS转化率计算方法及系统。
背景技术
由于传统能源的不断减少和对环境的污染,新能源的利用和开发被提到了新的高度。PCS(储能变流器)可控制蓄电池的充电和放电过程,进行交直流的变换,在无电网情况下可以直接为交流负荷供电,是新能源发电系统的核心器件,PCS的转化率将直接影响新能源的利用效率。
虽然PCS在出厂前标定了转化率,但由于不同工况环境下的转化率是不同的,电压、电流、温度、设备老化、设备出现故障等因素都会对转化率产生影响,使得实际的转化率偏离出厂前标定的转化率,转化率的不准确将直接导致电能转化和消耗等一系列计算的失准。
因此,如何提供一种基于神经网络的PCS转化率计算方法及系统,实现实时计算不同工况下PCS的转化率,并提升计算精度,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于神经网络的PCS转化率计算方法及系统,实现实时计算不同工况下PCS的转化率,并提升计算精度。
第一方面,本发明提供了一种基于神经网络的PCS转化率计算方法,包括如下步骤:
步骤S10、在PCS运行的过程中,实时获取PCS的运行数据;
步骤S20、对获取的所述运行数据进行清洗;
步骤S30、对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;
步骤S40、将所述数据集划分为训练集和验证集;
步骤S50、基于神经网络创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
步骤S60、利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算。
进一步地,所述步骤S10中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率。
进一步地,所述步骤S20具体包括:
步骤S21、设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据;
步骤S22、创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
步骤S23、将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
步骤S24、计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
步骤S25、判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入步骤S30;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入步骤S24。
进一步地,所述步骤S30具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数。
进一步地,所述步骤S50具体包括:
步骤S51、基于神经网络创建一PCS转化率计算模型;
步骤S52、基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
步骤S53、将所述实际转化率作为PCS转化率计算模型的输出,将包括但不限于输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
步骤S54、设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入步骤S60;若否,则进入步骤S55;
步骤S55、判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入步骤S51。
第二方面,本发明提供了一种基于神经网络的PCS转化率计算系统,包括如下模块:
PCS运行数据获取模块,用于在PCS运行的过程中,实时获取PCS的运行数据;
数据清洗模块,用于对获取的所述运行数据进行清洗;
数据集生成模块,用于对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;
数据集划分模块,用于将所述数据集划分为训练集和验证集;
PCS转化率计算模型训练模块,用于基于神经网络创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
PCS转化率计算模块,用于利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算。
进一步地,所述PCS运行数据获取模块中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率。
进一步地,所述数据清洗模块具体包括:
数据过滤单元,用于设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据;
滑动窗口创建单元,用于创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
运行数据采样单元,用于将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
运行数据清洗单元,用于计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
窗口滑动单元,用于判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入数据集生成模块;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入运行数据清洗单元。
进一步地,所述数据集生成模块具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数。
进一步地,所述PCS转化率计算模型训练模块具体包括:
PCS转化率计算模型创建单元,用于基于神经网络创建一PCS转化率计算模型;
实际转化率计算单元,用于基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
模型训练单元,用于将所述实际转化率作为PCS转化率计算模型的输出,将包括但不限于输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
第一模型验证单元,用于设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入PCS转化率计算模块;若否,则进入第二模型验证单元;
第二模型验证单元,用于判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入PCS转化率计算模型创建单元。
本发明的优点在于:
通过实时获取PCS的运行数据并依次进行清洗、分组、下采样以及随机排序生成数据集,再将数据集划分成训练集和验证集,利用训练集对创建的PCS转化率计算模型进行训练,再利用验证集对训练过的PCS转化率计算模型进行验证,最终利用验证通过的PCS转化率计算模型对不同工况下PCS的转化率进行实时计算,即向PCS转化率计算模型输入不同工况下的输入电压、输入电流、温度以及电网频率,即可立即得出对应的PCS转化率,最终实现实时计算不同工况下PCS的转化率,并极大的提升了PCS转化率的计算精度,便于提高PCS的转化率以及故障检修。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于神经网络的PCS转化率计算方法的流程图。
