CN117131828B - 一种升压变换器无源参数的数字孪生辨识方法 - Google Patents
一种升压变换器无源参数的数字孪生辨识方法 Download PDFInfo
- Publication number
- CN117131828B CN117131828B CN202310849154.7A CN202310849154A CN117131828B CN 117131828 B CN117131828 B CN 117131828B CN 202310849154 A CN202310849154 A CN 202310849154A CN 117131828 B CN117131828 B CN 117131828B
- Authority
- CN
- China
- Prior art keywords
- twin
- value
- inductance
- capacitance
- order
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 189
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 239000003990 capacitor Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 230000014509 gene expression Effects 0.000 claims description 21
- 238000013178 mathematical model Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- MYVIATVLJGTBFV-UHFFFAOYSA-M thiamine(1+) chloride Chemical compound [Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N MYVIATVLJGTBFV-UHFFFAOYSA-M 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明提供了一种升压变换器无源参数的数字孪生辨识方法,属于变换器的参数辨识技术领域。该数字孪生辨识方法首先测量升压变换器的电感电流和输出电压数据,再进行数字孪生体的数学建模,通过分数阶预估‑校正算法对其进行离散化求解,然后根据升压变换器和数字孪生体的电感电流、输出电压数据建立两者之间的粒子群优化算法函数,最后通过粒子群优化算法进行无源参数的准在线辨识。本发明提出的升压变换器无源参数的数字孪生辨识方法,可以根据升压变换器的电感电流和输出电压数据,实现无源参数的准在线辨识,从而有效避免参数性故障造成的危害,提高了电力电子变换器运行的安全性和可靠性。
Description
技术领域
本发明涉及变换器的参数辨识技术领域,具体涉及一种升压变换器无源参数的数字孪生辨识方法。
背景技术
当前,电力电子变换器中近30%的故障是由电感和电容造成的,在长时间的运行中,电容会随着电解液的挥发逐渐降低,而电容等效串联电阻ESR逐渐增大,在相同温度条件下,当电容减小为初始值的80%或ESR增大为初始值的2-3倍时,即认定该电容已失效。同样,电感也会由于温升、电磁力以及长期震动的工作环境等因素而有所下降,当这些无源参数发生严重的参数漂移会导致元件失效,一旦发生失效且无法及时恢复正常工作状态,会影响电力电子变换器的正常工作,导致系统功能异常甚至崩溃。因此,辨识电感和电容等无源参数来实现电力电子变换器参数性故障预测工程意义重大。
文献“A LC Parameter Identification Method for Boost Converter Basedon Modified Hybrid System Model”.《Proceedings of the CSEE》,2018,38(22):6647-6654(in Chinese).(“基于修正混杂系统模型的Boost变换器LC参数辨识方法”,《Proceedings of the CSEE》,2018年第38卷6647页-6654页)提出一种修正的Boost变换器混杂系统模型,通过最小二乘法能够准确辨识物理模型中L、C参数,但是该方法针对复杂系统而言,直接建模会比较困难,且存在算法计算量大造成计算时间长的问题。
文献“A Digital Twin Based Estimation Method for Health Indicators ofDC-DC Converters”.《IEEE Transactions on Power Electronics》,2021,36(2):2105-2118.(“一种基于数字孪生的DC-DC变换器健康指标估计方法”,《IEEE Transactions onPower Electronics》,2021年第36卷2105页-2118页)提出一种通过四阶龙格库塔法对变换器数学模型、采样模型和控制模型进行离散化求解建立数字孪生体的模型,再搭配粒子群优化算法来辨识电感和电容等参数的辨识方法,该方法实现简单,具有高性价比与数字化的优点,但是并未考虑实际电感和实际电容模型是分数阶模型的事实,造成数字孪生体的模型精确度不够,降低了参数的辨识精度。
中国发明专利公开文献《一种直流变换器电感和电容参数辨识电路》(CN110456165A)提出一种通过控制辨识电路实时检测Buck变换器主电路的电流和电压来在线计算出电感和电容的辨识方法,该方法避免了在线实时辨识与变换器主电路的控制和运行存在冲突的问题,同时不需要复杂的运算和硬件电路,但是比较依赖于控制辨识电路的实现,且控制辨识电路中传感器的数目较多,使得成本增加。
综上所述,现有技术中还存在着以下问题:
1、直接建模困难,且算法计算量大造成计算时间长的问题;
2、模型精确度不够,降低了参数的辨识精度;
3、传感器数目较多,成本增加。
发明内容
