CN117713580B - 一种针对光伏逆变器的调制模式的切换方法及装置 - Google Patents
一种针对光伏逆变器的调制模式的切换方法及装置 Download PDFInfo
- Publication number
- CN117713580B CN117713580B CN202410165980.4A CN202410165980A CN117713580B CN 117713580 B CN117713580 B CN 117713580B CN 202410165980 A CN202410165980 A CN 202410165980A CN 117713580 B CN117713580 B CN 117713580B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic inverter
- modulation mode
- photovoltaic
- current
- sensor
- 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 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Inverter Devices (AREA)
Abstract
本发明提供一种针对光伏逆变器的调制模式的切换方法及装置;所述方法包括:获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型输出所述光伏逆变器的调制模式;其中,所述预测模型包括输入层、第一编码器以及第二编码器,所述输入层用于通过神经网络提取所述获取到的信号中的特征信息,所述第一编码器用于预测畸变电流对光伏逆变的干扰程度,所述第二编码器用于预测所述光伏逆变器的光伏效率;将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
Description
技术领域
本发明涉及光伏逆变器领域,尤其涉及一种针对光伏逆变器的调制模式的切换方法及装置。
背景技术
光伏逆变器是太阳能发电的核心设备,它在发电系统内用于将太阳能板发出的直流电能逆变成与电网一致的交流电能并入电网中。在光伏逆变器将交流电并入电网时,会产生并网谐波,并网谐波不仅会对电网的安全性、可靠性造成影响,还会缩短仪器设备的正常使用寿命。
相关技术中,存在两种调制模式抑制逆变器并网谐波,一种是SVPWM调制模式,这种发波模式可以有效的抑制并网谐波,但是不利于光伏效率的提升;一种是DPWM调制模式,这种发波模式可以提升光伏效率谐波,但是抑制并网谐波的效果不够突出。
发明内容
有鉴于此,本发明提供一种针对光伏逆变器的调制模式的切换方法及装置,以解决相关技术中的不足。
具体地,本发明是通过如下技术方案实现:
根据本发明的第一方面,提供了一种针对光伏逆变器的调制模式的切换方法,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述方法包括:
获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;
将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型输出所述光伏逆变器的调制模式;其中,所述预测模型包括输入层、第一编码器以及第二编码器,所述输入层用于通过神经网络提取所述获取到的信号中的特征信息,所述第一编码器用于预测畸变电流对光伏逆变的干扰程度,所述第二编码器用于预测所述光伏逆变器的光伏效率;
将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
根据本发明的第二方面,提供了一种针对光伏逆变器的调制模式的预测模型的训练方法,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述方法包括:
获取训练样本集,所述训练样本集中每一训练样本包含一组采集信号和相应的实际调制模式;其中,每一组采集信号包括所述光伏逆变器在同一时刻采集到的温度信号、母线电压信号和交流电流信号;
将所述训练样本集输入至待训练模型中,以使所述待训练模型输出每组采集信号对应的预测调制模式;
对比每组采集信号的实际调制模式和预测调制模式,并根据对比结果对所述待训练模型进行优化,直至所述待训练模型用于对光伏逆变器的调制模式进行预测。
根据本发明的第三方面,提供了一种针对光伏逆变器的调制模式的切换装置,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述装置包括:
获取单元,用于获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;
输入单元,用于将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型:根据所述获取到的信号确定所述光伏逆变器的温度值、母线电压值以及交流电流畸变率,并输出匹配于温度值、母线电压值以及交流电流畸变率的调制模式;
切换单元,用于将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式
根据本发明的第四方面,提供了一种针对光伏逆变器的调制模式的预测模型的训练装置,其特征在于,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述装置包括:
获取单元,用于获取训练样本集,所述训练样本集中每一训练样本包含一组采集信号和相应的实际调制模式;其中,每一组采集信号包括所述光伏逆变器在同一时刻采集到的温度信号、母线电压信号和交流电流信号;
输入单元,用于将所述训练样本集输入至待训练模型中,以使所述待训练模型输出每组采集信号对应的预测调制模式;
优化单元,用于对比每组采集信号的实际调制模式和预测调制模式,并根据对比结果对所述待训练模型进行优化,直至所述待训练模型用于对光伏逆变器的调制模式进行预测。
根据本发明的第五方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如第一方面或第二方面中任一项所述的方法。
根据本发明的第六方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面或第二方面中任一所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
在本发明的实施例中,在光伏逆变器上设置有多个种类的传感器,并基于这些传感器采集不同种类的信号,使得光伏逆变器可以基于这些信号选择最佳的调制模式。此外,还设置有针对光伏逆变器的调制模式的预测模型,该预测模型包括输入层、第一编码器以及第二编码器的,使得预测模型可以基于光伏逆变器上各种传感器采集的信号预测光伏逆变器当前最适合的调制模式,从而兼顾了并网谐波的抑制以及光伏转换的效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明公开实施例示出的一种太阳能发电系统的架构图;
图2是本发明公开实施例示出的一种针对光伏逆变器的调制模式的切换方法的流程图;
图3是本发明公开实施例示出的一种处于SVPWM调制模式时调制模式的预测图;
图4是本发明公开实施例示出的一种处于DPWM调制模式时调制模式的预测方法的流程图;
图5是本发明公开实施例示出的一种光伏逆变器的示意图;
图6是本发明公开实施例示出的一种针对光伏逆变器的调制模式的预测模型的训练方法的流程图;
图7是本发明公开实施例示出的一种电子设备的示意结构图;
图8是本发明公开实施例示出的一种针对光伏逆变器的调制模式的切换装置的框图;
图9是本发明公开实施例示出的一种针对光伏逆变器的调制模式的预测模型的训练装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明的一种针对光伏逆变器的调制模式的切换方法的实施例进行详细描述。
光伏逆变器是太阳能发电的核心设备,它在发电系统内用于将太阳能板发出的直流电能逆变成与电网一致的交流电能并入电网中。如图1所示,太阳能板10可以将太阳光能转换为直流电能,并将直流电能输入至光伏逆变器20,光伏逆变器20可以将输入的直流电能转换为交流电流,并将该交流电能并入电网30中。然而,在光伏逆变器将交流电并入电网时,会产生并网谐波,并网谐波不仅会对电网的安全性、可靠性造成影响,还会缩短仪器设备的正常使用寿命。
相关技术中,存在两种调制模式抑制逆变器并网谐波,一种是SVPWM调制模式,这种发波模式可以有效的抑制并网谐波,但是不利于光伏效率的提升;一种是DPWM调制模式,这种发波模式可以提升光伏效率谐波,但是抑制并网谐波的效果不够突出。
为解决相关技术中存在的不足,本说明书提出了一种针对光伏逆变器的调制模式的切换方法。
图2是本发明公开示例性实施例示出的一种针对光伏逆变器的调制模式的切换方法的流程图,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号,所述光伏逆变器处于SVPWM调制模式,具体可以包括如下步骤:
步骤202,获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号。
该方法的执行主体可以为与光伏逆变器相连接的一个微控制单元(Microcontroller Unit,MCU),MCU可以与光伏逆变器的各个传感器连接,并获取各个传感器采集的信号。
温度传感器、电压传感器、电流传感器均装配于光伏逆变器内部。温度传感器是指能感受温度并转换成可用输出信号的传感器,例如可以为NTC(Negative TemperatureCoefficient Sensor)温度传感器。电压传感器是指能感受被测电压并转换成可用输出信号的传感器。由于光伏逆变器输出的是交流电流,所以一般使用交流电流传感器,交流电流传感器(AC current sensor,AC current transducer)是一种检测交流电流的装置,例如可以为:电磁式电流互感器,罗氏线圈,霍尔电流传感器等。
步骤204,将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型输出所述光伏逆变器的调制模式;其中,所述预测模型包括输入层、第一编码器以及第二编码器,所述输入层用于通过神经网络提取所述获取到的信号中的特征信息,所述第一编码器用于预测畸变电流对光伏逆变的干扰程度,所述第二编码器用于预测所述光伏逆变器的光伏效率。
神经网络提取的特征信息可以包括:基于温度信号提取的光伏逆变器的温度值,基于母线电压信号提取的母线的电压值,以及基于交流电流信号提取的交流电流畸变率。
下面结合计算公式对预测模型预测调制模式的过程进行详细介绍,预测模型可以采用自注意力机制。自注意力机制可形式化为:
其中,,X为神经网络提取的特征信息,/>为可学习参数。为了简化描述,本说明书中,使用/>表示/>。
在输入层中,预测模型可以根据神经网络从输入的信号中提取特征信息X,使用公式表示如下:
其中,I为电流值,V为母线电压值、THD为交流电流畸变率。
预测模型可以将输入层输出的特征信息输入至第一编码器,第一编码器可以形式化如下:
再将自注意力机制的输出E,作为前向神经网络的输入,通过第一编码器得到隐藏层变量。形式化如下:
接着,继续使用自注意力机制对这种干扰进行编码,即将第一编码器的输出输入至第二编码器,形式化如下:
进一步的,预测模型还可以包括输出层。经过两层编码器后,输出层采用一个MLP(Multi-Layer Perceptron,多层感知机),将特征映射到具体数值来表征输出的调制模式,公式如下:
开发人员可以设定,当超过某一数值时输出SVPWM调制模式,当未超过某一数值时输出DPWM调制模式。
交流电流畸变率是指交流电流中各谐波波形的畸变程度。在实际交流电路中,交流电流通常并不完全是正弦波形的,而是包含了多个谐波波形的叠加。这些谐波波形的存在会导致交流电流的畸变。畸变率通过衡量交流电流中各谐波分量的相对大小来定义。计算公式如下:
其中,是第 n 次谐波的电流值,/>是基波电流值,/>表示对所有谐波次数 n 从 2 开始到无穷大进行求和,THD(I) 表示交流电流畸变率。这个公式的意义是,先计算出所有谐波电流的平方和,再开方,然后除以基波电流的绝对值。这样就可以得到电流波形的畸变程度。
预测模型需要兼顾光伏逆变的效率和并网谐波的干扰程度,干扰程度可以用交流电流畸变率判定,效率则使用温度值和电压值判定。详细过程将在后文中介绍,此处不再赘述。
MCU针对不同种类的信号预先配置有不同的处理逻辑,MCU可以先识别信号类型,再根据相应的处理逻辑对信号进行处理。具体的,电压值以及畸变率的确定方式将在后文中进行详细说明,此处不再赘述。
步骤206,将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
如前所述,调制模式可以包括SVPWM调制模式和DPWM调制模式,预测模型输出的调制模式可以为这两种调制模式的其中一种。若当前光伏逆变器正在使用的调制模式为SVPWM调制模式,且预测模型输出的调制模式同样为SVPWM调制模式,则光伏逆变器无需切换调制模式;若当前光伏逆变器正在使用的调制模式为SVPWM调制模式,且预测模型输出的调制模式同样为DPWM调制模式,则光伏逆变器需要将调制模式从SVPWM调制模式切换至DPWM调制模式。
在该实施例中,在光伏逆变器上设置有多个种类的传感器,并基于这些传感器采集不同种类的信号,使得光伏逆变器可以基于这些信号选择最佳的调制模式。此外,还设置有针对光伏逆变器的调制模式的预测模型,该预测模型包括输入层、第一编码器以及第二编码器的,使得预测模型可以基于光伏逆变器上各种传感器采集的信号预测光伏逆变器当前最适合的调制模式,从而兼顾了并网谐波的抑制以及光伏转换的效率。
在一实施例中,所述第一编码器预测畸变电流对光伏逆变的干扰程度的过程包括:获取所述特征信息中的所述光伏逆变器输出电流的交流电流畸变率;在所述交流电流畸变率未超过第一预设畸变率的情况下,确定畸变电流对光伏逆变的干扰可控;在交流电流畸变率达到第二预设畸变率的情况下,确定畸变电流对光伏逆变的干扰不可控。
该第一预设畸变率可以为2.5%,第二预设畸变率可以为3%。值得注意的是,第一预设畸变率和第二预设畸变率可以不相等,且第一预设畸变率可以小于第二预设畸变率。因为,当光伏逆变器正在使用DPWM调制模式时,若检测到畸变率为2.8%,其实可以不必切换调制模式,留有一些余地,只有当畸变率达到3%才切换至SVPWM调制模式。
在一实施例中,所述第二编码器预测所述光伏逆变器的光伏效率包括:获取所述特征信息中的所述光伏逆变器的温度值和母线电压值;在所述温度值达到第一预设温度值,或者所述母线电压值达到第一预设电压值的情况下,确定所述光伏逆变器的光伏效率不达标;在所述温度值未超过第二预设温度值,或者所述母线电压值未超过第二预设电压值的情况下,确定所述光伏逆变器的光伏效率达标。
该第一预设温度值可以为80摄氏度,第一预设电压值可以为700V;第二预设温度值可以为75摄氏度,第二预设电压值可以为650V。
进一步的,在所述畸变电流对光伏逆变的干扰可控、且所述光伏逆变器的光伏效率不达标的情况下,所述预测模型输出的调制模式为DPWM调制模式;在所述畸变电流对光伏逆变的干扰不可控、且所述光伏逆变器的光伏效率达标的情况下,所述预测模型输出的调制模式为SVPWM调制模式。
下面结合图3和图4对调制模式的预测过程进行详细介绍。图3是本发明公开示例性实施例示出的一种处于SVPWM调制模式时调制模式的预测方法的流程图,该方法具体可以包括以下步骤:
步骤302,光伏逆变器正在使用SVPWM调制模式。步骤304,采集各类信号输入第一编码器。这里输入预测模型的信号可以输入输入层,由输入层提取温度值、母线电压值、交流电流畸变率,再将提取的值输入至第一编码器。
步骤306,判断交流电流畸变率是否超过第一预设畸变率。若超过第一预设畸变率,则表明畸变电流对光伏逆变的干扰程度不可控,进入步骤312b,光伏逆变器不切换调制模式。若未超过第一预设畸变率,则进入步骤308,判断温度值是否达到第一预设温度值。若达到第一预设温度值,则表明光伏逆变的效率不达标,进入步骤312a,光伏逆变器切换至DPWM调制模式。若未达到第一预设温度值,则进入步骤310,判断母线电压值是否达到第一预设电压值。若达到第一预设电压值,则进入步骤312a;若未达到第一预设电压值,则进入步骤312b。
其中,步骤308和步骤310的顺序可以替换,两个条件只要有一个达到就可以满足切换的条件。
值得注意的是,相较于温度、母线电压两个约束条件,本说明书先对交流电流畸变率进行判定,因为交流电流畸变率可以表征交流电流中各谐波波形的畸变程度,由此反映并网谐波的大小。而并网谐波为调制模式切换所需考虑的首要因素,所以只有在交流电流畸变率满足条件的情况下才会对次要的约束条件(温度、母线电压)进行判定。
图4是本发明公开示例性实施例示出的一种处于DPWM调制模式时调制模式的预测方法的流程图,该方法具体可以包括以下步骤:
步骤402,光伏逆变器正在使用DPWM调制模式。步骤404,采集各类信号输入预测模型。步骤406,判断交流电流畸变率是否达到第二预设畸变率。若达到第二预设畸变率,则表明畸变对光伏逆变的干扰程度不可控,进入步骤412a,光伏逆变器切换至SVPWM调制模式。
若未达到第二预设畸变率,则表明畸变电流对光伏逆变的干扰程度可控,进入步骤408,判断温度值是否超过第二预设温度值。若未超过第二预设温度值,则表明光伏效率达标,进入步骤412a;若超过第一预设温度值,则进入步骤410,判断母线电压值是否超过第二预设电压值。若超过第二预设电压值,则表明畸变电流对光伏逆变的干扰程度可控,且光伏效率达标,进入步骤412b;若未超过第二预设电压值,则进入步骤412a。
其中,步骤406、步骤408和步骤410的顺序可以互相替换,3个条件只要有一个达到就可以满足切换的条件,3个条件若均不满足,则继续使用DPWM调制模式。
在该实施例中,在光伏逆变器上设置有多个种类的传感器,并基于这些传感器采集不同种类的信号,使得光伏逆变器可以基于这些信号选择最佳的调制模式。此外,还设置有针对光伏逆变器的调制模式的预测模型,该预测模型包括输入层、第一编码器以及第二编码器的,使得预测模型可以基于光伏逆变器上各种传感器采集的信号预测光伏逆变器当前最适合的调制模式,从而兼顾了并网谐波的抑制以及光伏转换的效率。
在一实施例中,所述光伏逆变器输出的电流为三相交流电流,所述电流传感器为三相交流传感器,所述电流传感器包括A相桥臂电流传感器、B相桥臂电流传感器、C相桥臂电流传感器;所述根据所述交流电流信号确定所述光伏逆变器输出电流的交流电流畸变率,包括:分别对所述A相桥臂电流传感器,B相桥臂电流传感器,C相桥臂电流传感器采集到的电流信号进行谐波分析,并计算出每一电流传感器对应的谐波电流的有效值;将所有谐波电流的有效值相加得到总有效值,并计算出所述总有效值与基波电流的有效值的比值,所述比值为所述交流电流畸变率。
如图5所示,该光伏逆变器输出三相交流电流,电流传感器包括A相桥臂电流传感器CTA、B相桥臂电流传感器CTB、C相桥臂电流传感器CTC。这三个电流传感器均与MCU相连,并将采集到的电流信号发送至MCU。MCU可以采用傅里叶变换、短时傅里叶变换或小波变换等方法对电流信号进行谐波分析,并使用有效值法或均方根法计算谐波电流的有效值。通过将所有谐波电流的总有效值除以基波电流的有效值,可以计算出电流谐波畸变率。
傅里叶变换是频谱分析的基本方法,它可以将时域信号转换为频域信号。对于电流谐波分析而言,可以采用傅里叶变换将电流信号从时域转换到频域,并计算谐波电流的幅值和相位。通过幅值可以计算出所有谐波电流的总有效值,从而计算出电流谐波畸变率。
短时傅里叶变换是一种针对非平稳信号的频谱分析方法。它可以将信号分为多个窗口,并对每个窗口进行傅里叶变换。通过对多个窗口的结果进行叠加,可以得到整个信号的频谱。在电流谐波分析中,可以采用短时傅里叶变换进行频谱分析,并计算谐波电流的有效值和电流谐波畸变率。
小波变换是一种基于时域分析的频谱分析方法。它可以将信号分为不同的频段,并在每个频段内分析信号的特征。在电流谐波分析中,可以采用小波变换将电流信号分解为不同频段的信号,并计算每个频段内谐波电流的有效值。通过将所有频段内的谐波电流有效值相加,可以计算出所有谐波电流的总有效值,从而计算出电流谐波畸变率。
在一实施例中,所述光伏逆变器包括第一功率转换单元和第二功率转换单元,所述第一功率转换单元用于将输入的电压转换至高电压,所述第二功率转换单元用于将直流电流转换为交流电流,所述电压传感器为安装与所述第一功率转换单元和第二功率转换单元之间的母线电容。
如图5所示,功率转换单元1对应于第一功率转换单元,功率转换单元2对应于第二功率转换单元,母线电容装配于第一功率转换单元和第二功率转换单元之间。
在该实施例中,在光伏逆变器上设置有多个种类的传感器,并基于这些传感器采集不同种类的信号,使得光伏逆变器可以基于这些信号选择最佳的调制模式。此外,还设置有针对光伏逆变器的调制模式的预测模型,该预测模型包括输入层、第一编码器以及第二编码器的,使得预测模型可以基于光伏逆变器上各种传感器采集的信号预测光伏逆变器当前最适合的调制模式,从而兼顾了并网谐波的抑制以及光伏转换的效率。
图6是本发明公开示例性实施例示出的一种针对光伏逆变器的调制模式的预测模型的训练方法的流程图,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号,所述光伏逆变器处于SVPWM调制模式,具体可以包括如下步骤:
步骤602,获取训练样本集,所述训练样本集中每一训练样本包含一组采集信号和相应的实际调制模式;其中,每一组采集信号包括所述光伏逆变器在同一时刻采集到的温度信号、母线电压信号和交流电流信号;
步骤604,将所述训练样本集输入至待训练模型中,以使所述待训练模型输出每组采集信号对应的预测调制模式;
步骤606,对比每组采集信号的实际调制模式和预测调制模式,并根据对比结果对所述待训练模型进行优化,直至所述待训练模型用于对光伏逆变器的调制模式进行预测。
在该实施例中,在光伏逆变器上设置有多个种类的传感器,并基于这些传感器采集不同种类的信号,使得光伏逆变器可以基于这些信号选择最佳的调制模式。此外,还设置有针对光伏逆变器的调制模式的预测模型,该预测模型包括输入层、第一编码器以及第二编码器的,使得预测模型可以基于光伏逆变器上各种传感器采集的信号预测光伏逆变器当前最适合的调制模式,从而兼顾了并网谐波的抑制以及光伏转换的效率。
与前述方法的实施例相对应,本发明还提供了电子设备以及装置的实施例。
图7是本发明实施例示出的一种电子设备的示意结构图。请参考图7,在硬件层面,该设备包括处理器701、网络接口702、内存703、非易失性存储器704以及内部总线705,当然还可能包括其他业务所需要的硬件。本发明一个或多个实施例可以基于软件方式来实现,比如由处理器701从非易失性存储器704中读取对应的计算机程序到内存703中然后运行。当然,除了软件实现方式之外,本发明一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
图8本发明实施例示出的一种针对光伏逆变器的调制模式的切换装置的框图。请参考图8,该装置可以应用于如图8所示的设备中,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号,以实现本发明所述的技术方案,该装置包括:
获取单元802,用于获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;
输入单元804,用于将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型:根据所述获取到的信号确定所述光伏逆变器的温度值、母线电压值以及交流电流畸变率,并输出匹配于温度值、母线电压值以及交流电流畸变率的调制模式;
切换单元806,用于将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
可选的,所述第一编码器预测畸变电流对光伏逆变的干扰程度的过程包括:
获取所述特征信息中的所述光伏逆变器输出电流的交流电流畸变率;
在所述交流电流畸变率未超过第一预设畸变率的情况下,确定畸变电流对光伏逆变的干扰可控;
在交流电流畸变率达到第二预设畸变率的情况下,确定畸变电流对光伏逆变的干扰不可控。
可选的,所述第二编码器预测所述光伏逆变器的光伏效率包括:
获取所述特征信息中的所述光伏逆变器的温度值和母线电压值;
在所述温度值达到第一预设温度值,或者所述母线电压值达到第一预设电压值的情况下,确定所述光伏逆变器的光伏效率不达标;
在所述温度值未超过第二预设温度值,或者所述母线电压值未超过第二预设电压值的情况下,确定所述光伏逆变器的光伏效率达标。
可选的,在所述畸变电流对光伏逆变的干扰可控、且所述光伏逆变器的光伏效率不达标的情况下,所述预测模型输出的调制模式为DPWM调制模式;在所述畸变电流对光伏逆变的干扰不可控、且所述光伏逆变器的光伏效率达标的情况下,所述预测模型输出的调制模式为SVPWM调制模式。
可选的,所述光伏逆变器包括第一功率转换单元和第二功率转换单元,所述第一功率转换单元用于将输入的电压转换至高电压,所述第二功率转换单元用于将直流电流转换为交流电流,所述电压传感器为安装于所述第一功率转换单元和第二功率转换单元之间的母线电容。
图9本发明实施例示出的一种针对光伏逆变器的调制模式的预测模型的训练装置的框图。请参考图9,该装置可以应用于如图9所示的设备中,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号,以实现本发明所述的技术方案,该装置包括:
获取单元902,用于获取训练样本集,所述训练样本集中每一训练样本包含一组采集信号和相应的实际调制模式;其中,每一组采集信号包括所述光伏逆变器在同一时刻采集到的温度信号、母线电压信号和交流电流信号;
输入单元904,用于将所述训练样本集输入至待训练模型中,以使所述待训练模型输出每组采集信号对应的预测调制模式;
优化单元906,用于对比每组采集信号的实际调制模式和预测调制模式,并根据对比结果对所述待训练模型进行优化,直至所述待训练模型用于对光伏逆变器的调制模式进行预测。
虽然本发明包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本发明内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种针对光伏逆变器的调制模式的切换方法,其特征在于,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述方法包括:
获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;
将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型输出所述光伏逆变器的调制模式;其中,所述预测模型包括输入层、第一编码器以及第二编码器,所述输入层用于通过神经网络提取所述获取到的信号中的特征信息,所述第一编码器用于预测畸变电流对光伏逆变的干扰程度,所述第二编码器用于预测所述光伏逆变器的光伏效率;
将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
2.根据权利要求1所述的方法,其特征在于,所述第一编码器预测畸变电流对光伏逆变的干扰程度的过程包括:
获取所述特征信息中的所述光伏逆变器输出电流的交流电流畸变率;
在所述交流电流畸变率未超过第一预设畸变率的情况下,确定畸变电流对光伏逆变的干扰可控;
在交流电流畸变率达到第二预设畸变率的情况下,确定畸变电流对光伏逆变的干扰不可控。
3.根据权利要求1所述的方法,其特征在于,所述第二编码器预测所述光伏逆变器的光伏效率包括:
获取所述特征信息中的所述光伏逆变器的温度值和母线电压值;
在所述温度值达到第一预设温度值,或者所述母线电压值达到第一预设电压值的情况下,确定所述光伏逆变器的光伏效率不达标;
在所述温度值未超过第二预设温度值,或者所述母线电压值未超过第二预设电压值的情况下,确定所述光伏逆变器的光伏效率达标。
4.根据权利要求2或权利要求3所述的方法,其特征在于,在所述畸变电流对光伏逆变的干扰可控、且所述光伏逆变器的光伏效率不达标的情况下,所述预测模型输出的调制模式为DPWM调制模式;在所述畸变电流对光伏逆变的干扰不可控、且所述光伏逆变器的光伏效率达标的情况下,所述预测模型输出的调制模式为SVPWM调制模式。
5.根据权利要求1所述的方法,其特征在于,所述光伏逆变器包括第一功率转换单元和第二功率转换单元,所述第一功率转换单元用于将输入的电压转换至高电压,所述第二功率转换单元用于将直流电流转换为交流电流,所述电压传感器为安装于所述第一功率转换单元和第二功率转换单元之间的母线电容。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练样本集,所述训练样本集中每一训练样本包含一组采集信号和相应的实际调制模式;其中,每一组采集信号包括所述光伏逆变器在同一时刻采集到的温度信号、母线电压信号和交流电流信号;
将所述训练样本集输入至待训练模型中,以使所述待训练模型输出每组采集信号对应的预测调制模式;
对比每组采集信号的实际调制模式和预测调制模式,并根据对比结果对所述待训练模型进行优化,以得到所述预测模型。
7.一种针对光伏逆变器的调制模式的切换装置,其特征在于,所述光伏逆变器包括温度传感器、电压传感器、电流传感器,所述温度传感器用于采集所述光伏逆变器内部的温度信号,所述电压传感器用于采集所述光伏逆变器所连接母线的母线电压信号,所述电流传感器用于采集所述光伏逆变器输出的交流电流信号;所述装置包括:
获取单元,用于获取所述温度传感器采集的温度信号、所述电压传感器采集的母线电压信号、所述电流传感器采集的交流电流信号;
输入单元,用于将获取到的信号输入至预先训练得到的针对光伏逆变器的调制模式的预测模型,以使所述预测模型:根据所述获取到的信号确定所述光伏逆变器的温度值、母线电压值以及交流电流畸变率,并输出匹配于温度值、母线电压值以及交流电流畸变率的调制模式;
切换单元,用于将所述光伏逆变器的调制模式切换至所述预测模型输出的调制模式。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165980.4A CN117713580B (zh) | 2024-02-06 | 2024-02-06 | 一种针对光伏逆变器的调制模式的切换方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165980.4A CN117713580B (zh) | 2024-02-06 | 2024-02-06 | 一种针对光伏逆变器的调制模式的切换方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117713580A CN117713580A (zh) | 2024-03-15 |
CN117713580B true CN117713580B (zh) | 2024-05-24 |
Family
ID=90157385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410165980.4A Active CN117713580B (zh) | 2024-02-06 | 2024-02-06 | 一种针对光伏逆变器的调制模式的切换方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117713580B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103580520A (zh) * | 2013-11-05 | 2014-02-12 | 浙江大学 | 一种逆变器的调制装置及方法 |
CN103746585A (zh) * | 2014-01-10 | 2014-04-23 | 南京理工大学 | 基于混合调制的多电平逆变器中点电压平衡控制方法 |
KR101421017B1 (ko) * | 2014-04-15 | 2014-07-21 | 주식회사 에코스 | 멀티레벨 인버터의 전류 제어 방법 |
CN103944183A (zh) * | 2014-04-10 | 2014-07-23 | 浙江大学 | 一种混合pwm调制切换装置及方法 |
CN104578886A (zh) * | 2015-01-23 | 2015-04-29 | 阳光电源股份有限公司 | 一种三电平光伏逆变器脉宽调制方法和调制器 |
CN106059365A (zh) * | 2015-04-14 | 2016-10-26 | Ls产电株式会社 | 用于生成三相逆变器的偏置电压的偏置电压发生器和方法 |
EP3291440A1 (de) * | 2016-08-31 | 2018-03-07 | Siemens Aktiengesellschaft | Umrichter-motor-system mit minimalen modulationsverlusten |
CN114638396A (zh) * | 2022-01-14 | 2022-06-17 | 中国电力科学研究院有限公司 | 一种基于神经网络实例化的光伏功率预测方法及系统 |
CN115758162A (zh) * | 2022-12-07 | 2023-03-07 | 广东电网有限责任公司 | 数据预测模型训练、光伏逆变器故障预测方法及装置 |
CN116559667A (zh) * | 2023-06-12 | 2023-08-08 | 北京昇科能源科技有限责任公司 | 模型训练方法及装置、电池检测方法及装置、设备、介质 |
CN116742924A (zh) * | 2023-07-06 | 2023-09-12 | 上海思格源智能科技有限公司 | 一种光伏逆变器及其控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101993379B1 (ko) * | 2012-09-11 | 2019-06-26 | 삼성전자주식회사 | 전동기를 구동하는 인버터의 출력전압을 제어하는 방법 및 장치. |
-
2024
- 2024-02-06 CN CN202410165980.4A patent/CN117713580B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103580520A (zh) * | 2013-11-05 | 2014-02-12 | 浙江大学 | 一种逆变器的调制装置及方法 |
CN103746585A (zh) * | 2014-01-10 | 2014-04-23 | 南京理工大学 | 基于混合调制的多电平逆变器中点电压平衡控制方法 |
CN103944183A (zh) * | 2014-04-10 | 2014-07-23 | 浙江大学 | 一种混合pwm调制切换装置及方法 |
KR101421017B1 (ko) * | 2014-04-15 | 2014-07-21 | 주식회사 에코스 | 멀티레벨 인버터의 전류 제어 방법 |
CN104578886A (zh) * | 2015-01-23 | 2015-04-29 | 阳光电源股份有限公司 | 一种三电平光伏逆变器脉宽调制方法和调制器 |
CN106059365A (zh) * | 2015-04-14 | 2016-10-26 | Ls产电株式会社 | 用于生成三相逆变器的偏置电压的偏置电压发生器和方法 |
EP3291440A1 (de) * | 2016-08-31 | 2018-03-07 | Siemens Aktiengesellschaft | Umrichter-motor-system mit minimalen modulationsverlusten |
CN114638396A (zh) * | 2022-01-14 | 2022-06-17 | 中国电力科学研究院有限公司 | 一种基于神经网络实例化的光伏功率预测方法及系统 |
CN115758162A (zh) * | 2022-12-07 | 2023-03-07 | 广东电网有限责任公司 | 数据预测模型训练、光伏逆变器故障预测方法及装置 |
CN116559667A (zh) * | 2023-06-12 | 2023-08-08 | 北京昇科能源科技有限责任公司 | 模型训练方法及装置、电池检测方法及装置、设备、介质 |
CN116742924A (zh) * | 2023-07-06 | 2023-09-12 | 上海思格源智能科技有限公司 | 一种光伏逆变器及其控制方法 |
Non-Patent Citations (2)
Title |
---|
J. F. Wölfle and J. Roth-Stielow.A hybrid discontinuous modulation technique to influence the switching losses of three phase inverters.《2015 17th European Conference on Power Electronics and Applications (EPE'15 ECCE-Europe)》.2015,pp. 1-10. * |
赵香桂 ; 陈艺峰 ; 王南 ; 吴恒亮 ; .基于分段调制的光伏逆变器加权效率提升研究.大功率变流技术.(06),第31-36页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117713580A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leonowicz et al. | Advanced spectrum estimation methods for signal analysis in power electronics | |
Huang et al. | A diagnosis algorithm for multiple open-circuited faults of microgrid inverters based on main fault component analysis | |
Shayeghi et al. | Zero NDZ assessment for anti-islanding protection using wavelet analysis and neuro-fuzzy system in inverter based distributed generation | |
Yılmaz et al. | A real-time UWT-based intelligent fault detection method for PV-based microgrids | |
JP5717189B2 (ja) | 進相コンデンサ用制御装置 | |
Kim | Fault detection algorithm of the photovoltaic system using wavelet transform | |
Jopri et al. | A Critical Review of Time-frequency Distribution Analysis for Detection and Classification of Harmonic Signal in Power Distribution System. | |
CN102095935B (zh) | 一种交流电信号的瞬时相位测量方法 | |
CN114062993A (zh) | 一种基于时间卷积网络的cvt误差状态预测方法 | |
CN116436327A (zh) | 一种基于神经网络的变流器自适应预测控制方法及系统 | |
CN117713580B (zh) | 一种针对光伏逆变器的调制模式的切换方法及装置 | |
Stanisavljević et al. | A comprehensive overview of digital signal processing methods for voltage disturbance detection and analysis in modern distribution grids with distributed generation | |
Matz et al. | Automated power quality monitoring system for on-line detection and classification of disturbances | |
Qaisar et al. | Event-driven time-domain elucidation of the power quality disturbances | |
Mohammadi et al. | Using deep transfer learning technique to protect electrical distribution systems against high-impedance faults | |
US20130158903A1 (en) | Method and System for Detecting Transients in Power Grids | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
KR20130035766A (ko) | Hvdc고장 분석 시스템 | |
Qaisar et al. | Time-domain identification of the power quality disturbances based on the event-driven processing | |
CN104198893A (zh) | 自适应故障电流检测方法 | |
Veerendra et al. | A novel fault‐detection methodology of proposed reduced switch MLI fed induction motor drive using discrete wavelet transforms | |
Muzzammel et al. | Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems | |
Joga et al. | Harmonic source identification in Microgrid using wavelet time frequency analysis | |
CN112345826B (zh) | 孤网失稳状态下频率和暂态谐波测量方法 | |
Fayyad et al. | A wavelet-based passive islanding detection technique |
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 |