CN116707331B - 基于模型预测的逆变器输出电压高精度调节方法及系统 - Google Patents

基于模型预测的逆变器输出电压高精度调节方法及系统 Download PDF

Info

Publication number
CN116707331B
CN116707331B CN202310962049.4A CN202310962049A CN116707331B CN 116707331 B CN116707331 B CN 116707331B CN 202310962049 A CN202310962049 A CN 202310962049A CN 116707331 B CN116707331 B CN 116707331B
Authority
CN
China
Prior art keywords
inverter
time
output voltage
historical
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
Application number
CN202310962049.4A
Other languages
English (en)
Other versions
CN116707331A (zh
Inventor
贾强
张银峰
刘延斌
吴胜华
张丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202310962049.4A priority Critical patent/CN116707331B/zh
Publication of CN116707331A publication Critical patent/CN116707331A/zh
Application granted granted Critical
Publication of CN116707331B publication Critical patent/CN116707331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开一种基于模型预测的逆变器输出电压高精度调节方法及系统，该方法包括：获取逆变器实时数据和逆变器历史数据，其中，逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；设置逆变器输出电压预测模型，并根据逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，逆变器输出电压预测模型包括多参数影响函数，用于调整逆变器实时数据和逆变器历史数据对逆变器在某一时间的输出电压预测值的影响；根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。

