CN117748594B - 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 - Google Patents
新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 Download PDFInfo
- Publication number
- CN117748594B CN117748594B CN202410173105.0A CN202410173105A CN117748594B CN 117748594 B CN117748594 B CN 117748594B CN 202410173105 A CN202410173105 A CN 202410173105A CN 117748594 B CN117748594 B CN 117748594B
- Authority
- CN
- China
- Prior art keywords
- impedance
- grid
- connected inverter
- neural network
- ash box
- 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 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012546 transfer Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 61
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000015556 catabolic process Effects 0.000 abstract description 9
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Plasma Technology (AREA)
Abstract
本公开涉及灰箱阻抗辨识技术领域，具体涉及一种新能源并网逆变器的灰箱阻抗辨识方法、系统及介质，所述新能源并网逆变器的灰箱阻抗辨识方法，包括：获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。上述技术方案基于给定连续频率可输出并网逆变器连续阻抗幅度以及阻抗相角，便于后续开展谐波劣化分析，保证电网的安全稳定运行。
Description
技术领域
本公开涉及灰箱阻抗辨识技术领域，具体涉及一种新能源并网逆变器的灰箱阻抗辨识方法、系统及介质。
背景技术
随着新型电力系统深入建设，新能源发电装机大幅增长，电力电子设备高比例接入，电力系统生产结构、运行机理、功能形态等发生深刻变化，电力供需失衡引发频率、电压等稳定问题的风险增加，为电网系统安全运行带来严峻挑战。其中，大规模应用于新能源发电设备并网侧的并网逆变器与电网之间的交互越来越频繁，并网逆变器的并网电流中包含易受电网背景谐波电压激励放大的谐波分量，易产生谐波劣化现象，影响并网电能质量及电网的安全稳定运行。阻抗分析法对并网侧及电网侧分别构建阻抗辨识模型，是谐波劣化分析的主要手段之一。因此，研究新能源并网阻抗辨识模型至关重要。
新能源并网阻抗辨识模型通常包含三类方法：白箱模型，已知并网逆变器结构、参数、控制方式等内部信息，通过dq轴线性化或谐波线性化，将并网逆变器阻抗等效为阻抗传递函数的形式；黑箱模型，已知并网逆变器功能，并拟合系统输入输出关系；灰箱模型，以白箱模型的结果为求解目标，以黑箱模型的建模思路及数值计算为求解途径。在实际工程中，现场存在大量已运行但内部信息未知的并网逆变器，白箱模型不再适用。而黑箱模型的计算结果无物理意义，难以开展谐波劣化分析。灰箱模型不仅适用于并网逆变器内部信息保密的实际工程场景，且其求解结果具有实际物理意义。因此，灰箱模型成为新能源并网阻抗辨识的主流方法之一。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种新能源并网逆变器的灰箱阻抗辨识方法、系统及介质。
第一方面，本公开实施例中提供了一种新能源并网逆变器的灰箱阻抗辨识方法，包括：
获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；
将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
在本公开的一种实现方式中，所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
在本公开的一种实现方式中，还包括：
训练所述灰箱阻抗辨识神经网络。
在本公开的一种实现方式中，所述训练所述灰箱阻抗辨识神经网络的步骤，包括：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集；
将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练，并利用所述测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；
若所述测试集损失函数值大于预设损失阈值，则递增所述数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络。
在本公开的一种实现方式中，所述获取并网逆变器的离散阻抗数据之后，还包括：
对所述离散阻抗数据进行归一化处理。
在本公开的一种实现方式中，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
在本公开的一种实现方式中，所述获取并网逆变器的离散阻抗数据包括：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
在本公开的一种实现方式中，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据包括：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
第二方面，本公开实施例中提供了一种新能源并网逆变器的灰箱阻抗辨识系统，包括：
获取模块，被配置为获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；