图2是本发明一种基于神经网络的PCS转化率计算系统的结构示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:基于神经网络创建一PCS转化率计算模型,利用PCS运行过程中产生的运行数据对PCS转化率计算模型进行训练和验证,再利用验证通过的PCS转化率计算模型对不同工况下PCS的转化率进行实时计算,以实现实时计算不同工况下PCS的转化率,并提升计算精度。
请参照图1至图2所示,本发明一种基于神经网络的PCS转化率计算方法的较佳实施例,包括如下步骤:
步骤S10、在PCS运行的过程中,实时获取PCS的运行数据;
步骤S20、对获取的所述运行数据进行清洗;
步骤S30、对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;随机排序能够增强PCS转化率计算模型的泛化能力;
步骤S40、将所述数据集划分为训练集和验证集;
步骤S50、基于神经网络(back propagat i on)创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
步骤S60、利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算。
所述步骤S10中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率。
所述步骤S20具体包括:
步骤S21、设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据,即剔除异常数据;例如设定Pac和Pdc的取值均为-5W,则将AC功率和DC功率小于-5W的运行数据进行剔除;
步骤S22、创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
步骤S23、将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
步骤S24、计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
步骤S25、判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入步骤S30;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入步骤S24。
所述步骤S30具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;例如设定AC功率的取值区间为0-100W,组距k设为10W,则可将所述运行数据划分为10组,第1组的AC功率存在3W、4W、8W,则第1组的运行数据量为3,以此类推统计其余组的运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数。例如10组数据的运行数据量分别为3、3、5、7、4、9、8、5、7、10,m的取值为3,运行数据量最高的3个分组分别为第6、7、10组,运行数据量最高的第4个分组为第9组,则将第6、7、10组的运行数据进行下采样,均保留其中7个运行数据,即使下采样后的运行数据量保持与第4个分组一致。其中下采样优先为随机下采样。
所述步骤S50具体包括:
步骤S51、基于神经网络创建一PCS转化率计算模型;所述神经网络优选为前馈神经网络,神经网络的层数优选为3层,训练函数优选为动量梯度下降,误差计算优选为均方误差,学习目标优选为10e-6,学习率优选为1;
步骤S52、基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
步骤S53、将所述实际转化率作为PCS转化率计算模型的输出,将包括但不限于输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
步骤S54、设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入步骤S60;若否,则进入步骤S55;所述误差计算方法包括但不限于均方误差(MSE);
步骤S55、判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入步骤S51。
本发明一种基于神经网络的PCS转化率计算系统的较佳实施例,包括如下模块:
PCS运行数据获取模块,用于在PCS运行的过程中,实时获取PCS的运行数据;
数据清洗模块,用于对获取的所述运行数据进行清洗;
数据集生成模块,用于对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;随机排序能够增强PCS转化率计算模型的泛化能力;
数据集划分模块,用于将所述数据集划分为训练集和验证集;
PCS转化率计算模型训练模块,用于基于神经网络(back propagat i on)创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
PCS转化率计算模块,用于利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算。
所述PCS运行数据获取模块中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率。
所述数据清洗模块具体包括:
数据过滤单元,用于设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据,即剔除异常数据;例如设定Pac和Pdc的取值均为-5W,则将AC功率和DC功率小于-5W的运行数据进行剔除;
滑动窗口创建单元,用于创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
运行数据采样单元,用于将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
运行数据清洗单元,用于计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
窗口滑动单元,用于判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入数据集生成模块;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入运行数据清洗单元。
所述数据集生成模块具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;例如设定AC功率的取值区间为0-100W,组距k设为10W,则可将所述运行数据划分为10组,第1组的AC功率存在3W、4W、8W,则第1组的运行数据量为3,以此类推统计其余组的运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数。例如10组数据的运行数据量分别为3、3、5、7、4、9、8、5、7、10,m的取值为3,运行数据量最高的3个分组分别为第6、7、10组,运行数据量最高的第4个分组为第9组,则将第6、7、10组的运行数据进行下采样,均保留其中7个运行数据,即使下采样后的运行数据量保持与第4个分组一致。其中下采样优先为随机下采样。
所述PCS转化率计算模型训练模块具体包括:
PCS转化率计算模型创建单元,用于基于神经网络创建一PCS转化率计算模型;所述神经网络优选为前馈神经网络,神经网络的层数优选为3层,训练函数优选为动量梯度下降,误差计算优选为均方误差,学习目标优选为10e-6,学习率优选为1;
实际转化率计算单元,用于基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
模型训练单元,用于将所述实际转化率作为PCS转化率计算模型的输出,将包括但不限于输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
第一模型验证单元,用于设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入PCS转化率计算模块;若否,则进入第二模型验证单元;所述误差计算方法包括但不限于均方误差(MSE);
第二模型验证单元,用于判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入PCS转化率计算模型创建单元。
综上所述,本发明的优点在于:
通过实时获取PCS的运行数据并依次进行清洗、分组、下采样以及随机排序生成数据集,再将数据集划分成训练集和验证集,利用训练集对创建的PCS转化率计算模型进行训练,再利用验证集对训练过的PCS转化率计算模型进行验证,最终利用验证通过的PCS转化率计算模型对不同工况下PCS的转化率进行实时计算,即向PCS转化率计算模型输入不同工况下的输入电压、输入电流、温度以及电网频率,即可立即得出对应的PCS转化率,最终实现实时计算不同工况下PCS的转化率,并极大的提升了PCS转化率的计算精度,便于提高PCS的转化率以及故障检修。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (2)
1.一种基于神经网络的PCS转化率计算方法,其特征在于:包括如下步骤:
步骤S10、在储能变流器PCS运行的过程中,实时获取PCS的运行数据;
步骤S20、对获取的所述运行数据进行清洗;
步骤S30、对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;
步骤S40、将所述数据集划分为训练集和验证集;
步骤S50、基于神经网络创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
步骤S60、利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算;
所述步骤S10中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率;
所述步骤S20具体包括:
步骤S21、设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据;
步骤S22、创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
步骤S23、将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
步骤S24、计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
步骤S25、判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入步骤S30;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入步骤S24;
所述步骤S30具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数;
所述步骤S50具体包括:
步骤S51、基于神经网络创建一PCS转化率计算模型;
步骤S52、基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
步骤S53、将所述实际转化率作为PCS转化率计算模型的输出,将包括输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
步骤S54、设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入步骤S60;若否,则进入步骤S55;
步骤S55、判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入步骤S51。
2.一种基于神经网络的PCS转化率计算系统,其特征在于:包括如下模块:
储能变流器PCS运行数据获取模块,用于在PCS运行的过程中,实时获取PCS的运行数据;
数据清洗模块,用于对获取的所述运行数据进行清洗;
数据集生成模块,用于对清洗后的所述运行数据进行分组以及下采样后,进行随机排序生成数据集;
数据集划分模块,用于将所述数据集划分为训练集和验证集;
PCS转化率计算模型训练模块,用于基于神经网络创建一PCS转化率计算模型,利用所述训练集和验证集对PCS转化率计算模型进行训练和验证;
PCS转化率计算模块,用于利用验证后的所述PCS转化率计算模型对不同工况下PCS的转化率进行实时计算;
所述PCS运行数据获取模块中,所述运行数据至少包括各运行时间下的输入电压、输入电流、温度、电网频率、AC功率以及DC功率;
所述数据清洗模块具体包括:
数据过滤单元,用于设定一AC功率阈值Pac以及一DC功率阈值Pdc,将所述运行数据过滤掉AC功率小于Pac、DC功率小于Pdc以及温度等于0的数据;
滑动窗口创建单元,用于创建一滑动窗口,所述滑动窗口宽度W的范围为3至30;
运行数据采样单元,用于将所述运行数据按运行时间进行排序,利用所述滑动窗口从运行时间最早的运行数据开始提取W条运行数据;
运行数据清洗单元,用于计算W条运行数据的AC功率平均值以及AC功率标准差,删除AC功率与AC功率平均值的绝对差大于AC功率标准差的运行数据;
窗口滑动单元,用于判断所述滑动窗口当前位置是否覆盖最后一条运行数据,若是,则进入数据集生成模块;若否,则将所述滑动窗口向最新运行时间方向移动宽度W,并进入运行数据清洗单元;
所述数据集生成模块具体为:
基于AC功率设定组距k,对清洗后的所述运行数据按组距k进行分组,统计每组运行数据量;
基于运行数据量最高的第m+1个分组,对运行数据量最高的m个分组进行下采样后,对所有的所述运行数据进行随机排序生成数据集;其中k、m均为正整数;
所述PCS转化率计算模型训练模块具体包括:
PCS转化率计算模型创建单元,用于基于神经网络创建一PCS转化率计算模型;
实际转化率计算单元,用于基于所述数据集计算PCS的实际转化率;当处于AC功率转DC功率的状态时,实际转化率=DC功率/AC功率;当处于DC功率转AC功率的状态时,实际转化率=AC功率/DC功率;
模型训练单元,用于将所述实际转化率作为PCS转化率计算模型的输出,将包括输入电压、输入电流、温度以及电网频率作为所述PCS转化率计算模型的输入,对所述PCS转化率计算模型进行训练;
第一模型验证单元,用于设定一误差阈值以及一迭代次数阈值,将所述验证集的输入电压、输入电流、温度以及电网频率输入训练后的PCS转化率计算模型生成预测转化率,判断所述预测转化率集合与实际转化率集合对应的误差是否小于误差阈值,若是,则验证通过,并进入PCS转化率计算模块;若否,则进入第二模型验证单元;