Description

基于模型预测的逆变器输出电压高精度调节方法及系统
技术领域
本发明属于逆变器输出电压高精度调节技术领域，更具体地，涉及一种基于模型预测的逆变器输出电压高精度调节方法及系统。
背景技术
逆变器是一种将直流电能转换为交流电能的装置，通常用于太阳能电池板系统、风力发电系统。
为了确保逆变器的正常运行和性能，对其输入和输出电压进行监测是非常重要的。以下是一些常见的逆变器电压监测方法：
电压传感器：使用专门的电压传感器来测量逆变器的输入和输出电压。这些传感器通常连接到逆变器的输入和输出端子上，并将电压信号转换为可读取的电信号。
数字电表：安装数字电表来监测逆变器的输入和输出电压。这些数字电表可以直接连接到逆变器的输入和输出端口，提供准确的电压读数。
逆变器监控系统：一些逆变器系统提供了内置的监控功能，可以实时监测输入和输出电压。这些监控系统通常具有用户界面，可以显示逆变器的工作状态和电压信息。
现有技术当中，并没有一种技术方案能够准确的预测逆变器的输出电压，从而进行精准参数调节。
发明内容
为解决以上技术问题，本发明提出一种基于模型预测的逆变器输出电压高精度调节方法，包括：
获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响；
根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
进一步的，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和/>为调整因子，/>为第/>个多参数影响函数，/>为逆变器在时间t的输入电压，为逆变器在时间t的输入电流，/>为历史输出电压序列，其中n是样本数量，/>为逆变器在第j个历史时间/>的历史输出电压，/>为时间戳序列，其中/>为第j个历史时间/>。
进一步的，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，/>、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
进一步的，第个多参数影响函数/>为：
，
其中，为第/>个/>的第j个调整因子，/>为第/>个/>第j个的逆变器在时间t的输入电压的影响权重，/>为第/>个/>的第j个逆变器在时间t的输入电流的影响权重，/>为第/>个/>的第j个逆变器在第j个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第j个时间影响权重。
进一步的，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间的输出电压预测值/>与真实值最接近。
本发明还提出一种基于模型预测的逆变器输出电压高精度调节系统，包括：
获取数据模块，用于获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
设置模型模块，用于设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响；
调节模块，用于根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
进一步的，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和为调整因子，/>为第/>个多参数影响函数，/>为逆变器在时间t的输入电压，为逆变器在时间t的输入电流，/>为历史输出电压序列，其中n是样本数量，/>为逆变器在第j个历史时间/>的历史输出电压，/>为时间戳序列，其中/>为第j个历史时间/>。
进一步的，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，/>、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
进一步的，第个多参数影响函数/>为：
，
其中，为第/>个/>的第j个调整因子，/>为第/>个/>第j个的逆变器在时间t的输入电压的影响权重，/>为第/>个/>的第j个逆变器在时间t的输入电流的影响权重，/>为第/>个/>的第j个逆变器在第j个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第j个时间影响权重。
进一步的，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间的输出电压预测值/>与真实值最接近。
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实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响；根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。本发明通过以上技术方案，能够准确对逆变器的输出电压进行预测，从而进行调整。
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模型预测的逆变器输出电压高精度调节方法，包括：
步骤101，获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，对获取的数据进行预处理，包括数据清洗、缺失值处理和特征工程等步骤，将逆变器历史数据分为训练集和测试集，以便评估模型的性能，其中，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
步骤102，设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响，对训练得到的逆变器输出电压预测模型进行评估，本实施例使用均方根误差（RMSE）或决定系数（R-squared）等来评估模型的预测性能；
具体的，所述逆变器输出电压预测模型为：
，
函数是一个神经网络模型，它接收输入电压、输入电流以及过去输出电压序列和时间戳序列，并预测逆变器的输出电压，神经网络模型/>由多个隐藏层组成，每个隐藏层包含多个神经元并选择激活函数和损失函数来训练神经网络，并使用反向传播算法进行参数优化，通过交叉验证等方法，调整学习率、批大小、正则化参数等超参数，以提高模型的泛化能力，使用集成学习方法，如随机森林或梯度提升树，将多个模型的预测结果进行组合，以进一步提高预测精度。
以上公式展开之后，如下所示：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和/>为调整因子，/>为第/>个多参数影响函数，为非线性函数，它接收输入电压、输入电流、过去输出电压序列和时间戳序列，并输出一个特定的非线性变换，通过引入多个非线性函数，并通过线性组合与参数/>结合，可以更灵活地建模逆变器输出电压的复杂关系，每个非线性函数可以使用不同的形式，如多项式、指数函数、对数函数或神经网络等，以捕捉不同的模式和特征，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，为历史输出电压序列，其中n是样本数量，/>为逆变器在第j个历史时间的历史输出电压，/>为时间戳序列，其中/>为第j个历史时间/>。
具体的，第个多参数影响函数/>为：
，
其中，为第/>个/>的第j个调整因子，/>为第/>个/>第j个的逆变器在时间t的输入电压的影响权重，/>为第/>个/>的第j个逆变器在时间t的输入电流的影响权重，/>为第/>个/>的第j个逆变器在第j个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第j个时间影响权重，该公式对过去输出电压序列和时间戳序列进行平均处理，使用双曲正切函数对输入电压、输入电流、过去输出电压和时间进行加权变换，每个过去输出电压与对应的时间戳都会根据其参数产生不同的影响。
以下为影响函数的一具体示例：
本实施例收集了以下数据：
输入电压序列：，
输入电流序列：，
过去输出电压序列：，
对应的时间戳序列：，
对公式中的参数θij，αij，βij，γij和δij进行估计。
本实施例使用一种优化算法（如梯度下降）来最小化预测输出与实际输出之间的误差。先随机初始化参数θij，αij，βij，γij和δij，然后进行如下迭代过程：
1.根据当前参数值计算预测输出电压序列：
，
2.计算预测输出与实际输出之间的误差：
，
3.使用梯度下降算法更新参数：
，
其中η是学习率。
重复以上步骤直到误差收敛或达到设定的迭代次数。通过这个优化过程，可以得到最优的参数值，从而使预测输出电压与实际输出电压尽可能接近。
具体的，所述逆变器输出电压预测模型还可以为：
，
函数将当前的输入电压、输入电流、过去的输出电压序列、时间戳序列和模型参数作为输入，并预测逆变器的输出电压，神经网络模型/>由多个隐藏层组成，每个隐藏层包含多个神经元并选择激活函数和损失函数来训练神经网络，并使用反向传播算法进行参数优化，通过交叉验证等方法，调整学习率、批大小、正则化参数等超参数，以提高模型的泛化能力，使用集成学习方法，如随机森林或梯度提升树，将多个模型的预测结果进行组合，以进一步提高预测精度。
以上公式展开之后，如下所示：
，
其中，为逆变器在时间t的输出电压预测值，/>、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
具体的，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间t的输出电压预测值与真实值最接近。
步骤103，根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
实施例2
如图2所示，本发明实施例还提供一种基于模型预测的逆变器输出电压高精度调节系统，包括：
获取数据模块，用于获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，对获取的数据进行预处理，包括数据清洗、缺失值处理和特征工程等步骤，将逆变器历史数据分为训练集和测试集，以便评估模型的性能，其中，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
设置模型模块，用于设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响，对训练得到的逆变器输出电压预测模型进行评估，本实施例使用均方根误差（RMSE）或决定系数（R-squared）等来评估模型的预测性能；
具体的，所述逆变器输出电压预测模型为：
，
函数是一个神经网络模型，它接收输入电压、输入电流以及过去输出电压序列和时间戳序列，并预测逆变器的输出电压，神经网络模型/>由多个隐藏层组成，每个隐藏层包含多个神经元并选择激活函数和损失函数来训练神经网络，并使用反向传播算法进行参数优化，通过交叉验证等方法，调整学习率、批大小、正则化参数等超参数，以提高模型的泛化能力，使用集成学习方法，如随机森林或梯度提升树，将多个模型的预测结果进行组合，以进一步提高预测精度。
以上公式展开之后，如下所示：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和/>为调整因子，/>为第/>个多参数影响函数，为非线性函数，它接收输入电压、输入电流、过去输出电压序列和时间戳序列，并输出一个特定的非线性变换，通过引入多个非线性函数，并通过线性组合与参数/>结合，可以更灵活地建模逆变器输出电压的复杂关系，每个非线性函数可以使用不同的形式，如多项式、指数函数、对数函数或神经网络等，以捕捉不同的模式和特征，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，为历史输出电压序列，其中n是样本数量，/>为逆变器在第j个历史时间的历史输出电压，/>为时间戳序列，其中/>为第j个历史时间/>。
具体的，第个多参数影响函数/>为：
，
其中，为第/>个/>的第j个调整因子，/>为第/>个/>第j个的逆变器在时间t的输入电压的影响权重，/>为第/>个/>的第j个逆变器在时间t的输入电流的影响权重，/>为第/>个/>的第j个逆变器在第j个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第j个时间影响权重，该公式对过去输出电压序列和时间戳序列进行平均处理，使用双曲正切函数对输入电压、输入电流、过去输出电压和时间进行加权变换，每个过去输出电压与对应的时间戳都会根据其参数产生不同的影响。
具体的，所述逆变器输出电压预测模型还可以为：
，
函数将当前的输入电压、输入电流、过去的输出电压序列、时间戳序列和模型参数作为输入，并预测逆变器的输出电压，神经网络模型/>由多个隐藏层组成，每个隐藏层包含多个神经元并选择激活函数和损失函数来训练神经网络，并使用反向传播算法进行参数优化，通过交叉验证等方法，调整学习率、批大小、正则化参数等超参数，以提高模型的泛化能力，使用集成学习方法，如随机森林或梯度提升树，将多个模型的预测结果进行组合，以进一步提高预测精度。
以上公式展开之后，如下所示：
，
其中，为逆变器在时间t的输出电压预测值，/>、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
具体的，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间t的输出电压预测值与真实值最接近。
调节模块，用于根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
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模型预测的逆变器输出电压高精度调节方法。
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实施例1方法的步骤的程序代码。
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模型预测的逆变器输出电压高精度调节方法。
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模型预测的逆变器输出电压高精度调节方法，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模型预测的逆变器输出电压高精度调节方法。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，以执行实施例1方法的步骤；
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 (6)

