CN113219252A - 一种非侵入式在线检测变换器阻抗的方法 - Google Patents
一种非侵入式在线检测变换器阻抗的方法 Download PDFInfo
- Publication number
- CN113219252A CN113219252A CN202110529168.1A CN202110529168A CN113219252A CN 113219252 A CN113219252 A CN 113219252A CN 202110529168 A CN202110529168 A CN 202110529168A CN 113219252 A CN113219252 A CN 113219252A
- Authority
- CN
- China
- Prior art keywords
- excitation
- impedance
- current
- detection
- converter
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明公开了一种非侵入式在线检测变换器阻抗的方法,包括如下步骤:利用现代启发式算法生成脉冲电流激励;将生成的脉冲电流激励输入变换器端口;检测并记录变换器端口在脉冲电流激励下生成的带有背景噪声检测信号;利用信号检测系统判断带有背景噪声的检测信号中是否存在变换器单独作用的激励响应电压或变换器单独作用的激励响应电流;若不存在,检测重新开始;若存在,将其分离出来并将其输入到神经网络,神经网络在线计算得到变换器实时阻抗值。本发明公开的非侵入式在线检测变换器阻抗的方法可在线求得变换器的阻抗,实现了对阻抗的实时监测,进而实现了对变换器内部是否存在故障的实时检测。
Description
技术领域
本发明涉及变换器阻抗检测领域,特别涉及一种非侵入式在线检测变换器阻抗的方法。
背景技术
为保证电网能够安全稳定的工作,需要对电网进行稳定性分析,而电网的稳定性分析需先通过模型分析得到稳定性判据之后再结合变换器阻抗判断电网是否稳定,因此得到变换器阻抗是对电网进行稳定性分析的前提。
现有的检测变换器阻抗的方法如公开号为CN110850175A的中国专利申请公开的一种基于低频电流注入的直流微电网线路阻抗检测方法及装置,包括如下步骤:S1:选取特定频率的交流电流信号,将电流信号注入到储能变换器的电感电流中;S2:注入电流扰动信号后,测量储能单元变换器输入电压和输入电流;S3:根据电路原理中电压与电流之间的关系,计算得到直流母线电压到储能单元之间的线路阻抗,所述电压电流关系满足下式:Ubus=Uin+rlineIin(1);式(1)中,Ubus表示直流母线电压、Uin表示储能单元输入电压、Iin表示储能单元输入电流、rline表示线路阻抗;利用步骤S3得到的线路阻抗值补偿直流变换器控制回路的下垂电阻值。
又如公开号为CN112014642A的中国专利申请公开的静止坐标系下电网频率耦合阻抗模型聚合计算方法和装置,包括如下步骤:通过预设公式结合各频率耦合阻抗模型矩阵计算得出目标频率耦合阻抗模型矩阵,得到了电网中频率耦合阻抗模型聚合的计算方法。
上述两份专利申请提供的方案均是依据计算公式线下计算出变换器的阻抗,在电网进行工作时,无法实现对阻抗的实时监测,因此无法实施观测变换器内部的故障。
发明内容
为解决现有技术中存在的问题,本发明提供了一种非侵入式在线检测变换器阻抗的方法,实现了变换器阻抗的在线实时检测,进而实现了对变换器内部是否存在故障的事实上检测;同时显著的提高了工作效率、极大地节约了人力成本。
一种非侵入式在线检测变换器阻抗的方法,包括如下步骤:
S100利用现代启发式算法生成脉冲电流激励;
S200将生成的脉冲电流激励输入变换器端口;
S300检测并记录变换器端口在S200所述脉冲电流激励下生成的带有背景噪声检测信号;
S400利用信号检测系统判断带有背景噪声的检测信号中是否存在变换器单独作用的激励响应电压或变换器单独作用的激励响应电流;
若存在,将其分离出来进入步骤S500;
若不存在,返回步骤S100;
S500将变换器单独作用的激励响应电压和变换器单独作用的激励响应电流信号输入神经网络,神经网络在线计算得到变换器实时阻抗值。
现代启发式算法具有全局优化性能、通用性强等显著的优势,用于优化生成的脉冲电流激励是合适的。
具体的,利用现代启发式算法中的粒子群算法或遗传算法等算法可算出对于电网系统而言最优的脉冲电流激励。
利用现代启发式算法在线算出的最优的脉冲电流激励输入变换器端口之后,变换器端口在该电流激励之下会产生输出电压激励和输出电流激励;该输出电压激励和输出电流激励带有背景噪声,且该输出电压激励和输出电流激励内或会存在变换器单独作用下的激励响应电压或变换器单独作用下的激励响应电流信号;
利用激励响应电压和激励响应电流信号即可算出变换器的实时阻抗值,为解放人工,提高计算的准确度将激励响应电压和激励响应电流信号输入神经网络,利用神经网络及时、迅速的计算出变换器的实时阻抗值。整个检测过程在线进行。
优选的,所述步骤S100中生成的脉冲电流激励为改进型离散区间二进制序列脉冲电流激励。
改进型离散区间二进制序列脉冲由于其具有能量集中等突出的优势,在电网系统中容易匹配对应的信息,因此利用改进型离散区间二进制序列脉冲电流激励进行检测是合适的。
优选的,所述步骤S100的具体过程包括:
S100-1使用现代启发式算法依据给定的系统环境,生成适用于该系统环境的频率激励序列,根据该系统环境选择脉冲序列;
S100-2再使用现代启发式算法在不增加信号时域幅值的基础上将能量最优化的集中到关键指定的频率点上生成改进型离散区间二进制序列脉冲电流激励。
优选的,所述步骤S100-1中对脉冲序列的选择包括对脉冲序列的个数、强度、位置的选择。
优选的,所述信号检测系统为基于Duffing振子混沌理论的信号检测系统。
优选的,利用基于Duffing振子混沌理论的信号检测系统分离激励响应电压和激励响应电流的具体步骤包括:
S400-1将带背景噪声的检测信号模数转化为连续函数;
S400-2将连续函数作为驱动输入到Duffing方程中利用计算机生成Duffing振子相轨迹图;
S400-3利用混沌振子相轨迹图判定经过模数转换后的带有背景噪声的检测信号中是否存在激励响应电压和激励响应电流信号;
S400-3-1带有背景噪声的检测信号中存在激励响应电压或激励响应电流信号,将其分离出来;
S500-3-1带有背景噪声的检测信号中不存在激励响应电压或激励响应电流信号,返回步骤S100。
优选的,所述带有背景噪声检测信号包括带有背景噪声的输出电压激励、带有背景噪声的输出电流激励;
所述步骤S400-1中,将带背景噪声的输出电压激励转化为电压连续函数,将带背景噪声的输出电流激励转化为电流连续函数;
所述步骤S400-2中,将电压连续函数输入Duffing方程中利用计算机生成电压混沌振子轨迹图,将电流连续函数输入Duffing方程中利用计算机生成电流混沌振子轨迹图。
优选的,所述神经网络接收到激励响应电压和激励响应电流信号后通过分析端口阻抗极点和反演端口阻抗拟合计算得出变换器实时阻抗值。
与现有技术相比,本发明的有益之处在于:
(1)通过将二进制序列脉冲电流激励输入变换器,记录下此时变换器端口上的输出电压激励和输出电流激励,利用Duffing混沌振子在分离出变换器单独作用下的激励响应电压和激励响应电流,将激励响应电压和激励响应电流输入到神经网络经过神经网络的计算,在线求得变换器的阻抗的方法,实现了对阻抗的实时监测,进而实现了对变换器内部是否存在故障的实时检测。
(2)建立神经网络自动在线实时计算阻抗,不仅显著的提高了工作效率还极大地节约了人力成本。
附图说明
图1为本发明提供的非侵入式在线检测变换器阻抗的方法的方案示意图。
图2为本发明提供的现代启发式算法生成二进制序列的示意图。
图3为本发明提供的基于Duffing振子混沌理论的信号检测系统的检测理论示意图。
具体实施方式
下面结合具体实施例,对本发明作进一步说明。
如图1所示,先将改进型离散区间二进制序列脉冲电流激励i(t)注入到变换器端口,变换器在该电流激励下生成带有背景噪声的输出电压激励v(t)+vn(t)和带有背景噪声的输出电流激励i(t)+in(t);
带有背景噪声的输出电压激励通过基于Duffing振子混沌理论检测系统检测并分离出变换器单独作用的激励响应电压,带有背景噪声的输出电流激励通过基于Duffing振子混沌理论检测系统检测并分离出变换器单独作用的激励响应电流;
具体检测过程如下所示:
式(1)和式(2)为Duffing振子强迫震动的运动方程,可据此绘制杜芬振子相图,其中γ,α,β,A,ω为Duffing方程相关系数,可根据实际背景噪声性质和待测信号性质实验得到;F(v(t)+vn(t))及F(i(t)+in(t))指经过模数转化后的带背景噪声的电压电流方程。
将分离出的激励响应电压v(t)和激励响应电流i(t)输入到神经网络中,神经网络利用激励响应电压和激励响应电流通过分析端口阻抗极点和反演端口阻抗拟合计算得出变换器的实时阻抗值,具体计算公式如下所示:
Z=f(v(t),i(t)) (3)。
改进型离散区间二进制序列脉冲电流激励的生成过程如图2所示:
利用现代启发式算法优化选择设置的频域信息,将能量最优化的集中到关键指定的频率点上生成改进型离散区间二进制序列脉冲电流激励。
基于Duffing振子混沌理论的信号检测系统的检测过程如图3所示:
将带有背景噪声的检测信号模数转化为连续函数;
将该连续函数作为驱动输入到Duffing方程中利用计算机生成Duffing振子相轨迹图;
利用Duffing振子相轨迹图判断带有背景噪声的检测信号中是否存在激励响应电压或激励响应电流;
若存在激励响应电压或激励响应电流将其分离出来;若不存在激励响应电压或激励响应电流,检测系统显示无信号,检测重新开始。
根据图3可知,单纯检测背景噪声时,检测系统的检测结果为无信号,不会对检测结果造成干扰。
Claims (8)
1.一种非侵入式在线检测变换器阻抗的方法,其特征在于,包括如下步骤:
S100利用现代启发式算法生成脉冲电流激励;
S200将生成的脉冲电流激励输入变换器端口;
S300检测并记录变换器端口在S200所述脉冲电流激励下生成的带有背景噪声的检测信号;
S400利用信号检测系统判断带有背景噪声的检测信号中是否存在变换器单独作用的激励响应电压或变换器单独作用的激励响应电流;
若存在,将其分离出来进入步骤S500;
若不存在,返回步骤S100;
S500将变换器单独作用的激励响应电压和变换器单独作用的激励响应电流信号输入神经网络,神经网络在线计算得到变换器实时阻抗值。
2.根据权利要求1所述的非侵入式在线检测变换器阻抗的方法,其特征在于:所述步骤S100中生成的脉冲电流激励为改进型离散区间二进制序列脉冲电流激励。
3.根据权利要求2所述的非侵入式在线检测变换器阻抗的方法,其特征在于,所述步骤S100的具体过程包括:
S100-1使用现代启发式算法依据给定的系统环境,生成适用于该系统环境的频率激励序列,根据该系统环境选择脉冲序列;
S100-2再使用现代启发式算法在不增加信号时域幅值的基础上将能量最优化的集中到关键指定的频率点上生成改进型离散区间二进制序列脉冲电流激励。
4.根据权利要求3所述的非侵入式在线检测变换器阻抗的方法,其特征在于:所述步骤S100-1中对脉冲序列的选择包括对脉冲序列的个数、强度、位置的选择。
5.根据权利要求1所述的非侵入式在线检测变换器阻抗的方法,其特征在于:所述信号检测系统为基于Duffing振子混沌理论的信号检测系统。
6.根据权利要求5所述的非侵入式在线检测变换器阻抗的方法,其特征在于,利用基于Duffing振子混沌理论的信号检测系统分离激励响应电压和激励响应电流的具体步骤包括:
S400-1将带背景噪声的检测信号模数转化为连续函数;
S400-2将连续函数作为驱动输入到Duffing方程中利用计算机生成Duffing振子相轨迹图;
S400-3利用混沌振子相轨迹图判定经过模数转换后的带有背景噪声的检测信号中是否存在激励响应电压和激励响应电流信号;
S400-3-1带有背景噪声的检测信号中存在激励响应电压或激励响应电流信号,将其分离出来;
S500-3-1带有背景噪声的检测信号中不存在激励响应电压或激励响应电流信号,返回步骤S100。
7.根据权利要求6所述的非侵入式在线检测变换器阻抗的方法,其特征在于:所述带有背景噪声检测信号包括带有背景噪声的输出电压激励、带有背景噪声的输出电流激励;
所述步骤S400-1中,将带背景噪声的输出电压激励转化为电压连续函数,将带背景噪声的输出电流激励转化为电流连续函数;
所述步骤S400-2中,将电压连续函数输入Duffing方程中利用计算机生成电压混沌振子轨迹图,将电流连续函数输入Duffing方程中利用计算机生成电流混沌振子轨迹图。
8.根据权利要求1所述的非侵入式在线检测变换器阻抗的方法,其特征在于:所述神经网络接收到激励响应电压和激励响应电流信号后通过分析端口阻抗极点和反演端口阻抗拟合计算得出变换器实时阻抗值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529168.1A CN113219252B (zh) | 2021-05-14 | 2021-05-14 | 一种非侵入式在线检测变换器阻抗的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529168.1A CN113219252B (zh) | 2021-05-14 | 2021-05-14 | 一种非侵入式在线检测变换器阻抗的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219252A true CN113219252A (zh) | 2021-08-06 |
CN113219252B CN113219252B (zh) | 2022-03-01 |
Family
ID=77092026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110529168.1A Active CN113219252B (zh) | 2021-05-14 | 2021-05-14 | 一种非侵入式在线检测变换器阻抗的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219252B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1067312A (zh) * | 1991-05-30 | 1992-12-23 | 东方振动和噪声技术研究所 | 脉冲激励与系统响应变时基导纳分析技术 |
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
US20120306515A1 (en) * | 2011-06-01 | 2012-12-06 | Enphase Energy, Inc. | Method and apparatus for grid impedance detection |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN105371945A (zh) * | 2015-10-10 | 2016-03-02 | 同济大学 | 去除厅堂脉冲响应测量声信号中噪声的方法及装置 |
CN106505840A (zh) * | 2016-11-30 | 2017-03-15 | 云南电网有限责任公司 | 一种并网光伏逆变器谐波治理方法 |
CN108959689A (zh) * | 2018-04-26 | 2018-12-07 | 国网江苏省电力有限公司淮安供电分公司 | 基于改进型Duffing振子混沌模型的电动汽车充电桩谐波检测算法 |
CN110763932A (zh) * | 2019-10-14 | 2020-02-07 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于非接触式注入激励信号的变压器故障检测系统及其检测方法 |
CN110850175A (zh) * | 2019-11-19 | 2020-02-28 | 大连海事大学 | 一种基于低频电流注入的直流微电网线路阻抗检测方法及装置 |
CN111474489A (zh) * | 2020-04-13 | 2020-07-31 | 上海捷氢科技有限公司 | 一种燃料电池电堆交流阻抗测试方法和装置 |
-
2021
- 2021-05-14 CN CN202110529168.1A patent/CN113219252B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1067312A (zh) * | 1991-05-30 | 1992-12-23 | 东方振动和噪声技术研究所 | 脉冲激励与系统响应变时基导纳分析技术 |
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
US20120306515A1 (en) * | 2011-06-01 | 2012-12-06 | Enphase Energy, Inc. | Method and apparatus for grid impedance detection |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN105371945A (zh) * | 2015-10-10 | 2016-03-02 | 同济大学 | 去除厅堂脉冲响应测量声信号中噪声的方法及装置 |
CN106505840A (zh) * | 2016-11-30 | 2017-03-15 | 云南电网有限责任公司 | 一种并网光伏逆变器谐波治理方法 |
CN108959689A (zh) * | 2018-04-26 | 2018-12-07 | 国网江苏省电力有限公司淮安供电分公司 | 基于改进型Duffing振子混沌模型的电动汽车充电桩谐波检测算法 |
CN110763932A (zh) * | 2019-10-14 | 2020-02-07 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于非接触式注入激励信号的变压器故障检测系统及其检测方法 |
CN110850175A (zh) * | 2019-11-19 | 2020-02-28 | 大连海事大学 | 一种基于低频电流注入的直流微电网线路阻抗检测方法及装置 |
CN111474489A (zh) * | 2020-04-13 | 2020-07-31 | 上海捷氢科技有限公司 | 一种燃料电池电堆交流阻抗测试方法和装置 |
Non-Patent Citations (2)
Title |
---|
郑伟锋 等: "基于参数模型辨识的逆变器重复控制", 《浙江大学学报(工学版)》 * |
马皓 等: "一种关于数字控制的Boost倍压功率因数校正电路的快速动态响应算法", 《电工技术学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113219252B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soliman et al. | Capacitance estimation algorithm based on DC-link voltage harmonics using artificial neural network in three-phase motor drive systems | |
CN104259081B (zh) | 一种压电换能器频率跟踪方法及系统 | |
CN104049171A (zh) | 交错反激式微逆变器的开路故障诊断方法及系统 | |
CN109830972B (zh) | 一种新能源场站振荡源快速识别系统及方法 | |
Luo et al. | Fault detection of permanent magnet synchronous motor based on deep learning method | |
CN102291011A (zh) | 一种电磁发射机及其控制方法 | |
CN109946978B (zh) | 一种考虑延时环节的伺服系统分数阶模型辨识方法 | |
CN113219252B (zh) | 一种非侵入式在线检测变换器阻抗的方法 | |
CN106203355A (zh) | 一种电力系统低频振荡的检测方法及装置 | |
Talha et al. | A novel three-phase inverter fault diagnosis system using three-dimensional feature extraction and neural network | |
Zhu et al. | Bipolar steep pulse current source for highly inductive load | |
Farhat et al. | Real-time efficiency boosting for PV systems using MPPT based on sliding mode | |
CN114070136B (zh) | 基于振动信号的电机的控制方法、电机和存储介质 | |
CN105759113B (zh) | 一种电动汽车充电的非侵入式负荷监测与分解方法 | |
CN112034387A (zh) | 一种基于预测序列的输电线路短路故障诊断方法及装置 | |
Khov et al. | Monitoring of turn short-circuit faults in stator of PMSM in closed loop by on-line parameter estimation | |
CN112962101B (zh) | 一种埋地管道用多参比电极恒电位仪及使用方法 | |
CN113484609B (zh) | 一种基于lcl滤波器阻尼的电网阻抗检测方法 | |
CN108181526A (zh) | 变频器负载测试系统和变频器负载测试方法 | |
CN103532128A (zh) | 直流微电网中光伏发电系统的比例积分准谐振控制方法 | |
Mythili et al. | Z-source inverter fed induction motor drive control using hybrid methodology | |
CN113155954A (zh) | 一种用于导体结构缺陷检测的脉冲涡流检测系统及方法 | |
Xiao et al. | An improved precise power control of voltage sensorless-MPC for PWM rectifiers | |
Jiang et al. | Online anomaly detection in switching-mode power module using statistical property features comparison and gaussian process regression | |
URBAŃSKI et al. | Faults detection in PMSM drive using Artificial Neural Network |
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 |