CN116595395A - 一种基于深度学习的逆变器输出电流预测方法及系统 - Google Patents
一种基于深度学习的逆变器输出电流预测方法及系统 Download PDFInfo
- Publication number
- CN116595395A CN116595395A CN202310866761.4A CN202310866761A CN116595395A CN 116595395 A CN116595395 A CN 116595395A CN 202310866761 A CN202310866761 A CN 202310866761A CN 116595395 A CN116595395 A CN 116595395A
- Authority
- CN
- China
- Prior art keywords
- inverter
- output current
- value
- time
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开一种基于深度学习的逆变器输出电流预测方法及系统,包括:获取逆变器的历史数据样本,历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;将多层感知器作为参数估计器,设置输出电流预测模型,作为参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到输出电流预测模型中,计算逆变器在时间t的输出电流预测值;获取逆变器在时间t的输出电流真实值,设置优化模型函数,计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过相似度优化所述输出电流预测模型获取逆变器的当前数据,输入到所述输出电流预测模型中计算当前输出电流预测值以完成逆变器输出电流的预测。
Description
技术领域
本发明属于逆变器输出电流预测技术领域,更具体地,涉及一种基于深度学习的逆变器输出电流预测方法及系统。
背景技术
逆变器输出电流监测是一种对逆变器输出电流进行实时监测和记录的过程。逆变器是一种将直流电能转换为交流电能的装置,常用于太阳能发电系统、风能发电系统和电动汽车充电等。
为了确保逆变器的正常运行和性能优化,对其输出电流进行监测非常重要。通过监测逆变器的输出电流,可以实时获得逆变器的工作状态和性能信息,包括输出功率、负载变化、故障检测等。
要进行逆变器输出电流监测,通常会采用以下方法:
1.传感器监测:使用电流传感器或电流互感器将逆变器输出电路中的电流进行监测。这些传感器可以测量电流的大小并将其转换为电信号,然后通过数据采集系统进行记录和分析。
2.逆变器内置监测功能:一些逆变器设备已经内置了输出电流监测功能。它们通常具有内置的电流传感器或可以通过外部连接进行电流测量。逆变器会将电流信息输出到显示屏或通过通信接口传输到外部监测系统。
现有技术中,并没有一种技术方案能够准予的对逆变器输出电流进行预测。
发明内容
为解决以上技术问题,本发明提出一种基于深度学习的逆变器输出电流预测方法,包括:
获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
进一步的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
进一步的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
进一步的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
进一步的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
本发明还提出一种基于深度学习的逆变器输出电流预测系统,包括:
获取数据模块,用于获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间 t的输入电压、逆变器拓扑结构值和逆变器的温度;
设置模型模块,用于将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
设置函数模块,用于获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间 t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
预测模块,用于获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
进一步的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
进一步的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
进一步的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
进一步的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明通过获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。本发明通过以上技术方案,设置输出电流预测模型,并结合深度学习,能够准确预测逆变器的输出电流。
附图说明
图1是本发明实施例1的方法的流程图;
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,所述终端可以包括一个或多个如下部件:处理器、存储介质和显示屏。其中,存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储介质内的指令、程序、代码集或指令集,以及调用存储在存储介质内的数据,执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory,RAM),也可以包括只读存储介质(Read-Only Memory,ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
本发明公式中所有下角标只为了区分个参数,并没有实际含义。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例1
如图1所示,本发明实施例提供一种基于深度学习的逆变器输出电流预测方法,包括:
步骤101,获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
步骤102,将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
具体的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
具体的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
步骤103,获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间 t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