本发明所要解决的技术问题是现有技术中存在的问题,具体的,提供一种升压变换器无源参数的数字孪生辨识方法,从实际电感和实际电容具有分数阶特性出发,精确地建立了具有分数阶特性的升压变换器的数字孪生体,解决了算法计算量大、模型精确度不够和成本高等问题,改善了升压变换器电感和电容参数的辨识精度,有效避免参数性故障造成的危害,提高了电力电子变换器运行的安全性和可靠性。
本发明的目的是这样实现的,本发明提供一种升压变换器无源参数的数字孪生辨识方法,所述升压变换器的拓扑结构包括直流电源、功率开关管、二极管、电感、电容和负载;所述电感一端连接所述直流电源的正极、另一端连接所述功率开关管的漏极和所述二极管的阳极,所述二极管的阴极连接所述电容的正极和所述负载的一端,所述负载的另一端、所述功率开关管的源极、所述电容的负极连接所述直流电源的负极;
所述直流电源两端的电压值记为实体输入电压Vin,所述负载的阻值记为实体阻值R0,所述电感的电感值记为实体电感值L0,所述电感的阶数记为实体电感阶数α0,所述电容的电容值记为实体电容值C0,所述电容的阶数记为实体电容阶数β0;
所述数字孪生辨识方法包括以下步骤:
步骤1,升压变换器实体电压电流数据的提取
记T为功率开关管的开关周期,在单个开关周期T内对升压变换器的电感电流和输出电压进行N+1次测量,得到N+1个电感电流和N+1个输出电压,并记为实体电感电流测量值IL,k和实体输出电压测量值UQ,k,k=0,1,...,N,N为正整数;
步骤2,构建升压变换器的数字孪生体
所述数字孪生体为升压变换器的数学表达,基于电感和电容的实际模型是分数阶模型这一事实,用孪生电感和孪生电容分别代替电感和电容,建立数字孪生体的分数阶数学模型,具体构建步骤如下:
步骤2.1,基于分数阶微积分理论,建立孪生电感和孪生电容的数学模型,其表达式分别为:
式中,L1为孪生电感的电感值,并记为孪生电感值L1;C1为孪生电容的电容值,并记为孪生电容值C1;iL为流过孪生电感的电流,并记为孪生电感电流iL;uL为孪生电感两端的电压,iC为流过孪生电容的电流,uC为孪生电容两端的电压,且uC=uQ,uQ为负载两端的孪生输出电压,并记为孪生输出电压uQ;α为孪生电感的阶数,并记为孪生电感阶数α,β为孪生电容的阶数,并记为孪生电容阶数β,0<α<1,0<β<1;dαiL/dtα为孪生电感电流iL取阶数为孪生电感阶数α的分数阶微分形式,dβuC/dtβ为孪生电容两端的电压uC取阶数为孪生电容阶数β的分数阶微分形式;
步骤2.2,设功率开关管和二极管均为理想器件,根据孪生电感和孪生电容的数学模型,建立数字孪生体的分数阶数学模型,其表达式如下:
式中,S为功率开关管的开关函数,当0<t≤PT时,S=1;当PT<t≤T时,S=0;t为运行时间,P为占空比,0≤P≤1;
步骤2.3,记孪生电感电流iL的初值为i0,记孪生输出电压uQ的初值为u0,并令i0=IL,0,u0=UQ,0;
步骤2.4,设校正离散点为F个,设步长h=T/F,利用分数阶Adams-bashforth预估算法对数字孪生体的分数阶数学模型进行等步长离散化求解,得到F个校正离散点的孪生电感电流iL的预估近似值和F个孪生输出电压uQ的预估近似值,将其中第n+1个校正离散点的孪生电感电流iL的预估近似值和孪生输出电压uQ的预估近似值分别记为孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,其中,n为F个校正离散点中的任意一个校正离散点,n=0,1,...,F-1,F=N;
将第n+1个校正离散点以前的n个校正离散点记为第n+1个校正离散点的历史离散点,并将其中任意一个记为第j个历史离散点,j=0,1,...,n,孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1的表达式如下:
式中,ij为第j个历史离散点的孪生电感电流iL的校正值,uj为第j个历史离散点的孪生输出电压uQ的校正值,bα j,n+1为计算孪生电感电流预估近似值ip n+1时第j个历史离散点的预估系数,bβ j,n+1为计算孪生输出电压预估近似值up n+1时第j个历史离散点的预估系数,Г(α)为与孪生电感阶数α对应的伽马函数,Г(β)为与孪生电容阶数β对应的伽马函数,其中,bα j,n+1与bβ j,n+1的表达式分别为:
步骤2.5,根据步骤2.4中得到的孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,利用分数阶Adams-moulton校正算法计算得到第n+1个校正离散点的孪生电感电流iL的校正值和孪生输出电压uQ的校正值,并分别记为孪生电感电流校正值in+1和孪生输出电压校正值un+1,其表达式分别为:
式中,Г(α+2)为与(α+2)对应的伽马函数,Г(β+2)为与(β+2)对应的伽马函数,aα j,n+1为计算孪生电感电流校正值in+1时第j个历史离散点的校正系数,aβ j,n+1为计算孪生输出电压校正值un+1时第j个历史离散点的校正系数,其表达式分别为:
步骤2.6,顺序循环N次步骤2.4和步骤2.5,得到N个校正离散点的孪生电感电流iL的校正值和N个校正离散点的孪生输出电压uQ的校正值,并分别组成一个孪生电感电流校正值队列A1和孪生输出电压校正值队列B1,其中,A1=[i1,i2,...,in,in+1,...,iN],B1=[u1,u2,...,un,un+1,...,uN];
步骤3,无源参数的准在线辨识
步骤3.1,将步骤2.3中得到的孪生电感电流iL的初值i0插入到队列A1的队首,组成一个新的孪生电感电流校正值队列A2,并将队列A2中任意一个孪生电感电流校正值记为全排孪生电感电流校正值ik,将步骤2.3中得到的孪生输出电压uQ的初值u0插入到队列B1的队首,组成一个新的孪生输出电压校正值队列B2,并将队列B2中任意一个孪生输出电压校正值记为全排孪生输出电压校正值uk;
步骤3.2,建立粒子群优化算法函数fobj(L1,α,C1,β),其中,孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β为待估计无源参数,fobj(L1,α,C1,β)的表达式如下:
步骤3.3,根据步骤3.2建立的粒子群优化算法函数fobj(L1,α,C1,β),使用粒子群优化算法使待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别与实体电感值L0、实体电感阶数α0、实体电容值C0和实体电容阶数β0一一逼近,直至满足估计条件,最终得到满足估计要求的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β,具体的,建立粒子群优化算法函数fobj(L1,α,C1,β),通过计算得到粒子群群体最佳位置gbest,gbest=(gbest1 gbest2 gbest3 gbest4),其中,gbest1为粒子群群体最佳位置第一列,gbest2为粒子群群体最佳位置第二列,gbest3为粒子群群体最佳位置第三列,gbest4为粒子群群体最佳位置第四列;
将满足估计条件的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别记为孪生电感辨识值L1b、孪生电感辨识阶数αb、孪生电容辨识值C1b和孪生电容辨识阶数βb,则gbest1=L1b,gbest2=αb,gbest3=C1b,gbest4=βb。
与现有技术相比,本发明的有益效果是:
1、基于实际电感和实际电容的模型是分数阶模型的事实,建立了精确度更高的升压变换器的数字孪生体,提高了无源参数的辨识精度;
2、使用粒子群优化算法对未知参数进行参数估计,克服了传统最小二乘法等算法不能辨识非线性模型的缺点;
3、无需额外的传感器及其他硬件电路,经济便捷,具有数字化的优点。
附图说明
图1为本发明实施例中升压变换器主电路示意图。
图2为本发明实施例中升压变换器无源参数的数字孪生辨识方法的流程图。
图3为本发明实施例中粒子群适应度fm r随迭代次数r变化的示意图。
图4为本发明实施例中待估计的孪生电感值L1和实体电感值L0之间的对比图。
图5为本发明实施例中待估计的孪生电感阶数α和实体电感阶数α0之间的对比图。
图6为本发明实施例中待估计的孪生电容值C1和实体电容值C0之间的对比图。
图7为本发明实施例中待估计的孪生电容阶数β和实体电容阶数β0之间的对比图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步的说明。
图1为本发明实施例中升压变换器的实体主电路示意图,由图1可见,本发明涉及的升压变换器的拓扑结构包括直流电源、功率开关管、二极管、电感、电容和负载。所述电感一端连接所述直流电源的正极、另一端连接所述功率开关管的漏极和所述二极管的阳极,所述二极管的阴极连接所述电容的正极和所述负载的一端,所述负载的另一端、所述功率开关管的源极、所述电容的负极连接所述直流电源的负极。在图1上,E为直流电源,VT为功率开关管,VD为二极管,L为电感,C为电容,R为负载。
所述直流电源两端的电压值记为实体输入电压Vin,所述负载的阻值记为实体阻值R0,所述电感的电感值记为实体电感值L0,所述电感的阶数记为实体电感阶数α0,所述电容的电容值记为实体电容值C0,所述电容的阶数记为实体电容阶数β0。
在本实施例中,Vin为12V,L0为477μH,C0为10μF,α0为0.98,β0为0.985,R0为50Ω。
图2为本发明升压变换器无源参数的辨识方法的流程图,由该图可见,本发明一种升压变换器无源参数的数字孪生辨识方法,包括以下步骤:
步骤1,升压变换器实体电压电流数据的提取
记T为功率开关管的开关周期,在单个开关周期T内对升压变换器的电感电流和输出电压进行N+1次测量,得到N+1个电感电流和N+1个输出电压,并记为实体电感电流测量值IL,k和实体输出电压测量值UQ,k,k=0,1,...,N,N为正整数。
在本实施例中,T=40μs,N=50。
步骤2,构建升压变换器的数字孪生体
所述数字孪生体为升压变换器的数学表达,基于电感和电容的实际模型是分数阶模型这一事实,用孪生电感和孪生电容分别代替电感和电容,建立数字孪生体的分数阶数学模型,具体构建步骤如下:
步骤2.1,基于分数阶微积分理论,建立孪生电感和孪生电容的数学模型,其表达式分别为:
式中,L1为孪生电感的电感值,并记为孪生电感值L1;C1为孪生电容的电容值,并记为孪生电容值C1;iL为流过孪生电感的电流,并记为孪生电感电流iL;uL为孪生电感两端的电压,iC为流过孪生电容的电流,uC为孪生电容两端的电压,且uC=uQ,uQ为负载两端的孪生输出电压,并记为孪生输出电压uQ;α为孪生电感的阶数,并记为孪生电感阶数α,β为孪生电容的阶数,并记为孪生电容阶数β,0<α<1,0<β<1;dαiL/dtα为孪生电感电流iL取阶数为孪生电感阶数α的分数阶微分形式,dβuC/dtβ为孪生电容两端的电压uC取阶数为孪生电容阶数β的分数阶微分形式。
步骤2.2,设功率开关管和二极管均为理想器件,根据孪生电感和孪生电容的数学模型,建立数字孪生体的分数阶数学模型,其表达式如下:
式中,S为功率开关管的开关函数,当0<t≤PT时,S=1;当PT<t≤T时,S=0;t为运行时间,P为占空比,0≤P≤1。
在本实施例中,P=0.4。
步骤2.3,记孪生电感电流iL的初值为i0,记孪生输出电压uQ的初值为u0,并令i0=IL,0,u0=UQ,0。
步骤2.4,设校正离散点为F个,设步长h=T/F,利用分数阶Adams-bashforth预估算法对数字孪生体的分数阶数学模型进行等步长离散化求解,得到F个校正离散点的孪生电感电流iL的预估近似值和F个孪生输出电压uQ的预估近似值,将其中第n+1个校正离散点的孪生电感电流iL的预估近似值和孪生输出电压uQ的预估近似值分别记为孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,其中,n为F个校正离散点中的任意一个校正离散点,n=0,1,...,F-1,F=N。
将第n+1个校正离散点以前的n个校正离散点记为第n+1个校正离散点的历史离散点,并将其中任意一个记为第j个历史离散点,j=0,1,...,n,孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1的表达式如下:
式中,ij为第j个历史离散点的孪生电感电流iL的校正值,uj为第j个历史离散点的孪生输出电压uQ的校正值,bα j,n+1为计算孪生电感电流预估近似值ip n+1时第j个历史离散点的预估系数,bβ j,n+1为计算孪生输出电压预估近似值up n+1时第j个历史离散点的预估系数,Г(α)为与孪生电感阶数α对应的伽马函数,Г(β)为与孪生电容阶数β对应的伽马函数,其中,bα j,n+1与bβ j,n+1的表达式分别为:
步骤2.5,根据步骤2.4中得到的孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,利用分数阶Adams-moulton校正算法计算得到第n+1个校正离散点的孪生电感电流iL的校正值和孪生输出电压uQ的校正值,并分别记为孪生电感电流校正值in+1和孪生输出电压校正值un+1,其表达式分别为:
式中,Г(α+2)为与(α+2)对应的伽马函数,Г(β+2)为与(β+2)对应的伽马函数,aα j,n+1为计算孪生电感电流校正值in+1时第j个历史离散点的校正系数,aβ j,n+1为计算孪生输出电压校正值un+1时第j个历史离散点的校正系数,其表达式分别为:
步骤2.6,顺序循环N次步骤2.4和步骤2.5,得到N个校正离散点的孪生电感电流iL的校正值和N个校正离散点的孪生输出电压uQ的校正值,并分别组成一个孪生电感电流校正值队列A1和孪生输出电压校正值队列B1,其中,A1=[i1,i2,...,in,in+1,...,iN],B1=[u1,u2,...,un,un+1,...,uN]。
步骤3,无源参数的准在线辨识
步骤3.1,将步骤2.3中得到的孪生电感电流iL的初值i0插入到队列A1的队首,组成一个新的孪生电感电流校正值队列A2,并将队列A2中任意一个孪生电感电流校正值记为全排孪生电感电流校正值ik,将步骤2.3中得到的孪生输出电压uQ的初值u0插入到队列B1的队首,组成一个新的孪生输出电压校正值队列B2,并将队列B2中任意一个孪生输出电压校正值记为全排孪生输出电压校正值uk。
步骤3.2,建立粒子群优化算法函数fobj(L1,α,C1,β),其中,孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β为待估计无源参数,fobj(L1,α,C1,β)的表达式如下:
步骤3.3,根据步骤3.2建立的粒子群优化算法函数fobj(L1,α,C1,β),使用粒子群优化算法使待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别与实体电感值L0、实体电感阶数α0、实体电容值C0和实体电容阶数β0一一逼近,直至满足估计条件,最终得到满足估计要求的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β,具体的,建立粒子群优化算法函数fobj(L1,α,C1,β),通过计算得到粒子群群体最佳位置gbest,gbest=(gbest1 gbest2 gbest3 gbest4),其中,gbest1为粒子群群体最佳位置第一列,gbest2为粒子群群体最佳位置第二列,gbest3为粒子群群体最佳位置第三列,gbest4为粒子群群体最佳位置第四列。
将满足估计条件的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别记为孪生电感辨识值L1b、孪生电感辨识阶数αb、孪生电容辨识值C1b和孪生电容辨识阶数βb,则gbest1=L1b,gbest2=αb,gbest3=C1b,gbest4=βb。
在本实施例中,所述粒子群群体最佳位置gbest的求解过程如下:
使用粒子群优化算法寻找满足要求的待估计的孪生电感值L1、待估计的孪生电感阶数α、待估计的孪生电容值C1和待估计的孪生电容阶数β,使粒子群优化算法函数fobj(L1,α,C1,β)的值最小,具体步骤如下:
步骤3.3.1,设置粒子群规模为G=100,粒子群优化函数变量个数D为4,粒子群优化算法学习因子1为c1=0.5,粒子群优化算法学习因子2为c2=0.5,粒子群优化算法权重因子为w=0.8,粒子群优化迭代次数K=100,设待估计的孪生电感值L1的粒子速度范围为[vLmin,vLmax]=[10μH,50μH],待估计的孪生电感阶数α的粒子速度范围为[vαmin,vαmax]=[-0.002,0.002],待估计的孪生电容值C1的粒子速度范围为[vCmin,vCmax]=[0.1μF,1μF],待估计的孪生电容阶数β的粒子速度范围为[vβmin,vβmax]=[-0.002,0.002],待估计的孪生电感值L1的辨识范围为[Lmin,Lmax]=[200μH,800μH],待估计的孪生电感阶数α的辨识范围为[αmin,αmax]=[0.95,1.0],待估计的孪生电容值C1的辨识范围为[Cmin,Cmax]=[5μF,15μF],待估计的孪生电容阶数β的辨识范围为[βmin,βmax]=[0.95,1.0]。
步骤3.3.2,随机生成G行4列的四维矩阵记为粒子群优化算法粒子种群xG×4,且第一列元素的随机数范围在待估计的孪生电感值L1的辨识下限Lmin到待估计的孪生电感值L1的辨识上限Lmax之间,粒子群优化算法粒子种群xG×4第二列元素的随机数范围在待估计的孪生电感阶数α的辨识下限αmin到待估计的孪生电感阶数α的辨识上限αmax之间,粒子群优化算法粒子种群xG×4第三列元素的随机数范围在待估计的孪生电容值C1的辨识下限Cmin到待估计的孪生电容值C1的辨识上限Cmax之间,粒子群优化算法粒子种群xG×4第四列元素的随机数范围在待估计的孪生电容阶数β的辨识下限βmin到待估计的孪生电容阶数β的辨识上限βmax之间,其中,记G行中任意一行为第m行,m=1,2,...,G,m为正整数,4列中任意一列为第q列,q=1,2,3,4,q为正整数,粒子群优化算法粒子种群xG×4中的任意一个粒子记为xmq,粒子群优化算法粒子种群xG×4中的任意一行粒子记为xm,任意一行粒子xm包含任意一行第一列的粒子xm1、任意一行第二列的粒子xm2、任意一行第三列的粒子xm3和任意一行第四列的粒子xm4。