1.一种基于模型预测的逆变器输出电压高精度调节方法，其特征在于，包括：
获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响，其中，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和 />为调整因子，/>为第/>个多参数影响函数，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，/>为历史输出电压序列，其中n是样本数量，为逆变器在第/>个历史时间/>的历史输出电压，/>为时间戳序列，其中为第/>个历史时间/>，其中，第/>个多参数影响函数/>为：
，
其中，为第/>个/>的第/>个调整因子，/>为第/>个/>的第/>个的逆变器在时间t的输入电压的影响权重，/>为第/>个/>的第/>个逆变器在时间t的输入电流的影响权重，/>为第/>个/>的第/>个逆变器在第/>个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第/>个时间影响权重；
根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
2.如权利要求1所述的一种基于模型预测的逆变器输出电压高精度调节方法，其特征在于，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，/> 、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
3.如权利要求2所述的一种基于模型预测的逆变器输出电压高精度调节方法，其特征在于，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间t的输出电压预测值与真实值最接近。
4.一种基于模型预测的逆变器输出电压高精度调节系统，其特征在于，包括：
获取数据模块，用于获取逆变器实时数据和逆变器历史数据，其中，所述逆变器实时数据包括：逆变器在某一时间的输入电压、逆变器在某一时间的输入电流，所述逆变器历史数据包括：多个逆变器在某一历史时间的历史输出电压、多个历史时间；
设置模型模块，用于设置逆变器输出电压预测模型，并根据所述逆变器实时数据和所述逆变器历史数据，计算逆变器在某一时间的输出电压预测值，其中，所述逆变器输出电压预测模型包括多参数影响函数，用于调整所述逆变器实时数据和所述逆变器历史数据对逆变器在某一时间的输出电压预测值的影响，其中，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，m为/>的数量，/>和/>为调整因子，/>为第/>个多参数影响函数，/>为逆变器在时间/>的输入电压，/>为逆变器在时间t的输入电流，/>为历史输出电压序列，其中n是样本数量，为逆变器在第/>个历史时间/>的历史输出电压，/>为时间戳序列，其中为第/>个历史时间/>，其中，第/>个多参数影响函数/>为：
，
其中，为第/>个 />的第/>个调整因子，/>为第/>个 />的第/>个的逆变器在时间t的输入电压的影响权重，/>为第/>个 />的第/>个逆变器在时间t的输入电流的影响权重，/>为第/>个 />的第/>个逆变器在第/>个历史时间/>的历史输出电压的影响权重，/>为第/>个/>的第/>个时间影响权重；
调节模块，用于根据逆变器在某一时间的输出电压预测值，调节逆变器相关参数，以便完成逆变器输出电压高精度调节。
5.如权利要求4所述的一种基于模型预测的逆变器输出电压高精度调节系统，其特征在于，所述逆变器输出电压预测模型为：
，
其中，为逆变器在时间t的输出电压预测值，/>、/>、/>和/>为调整因子，/>为逆变器在时间t的输入电压，/>为逆变器在时间t的输入电流，n为样本数量，/>为逆变器在第/>个历史时间/>的历史输出电压，/>为用于控制时间衰减的参数。
6.如权利要求5所述的一种基于模型预测的逆变器输出电压高精度调节系统，其特征在于，还包括：通过最小二乘法对所述逆变器输出电压预测模型进行拟合，以使逆变器在时间t的输出电压预测值与真实值最接近。
CN202310962049.4A 2023-08-02 2023-08-02 基于模型预测的逆变器输出电压高精度调节方法及系统 Active CN116707331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310962049.4A CN116707331B (zh) 2023-08-02 2023-08-02 基于模型预测的逆变器输出电压高精度调节方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310962049.4A CN116707331B (zh) 2023-08-02 2023-08-02 基于模型预测的逆变器输出电压高精度调节方法及系统