具体的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
步骤104,获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
具体的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
实施例2
如图2所示,本发明实施例还提供一种基于深度学习的逆变器输出电流预测系统,包括:
获取数据模块,用于获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
设置模型模块,用于将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
具体的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
具体的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
设置函数模块,用于获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
具体的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
预测模块,用于获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
具体的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
实施例3
本发明实施例还提出一种存储介质,存储有多条指令,所述指令用于实现所述的一种基于深度学习的逆变器输出电流预测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:步骤101,获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
步骤102,将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
具体的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
具体的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
步骤103,获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
具体的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
步骤104,获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
具体的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
实施例4
本发明实施例还提出一种电子设备,包括处理器和与所述处理器连接的存储介质,所述存储介质存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行所述的一种基于深度学习的逆变器输出电流预测方法。
具体的,本实施例的电子设备可以是计算机终端,所述计算机终端可以包括:一个或多个处理器、以及存储介质。
其中,存储介质可用于存储软件程序以及模块,如本发明实施例中的一种基于深度学习的逆变器输出电流预测方法,对应的程序指令/模块,处理器通过运行存储在存储介质内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种基于深度学习的逆变器输出电流预测方法。存储介质可包括高速随机存储介质,还可以包括非易失性存储介质,如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中,存储介质可进一步包括相对于处理器远程设置的存储介质,这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序,以执行下述步骤:步骤101,获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
步骤102,将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
具体的,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子。
具体的,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
步骤103,获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
具体的,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
步骤104,获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
具体的,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应所述理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储介质(ROM,Read-Only Memory)、随机存取存储介质(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种基于深度学习的逆变器输出电流预测方法,其特征在于,包括:
获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间t的输入电压、逆变器拓扑结构值和逆变器的温度;
将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间t的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间t的输出电流预测值;
其中,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,/>为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子;
获取逆变器在时间t的输出电流真实值,设置优化模型函数,并计算在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
2.如权利要求1所述的一种基于深度学习的逆变器输出电流预测方法,其特征在于,所述逆变器拓扑结构值S为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值S为一个周期内各个开关器件导通状态的持续时间之和。
3.如权利要求1所述的一种基于深度学习的逆变器输出电流预测方法,其特征在于,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重, />为在时间t的输出电流真实值。
4.如权利要求3所述的一种基于深度学习的逆变器输出电流预测方法,其特征在于,还包括:
获取在时间的输出电流预测值与在时间/>的输出电流真实值的相似度/>的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
5.一种基于深度学习的逆变器输出电流预测系统,其特征在于,包括:
获取数据模块,用于获取逆变器的历史数据样本,其中,所述历史数据样本包括:在时间的输入电压、逆变器拓扑结构值和逆变器的温度;
设置模型模块,用于将多层感知器作为参数估计器,设置输出电流预测模型,并作为所述参数估计器的目标函数,将在时间的输入电压、逆变器拓扑结构值和逆变器的温度输入到所述输出电流预测模型中,计算逆变器在时间/>的输出电流预测值;
其中,所述输出电流预测模型为:
,
其中,为在时间t的输出电流预测值,/>为在时间t的输入电压,S为逆变器拓扑结构值,T为逆变器的温度,/>为输入电压权重,/>为拓扑结构权重,/>为温度权重,/>为输入电压非线性影响权重,/>为拓扑结构非线性影响权重,/>为温度非线性影响权重,/>为输入电压和拓扑结构相结合的影响权重,/>为输入电压和温度相结合的影响权重,/>为拓扑结构和温度相结合的影响权重,/>为调整因子;
设置函数模块,用于获取逆变器在时间的输出电流真实值,设置优化模型函数,并计算在时间/>的输出电流预测值和在时间/>的输出电流真实值的相似度,通过所述相似度优化所述输出电流预测模型;
预测模块,用于获取逆变器的当前数据,输入到所述输出电流预测模型中,计算当前输出电流预测值,以完成逆变器输出电流的预测。
6.如权利要求5所述的一种基于深度学习的逆变器输出电流预测系统,其特征在于,所述逆变器拓扑结构值为:
如果所述逆变器为单相桥式逆变器,则所述逆变器拓扑结构值为一个周期内开关器件导通状态的持续时间;
如果所述逆变器为三相桥式逆变器,则所述逆变器拓扑结构值为一个周期内各个开关器件导通状态的持续时间之和。
7.如权利要求5所述的一种基于深度学习的逆变器输出电流预测系统,其特征在于,所述优化模型函数为:
,
其中,为在时间t的输出电流预测值和在时间t的输出电流真实值的相似度,N为样本的数量,/>为在时间t的权重,/>为在时间t的输出电流真实值。
8.如权利要求7所述的一种基于深度学习的逆变器输出电流预测系统,其特征在于,还包括:
获取在时间t的输出电流预测值与在时间t的输出电流真实值的相似度的最小值,并根据所述最小值,确定输入电压权重/>、拓扑结构权重/>、温度权重/>、输入电压非线性影响权重/>、拓扑结构非线性影响权重/>、温度非线性影响权重/>、输入电压和拓扑结构相结合的影响权重/>、输入电压和温度相结合的影响权重/>、为拓扑结构和温度相结合的影响权重/>和调整因子/>,从而完成对所述输出电流预测模型的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866761.4A CN116595395B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866761.4A CN116595395B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595395A true CN116595395A (zh) | 2023-08-15 |
CN116595395B CN116595395B (zh) | 2023-09-22 |
Family
ID=87604813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866761.4A Active CN116595395B (zh) | 2023-07-14 | 2023-07-14 | 一种基于深度学习的逆变器输出电流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595395B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110936A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市强晟电子科技有限公司 | 基于时序分析的ups运行状态预测维护系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332721A (zh) * | 2011-09-13 | 2012-01-25 | 湖南工业大学 | 基于最佳线性预测理论的混合电力滤波器谐波电流预测方法 |
CN105375804A (zh) * | 2015-12-17 | 2016-03-02 | 福州大学 | 一种不对称电压下基于npc拓扑并网逆变器的模型预测电流控制方法 |
CN108258922A (zh) * | 2018-03-30 | 2018-07-06 | 国网安徽省电力公司电力科学研究院 | 一种特高压直流发生器的两级调压控制器 |
CN108270368A (zh) * | 2018-02-26 | 2018-07-10 | 厦门大学 | 一种降低谐波的单相逆变器电流预测控制方法 |
CN108712102A (zh) * | 2018-06-13 | 2018-10-26 | 郑州轻工业学院 | 一种低损耗电压源逆变器模型预测电流控制方法 |
CN109861568A (zh) * | 2019-03-07 | 2019-06-07 | 国网湖北省电力有限公司荆门供电公司 | 一种三电平逆变器的改进无模型预测电流控制方法 |
CN111211716A (zh) * | 2020-01-07 | 2020-05-29 | 湖南大学 | 一种效率优化的pmsm电流预测控制方法及系统 |
CN112016197A (zh) * | 2020-08-18 | 2020-12-01 | 浙江大学 | 一种永磁电机谐波电流的预测方法 |
CN113991739A (zh) * | 2021-11-05 | 2022-01-28 | 福州大学 | 一种并网逆变器简化矢量定频预测电流控制方法 |
US11411474B1 (en) * | 2021-11-17 | 2022-08-09 | Beta Air, Llc | Systems and methods for monitoring health of a motor |
CN114880843A (zh) * | 2022-04-21 | 2022-08-09 | 合肥工业大学 | 基于神经网络的并网逆变器序阻抗计算方法 |
CN115097184A (zh) * | 2022-06-15 | 2022-09-23 | 华东理工大学 | 基于无阈值递归图和卷积神经网络的电流信号分析方法 |
CN116167531A (zh) * | 2023-04-26 | 2023-05-26 | 天津福天科技有限公司 | 一种基于数字孪生的光伏发电预测方法 |
-
2023
- 2023-07-14 CN CN202310866761.4A patent/CN116595395B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332721A (zh) * | 2011-09-13 | 2012-01-25 | 湖南工业大学 | 基于最佳线性预测理论的混合电力滤波器谐波电流预测方法 |
CN105375804A (zh) * | 2015-12-17 | 2016-03-02 | 福州大学 | 一种不对称电压下基于npc拓扑并网逆变器的模型预测电流控制方法 |
CN108270368A (zh) * | 2018-02-26 | 2018-07-10 | 厦门大学 | 一种降低谐波的单相逆变器电流预测控制方法 |
CN108258922A (zh) * | 2018-03-30 | 2018-07-06 | 国网安徽省电力公司电力科学研究院 | 一种特高压直流发生器的两级调压控制器 |
CN108712102A (zh) * | 2018-06-13 | 2018-10-26 | 郑州轻工业学院 | 一种低损耗电压源逆变器模型预测电流控制方法 |
CN109861568A (zh) * | 2019-03-07 | 2019-06-07 | 国网湖北省电力有限公司荆门供电公司 | 一种三电平逆变器的改进无模型预测电流控制方法 |
CN111211716A (zh) * | 2020-01-07 | 2020-05-29 | 湖南大学 | 一种效率优化的pmsm电流预测控制方法及系统 |
CN112016197A (zh) * | 2020-08-18 | 2020-12-01 | 浙江大学 | 一种永磁电机谐波电流的预测方法 |
CN113991739A (zh) * | 2021-11-05 | 2022-01-28 | 福州大学 | 一种并网逆变器简化矢量定频预测电流控制方法 |
US11411474B1 (en) * | 2021-11-17 | 2022-08-09 | Beta Air, Llc | Systems and methods for monitoring health of a motor |
CN114880843A (zh) * | 2022-04-21 | 2022-08-09 | 合肥工业大学 | 基于神经网络的并网逆变器序阻抗计算方法 |
CN115097184A (zh) * | 2022-06-15 | 2022-09-23 | 华东理工大学 | 基于无阈值递归图和卷积神经网络的电流信号分析方法 |
CN116167531A (zh) * | 2023-04-26 | 2023-05-26 | 天津福天科技有限公司 | 一种基于数字孪生的光伏发电预测方法 |
Non-Patent Citations (3)
Title |
---|
MOHAMMAD BABAIE 等: "Hybrid ANN-Linear Controller for Maximum PV Energy Harvesting in Grid-Tied Packed E-Cell Inverter", 《2020 INTERNATIONAL SYMPOSIUM ON POWER ELECTRONICS, ELECTRICAL DRIVES, AUTOMATION AND MOTION》, pages 871 - 875 * |
裴益民: "单相级联型光伏并网逆变器控制方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 210 * |
赵昱诚: "并网逆变器模型预测电流控制策略研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 1611 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110936A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市强晟电子科技有限公司 | 基于时序分析的ups运行状态预测维护系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116595395B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116595395B (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
CN107862103B (zh) | 一种基于adpss的仿真模型生成方法及系统 | |
CN111327016B (zh) | 一种断路器、拓扑网络、拓扑组网方法以及装置 | |
CN114414955A (zh) | 一种开关柜状态监测与评估方法及系统 | |
CN104215279B (zh) | 一种环境在线监测系统及环境监测方法 | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
CN117313293B (zh) | 一种直驱风电场小信号等值建模方法、系统、终端及介质 | |
CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
CN115598530B (zh) | 发电机空载特性的评估方法、装置、电子设备及存储介质 | |
CN111859802B (zh) | 一种架空导线稳态温度计算方法、系统以及设备 | |
CN115754812A (zh) | 变速抽水蓄能机组定子绕组内部短路故障检测方法及装置 | |
CN114548149A (zh) | 电力系统次同步振荡与超同步振荡的辨识方法和装置 | |
CN111400649B (zh) | 谐波责任量化方法、装置、计算机设备和存储介质 | |
CN111624430B (zh) | 电容寿命在线监测方法、装置及终端设备 | |
CN107525955A (zh) | 一种电表数据处理方法及装置 | |
CN111638649B (zh) | 电器运行安全监测方法及装置 | |
CN116415510B (zh) | 基于相空间重构和神经网络的断路器温升预测方法及系统 | |
CN117991109B (zh) | 模型训练及充电状态的确定方法、装置、设备和存储介质 | |
CN117892547A (zh) | 一种风电场等效建模方法、装置、设备及介质 | |
CN116879636B (zh) | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 | |
CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
CN118040650A (zh) | 微电网的频率安全评估方法、装置、设备及存储介质 | |
CN116231650A (zh) | 一种支持多源实时数据融合的电力系统在线潮流计算方法 | |
CN115825843A (zh) | 一种电能表现场检测系统、方法及装置 | |
CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 |
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 |