粒子群优化算法粒子种群xG×4和粒子群优化算法粒子种群xG×4中的任意一行粒子xm如下:
xm=(xm1 xm2 xm3 xm4)
随机生成G行4列的四维矩阵记为粒子群优化算法粒子速度vG×4,且第一列元素的随机数范围在待估计的孪生电感值L1的粒子速度最小值vLmin到待估计的孪生电感值L1的粒子速度最大值vLmax之间,粒子群优化算法粒子速度vG×4第二列元素的随机数范围在待估计的孪生电感阶数α的粒子速度最小值vαmin到待估计的孪生电感阶数α的粒子速度最大值vαmax之间,粒子群优化算法粒子速度vG×4第三列元素的随机数范围在待估计的孪生电容值C1的粒子速度最小值vCmin到待估计的孪生电容值C1的粒子速度最大值vCmax之间,粒子群优化算法粒子速度vG×4第四列元素的随机数范围在待估计的孪生电容阶数β的粒子速度最小值vβmin到待估计的孪生电容阶数β的粒子速度最大值vβmax之间,其中,粒子群优化算法粒子速度vG×4中的任意一个粒子速度记为vmq,粒子群优化算法粒子速度vG×4中的任意一行粒子速度记为vm,任意一行粒子速度vm包含任意一行第一列的粒子速度vm1,任意一行第二列的粒子vm2,任意一行第三列的粒子vm3和任意一行第四列的粒子vm4。
粒子群优化算法粒子速度vG×4和粒子群优化算法粒子速度vG×4中的任意一行粒子速度vm如下:
vm=(vm1 vm2 vm3 vm4)
步骤3.3.3,计算粒子群优化算法粒子种群xG×4中的任意一行粒子xm的种群适应度,记为粒子群适应度fm,粒子群适应度fm的值为fm=fobj(xm1,xm2,xm3,xm4)。
记粒子群任意一行最佳位置为pbestm,pbestm=(pbestm1 pbestm2 pbestm3pbestm4),其中,粒子群任意一行最佳位置第一列为pbestm1,粒子群任意一行最佳位置第二列为pbestm2,粒子群任意一行最佳位置第三列为pbestm3,粒子群任意一行最佳位置第四列为pbestm4,则粒子群任意一行最佳位置pbestm有:pbestm1=xm1,pbestm2=xm2,pbestm3=xm3,pbestm4=xm4,pbestm=xm。
寻找fm中的最小值记为粒子群最小适应度fm_min,粒子群最小适应度fm_min所对应的那一行粒子,记为粒子群最小适应度行粒子xm_min,xm_min=(xm1_min xm2_min xm3_min xm4_min),其中,xm1_min为粒子群最小适应度行第一列粒子,xm2_min为粒子群最小适应度行第二列粒子,xm3_min为粒子群最小适应度行第三列粒子,xm4_min为粒子群最小适应度行第四列粒子。
其中,粒子群群体最佳位置gbest有:gbest1=xm1_min,gbest2=xm2_min,gbest3=xm3_min,gbest4=xm4_min,gbest=xm_min。
步骤3.3.4,更新粒子群优化算法粒子种群xG×4和粒子群优化算法粒子速度vG×4,并进行K次更新,记K次更新中任意一次更新为第r次更新,r=1,2,...,K,r为正整数。
记第r次更新时的粒子群优化算法粒子种群为xG×4 r,第r次更新时的粒子群优化算法粒子种群xG×4 r中的任意一个粒子记为xmq r,第r次更新时的粒子群优化算法粒子种群xG×4 r中的任意一行粒子记为xm r,任意一行粒子xm r包含任意一行第一列的粒子xm1 r、任意一行第二列的粒子xm2 r、任意一行第三列的粒子xm3 r和任意一行第四列的粒子xm4 r,第r次更新时的粒子群优化算法粒子速度为vG×4 r,第r次更新时的粒子群优化算法粒子速度vG×4 r中的任意一个粒子速度记为vmq r,第r次更新时的粒子群优化算法粒子速度vG×4 r中的任意一行粒子速度记为vm r,任意一行粒子速度vm r包含任意一行第一列的粒子速度vm1 r、任意一行第二列的粒子速度vm2 r、任意一行第三列的粒子速度vm3 r和任意一行第四列的粒子速度vm4 r。
第r次更新时的粒子群优化算法粒子种群xG×4 r和第r次更新时的粒子群优化算法粒子种群xG×4 r中的任意一行粒子xm r如下:
xm r=(xm1 r xm2 r xm3 r xm4 r)
第r次更新时的粒子群优化算法粒子速度vG×4 r和第r次更新时的粒子群优化算法粒子速度vG×4 r中的任意一行粒子速度vm r如下:
vm r=(vm1 r vm2 r vm3 r vm4 r)
第r次更新的步骤如下:
(1)记第r次更新时的粒子群优化算法粒子速度为vG×4 r,更新公式如下:
vm r=w×vm (r-1)+c1×rand×[pbestm-xm (r-1)]+c2×rand×[gbest-xm (r-1)]
其中,rand为0到1之间的随机数。
当第一次更新即r=1时,vm (r-1)=vm 0=vm,xm (r-1)=xm 0=xm。
若vm1 r大于vLmax则其值替换成vLmax,若vm2 r大于vαmax则其值替换成vαmax,若vm3 r大于vCmax则其值替换成vCmax,若vm4 r大于vβmax则其值替换成vβmax,若vm1 r小于vLmin则其值替换成vLmin,若vm2 r小于vαmin则其值替换成vαmin,若vm3 r小于vCmin则其值替换成vCmin,若vm4 r小于vβmin则其值替换成vβmin。
(2)第r次更新时的粒子群优化算法粒子种群xG×4 r,更新公式如下:
xm r=xm (r-1)+vm r
当第一次更新即r=1时,xm (r-1)=xm 0=xm。
若xm1 r大于Lmax则其值替换成Lmax,若xm2 r大于αmax则其值替换成αmax,若xm3 r大于Cmax则其值替换成Cmax,若xm4 r大于βmax则其值替换成βmax,若xm1 r小于Lmin则其值替换成Lmin,若xm2 r小于αmin则其值替换成αmin,若xm3 r小于Cmin则其值替换成Cmin,若xm4 r小于βmin则其值替换成βmin。