Publications (2)

Publication Number Publication Date
CN116707331A CN116707331A (zh) 2023-09-05
CN116707331B true CN116707331B (zh) 2023-10-20

Family

ID=87837780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310962049.4A Active CN116707331B (zh) 2023-08-02 2023-08-02 基于模型预测的逆变器输出电压高精度调节方法及系统

Country Status (1)

Country Link
CN (1) CN116707331B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2978122A1 (en) * 2014-07-22 2016-01-27 ABB Technology AG Model predictive control of a modular multilevel converter
CN112383237A (zh) * 2020-10-09 2021-02-19 河南科技大学 一种并网逆变器的模型预测控制方法
CN113949060A (zh) * 2021-09-29 2022-01-18 广西电网有限责任公司电力科学研究院 一种基于电压变化规律的电压趋势预测系统
CN115374938A (zh) * 2022-08-22 2022-11-22 南京工程学院 一种基于XGBoost的配电网电压预测方法
CN116436327A (zh) * 2023-04-12 2023-07-14 山东大学 一种基于神经网络的变流器自适应预测控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2978122A1 (en) * 2014-07-22 2016-01-27 ABB Technology AG Model predictive control of a modular multilevel converter
CN112383237A (zh) * 2020-10-09 2021-02-19 河南科技大学 一种并网逆变器的模型预测控制方法
CN113949060A (zh) * 2021-09-29 2022-01-18 广西电网有限责任公司电力科学研究院 一种基于电压变化规律的电压趋势预测系统
CN115374938A (zh) * 2022-08-22 2022-11-22 南京工程学院 一种基于XGBoost的配电网电压预测方法
CN116436327A (zh) * 2023-04-12 2023-07-14 山东大学 一种基于神经网络的变流器自适应预测控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yuqing Xu.EPSTO-ARIMA: Electric Power Stochastic Optimization Predicting Based on ARIMA.2021 IEEE 9th International Conference on Smart City and Informatization (iSCI).2021,70-75. *
三电平逆变器有限开关序列模型预测控制策略;李杰;胡存刚;董浩;张云雷;;电力电子技术(第05期);107-109 *

Also Published As

Publication number Publication date
CN116707331A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN107730097B (zh) 一种母线负荷预测方法、装置及计算设备
CN115147012B (zh) 一种基于神经网络模型的碳排放量核算方法及装置
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
CN115936180A (zh) 光伏发电功率预测方法、装置和计算机设备
CN114330647A (zh) 模型训练方法、装置及硅棒重量预测方法
CN115952928B (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN115659844B (zh) 基于风电场动态模型的仿真方法、装置和计算机设备
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN115796338A (zh) 光伏发电功率预测模型构建及光伏发电功率预测方法
CN113779861B (zh) 光伏功率的预测方法及终端设备
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN115616333A (zh) 一种配电网线损预测方法及系统
CN113449968B (zh) 一种基于深度学习的新能源电网频率风险评估方法及装置
CN111539573B (zh) 一种风光互补离网系统的功率预测方法及系统
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN113779871A (zh) 一种电热耦合系统调度方法、装置、电子设备及其存储介质
Tong et al. A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks

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