输出模块，被配置为将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
在本公开的一种实现方式中，所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
在本公开的一种实现方式中，还包括：
训练模块，被配置为训练所述灰箱阻抗辨识神经网络。
在本公开的一种实现方式中，所述训练模块被配置为：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集；
将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练，并利用所述测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；
若所述测试集损失函数值大于预设损失阈值，则递增所述数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络。
在本公开的一种实现方式中，所述训练模块在获取并网逆变器的离散阻抗数据的部分之后，还被配置为：
对所述离散阻抗数据进行归一化处理。
在本公开的一种实现方式中，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
在本公开的一种实现方式中，所述训练模块中获取并网逆变器的离散阻抗数据的部分，被配置为：采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
在本公开的一种实现方式中，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据的部分，被配置为：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
第五方面，本公开实施例提供了一种芯片，芯片包括处理器，该处理器用于调用存储器中的计算机程序，以执行上述新能源并网逆变器的灰箱阻抗辨识方法的方法步骤。
本公开实施例提供的技术效果可以包括以下有益效果：
根据本公开实施例提供的技术方案，新能源并网逆变器的灰箱阻抗辨识方法，包括：获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。上述技术方案通过构建的并网逆变器复数阻抗传递函数设计灰箱阻抗辨识神经网络的输入、输出以及网络结构，该神经网络不仅具备强拟合能力，还具有较强可解释性和物理意义，从而提升阻抗辨识模型的实用性与准确性，然后利用训练得到的灰箱阻抗辨识神经网络，基于给定连续频率可输出并网逆变器连续阻抗幅度以及阻抗相角，便于后续开展谐波劣化分析，保证电网的安全稳定运行。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开的实施例的新能源并网逆变器的灰箱阻抗辨识方法的流程图。
图2示出根据本公开的实施例的典型LCL型并网逆变器拓扑等效图。
图3示出本公开实施例的灰箱阻抗辨识神经网络的架构图。
图4示出根据本公开的实施例的新能源并网逆变器的灰箱阻抗辨识系统的结构框图。
图5示出根据本公开的实施例的电子设备的结构框图。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
上文提及，在实际工程中，现场存在大量已运行但内部信息未知的并网逆变器，白箱模型不再适用。而黑箱模型的计算结果无物理意义，难以开展谐波劣化分析。灰箱模型不仅适用于并网逆变器内部信息保密的实际工程场景，且其求解结果具有实际物理意义。因此，灰箱模型成为新能源并网阻抗辨识的主流方法之一。
现有灰箱阻抗辨识方法包括以最小二乘法、有理函数逼近法等为代表的传统阻抗辨识方法，及以神经网络为代表的深度学习阻抗辨识方法。传统阻抗辨识方法具有可解释强、计算结果具有物理意义的优点，但也存在计算复杂、精度较低等问题；而现有深度学习阻抗辨识方法具有可解释性差、模型结构与实际电网问题脱离、模型结构单一等问题，但具备模型拟合能力强、精度较高的优点。
考虑到上述缺陷，本公开提供的新能源并网逆变器的灰箱阻抗辨识方法，将具有强拟合能力的深度学习阻抗辨识方法与具有强可解释性的传统阻抗辨识方法相结合，通过构建的并网逆变器复数阻抗传递函数设计灰箱阻抗辨识神经网络的输入、输出以及网络结构，该神经网络不仅具备强拟合能力，还具有较强可解释性和物理意义，从而提升阻抗辨识模型的实用性与准确性，然后利用训练得到的灰箱阻抗辨识神经网络，基于给定连续频率可输出并网逆变器连续阻抗幅度以及阻抗相角，便于后续开展谐波劣化分析，保证电网的安全稳定运行。
图1示出根据本公开的实施例的新能源并网逆变器的灰箱阻抗辨识方法的流程图。如图1所示，所述新能源并网逆变器的灰箱阻抗辨识方法包括以下步骤S101 - S102：
在步骤S101中，获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；
在步骤S102中，将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
在本公开实施例中，步骤S101中所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
具体地，并网逆变器复数阻抗传递函数的推导过程如下：
分布式电源通过并网逆变器将直流电变换成三相交流电，经滤波器组滤除并网电流中的高频谐波，将电能馈送至电网。根据诺顿和戴维南定理可将典型LCL型并网逆变器拓扑等效为图2，PCC为公共连接点处。
图2示出根据本公开的实施例的典型LCL型并网逆变器拓扑等效图。
图2中，和/>分别为并网逆变器侧和电网侧的等效阻抗，且可以多项式形式表示为公式（1）所示的阻抗传递函数：
（1）
其中，，/>为虚数单位，/>为角频率，/>为分母多项式系数，/>为分子多项式系数。
将公式（1）写为复数形式：
（2）
又因为，可将各项系数归并入多项式系数中，则公式（2）可以进一步表示为：
（3）
根据欧拉公式，并令为公式（3）分子的实部，为公式（3）分子的虚部；/>为公式（3）分母的实部，/>为公式（3）分母的虚部，则公式3可进一步表示为：
（4）
其中，。至此，上述公式（4）即为本公开步骤S101中的并网逆变器复数阻抗传递函数。
通过观察上式可知，、/>两者均为多项式系数/>、/>及频率/>的函数，可以推理出并网逆变器离散阻抗幅度、相位也为多项式系数及频率的函数，本公开基于上述推理得出的结论设计灰箱阻抗辨识神经网络（以下简称为神经网络）的输入、输出以及网络结构。
图3示出本公开实施例的灰箱阻抗辨识神经网络的架构图。结合上述公式（4）所示，并网逆变器复数阻抗传递函数的自变量为频率，因此神经网络的输入为频率；
神经网络第一隐藏层H1包含个神经元节点，用来表征输入频率/>的/>个幂次项。由于网逆变器复数阻抗传递函数分子包含/>个多项式系数，分母包含/>个多项式系数，为了确保解的完备性及参数的稀疏性，令/>，意味着数值P为多项式阻抗传递函数中多项式系数的最大幂次，参数/>维度为/>；
神经网络第二隐藏层H2包含个神经元节点，涵盖了阻抗传递函数中分子分母所有多项式系数；参数/>维度为/>；
神经网络第三隐藏层H3为双流层，分别表征阻抗幅度及阻抗相角：第一流隐藏层包含个神经元，参数/>维度为/>；第二流隐藏层包含/>个神经元，参数/>维度为；
神经网络输出层输出为阻抗幅度以及阻抗相角/>。具体包括与第一流隐藏层连接的输出层，其中参数/>维度为/>，激活函数为sigmoid，输出预测的阻抗幅度，以及与第二流隐藏层连接的输出层，参数/>维度为/>，激活函数为sigmoid，输出预测的阻抗相角/>。
在本公开实施例中，新能源并网逆变器的灰箱阻抗辨识方法还包括训练所述灰箱阻抗辨识神经网络。
其中，所述训练所述灰箱阻抗辨识神经网络的步骤，包括：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集；
将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练，并利用所述测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；
若所述测试集损失函数值大于预设损失阈值，则递增所述数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络。
在本公开实施例中，所述获取并网逆变器的离散阻抗数据包括：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
当待测新能源并网逆变器阻抗与电网阻抗在测量频段内的相对大小改变时，仅采用单一的电流并联注入型阻抗测量系统或者单一的电压串联注入型阻抗测量系统不能精确地测量宽频域（10Hz~10kHz）下的阻抗。基于上述考虑，本实施例中，优先采用双模式扰动，即并联注入电流扰动结合串联注入电压扰动，对并网逆变器离散阻抗进行测量，以获取宽频域范围内的离散阻抗数据。可以理解的是，在预设频率范围较窄的情况下，若仅采用并联注入电流扰动或者串联注入电压扰动的方式也能得到精度符合要求的离散阻抗数据，则可以采用相应的单一扰动方式进行阻抗测量，本公开对此不予限制。
在本公开实施例中，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据包括：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
具体地，采用双模式扰动方式对并网逆变器离散阻抗进行测量，采集频率下的电压电流分量/>：
首先输入频率下的电压扰动，检测并网逆变器侧及电网侧的电压电流，通过快速傅立叶变换分解得到频率/>下的电压电流分量/>，计算得到并网逆变器阻抗侧/> ，及电网侧阻抗/>；上标L表示并网逆变器侧，上标/>表示电网侧；其中，并网逆变器阻抗侧/>，及电网侧阻抗/>。
其次，若，则保留该频点下的并网逆变器侧阻抗；若/>, 继续输入频率/>下的电流扰动，检测并网逆变器侧及电网侧的电压电流，通过快速傅立叶变换分解得到频率/>下的电压电流分量/>，计算得到并网逆变器阻抗侧/>，并将重新计算的并网逆变器侧阻抗作为该频点下的并网逆变器侧阻抗。
本公开实施例中，将计算得到的并网逆变器侧阻抗采用频率、阻抗幅度以及阻抗相角表示，即本公开中的离散阻抗数据计为，其中，/> 阻抗幅度，/>为阻抗相角。
在本公开实施例中，所述获取并网逆变器的离散阻抗数据之后，还包括：
对所述离散阻抗数据进行归一化处理。
具体地，利用阻抗幅度的最大值和最小值对各阻抗幅度进行归一化处理，使得/>；利用阻抗相角/>的最大值和最小值对各阻抗相角进行归一化处理，使得/>。
在本公开实施例中，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
在本公开实施例中，将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练时，初始灰箱阻抗辨识神经网络的网络损失函数为：
（5）
在本公开实施例中，利用所述训练集训练初始灰箱阻抗辨识神经网络时，可以设置数值P的初始值，初始值可以为大于2的数值，例如为4，根据公式（5）判断模型收敛后，再利用测试集测试初始灰箱阻抗辨识神经网络，输出测试集损失函数，并将/>与预设损失阈值/>进行比较，若/>，则令/>，并重复训练与测试步骤，至/>时，得到灰箱阻抗辨识神经网络。在所述灰箱阻抗辨识神经网络中，数值P大于多项式阻抗传递函数的最高幂次，由此确保解的完备性及参数的稀疏性其中，若测试集选择为离散阻抗数据的奇数项时，则/>。
可以理解的是，测试集也可以选择例如20%的离散阻抗数据，则根据公式（5）相应地计算，并与预设损失阈值/>进行比较。预设损失阈值/>根据经验设置，例如设置为0.02，当然也可以根据实际情况进行调整，本公开在此不做限制。
本公开提供的新能源并网逆变器的灰箱阻抗辨识方法，利用欧拉公式推导简化阻抗传递函数得到并网逆变器复数阻抗传递函数，明确了阻抗辨识中阻抗幅度、阻抗相位、频率、多项式参数之间的关系，再依据复数阻抗传递函数的结构特征设计神经网络的结构、层数、神经元个数、损失函数等，并利用双流层分别表征阻抗幅度与相位，使得本发明的神经网络不仅具备强拟合能力，还具有较强可解释性和物理意义，从而提升阻抗辨识模型的实用性与准确性，便于后续开展谐波劣化分析，保证电网的安全稳定运行。
图4示出根据本公开的实施例的新能源并网逆变器的灰箱阻抗辨识系统的结构框图。其中，该系统可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图4所示，所述新能源并网逆变器的灰箱阻抗辨识系统400包括获取模块410和输出模块420。
获取模块410被配置为获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；
输出模块420被配置为将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
本公开提供的新能源并网逆变器的灰箱阻抗辨识系统，利用欧拉公式推导简化阻抗传递函数得到并网逆变器复数阻抗传递函数，明确了阻抗辨识中阻抗幅度、阻抗相位、频率、多项式参数之间的关系，再依据复数阻抗传递函数的结构特征设计神经网络的结构、层数、神经元个数、损失函数等，并利用双流层分别表征阻抗幅度与相位，使得本发明的神经网络不仅具备强拟合能力，还具有较强可解释性和物理意义，从而提升阻抗辨识模型的实用性与准确性，便于后续开展谐波劣化分析，保证电网的安全稳定运行。
在本公开实施例中，所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
在本公开实施例中，还包括：
训练模块，被配置为训练所述灰箱阻抗辨识神经网络。
在本公开实施例中，所述训练模块被配置为：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集；
将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练，并利用所述测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；
若所述测试集损失函数值大于预设损失阈值，则递增所述数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络。
在本公开实施例中，所述训练模块在获取并网逆变器的离散阻抗数据的部分之后，还被配置为：
对所述离散阻抗数据进行归一化处理。
在本公开实施例中，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
在本公开实施例中，所述训练模块中获取并网逆变器的离散阻抗数据的部分，被配置为：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
在本公开实施例中，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据的部分，被配置为：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
本公开还公开了一种电子设备，图5示出根据本公开的实施例的电子设备的结构框图。
如图5所示，所述电子设备包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；
将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
在本公开实施例中，所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
在本公开实施例中，还包括：
训练所述灰箱阻抗辨识神经网络。
在本公开实施例中，所述训练所述灰箱阻抗辨识神经网络的步骤，包括：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集；
将所述离散阻抗数据中的训练集作为训练数据，对于所述初始灰箱阻抗辨识神经网络进行训练，并利用所述测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；
若所述测试集损失函数值大于预设损失阈值，则递增所述数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络。
在本公开实施例中，所述训练模块在获取并网逆变器的离散阻抗数据的部分之后，还被配置为：
对所述离散阻抗数据进行归一化处理。
在本公开实施例中，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
在本公开实施例中，所述训练模块中获取并网逆变器的离散阻抗数据的部分，被配置为：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
在本公开实施例中，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据的部分，被配置为：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图6所示，计算机系统包括处理单元，其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种芯片，该芯片包括至少一个处理器，可用于实现上述系统实施例中所涉及的功能。
在一种可能的设计中，该芯片还包括存储器，该存储器用于保存程序指令和数据，存储器位于处理器之内或处理器之外。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (17)
1.一种新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，包括：
获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；所述灰箱阻抗辨识神经网络的训练步骤包括：将离散阻抗数据中的训练集作为训练数据，对于初始灰箱阻抗辨识神经网络进行训练，并利用离散阻抗数据中的测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；若所述测试集损失函数值大于预设损失阈值，则递增数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络；
将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
2.根据权利要求1所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，
所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
其中，所述数值P为多项式阻抗传递函数中多项式系数的最大幂次。
3.根据权利要求1所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，所述灰箱阻抗辨识神经网络的训练步骤，还包括：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集。
4.根据权利要求3所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，所述获取并网逆变器的离散阻抗数据之后，还包括：
对所述离散阻抗数据进行归一化处理。
5.根据权利要求3所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
6.根据权利要求3所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，所述获取并网逆变器的离散阻抗数据包括：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
7.根据权利要求6所述的新能源并网逆变器的灰箱阻抗辨识方法，其特征在于，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据包括：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
8.一种新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，包括：
获取模块，被配置为获取预先训练得到的灰箱阻抗辨识神经网络，所述灰箱阻抗辨识神经网络的输入、输出以及网络结构根据构建的并网逆变器复数阻抗传递函数确定；所述灰箱阻抗辨识神经网络的输入为频率，输出为阻抗幅度以及阻抗相角，网络结构为全连接神经网络，包括输入层、隐藏层以及输出层；其中，所述隐藏层包括第一隐藏层，包括P个神经元；第二隐藏层，包括2P个神经元；第三隐藏层，包括第一流隐藏层和第二流隐藏层，所述第一流隐藏层和第二流隐藏层各包括P个神经元；所述灰箱阻抗辨识神经网络的训练步骤包括：将离散阻抗数据中的训练集作为训练数据，对于初始灰箱阻抗辨识神经网络进行训练，并利用离散阻抗数据中的测试集测试训练得到的所述初始灰箱阻抗辨识神经网络，输出测试集损失函数值；若所述测试集损失函数值大于预设损失阈值，则递增数值P并重复训练与测试步骤，直至所述测试集损失函数值小于预设损失阈值，得到灰箱阻抗辨识神经网络；
输出模块，被配置为将给定频率输入至所述预先训练得到的灰箱阻抗辨识神经网络，输出所述并网逆变器的阻抗幅度以及阻抗相角。
9.根据权利要求8所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，
所述并网逆变器复数阻抗传递函数为根据以白箱阻抗建模的多项式阻抗传递函数推导得到；
其中，数值P为多项式阻抗传递函数中多项式系数的最大幂次。
10.根据权利要求8所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，所述灰箱阻抗辨识神经网络的训练步骤，还被配置为：
确定初始灰箱阻抗辨识神经网络；
获取并网逆变器的离散阻抗数据，其中，所述离散阻抗数据包括：给定频率以及给定频率下的阻抗幅度、阻抗相角；
将所述离散阻抗数据分为训练集以及测试集。
11.根据权利要求10所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，所述获取并网逆变器的离散阻抗数据的部分之后，还被配置为：
对所述离散阻抗数据进行归一化处理。
12.根据权利要求10所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，所述训练集为离散阻抗数据的偶数项，测试集为离散阻抗数据的奇数项。
13.根据权利要求10所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，所述获取并网逆变器的离散阻抗数据的部分，被配置为：
采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据。
14.根据权利要求13所述的新能源并网逆变器的灰箱阻抗辨识系统，其特征在于，所述采用双模式扰动方式对并网逆变器离散阻抗进行测量，获取预定频率范围内并网逆变器的离散阻抗数据的部分，被配置为：
将给定频率下的扰动电压注入连接点，采集并网逆变器侧及电网侧的频率响应数据，并计算得到给定频率下的并网逆变器侧阻抗以及电网侧阻抗；
若所述并网逆变器侧阻抗大于电网侧阻抗，则保留该给定频率下的并网逆变器侧阻抗；
若所述并网逆变器侧阻抗小于电网侧阻抗，则将相同频率下的扰动电流注入连接点，重新采集并网逆变器侧的频率响应数据，并将重新计算得到的并网逆变器侧阻抗作为该给定频率下的并网逆变器侧阻抗；
重复上述步骤，得到预定频率范围内并网逆变器的离散阻抗数据。
15.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法。
17.一种芯片，其特征在于，包括：至少一个处理器，用于实现如权利要求1-7中任一项所述的方法中所涉及的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173105.0A CN117748594B (zh) | 2024-02-07 | 2024-02-07 | 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173105.0A CN117748594B (zh) | 2024-02-07 | 2024-02-07 | 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117748594A CN117748594A (zh) | 2024-03-22 |
| CN117748594B true CN117748594B (zh) | 2024-05-03 |
Family
ID=90279570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410173105.0A Active CN117748594B (zh) | 2024-02-07 | 2024-02-07 | 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117748594B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
| CN114611676A (zh) * | 2022-03-23 | 2022-06-10 | 上海交通大学 | 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 |
| 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 |
| CN116224831A (zh) * | 2023-03-03 | 2023-06-06 | 国网河南省电力公司安阳供电公司 | 基于视在阻抗的多并网逆变器谐波谐振频率灰箱辨识方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9692320B2 (en) * | 2015-06-19 | 2017-06-27 | Sparq Systems Inc. | Adaptive control method for grid-connected inverters used with distributed power generation |
-
2024
- 2024-02-07 CN CN202410173105.0A patent/CN117748594B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
| CN114611676A (zh) * | 2022-03-23 | 2022-06-10 | 上海交通大学 | 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 |
| 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 |
| CN116224831A (zh) * | 2023-03-03 | 2023-06-06 | 国网河南省电力公司安阳供电公司 | 基于视在阻抗的多并网逆变器谐波谐振频率灰箱辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117748594A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
| CN106338406B (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
| Lin et al. | Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM | |
| Baraldi et al. | Reconstruction of missing data in multidimensional time series by fuzzy similarity | |
| CN109787250B (zh) | 一种基于多元经验模态分解的电力系统低频振荡模式辨识方法 | |
| CN109713685A (zh) | 一种适用于vsc接入引发次同步振荡的在线定位方法 | |
| CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
| Pietrzak et al. | PMSM stator winding fault detection and classification based on bispectrum analysis and convolutional neural network | |
| CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
| CN109283389B (zh) | 一种风电场谐波发射水平评估方法与系统 | |
| Chen et al. | Novel data-driven approach based on capsule network for intelligent multi-fault detection in electric motors | |
| CN115249980B (zh) | 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 | |
| CN106250904A (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
| CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
| CN114611676A (zh) | 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 | |
| CN117748594B (zh) | 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质 | |
| CN110703038B (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
| CN109975634A (zh) | 一种基于原子稀疏分解的变压器绕组故障诊断方法 | |
| CN102253340A (zh) | 一种风力发电机组故障判断方法及装置 | |
| CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
| Huang et al. | Multiple harmonic-source classification using a self-organization feature map network with voltage–current wavelet transformation patterns | |
| Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
| Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
| CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
| CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 |
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 |