(3)重新计算适应度,第r次更新时的粒子群优化算法粒子种群xG×4 r任意一行粒子xm r,的种群适应度,记为粒子群适应度fm r,粒子群适应度fm r的值为fm r=fobj(xm1 r,xm2 r,xm3 r,xm4 r)。
若fm r<fobj(pbestm1,pbestm2,pbestm3,pbestm4),则pbestm1=xm1 r,pbestm2=xm2 r,pbestm3=xm3 r,pbestm4=xm4 r,pbestm=xm r;反之,粒子群任意一行最佳位置pbestm保持不变。
寻找fm r中的最小值记为第r次更新时粒子群最小适应度fm_min r,粒子群最小适应度fm_min r所对应的那一行粒子,记为第r次更新时粒子群最小适应度行粒子xm_min r,xm_min r=(xm1_min r,xm2_min r,xm3_min r,xm4_min r),其中,xm1_min r为第r次更新时粒子群最小适应度行第一列粒子,xm2_min r为第r次更新时粒子群最小适应度行第二列粒子,xm3_min r为第r次更新时粒子群最小适应度行第三列粒子,xm4_min r为第r次更新时粒子群最小适应度行第四列粒子。
若fm_min r<fobj(gbest1,gbest2,gbest3,gbest4),则gbest1=xm1_min r,gbest2=xm2_min r,gbest3=xm3_min r,gbest4=xm4_min r,gbest=xm_min r;反之,粒子群群体最佳位置gbest保持不变。
步骤3.3.5,输出粒子群群体最佳位置gbest。
为了佐证本发明的有益效果,进行了升压变换器无源参数的数字孪生辨识方法的仿真验证。图3为粒子群适应度fm r随迭代次数r变化的示意图,在第r=23次更新时可得粒子群最小适应度fm_min r=4.3e-4,此时,图4为待估计的孪生电感值L1和实体电感值L0之间的对比图,得到孪生电感辨识值L1b=470μH,图5为待估计的孪生电感阶数α和实体电感阶数α0之间的对比图,得到孪生电感辨识阶数αb=0.9792,图6为待估计的孪生电容值C1和实体电容值C0之间的对比图,得到孪生电容辨识值C1b=10.23μF,图7为待估计的孪生电容阶数β和实体电容阶数β0之间的对比图,得到孪生电容辨识阶数βb=0.988。
传统的参数辨识方法因建模和算法等方面的问题,无法对升压变换器中实际电感和实际电容的阶数进行辨识。而本发明所提出的升压变换器无源参数的数字孪生辨识方法具有以下优势:该辨识方法可以同步辨识出实际电感和实际电容及它们的阶数,不仅收敛速度很好,且模型的精度也很高,无需额外的传感器及其他硬件电路,经济便捷,具有数字化的优点,完全适用于电力电子变换器系统。
Claims (1)
1.一种升压变换器无源参数的数字孪生辨识方法,所述升压变换器的拓扑结构包括直流电源、功率开关管、二极管、电感、电容和负载;所述电感一端连接所述直流电源的正极、另一端连接所述功率开关管的漏极和所述二极管的阳极,所述二极管的阴极连接所述电容的正极和所述负载的一端,所述负载的另一端、所述功率开关管的源极、所述电容的负极连接所述直流电源的负极;
所述直流电源两端的电压值记为实体输入电压Vin,所述负载的阻值记为实体阻值R0,所述电感的电感值记为实体电感值L0,所述电感的阶数记为实体电感阶数α0,所述电容的电容值记为实体电容值C0,所述电容的阶数记为实体电容阶数β0;
其特征在于,所述数字孪生辨识方法包括以下步骤:
步骤1,升压变换器实体电压电流数据的提取
记T为功率开关管的开关周期,在单个开关周期T内对升压变换器的电感电流和输出电压进行N+1次测量,得到N+1个电感电流和N+1个输出电压,并记为实体电感电流测量值IL,k和实体输出电压测量值UQ,k,k=0,1,...,N,N为正整数;
步骤2,构建升压变换器的数字孪生体
所述数字孪生体为升压变换器的数学表达,基于电感和电容的实际模型是分数阶模型这一事实,用孪生电感和孪生电容分别代替电感和电容,建立数字孪生体的分数阶数学模型,具体构建步骤如下:
步骤2.1,基于分数阶微积分理论,建立孪生电感和孪生电容的数学模型,其表达式分别为:
式中,L1为孪生电感的电感值,并记为孪生电感值L1;C1为孪生电容的电容值,并记为孪生电容值C1;iL为流过孪生电感的电流,并记为孪生电感电流iL;uL为孪生电感两端的电压,iC为流过孪生电容的电流,uC为孪生电容两端的电压,且uC=uQ,uQ为负载两端的孪生输出电压,并记为孪生输出电压uQ;α为孪生电感的阶数,并记为孪生电感阶数α,β为孪生电容的阶数,并记为孪生电容阶数β,0<α<1,0<β<1;dαiL/dtα为孪生电感电流iL取阶数为孪生电感阶数α的分数阶微分形式,dβuC/dtβ为孪生电容两端的电压uC取阶数为孪生电容阶数β的分数阶微分形式;
步骤2.2,设功率开关管和二极管均为理想器件,根据孪生电感和孪生电容的数学模型,建立数字孪生体的分数阶数学模型,其表达式如下:
式中,S为功率开关管的开关函数,当0<t≤PT时,S=1;当PT<t≤T时,S=0;t为运行时间,P为占空比,0≤P≤1;
步骤2.3,记孪生电感电流iL的初值为i0,记孪生输出电压uQ的初值为u0,并令i0=IL,0,u0=UQ,0;
步骤2.4,设校正离散点为F个,设步长h=T/F,利用分数阶Adams-bashforth预估算法对数字孪生体的分数阶数学模型进行等步长离散化求解,得到F个校正离散点的孪生电感电流iL的预估近似值和F个孪生输出电压uQ的预估近似值,将其中第n+1个校正离散点的孪生电感电流iL的预估近似值和孪生输出电压uQ的预估近似值分别记为孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,其中,n为F个校正离散点中的任意一个校正离散点,n=0,1,...,F-1,F=N;
将第n+1个校正离散点以前的n个校正离散点记为第n+1个校正离散点的历史离散点,并将其中任意一个记为第j个历史离散点,j=0,1,...,n,孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1的表达式如下:
式中,ij为第j个历史离散点的孪生电感电流iL的校正值,uj为第j个历史离散点的孪生输出电压uQ的校正值,bα j,n+1为计算孪生电感电流预估近似值ip n+1时第j个历史离散点的预估系数,bβ j,n+1为计算孪生输出电压预估近似值up n+1时第j个历史离散点的预估系数,Г(α)为与孪生电感阶数α对应的伽马函数,Г(β)为与孪生电容阶数β对应的伽马函数,其中,bα j,n+1与bβ j,n+1的表达式分别为:
步骤2.5,根据步骤2.4中得到的孪生电感电流预估近似值ip n+1和孪生输出电压预估近似值up n+1,利用分数阶Adams-moulton校正算法计算得到第n+1个校正离散点的孪生电感电流iL的校正值和孪生输出电压uQ的校正值,并分别记为孪生电感电流校正值in+1和孪生输出电压校正值un+1,其表达式分别为:
式中,Г(α+2)为与(α+2)对应的伽马函数,Г(β+2)为与(β+2)对应的伽马函数,aα j,n+1为计算孪生电感电流校正值in+1时第j个历史离散点的校正系数,aβ j,n+1为计算孪生输出电压校正值un+1时第j个历史离散点的校正系数,其表达式分别为:
步骤2.6,顺序循环N次步骤2.4和步骤2.5,得到N个校正离散点的孪生电感电流iL的校正值和N个校正离散点的孪生输出电压uQ的校正值,并分别组成一个孪生电感电流校正值队列A1和孪生输出电压校正值队列B1,其中,A1=[i1,i2,...,in,in+1,...,iN],B1=[u1,u2,...,un,un+1,...,uN];
步骤3,无源参数的准在线辨识
步骤3.1,将步骤2.3中得到的孪生电感电流iL的初值i0插入到队列A1的队首,组成一个新的孪生电感电流校正值队列A2,并将队列A2中任意一个孪生电感电流校正值记为全排孪生电感电流校正值ik,将步骤2.3中得到的孪生输出电压uQ的初值u0插入到队列B1的队首,组成一个新的孪生输出电压校正值队列B2,并将队列B2中任意一个孪生输出电压校正值记为全排孪生输出电压校正值uk;
步骤3.2,建立粒子群优化算法函数fobj(L1,α,C1,β),其中,孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β为待估计无源参数,fobj(L1,α,C1,β)的表达式如下:
步骤3.3,根据步骤3.2建立的粒子群优化算法函数fobj(L1,α,C1,β),使用粒子群优化算法使待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别与实体电感值L0、实体电感阶数α0、实体电容值C0和实体电容阶数β0一一逼近,直至满足估计条件,最终得到满足估计要求的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β,具体的,建立粒子群优化算法函数fobj(L1,α,C1,β),通过计算得到粒子群群体最佳位置gbest,gbest=(gbest1 gbest2 gbest3 gbest4),其中,gbest1为粒子群群体最佳位置第一列,gbest2为粒子群群体最佳位置第二列,gbest3为粒子群群体最佳位置第三列,gbest4为粒子群群体最佳位置第四列;
将满足估计条件的待估计的孪生电感值L1、孪生电感阶数α、孪生电容值C1和孪生电容阶数β分别记为孪生电感辨识值L1b、孪生电感辨识阶数αb、孪生电容辨识值C1b和孪生电容辨识阶数βb,则gbest1=L1b,gbest2=αb,gbest3=C1b,gbest4=βb。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849154.7A CN117131828B (zh) | 2023-07-12 | 2023-07-12 | 一种升压变换器无源参数的数字孪生辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849154.7A CN117131828B (zh) | 2023-07-12 | 2023-07-12 | 一种升压变换器无源参数的数字孪生辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131828A CN117131828A (zh) | 2023-11-28 |
CN117131828B true CN117131828B (zh) | 2024-05-03 |
Family
ID=88855503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310849154.7A Active CN117131828B (zh) | 2023-07-12 | 2023-07-12 | 一种升压变换器无源参数的数字孪生辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131828B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013239A (zh) * | 2024-04-10 | 2024-05-10 | 安徽大学 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
WO2022164127A1 (ko) * | 2021-02-01 | 2022-08-04 | 한국전기연구원 | 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법 |
CN115130359A (zh) * | 2022-05-27 | 2022-09-30 | 南方电网科学研究院有限责任公司 | 一种改善收敛效果的数字孪生参数校正方法 |
CN115358057A (zh) * | 2022-08-10 | 2022-11-18 | 北京四方继保工程技术有限公司 | 一种继电保护装置的数字孪生设计方法和系统 |
CN115903585A (zh) * | 2022-11-03 | 2023-04-04 | 杜明芳 | 新能源运载工具充电可视数字孪生优化控制方法 |
CN116112947A (zh) * | 2021-11-11 | 2023-05-12 | 中国移动通信有限公司研究院 | 数字孪生系统构建方法、建模方法、网络优化方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023200474A2 (en) * | 2021-10-08 | 2023-10-19 | University Of Houston System | Systems and methods for remaining useful life prediction in electronics |
-
2023
- 2023-07-12 CN CN202310849154.7A patent/CN117131828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
WO2022164127A1 (ko) * | 2021-02-01 | 2022-08-04 | 한국전기연구원 | 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법 |
CN116112947A (zh) * | 2021-11-11 | 2023-05-12 | 中国移动通信有限公司研究院 | 数字孪生系统构建方法、建模方法、网络优化方法及装置 |
CN115130359A (zh) * | 2022-05-27 | 2022-09-30 | 南方电网科学研究院有限责任公司 | 一种改善收敛效果的数字孪生参数校正方法 |
CN115358057A (zh) * | 2022-08-10 | 2022-11-18 | 北京四方继保工程技术有限公司 | 一种继电保护装置的数字孪生设计方法和系统 |
CN115903585A (zh) * | 2022-11-03 | 2023-04-04 | 杜明芳 | 新能源运载工具充电可视数字孪生优化控制方法 |
Non-Patent Citations (2)
Title |
---|
A Degradation Parameters Identification Method for Buck-Boost Converter in Digital Twin Based on Particle Swarm Optimization Algorithm;Tianxia Han.et.;《 2022 IEEE 17th Conference on Industrial Electronics and Applications (ICIEA)》;20221231;822-827 * |
面向数字孪生应用的功率电感建模方法研究;王晓东;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20220515(第5期);C042-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131828A (zh) | 2023-11-28 |
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 | |
CN117131828B (zh) | 一种升压变换器无源参数的数字孪生辨识方法 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
CN112685961A (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN106908666A (zh) | 一种Boost电路及其输出电容ESR监测方法 | |
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
CN112350400A (zh) | 一种锂电池组无层级主被动均衡电路及方法 | |
CN105891698B (zh) | 一种Boost电路多参数在线辨识方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN114330150B (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN111123107B (zh) | 电池仿真建模方法、装置及电池等效模型 | |
Yu et al. | Incipient fault diagnosis method for DC–DC converters based on sensitive fault features | |
CN110571788A (zh) | 基于动态等值电路的静态电压稳定域边界系数的计算方法 | |
CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 | |
CN110134004B (zh) | 一种基于电力弹簧电路结构的pi控制参数整定方法 | |
CN116184036A (zh) | 基于神经网络的电力电子变换器参数在线辨识方法及系统 | |
CN105911327A (zh) | 一种具有智能校正功能的mmc模块电压测量方法 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN114966224A (zh) | 基于改进神经网络的模块化多电平变换器电容监测方法 | |
CN110619147B (zh) | 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法 | |
CN113191033A (zh) | 一种针对boost电路电感器件的电感仿真方法 | |
CN106301056A (zh) | 用于兆瓦级三相逆变系统的多目标优化svpwm方法 | |
CN117874463A (zh) | 一种基于神经网络的分数阶系统在线参数辨识方法 |
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 |