第二模型验证单元,用于判断所述预测转化率是否未收敛,或者迭代次数是否超过所述迭代次数阈值,若是,则保存训练记录并结束流程;若否,则调整PCS转化率计算模型的参数,并进入PCS转化率计算模型创建单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077057.3A CN112257997B (zh) | 2020-10-10 | 2020-10-10 | 一种基于神经网络的pcs转化率计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077057.3A CN112257997B (zh) | 2020-10-10 | 2020-10-10 | 一种基于神经网络的pcs转化率计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257997A CN112257997A (zh) | 2021-01-22 |
CN112257997B true CN112257997B (zh) | 2022-06-14 |
Family
ID=74242004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011077057.3A Active CN112257997B (zh) | 2020-10-10 | 2020-10-10 | 一种基于神经网络的pcs转化率计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257997B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113561829A (zh) * | 2021-06-30 | 2021-10-29 | 福建时代星云科技有限公司 | 一种基于机器学习的储充站控制方法及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656067A (zh) * | 2016-03-23 | 2016-06-08 | 中国电力科学研究院 | 一种多级型在线式移动储能供电系统及其控制方法 |
CN107834585A (zh) * | 2017-12-11 | 2018-03-23 | 中国船舶重工集团公司第七〇九研究所 | 一种并联储能pcs的功率分配方法 |
CN110082682A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大学 | 一种锂电池荷电状态估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7742317B2 (en) * | 2007-12-19 | 2010-06-22 | Gm Global Technology Operations, Inc. | Precharging boost converters in DC to DC power converters |
CN105337493A (zh) * | 2014-06-13 | 2016-02-17 | 株式会社村田制作所 | 功率转换系统及功率转换方法 |
-
2020
- 2020-10-10 CN CN202011077057.3A patent/CN112257997B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656067A (zh) * | 2016-03-23 | 2016-06-08 | 中国电力科学研究院 | 一种多级型在线式移动储能供电系统及其控制方法 |
CN107834585A (zh) * | 2017-12-11 | 2018-03-23 | 中国船舶重工集团公司第七〇九研究所 | 一种并联储能pcs的功率分配方法 |
CN110082682A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大学 | 一种锂电池荷电状态估计方法 |
Non-Patent Citations (3)
Title |
---|
An asymmetrical three-level dual-input bidirectional DC/AC converter with improved conversion efficiency for vehicle-to-grid application;LeiZhu;《 2017 IEEE Applied Power Electronics Conference and Exposition》;20170330;全文 * |
基于多元线性回归的锂动力电池荷电状态鲁棒预测;张松;《计算机测量与控制》;20190827;全文 * |
基于改进BP神经网络的光伏发电系统输出功率短期预测模型;丁明等;《电力系统保护与控制》;20120601(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257997A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN105701337B (zh) | 风电机组的疲劳寿命预测方法和装置 | |
CN110174555B (zh) | 基于多工况运行的牵引传动系统支撑电容器寿命估算方法 | |
CN107508281B (zh) | 一种同相供电系统潮流控制器动态可靠性评估方法 | |
CN108847686B (zh) | 一种光伏逆变器故障预测方法 | |
CN101425686A (zh) | 电力系统在线安全稳定评估预想故障集自适应筛选方法 | |
CN114994441B (zh) | 一种智能电力能效监测装置 | |
CN106529786A (zh) | 一种基于大数据分析的配电网负荷校准方法和装置 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN112257997B (zh) | 一种基于神经网络的pcs转化率计算方法及系统 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
Lei et al. | Design of energy storage control strategy to improve the PV system power quality | |
CN110389268B (zh) | 一种电力系统的在线监测系统 | |
CN117312763B (zh) | 一种基于云平台的变频家电性能可视化监管系统及方法 | |
CN113128153B (zh) | 一种光伏电站中复合阈值触发的主动变频故障录波方法 | |
CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
CN103630785A (zh) | 光伏逆变器复合粒子过程在线剩余寿命评估方法 | |
CN109726365B (zh) | 一种电力负荷预测的方法和装置 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN111475915A (zh) | 基于故障概率和时域仿真准稳态的相继故障在线评估方法 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN115481115A (zh) | 一种冗余数据清洗方法、装置、设备及介质 | |
CN114904655A (zh) | 一种单电场节能控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |