CN113609955B - 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 - Google Patents
一种基于深度学习和数字孪生的三相逆变器参数辨识方法 Download PDFInfo
- Publication number
- CN113609955B CN113609955B CN202110878138.1A CN202110878138A CN113609955B CN 113609955 B CN113609955 B CN 113609955B CN 202110878138 A CN202110878138 A CN 202110878138A CN 113609955 B CN113609955 B CN 113609955B
- Authority
- CN
- China
- Prior art keywords
- neural network
- digital twin
- output
- data
- input
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明涉及一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统,步骤S1:引入混合逻辑动态模型来构建三相逆变器的高精度仿真模型;步骤S2:采集实际电路的输入输出电流和输入输出电压等信号,并进行去噪处理;步骤S3:对神经网络进行训练、验证和测试后,将同时刻的数字孪生模型的仿真数据和实际电路模型的输出数据进行作差,构建神经网络的目标函数,采用梯度下降法更新神经网络中的权值,用新的元件参数更新所述的数字孪生模型;步骤S4:反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值;输出数字孪生模型的元件参数,实现实际电路的元件参数在线快速辨识。本发明能在不对系统侵入的情况下更经济、更可靠地对元件参数进行辨识以对三相逆变器的运行状态进行监测。
Description
技术领域
本发明涉及电力电子技术领域,特别是一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统。
背景技术
近年来,电网规模的扩大,三相逆变器等电力电子功率变换器的应用日益广泛,器件的老化会给电网的运行带来不确定因素。如何对大规模电网中的器件状态进行实时地、智能化地监测,估计退化水平和预测使用寿命,估计保证电网的稳定性和可靠性是本技术领域急需解决的问题。
参数辨识的传统方法是利用器件特殊的充放电等特性来计算元件的参数,这类方法需要对元件增设额外的传感器,有些方法需要注入一定的信号或需要特殊的滤波电路,这又要求系统是可侵入性的或增加了参数辨识的成本;基于数据驱动的方法也是一种参数辨识有效的方法,但需要离线获取大量的训练数据,这在实际中很难实现。
发明内容
有鉴于此,本发明的目的是提供一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统,能在不对系统侵入的情况下更经济、更可靠地对元件参数进行辨识以对三相逆变器的运行状态进行监测。
本发明采用以下方案实现:一种基于深度学习和数字孪生的三相逆变器参数辨识方法,包括以下步骤:
步骤S1:引入混合逻辑动态模型来构建三相逆变器拓扑的高精度数字孪生模型;
步骤S2:通过电压传感器和电流传感器采集三相逆变器拓扑的实际电路输入输出电流、输入输出电压和电网电压信号,并进行去噪处理;
步骤S3:获取数据集,并将数据集分为训练集、验证集和测试集,对神经网络进行训练、验证和测试后,将同时刻的数字孪生模型的仿真数据和实际电路的输出数据进行作差,构建神经网络的目标函数,采用梯度下降法更新神经网络中的权值,用神经网络权值更新后输出的元件参数更新所述的数字孪生模型中的元件参数;所述数据集中的数据包括经过在数字孪生模型中设置的元件参数、输入电压、输入电流、电网电压信号以及经过数字孪生模型仿真之后采集的输出电压和输出电流;
步骤S4:反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值,则认为数字孪生模型的参数即为辨识出的实际电路的参数,输出数字孪生模型的元件参数,实现实际电路的元件参数在线快速辨识。
进一步地,步骤S2中所述对实际电路采集到的信号进行去噪处理具体为:对采集到的信号作离散小波分析,得到信号各个分解层的小波系数;根据有用信号小波系数幅值大、噪声信号小波系数幅值小的特点,设置合适的阈值对信号进行滤波,当分解的小波系数小于阈值时,予以舍弃;当分解的小波系数大于阈值时,予以保留;用去噪处理后的小波系数进行小波重构,得到去噪后的信号;
其中,阈值函数为:
上式中,wi,j和分别是信号经去噪处理前后的小波分解系数。
进一步地,神经网络的输入为实际电路中三相逆变器的输入输出电压、实际电路中三相逆变器的输入输出电流信号值、电网电压信号数据,输出为与输入相对应数字孪生模型中的元件参数即电感感值、电容容值和电阻阻值;
神经网络的目标函数为:
其中,y为数字孪生模型的输出,ym为实际电路的输出,通过多次更新权值直至目标函数收敛至所预设的阈值内;所述预设阈值为0.01;
特别的,神经网络采用前馈全连接深度神经网络(DNN);DNN具有三个层级结构,分别为输入层,隐含层和输出层。前后两层采用全连接的方式,隐含层的输出是由前一层的输出与前一层的权重线性加权求和,再通过计算非线性激活函数得到的。对于有L个隐含层的DNN,其输入为h0=X,隐含层的输出可用如下公式进行计算:
al=Wlhl-1+bl,(1≤l≤L+1)
更新神经网络权值的方法采用反向传播算法和梯度下降法,求解从神经网络的输出层到输入层神经网络中权值的导数,采用如下公式进行权值更新:
上式中,代表第l层第j个神经元与第l+1层第i个神经元的连接权值。
在数字孪生模型中设置不同的输入电压电流、电网信号和不同的元件参数,采集输出的电压电流,获得数据作为神经网络的数据集。将数据按7:2:1分成训练集、验证集和测试集。训练集用以训练神经网络模型完成对神经网络权值的更新,将验证集的数据作为经训练集训练完成的神经网络的输入,将神经网络的输出与验证集的标签进行对比完成验证过程,用以验证泛化能力和对网络性能进行初步评估,将测试集的数据作为经验证集验证完成后的神经网络的输入,将神经网络的输出与测试集的标签进行对比,计算出神经网络的识别正确率,正确率大于95%则完成测试过程,用以对网络的泛化能力进行最终评估;测试完成后将实际电路采集到的输入输出电压、输入输出电流和电网电压信号数据传输至上位机,根据目标函数再次更新神经网络的权值直至目标函数收敛至所设阈值内。
本发明还提供一种基于深度学习和数字孪生的三相逆变器参数辨识系统,包括数据采集模块、数据传输模块、数据分析模块和可视化模块;所述数据采集模块通过每个传感器采集实际电路的输入输出电压、输入输出电流和电网电压信号,并对信号进行去噪处理;所述数据传输模块用于将数据采集模块去噪处理后的数据传输至数据分析模块;所述数据分析模块用于利用数字孪生技术实现三相逆变器的高逼真度仿真,并利用神经网络不断更新数字孪生模型,使数字孪生模型无限接近实际电路;所述数据采集模块与所述数据分析模块均通过所述数据传输模块与所述可视化模块通信,用以将去噪处理后的数据及数字孪生模型中的元件参数进行可视化,实现人机交互,实施对三相逆变器的预测性维护措施;所述数据传输模块采用的是无线通信模块。
进一步地,所述数据分析模块包括数字孪生模型构建单元、神经网络单元、模型更新单元和参数确定单元;所述数字孪生模型构建单元用于构建以三相逆变器为拓扑的的高精度数字孪生模型;所述神经网络单元用于完成对神经网络的构建、训练、验证和测试;所述模型更新单元用于通过神经网络的输出参数值来替换原数字孪生模型中的原元件参数用以实现模型更新,直至由数字孪生模型输出的信号与实际电路的信号构成的目标函数小于设置阈值;所述参数确定单元用于根据目标函数是否小于设置的阈值来确定估计的实际电路元件参数。
与现有技术相比,本发明具有以下有益效果:
本发明可以通过分析三相逆变器的工作原理和运行规律来构建初始数字孪生模型,然后,将数据集分为训练集、验证集和测试集对神经网络中进行训练、验证和测试,再根据目标函数对神经网络的权值进行二次更新,从而使神经网络的输出即数字孪生模型的元件参数与实际电路的元件参数在一定的误差范围内。最后通过可视化技术使技术人员实时了解三相逆变器的元件老化程度,制定相关的维护计划。该方法的信号测量对数据采集装置的采样率和分辨率要求不高,且不需要额外的硬件滤波电路、不需要注入额外的信号。作为一种非侵入性的方法,响应速度快且经济可靠,可以满足工程上的需要。
附图说明
图1为本发明实施例的系统框图。
图2为本发明实施例的神经网络模型图。
图3为本发明实施例的方法流程图。
图4为本发明实施例的三相逆变器模型拓扑图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图3所示,本实施例提供一种基于深度学习和数字孪生的三相逆变器参数辨识方法,包括以下步骤:
步骤S1:引入混合逻辑动态模型来构建三相逆变器拓扑的高精度数字孪生模型;该模型交流侧滤波器为L型;逆变器采用两电平电压源型的拓扑结构,三相桥臂中点输出幅值为Vdc或-Vdc的方波电压;如图4所示;
步骤S2:通过电压传感器和电流传感器采集三相逆变器拓扑的实际电路输入输出电流、输入输出电压和电网电压信号,并进行去噪处理,通过无线通信模块将数据传输至PC上位机即可视化模块进行数据查看;
步骤S3:获取数据集,并将数据集分为训练集、验证集和测试集,完成对神经网络的训练、验证和测试,对神经网络进行训练、验证和测试后,将同时刻的数字孪生模型的仿真数据和实际电路的输出数据进行作差,构建神经网络的目标函数,采用梯度下降法更新神经网络中的权值,用神经网络权值更新后输出的元件参数更新所述的数字孪生模型中的元件参数;所述数据集中的数据包括经过在数字孪生模型中大量设置的元件参数、输入电压、输入电流、电网电压信号以及经过数字孪生模型仿真之后采集的输出电压和输出电流;
步骤S4:反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值(0.01),则认为数字孪生模型的参数即为辨识出的实际电路的参数,输出数字孪生模型的元件参数,实现实际电路的元件参数在线快速辨识。
在本实施例中,实际电路模型指的是现实世界中的三相逆变器电路,数字孪生模型值的是仿真软件搭建的模型(例如Matlab,Psim等),它们两个的模型拓扑是三相逆变器拓扑结构。
在本实施例中,步骤S2中所述对实际电路采集到的信号进行去噪处理具体为:对采集到的信号作离散小波分析,得到信号各个分解层的小波系数;根据有用信号小波系数幅值大、噪声信号小波系数幅值小的特点,设置合适的阈值对信号进行滤波,当分解的小波系数小于阈值时,予以舍弃;当分解的小波系数大于阈值时,予以保留;用去噪处理后的小波系数进行小波重构,得到去噪后的信号;
其中,阈值函数为:
上式中,wi,j和分别是信号经去噪处理前后的小波分解系数。
如图2所示,在本实施例中,神经网络的输入为实际电路中三相逆变器的输入输出电压、实际电路中三相逆变器的输入输出电流信号值、电网电压信号数据,输出为与输入相对应的数字孪生模型中的元件参数即电感感值、电容容值和电阻阻值;
神经网络的目标函数为:
其中,y为数字孪生模型的输出,ym为实际电路的输出,通过多次更新权值直至目标函数收敛至所预设的阈值内;所述预设阈值为0.01;
神经网络采用前馈全连接深度神经网络(DNN);DNN具有三个层级结构,分别为输入层,隐含层和输出层;前后两层采用全连接的方式,隐含层的输出是由前一层的输出与前一层的权重线性加权求和,再通过计算非线性激活函数得到的;对于有L个隐含层的DNN,其输入为h0=X,隐含层的输出可用如下公式进行计算:
al=Wlhl-1+bl,(1≤l≤L+1)
更新神经网络权值的方法采用反向传播算法和梯度下降法,求解从神经网络的输出层到输入层神经网络中权值的导数,采用如下公式进行权值更新:
上式中,代表第l层第j个神经元与第l+1层第i个神经元的连接权值;
在数字孪生模型中设置不同的输入电压电流、电网信号和不同的元件参数,采集输出的电压电流,获得大量数据作为神经网络的数据集。将数据按7:2:1分成训练集、验证集和测试集。训练集用以训练神经网络模型完成对神经网络权值的更新,将验证集的数据作为经训练集训练完成的神经网络的输入,将神经网络的输出与验证集的标签(元件参数)进行对比完成验证过程,用以验证泛化能力和对网络性能进行初步评估,将测试集的数据作为经验证集验证完成后的神经网络的输入,将神经网络的输出与测试集的标签(元件参数)进行对比,计算出神经网络的识别正确率,正确率大于95%则完成测试过程,用以对网络的泛化能力进行最终评估。测试完成后将实际电路采集到的输入输出电压、输入输出电流和电网电压信号数据传输至上位机,根据目标函数再次更新神经网络的权值直至目标函数收敛至所设阈值内,权值更新原理与上述相同。
如图1所示,本实施例还提供一种基于深度学习和数字孪生的三相逆变器参数辨识系统,包括数据采集模块、数据传输模块、数据分析模块和可视化模块;所述数据采集模块通过每个传感器采集实际电路的输入输出电压、输入输出电流和电网电压信号,并对信号进行去噪处理;所述数据传输模块用于将数据采集模块去噪处理后的数据传输至数据分析模块;所述数据分析模块用于利用数字孪生技术实现三相逆变器的高逼真度仿真,并利用神经网络不断更新数字孪生模型,使数字孪生模型无限接近实际电路;所述数据采集模块与所述数据分析模块均通过所述数据传输模块与所述可视化模块通信,用以将去噪处理后的数据及数字孪生模型中的元件参数进行可视化,实现人机交互,实施对三相逆变器的预测性维护措施;所述数据传输模块采用的是无线通信模块。
在本实施例中,所述数据分析模块包括数字孪生模型构建单元、神经网络单元、模型更新单元和参数确定单元;所述数字孪生模型构建单元用于构建以三相逆变器为拓扑的的高精度数字孪生模型;所述神经网络单元用于通过对网络的训练、验证和测试实现对神经网络的构建与完善;所述模型更新单元用于通过神经网络的输出参数值来替换原数字孪生模型中的原元件参数用以实现模型更新,直至由数字孪生模型输出的信号与实际电路的信号构成的目标函数小于设置阈值(0.01);所述参数确定单元用于根据目标函数是否小于设置的阈值(0.01)来输出数字孪生模型的元件参数,从而确定估计的实际电路元件参数。
较佳的,本实施例提供了一种基于深度学习和数字孪生的三相逆变器参数辨识方法,包括如下步骤:
步骤S1:根据三相逆变器内部多变量、强耦合等复杂特点,引入混合逻辑动态模型来构建三相逆变器的高精度仿真模型,实现模型内部元件参数的可视化;
步骤S2:采集实际电路的输入输出电流和输入输出电压和电网电压信号,并进行去噪处理,通过无线模块将数据传输至上位机;
步骤S3:对神经网络进行训练、验证和测试后,将同时刻的数字孪生模型的仿真数据和实际电路模型的输出数据进行作差,构建神经网络的目标函数,采用梯度下降法更新神经网络中的权值,用新的元件参数更新所述的数字孪生模型;
步骤S4:反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值。输出数字孪生模型的元件参数,实现实际电路的元件参数在线快速辨识。
在本实施例中,所述的对实际电路采集到的信号进行去噪处理,包括:
对采集到的信号作离散小波分析,得到信号各个分解层的小波系数;
根据有用信号小波系数幅值较大、噪声信号小波系数幅值较小的特点,设置合适的阈值对信号进行滤波,当分解的小波系数小于阈值时,予以舍弃;当分解的小波系数大于阈值时,予以保留;
用去噪处理后的小波系数进行小波重构,得到去噪后的信号;
所述的利用神经网络更新数字孪生模型中的元件参数,包括:
神经网络的输入为实际电路中三相逆变器的输入和输出电压、输入和输出电流信号值和电网电压值,输出为相对于输入的数字孪生模型中的元件参数(即电感感值、电容容值和电阻阻值);
神经网络的目标函数为:
其中,y为数字孪生模型的输出,ym为实际电路的输出,通过多次训练直至目标函数收敛至所设置的阈值内;
将采集到的数据传输至上位机后,将数据按7:2:1分成训练集、验证集和测试集。
所述的输出数字孪生模型的元件参数,包括:
通过可视化技术实时监测三相逆变器的元件参数;
当元件的老化表征参数超过一定的阈值(电容容值、电感感值和电阻阻值变化范围超过初始值的20%即判定失效),表明元件已失效,需要更换,可以根据此参数辨识方法对三相逆变器进行计划性维修。
另一方面,本实施例提供了一种基于深度学习和数字孪生的三相逆变器参数辨识系统,所述系统包括:
数据采集模块,通过每个传感器采集实际电路的输出信号,并对信号进行去噪处理;
数据传输模块,用于将数据采集模块输出的数据传输至数据分析模块,通过部署无线网络技术实现工作面无线网络系统的搭建;
数据分析模块,利用数字孪生技术实现三相逆变器的高逼真度仿真,并利用神经网络不断更新数字孪生模型,使数字孪生模型无限接近实际电路模型;
可视化模块,用于可视化数字孪生模型中的元件参数,实现人机交互,实施对三相逆变器的预测性维护措施。
所述的数据分析模块,包括:
数字孪生模型构建单元,用于构建三相逆变器的高精度模型,实现三相逆变器的实时仿真;
神经网络单元,通过对网络的训练、验证和测试实现对神经网络的构建与完善;
模型更新单元,通过神经网络的输出参数值来替换原数字孪生模型中的原元件参数实现模型更新,直至由数字孪生模型输出的信号与实际电路的信号构成的目标函数在容许的范围内;
参数确定单元,根据目标函数是否小于设置的阈值来确定估计的实际电路元件参数。
较佳的,本实施例可以通过分析三相逆变器的工作原理和运行规律来构建初始数字孪生模型,完成对神经网络的训练、验证和测试。然后,可以通过神经网络对初始数字孪生模型参数进行实时更新,直至数字孪生模型的输出和实际电路的输出构成的目标函数在容许的误差范围内。具体为:采集实际电路的输入输出电压、电流以及电网信号并进行去噪处理,用去噪后的数据和仿真模型中的输出信号构建数据集并建立目标函数,并根据目标函数来调整神经网络的权值。通过神经网络对初始数字孪生模型参数进行实时更新,直至数字孪生模型的输出和实际电路的输出构成的目标函数在容许的误差范围内。
最后通过可视化技术使技术人员实时了解三相逆变器的元件老化程度,制定相关的维护计划。该方法的信号测量对数据采集装置的采样率和分辨率要求不高,且不需要额外的硬件滤波电路、不需要注入额外的信号。作为一种非侵入性的方法,响应速度快且经济可靠,可以满足工程上的需要。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于深度学习和数字孪生的三相逆变器参数辨识方法,其特征在于:包括以下步骤:
步骤S1:引入混合逻辑动态模型来构建三相逆变器拓扑的高精度数字孪生模型;
步骤S2:通过电压传感器和电流传感器采集三相逆变器拓扑的实际电路输入输出电流、输入输出电压和电网电压信号,并进行去噪处理;
步骤S3:获取数据集,并将数据集分为训练集、验证集和测试集,对神经网络进行训练、验证和测试后,将同时刻的数字孪生模型的仿真数据和实际电路的输出数据进行作差,构建神经网络的目标函数;采用梯度下降法更新神经网络中的权值,用神经网络权值更新后输出的元件参数更新所述的数字孪生模型中的元件参数;所述数据集中的数据包括在数字孪生模型中设置的元件参数、输入电压、输入电流、电网电压信号以及经过数字孪生模型仿真之后采集的输出电压和输出电流;
步骤S4:反复调整神经网络中的权值直至神经网络的目标函数小于所设置的阈值,则认为数字孪生模型的参数即为辨识出的实际电路的参数,输出数字孪生模型的元件参数,实现实际电路的元件参数在线快速辨识;
步骤S2中对实际电路采集到的信号进行去噪处理具体为:对采集到的信号作离散小波分析,得到信号各个分解层的小波系数;根据有用信号小波系数幅值大、噪声信号小波系数幅值小的特点,设置合适的阈值对信号进行滤波,当分解的小波系数小于阈值时,予以舍弃;当分解的小波系数大于阈值时,予以保留;用去噪处理后的小波系数进行小波重构,得到去噪后的信号;
其中,阈值函数为:
上式中,wi,j和分别是信号经去噪处理前后的小波分解系数;
神经网络的输入为实际电路中三相逆变器的输入输出电压、实际电路中三相逆变器的输入输出电流信号值、电网电压信号数据,输出为与输入相对应的数字孪生模型中的元件参数即电感感值、电容容值和电阻阻值;
神经网络的目标函数为:
其中,y为数字孪生模型的输出,ym为实际电路的输出,通过多次更新权值直至目标函数收敛至所预设的阈值内;所述预设阈值为0.01;
神经网络采用前馈全连接深度神经网络;DNN具有三个层级结构,分别为输入层,隐含层和输出层;前后两层采用全连接的方式,隐含层的输出是由前一层的输出与前一层的权重线性加权求和,再通过计算非线性激活函数得到的;对于有L个隐含层的DNN,其输入为h0=X,隐含层的输出用如下公式进行计算:
al=Wlhl-1+bl,(1≤l≤L+1)
更新神经网络权值的方法采用反向传播算法和梯度下降法,求解从神经网络的输出层到输入层神经网络中权值的导数,采用如下公式进行权值更新:
上式中,wij代表第l层第j个神经元与第l+1层第i个神经元的连接权值;
在数字孪生模型中设置不同的输入电压电流、电网信号和不同的元件参数,采集输出的电压电流,获得数据作为神经网络的数据集;将数据按7:2:1分成训练集、验证集和测试集,训练集用以训练神经网络模型完成对神经网络权值的更新;将验证集的数据作为经训练集训练完成的神经网络的输入,将神经网络的输出与验证集的标签进行对比完成验证过程,用以验证泛化能力和对网络性能进行初步评估,将测试集的数据作为经验证集验证完成后的神经网络的输入,将神经网络的输出与测试集的标签进行对比,计算出神经网络的识别正确率,正确率大于95%则完成测试过程,用以对网络的泛化能力进行最终评估;测试完成后将实际电路采集到的输入输出电压、输入输出电流和电网电压信号数据传输至上位机,根据目标函数再次更新神经网络的权值直至目标函数收敛至所设阈值内。
2.一种基于深度学习和数字孪生的三相逆变器参数辨识系统,其特征在于:采用权利要求1中所述的一种基于深度学习和数字孪生的三相逆变器参数辨识方法,包括数据采集模块、数据传输模块、数据分析模块和可视化模块;所述数据采集模块通过每个传感器采集实际电路的输入输出电压、输入输出电流和电网电压信号,并对信号进行去噪处理;所述数据传输模块用于将数据采集模块去噪处理后的数据传输至数据分析模块;所述数据分析模块用于利用数字孪生技术实现三相逆变器的高逼真度仿真,并利用神经网络不断更新数字孪生模型,使数字孪生模型无限接近实际电路;所述数据采集模块与所述数据分析模块均通过所述数据传输模块与所述可视化模块通信,用以将去噪处理后的数据及数字孪生模型中的元件参数进行可视化,实现人机交互,实施对三相逆变器的预测性维护措施;所述数据传输模块采用的是无线通信模块。
3.根据权利要求2所述的一种基于深度学习和数字孪生的三相逆变器参数辨识系统,其特征在于:所述数据分析模块包括数字孪生模型构建单元、神经网络单元、模型更新单元和参数确定单元;所述数字孪生模型构建单元用于构建以三相逆变器为拓扑的高精度数字孪生模型;所述神经网络单元用于完成对神经网络的构建、训练、验证和测试;所述模型更新单元用于通过神经网络的输出参数值来替换原数字孪生模型中的原元件参数用以实现模型更新,直至由数字孪生模型输出的信号与实际电路的信号构成的目标函数小于设置阈值;所述参数确定单元用于根据目标函数是否小于设置的阈值来输出数字孪生模型的元件参数,从而确定估计的实际电路元件参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878138.1A CN113609955B (zh) | 2021-07-30 | 2021-07-30 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878138.1A CN113609955B (zh) | 2021-07-30 | 2021-07-30 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609955A CN113609955A (zh) | 2021-11-05 |
CN113609955B true CN113609955B (zh) | 2023-08-08 |
Family
ID=78306377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878138.1A Active CN113609955B (zh) | 2021-07-30 | 2021-07-30 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609955B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706028B (zh) * | 2022-02-28 | 2023-02-28 | 合肥工业大学 | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 |
CN114596919B (zh) * | 2022-05-10 | 2022-09-02 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、系统以及其在磷酸生产中的应用 |
CN114880930B (zh) * | 2022-05-11 | 2023-08-15 | 北京半人科技有限公司 | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 |
CN114707428B (zh) * | 2022-06-01 | 2022-09-02 | 中科航迈数控软件(深圳)有限公司 | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
CN115577641B (zh) * | 2022-11-14 | 2023-04-07 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
CN116383606B (zh) * | 2023-03-17 | 2023-10-20 | 无锡市第五人民医院 | 一种分布式医疗设备的恒流温度采集方法及系统 |
CN117709286B (zh) * | 2024-02-05 | 2024-04-09 | 北京交通大学 | 基于数字孪生的铁路信号继电器电路仿真系统及仿真方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873185A (zh) * | 2017-12-04 | 2019-06-11 | 通用电气公司 | 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法 |
CN111651858A (zh) * | 2020-04-27 | 2020-09-11 | 平安城市建设科技(深圳)有限公司 | 数字孪生模型生成方法、装置及计算机可读存储介质 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3809220B1 (en) * | 2019-10-14 | 2023-01-18 | Honda Research Institute Europe GmbH | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
-
2021
- 2021-07-30 CN CN202110878138.1A patent/CN113609955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873185A (zh) * | 2017-12-04 | 2019-06-11 | 通用电气公司 | 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法 |
CN111651858A (zh) * | 2020-04-27 | 2020-09-11 | 平安城市建设科技(深圳)有限公司 | 数字孪生模型生成方法、装置及计算机可读存储介质 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
Non-Patent Citations (1)
Title |
---|
具有参数鲁棒性的三相电压源型并网逆变器模型预测电流控制;陈韬珉;《电源学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609955A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
CN111638028B (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN112685961B (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN103439647A (zh) | 一种动态电源电流监测的模拟电路故障诊断方法 | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN110555230A (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN111783362A (zh) | 一种电动闸阀剩余使用寿命确定方法及系统 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN114118586A (zh) | 基于CNN-Bi LSTM的电机故障预测方法及系统 | |
CN114819054A (zh) | 一种基于物理信息神经网络的电力电子系统状态监测方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN114841208A (zh) | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 | |
CN113484749A (zh) | 发电机故障诊断及预测方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN111709350A (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
CN114595721A (zh) | 一种基于路况识别的车辆零部件应变载荷预测方法 | |
CN114510966A (zh) | 一种基于图神经网络的端到端大脑因果网络构建方法 | |
CN117371543A (zh) | 一种基于时序扩散概率模型的增强软测量方法 | |
CN115099506A (zh) | 一种风速预测方法、系统、电子设备及介质 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 |
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 |