CN118013239A - 基于数字孪生的单相pwm整流器在线参数辨识方法 - Google Patents
基于数字孪生的单相pwm整流器在线参数辨识方法 Download PDFInfo
- Publication number
- CN118013239A CN118013239A CN202410424550.XA CN202410424550A CN118013239A CN 118013239 A CN118013239 A CN 118013239A CN 202410424550 A CN202410424550 A CN 202410424550A CN 118013239 A CN118013239 A CN 118013239A
- Authority
- CN
- China
- Prior art keywords
- pwm rectifier
- random number
- phase pwm
- digital twin
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000036541 health Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 239000003990 capacitor Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000032683 aging Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Rectifiers (AREA)
Abstract
本发明提供一种基于数字孪生的单相PWM整流器在线参数辨识方法，以电感电流和电容电压为状态变量，构建PWM整流器功率电路部分的状态空间模型，并建立功率控制器部分的数学模型，再利用亚当姆斯算法将状态空间模型和控制器数学模型数字化，得到PWM整流器的数字孪生模型，最后，根据数字孪生模型的预测输出值和所述PWM整流器的实际输出值定义一适应度函数，利用差分进化算法迭代寻优，直至适应度函数值小于设定阈值时，数字孪生模型中待辨识器件的估计值即为PWM整流器中的待辨识器件的实际参数。上述辨识方法无需使用额外的传感器，即可完成对于单相PWM整流器中电子元器件全生命周期健康状态的监测，降低了监测成本。
Description
技术领域
本发明涉及AC-DC变流器的建模技术以及状态监测领域，特别是涉及基于数字孪生的单相PWM整流器在线参数辨识方法。
背景技术
单相脉宽调制(Pulse Width Modulation, PWM)整流器具有网侧功率因数高和电流谐波小等优点，被广泛应用于新能源发电、不间断电源及铁路机车牵引等领域。
PWM整流器在运行过程中发生故障是难以避免的，而在一些特定的应用场景下，故障若不能及时排查将会造成严重的后果，例如在列车牵引环节中，若整流器出现故障将会影响列车的安全运行。整流器的故障可分为两类：
（1）由于器件承受过大的应力导致的器件瞬间损坏；
（2）由于器件逐步老化影响了器件的性能最终导致整流器出现故障。
故障（1）属于结构型故障，短时间内电压电流产生较大波动，故障特征明显，可通过故障诊断方法识别故障类型与位置，目前已有广泛的研究。故障（2）属于参数型故障，器件老化过程是缓慢的，当老化达到某临界状态时器件将会彻底失效，这也将导致结构型故障的发生。在器件老化过程中，其内部参数会发生变化，譬如电容器的电容值、电感器的电感值、功率半导体的寄生电阻等参数均会随着器件的老化发生改变。通过参数辨识方法可监测各元器件的老化过程，根据参数辨识结果自适应调整控制策略或对元器件进行维护，可增强系统的健康状态管理能力，显著提升系统的可靠性。
现有技术中提出了一种基于逆向卡尔曼滤波的电力变换器故障诊断方法（非专利文献1），将变换器抽象为一类卡尔曼滤波动态方程，将电路元件参数作为卡尔曼滤波的未知状态，利用电路的电压和电流作为已知矩阵，逆向推导卡尔曼滤波递推公式，从而实现变换器的参数辨识。该方案结构复杂，适用于Buck电路此类开关管数量少的系统，在非线性较强的拓扑应用中效果不佳。
现有技术中还提出了一种基于改进最小二乘法的PWM整流器参数在线辨识方法（非专利文献2），该方案是将系统模型化为最小二乘的标准模式，再通过对目标函数的求导和运算，根据系统误差最小目标得到估计值，实现参数辨识。但该方案仅测试了稳态情况下的参数辨识性能，并未验证参数动态变化时的辨识性能。
现有技术文献：
非专利文献1：刘子幸，王子赟，纪志成.基于逆向卡尔曼滤波的电力变换器故障诊断方法[J].电力系统保护与控制,2019,47(09):19-26.
非专利文献2：刘鑫龙. PWM整流器的参数辨识与控制策略研究[D].哈尔滨工业大学,2014.
发明内容
本发明的目的在于提供一种基于数字孪生的单相PWM整流器在线参数辨识方法，不使用额外的传感器，实现对于单相PWM整流器中电子元器件全生命周期健康状态的监测。
本发明提供一种基于数字孪生的单相PWM整流器在线参数辨识方法，所述方法包括：
利用状态空间平均建模法，以所述单相PWM整流器中的电感电流和电容电压为状态变量，构建单相PWM整流器功率电路部分的状态空间模型；
建立所述单相PWM整流器功率控制器部分的数学模型；
利用四阶亚当姆斯法将所述单相PWM整流器功率电路部分的状态空间模型和所述单相PWM整流器功率控制器部分的数学模型进行数字化，得到所述单相PWM整流器的数字孪生模型；
根据所述数字孪生模型的预测输出值和所述单相PWM整流器的实际输出值定义一适应度函数，利用差分进化法，迭代寻优所述数字孪生模型中待辨识器件的估计值，使得适应度函数值持续减小；
当所述适应度函数值小于设定阈值时，所述数字孪生模型中待辨识器件的估计值即为所述单相PWM整流器中待辨识器件的实际参数。
进一步的，所述单相PWM整流器中功率电路部分包括四个IGBT开关，任意两个所述IGBT开关组成第一桥臂和第二桥臂，根据所述四个IGBT开关的开关状态得到两个桥臂的开关函数，并以所述单相PWM整流器中的电感电流和电容电压为状态变量，结合基尔霍夫电压定律公式，构建所述单相PWM整流器功率电路部分的状态空间模型。
进一步的，利用派克变换，提取网侧电流的有功电流和无功电流，根据所述有功电流和所述无功电流，计算得到所述单相PWM整流器功率电路部分的瞬时有功功率和瞬时无功功率；
结合基尔霍夫电压定律、派克变换以及所述瞬时有功功率和所述瞬时无功功率，得到用于控制所述瞬时有功功率和所述瞬时无功功率的微分方程组，所述微分方程组为所述单相PWM整流器功率控制器部分的数学模型。
进一步的，利用所述四阶亚当姆斯法，将所述状态空间模型中的电感电流和电容电压进行数字化处理，得到所述单相PWM整流器功率电路部分的数字孪生模型。
进一步的，利用所述四阶亚当姆斯法，对所述单相PWM整流器功率控制器部分的数字模型进行数字化处理，得到所述单相PWM整流器功率控制器部分的数字孪生模型。
进一步的，所述适应度函数为：；
其中is,j、udc,j分别为所述PWM整流器数字孪生模型的网侧电流和直流侧电压值，ism,j和udcm,j分别为实际PWM整流器功率电路部分的网侧电流和直流侧电压，N=hn/ts为测量数据的样本大小，其中，h为步长，n为第n个数据点，ts为采样周期。
进一步的，所述差分进化法包括：使用初始化公式为每一个所述待辨识器件的估计值分配一随机数；多个所述随机数为一个随机数集合，一代种群中包括多个所述随机数集合；
所述初始化公式为：；
其中，xi,j表示第i个随机数集合中的第j个随机数，表示第j个值的随机数下界，表示第j个值的随机数上界，j=4，也即随机数集合中包括4个随机数，分别为网侧等效电
感，直流侧电容，网侧等效电阻以及直流侧负载电阻参数对应的随机数。
进一步的，所述差分进化法还包括：变异所述种群中的任一所述随机数集合，得到
新的随机数集合为：；
其中，、、是从第g代种群中随机选择的3个互不相同的所述随机
数集合，F为变异因子，为经变异操作后的所述随机数集合。
进一步的，所述差分进化法还包括：判断经过变异操作后的任意两个所述随机数集合中的第j个随机数是否需要进行交叉，并产生新的随机数ui,j（g）：
；
其中，xi,j（g）为第g代种群中无需进行交叉操作的第i个随机数集合中的第j个随机数，vi.j（g）为第g代种群中需要进行交叉操作的第i个随机数集合中的第j个随机数，ui,j（g）为第g代种群中经交叉操作后的第i个随机数集合中的第j个随机数，CR为交叉概率因子，jrand为随机的一个量，rand（0，1）为0至1中的任一值。
进一步的，所述差分进化法还包括：
将任一随机数集合与经变异和交叉操作后的任一随机数集合进行适应度对比，选择二者中适应度更小的所述随机数集合进入下一代种群；
选择操作的公式为：；
其中，xi（g＋1）为第g＋1代种群中的第i个随机数集合，ui（g）为经过变异和交叉操作后的第g代种群中的第i个随机数集合，xi（g）为未经过变异和交叉操作的第g代种群中的第i个随机数集合，fobj（ui（g））为经过变异和交叉操作后的第g代种群中的第i个随机数集合的适应度函数值，fobj（xi（g））为未经过变异和交叉操作的第g代种群中的第i个随机数集合的适应度函数值。
相比于现有技术，本发明至少具有以下技术效果：
本发明通过状态空间平均法，以电感电流和电容电压为状态变量，构建单相PWM整流器功率电路部分的状态空间模型，并建立单相PWM整流器功率控制器部分的数学模型，再通过亚当姆斯法将单相PWM整流器功率电路部分的状态空间模型和单相PWM整流器功率控制器部分的数学模型进行数字化，得到单相PWM整流器的数字孪生模型，最后，根据所述数字孪生模型的预测输出值和所述单相PWM整流器的实际输出值定义一适应度函数，利用差分进化法，迭代寻优所述数字孪生模型中待辨识器件的估计值，使得所述适应度函数持续减小；当所述适应度函数小于所述设定阈值时，所述数字孪生模型中待辨识器件的估计值即为所述单相PWM整流器中、待辨识器件的实际参数值。通过上述的操作步骤，无需额外的传感器，即可完成对于单相PWM整流器中电子元器件全生命周期健康状态的监测，降低了监测成本。
附图说明
图1为本发明一实施例中基于数字孪生的单相PWM整流器在线参数辨识方法的流程示意图；
图2为本发明一实施例中单相两电平PWM整流器拓扑结构图；
图3（a）-图3（h）为本发明一实施例中单相两电平PWM整流器的电流路径图；
图4为本发明一实施例中直接功率控制策略框图；
图5为本发明一实施例中基于数字孪生的在线参数辨识的流程图；
图6为本发明一实施例中在线参数辨识过程中目标函数fobj输出值的变化波形图；
图7（a）为本发明一实施例中在线参数辨识过程中网侧电感Ls的参数变化波形图；
图7（b）为本发明一实施例中在线参数辨识过程中直流侧电容C的参数变化波形图；
图7（c）为本发明一实施例中在线参数辨识过程中电阻Rs的参数变化波形图；
图7（d）为本发明一实施例中在线参数辨识过程中直流侧负载RL的参数变化波形图；
图8（a）为本发明一实施例中PWM整流器实体与其数字孪生体的输出电压对比波形图；
图8（b）为本发明一实施例中PWM整流器实体与其数字孪生体的网侧电流对比波形图；
图9（a）为重复试验情况下电感参数Ls估计值与实际值的比较结果示意图；
图9（b）为重复试验情况下电感参数C估计值与实际值的比较结果示意图；
图9（c）为重复试验情况下电感参数Rs估计值与实际值的比较结果示意图；
图9（d）为重复试验情况下电感参数RL估计值与实际值的比较结果示意图。
具体实施方式
下面将结合示意图对本发明的基于数字孪生的单相PWM整流器在线参数辨识方法的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
在下列段落中参照附图以举例方式更具体地描述本发明。根据下面的说明书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本实施例提供一种基于数字孪生的单相PWM整流器在线参数辨识方法，请参考图1-图5，所述方法包括下述步骤：
S1.利用状态空间平均建模法，以所述单相PWM整流器中的电感电流和电容电压为状态变量，构建单相PWM整流器功率电路部分的状态空间模型；
S2.建立所述单相PWM整流器功率控制器部分的数学模型；
S3.利用四阶亚当姆斯法将所述单相PWM整流器功率电路部分的状态空间模型和所述单相PWM整流器功率控制器部分的数学模型进行数字化，得到所述PWM整流器的数字孪生模型；
S4.根据所述数字孪生模型的预测输出值和所述单相PWM整流器的实际输出值定义一适应度函数，利用差分进化法，迭代寻优所述数字孪生模型中待辨识器件的估计值，使得所述适应度函数值持续减小；
S5.当所述适应度函数值小于所述设定阈值时，所述数字孪生模型中待辨识器件的估计值即为所述单相PWM整流器中待辨识器件的实际参数。
在S1步骤中，请参考图2，为所述单相两电平PWM整流器功率电路部分的拓扑结构，其中，us为电网电压，is为网侧电流；uab为整流器输入端调制电压，Ls和Rs为网侧的等效电感和电阻，C为直流侧电容，RL为直流侧负载电阻；udc和iL分别为直流侧负载两端的电压和电流；所述单相PWM整流器中功率电路部分包括四个IGBT开关S1（D1）、S2（D2）、S3（D3）和S4（D4），所述IGBT开关分别与一续流二极管并联，S1（D1）和S2（D2）组成第一桥臂，S3（D3）和S4（D4）组成第二桥臂。综合分析所述IGBT开关的工作状态与电流方向，可知存在8种电流路径，如图3（a）~3（h）所示，根据所述四个IGBT开关的开关状态能够得到两个桥臂的开关函数：
（1）
进一步的，结合基尔霍夫电压定律公式，以所述单相PWM整流器中的电感电流和电容电压为状态变量，构建所述单相PWM整流器功率电路部分的状态空间模型，所述状态空间模型可以表示为：
（2）
其中，SA为第一桥臂的开关函数，SB为第二桥臂的开关函数，us和is分别为网侧电压和网侧电流；Ls和Rs分别为网侧的等效电感和等效电阻，C为直流侧电容，RL为直流侧负载电阻，udc为直流侧负载两端的电压。
在S2步骤中，本实施例提供的单相PWM整流器的控制方法采用常见的直接功率控制，电流解耦和功率控制需要提取网侧电流is中的有功分量id和无功分量iq，而单相系统只有一个相位，无法通过坐标旋转变换分解出有功分量id和无功分量iq，因此，可以采用二阶广义积分器（SOGI）从单相PWM整流器中提取正弦分量（对应有功分量id）和余弦分量（对应无功分量iq），构造正交虚拟电流分量，实现单相PWM整流器的解耦控制。
结合派克（Park）变换、所述有功电流和所述无功电流，计算得到所述单相PWM整流器功率电路部分的瞬时有功功率和瞬时无功功率：
（3）
其中，P和Q分别为PWM整流器功率电路部分的瞬时有功功率与瞬时无功功率，ud为网侧电压us经过派克变换得到的d轴分量，id为网侧电流is中的有功分量，iq为网侧电流is中的无功分量。该公式为构建瞬时功率估算模块的基础。
进一步的，根据基尔霍夫电压（KVL）定律和派克变换可以得到单相PWM整流器在dq坐标系下的数学模型为：
（4）
其中，uabd、uabq分别为调制波电压经过派克变换得到的d轴分量与q轴分量，ud、uq分
别是网侧电压us经过派克变换得到的d轴分量与q轴分量，为基波角频率。
将式（3）带入式（4）整理得到所述瞬时有功功率和所述瞬时无功功率的微分方程组，所述微分方程组也即为所述单相PWM整流器功率控制器部分的数学模型：
（5）
其中，P和Q分别为PWM整流器功率电路部分的瞬时有功功率与瞬时无功功率，Ls和
Rs分别为网侧的等效电感和电阻，为基波角频率，uabd、uabq分别为调制波电压经过派克变
换得到的d轴分量与q轴分量，Usm为电网电压基波幅值。
在S3步骤中，四阶亚当姆斯方法预测校正的基本公式如式（6）所示：
（6）
其中，f(x,y)为关于x,y的函数表达式，为y(n+1)的预测值，yn+1为y(n+1)的校
正值，经过预测与校正的步骤，可得到函数的数值解，即可认为yn+1 y(n+1)，数值解近似等
于实际值，下标n为第n个数据点，h为计算的步长。
利用所述四阶亚当姆斯（Adams）方法，将PWM整流器功率电路部分进行数字化处理，即将式（2）所示的微分方程组代入通过数值法求解，得到PWM整流器功率电路的数字孪生模型，具体计算公式如式（7）所示：
（7）
其中，is为网侧电流，udc为电容电压，、分别为网侧电流is与电容电压udc在
第n+1点处的预测值，is,n+1、udc,n+1分别为网侧电流与电容电压在第n+1点处的校正值，f1
(is,udc)是网侧电流is的导数表达式，f2(is,udc)是电容电压udc的导数表达式，下标n为第n
个数据点，h为计算的步长。
同样的，利用所述四阶亚当姆斯方法，对所述单相PWM整流器功率控制器部分的数字模型进行数字化处理，也即得到所述单相PWM整流器控制器部分的数字孪生模型，具体计算公式如式（8）所示：
（8）
其中，P和Q分别为PWM整流器功率电路部分的瞬时有功功率与瞬时无功功率，、分别为有功功率P与无功功率Q在第n+1点处的预测值，Pn+1、Qn+1分别为有功功率与无功
功率在第n+1点处的校正值，f3(P,Q)是有功功率导数的函数表达式，f4(P,Q)是无功功率导
数的函数表达式。
此外，控制器部分还包括三个PI（比例-积分）环，同样需要进行数字化处理。以电压电流双闭环为例，其PI控制器的数字化公式如式(9)所示：
（9）
其中，为电容电压udc的参考值，为第n+1个采样点的电容电压udc的参考
值与实际值的差值，为第n+1个采样点的d轴电流参考值，由PI控制环得到，Kp、KI为PI
调节器的比例和积分系数，h为步长。
基于上述步骤，即可构建单相PWM整流器功率电路与单相PWM整流器控制器部分完整的数字化孪生模型。
由于实际单相PWM整流器的电路参数会随着器件老化而产生变化，通过监测器件的参数即可提升系统健康状态管理能力。在本实施的S4步骤中，利用了差分进化方法将上述建立的单相PWM整流器数字孪生模型与实际的单相PWM整流器联系起来，从而实现在线参数辨识。
使用差分进化方法进行优化参数时，首先需要定义一个适应度函数作为个体（在本实施例中的个体表示为随机数集合）优劣的评判标准，此处选择网侧电流is与负载电压udc作为适应度函数的组成元素，由于这两个量是保证系统正常运行所必须测量的量，因此不需要额外增加传感器。适应度函数定义如式(10)：
（10）
其中is,j、udc,j分别为所述PWM整流器数字孪生模型的网侧电流和直流侧电压值，ism,j和udcm,j分别为PWM功率电路部分实际的网侧电流和直流侧电压，N=hn/ts为测量数据的样本大小，其中，h表示步长，n表示第n个数据点，ts为采样周期，将数字孪生模型的输出点数量减小到N，即可通过式（10）计算出每个个体对应的适应度值fobj
差分进化方法（DE）是一种基于种群差异的启发式随机搜索方法，适用于求解多维空间中的整体最优解，它包括四个步骤：初始化、变异、交叉和选择。
在本实施例中，具体搜索方法如下：为所述数字孪生模型中的估计值生成随机数，多个随机数为一个随机数集合，多个随机数集合为一个种群。随机数集合中的随机数经过初始化、变异、交叉操作后得到新的随机数集合，将原随机数集合与新的随机数集合进行适应度对比，选择适应度更低的随机数集合进入下一个种群。通过随机数集合的不断迭代优化和选择，当某个随机数集合的适应度小于适应度函数值，完成PWM整流器中器件的参数辨识。
具体的，假设待辨识器件参数有j个，则数字孪生模型中的估计值也有j个，则随机数也为j，j个所述随机数为一个随机数集合；多个所述随机数集合为一个种群。所述初始化公式为：
（11）
其中，xi,j表示第i个随机数集合中的第j个随机数，表示第j个随机数的下界，
表示第j个随机数的上界，j=4，也即随机数集合中包括4个随机数，分别代表网侧的等效电
感Ls，直流侧电容C，网侧的等效电阻Rs和直流侧负载电阻RL的参数，rand（0,1）为0至1中的
任一值。
在一具体示例中，i=1000。
变异操作包括变异第g代种群中的任一所述随机数集合，得到变异后所述随机数集合为：
（12）
其中、、是从第g代种群中随机选择的3个互不相同的所述随机数
集合，F为变异因子，为变异后的所述随机数集合。
在一具体示例中，F∈[0.4,0.95]。
变异操作完成后，执行交叉操作，具体过程如下：
判断经过变异操作后的任意两个所述随机数集合中的第j个随机数是否需要进行交叉操作，并产生随机数ui,j（g），具体判断过程如式（13）所示：
（13）
其中，xi,j（g）为第g代种群中无需进行交叉操作的第i个随机数集合中的第j个随机数，vi.j（g）为第g代种群中需要进行交叉操作的第i个随机数集合中的第j个随机数，ui,j（g）为第g代种群中经过交叉操作过后的第i个随机数集合中的第j个随机数，CR为交叉概率因子，jrand为随机的一个分量，rand（0，1）为0至1中的任一值。
在一具体示例中，CR∈[0.3,0.9]。
最后，将任一初始随机数集合与经变异和交叉操作后的所述任一初始随机数集合进行适应度对比，选择二者中适应度更小的所述随机数集合进入下一代种群。选择操作的公式为：
（14）
其中，xi（g＋1）为第g＋1代种群中的第i个随机数集合，ui（g）为经过变异和交叉操作后的第g代种群中的第i个随机数集合，xi（g）为未经过变异和交叉操作的第g代种群中的第i个随机数集合，fobj（ui（g））为经过变异和交叉操作后的第g代种群中的第i个随机数集合的适应度函数值，fobj（xi（g））为未经过变异和交叉操作的第g代种群中的第i个随机数集合的适应度函数值。
通过重复以上的操作，不断迭代寻优所述数字孪生模型中待辨识器件的估计值；直至某个估计值的适应度达到预设的精度要求，则输出该估计值，为即实现了单相PWM整流器电路参数的在线辨识。
综上，本实施例通过状态空间平均法，以电感电流和电容电压为状态变量，构建单相PWM整流器功率电路部分的状态空间模型，并建立单相PWM整流器功率控制器部分的数学模型，再通过亚当姆斯方法将单相PWM整流器功率电路部分的状态空间模型和单相PWM整流器功率控制器部分的数字模型进行数字化，得到单相PWM整流器的数字孪生模型，最后，根据所述数字孪生模型的预测输出值和所述单相PWM整流器的实际输出值定义一适应度函数，利用差分进化方法，迭代寻优所述数字孪生模型中待辨识器件的估计值，使得所述适应度函数持续减小；当所述适应度函数小于所述设定阈值时，所述数字孪生模型中待辨识器件的估计值即为所述单相PWM整流器中的待辨识器件的实际值。通过上述的操作步骤，无需额外的传感器，即可完成对于单相PWM整流器中电子元器件全生命周期健康状态的监测，降低了监测成本。
为了验证所提出的方法，在软件中构建了单相PWM整流器的仿真模型，仿真参数的设置如表1所示：
表1
仿真结果如图6~图9（d）所示，其中，图6反映了参数辨识过程中适应性函数fobj逐渐收敛的过程，从图中可看到，大约在40s时方法已收敛，这说明此时数字孪生模型的输出与单相PWM整流器实体输出的差异已达到设定阈值，即可认为此时的数字孪生模型反映了单相PWM整流器实体的内部状态。图7（a）-图7（d）反映了数字孪生模型内部参数收敛的过程，由该图可知，等效电感Ls为5.766mH，电容C为2.034mF，等效电阻Rs为0.148Ω，负载电阻RL为25.037Ω。为验证方法的在线辨识能力，仿真中设置55s等效电感的突变，由5.85mH变为5mH，由该图可知，等效电感Ls变为了4.919mH，电容C、等效电阻Rs、负载电阻RL基本维持不变，证明本实施例提供的方法可快速跟踪单相PWM整流器的变化，且参数辨识能力较高。图8（a）和图8（b）为数字孪生模型的输出与单相PWM整流器实体输出的对比波形图，由图可知，方法收敛后，数字孪生模型的输出与单相PWM整流器的实际输出几乎完全一致。为验证方法的可靠性，重复进行了多次仿真验证，结果如图9（a）-图9（d）所示，由图可知，方法具有较好的稳定性。结合图7（a）-图7（d）中的数据进行计算，可得方法的在线参数辨识精度约为98%，可见，本实施例提供的基于数字孪生的单相PWM整流器在线参数辨识方法的辨识精度较高。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，所述方法包括：
利用状态空间平均建模法，以单相PWM整流器中的电感电流和电容电压为状态变量，构建单相PWM整流器功率电路部分的状态空间模型；
建立所述单相PWM整流器功率控制器部分的数学模型；
利用四阶亚当姆斯法将所述单相PWM整流器功率电路部分的状态空间模型和所述单相PWM整流器功率控制器部分的数学模型进行数字化，得到所述单相PWM整流器的数字孪生模型；
根据所述数字孪生模型的预测输出值和所述单相PWM整流器的实际输出值定义一适应度函数，利用差分进化法，迭代寻优所述数字孪生模型中待辨识器件的估计值，使得适应度函数值持续减小；
当所述适应度函数值小于一设定阈值时，所述数字孪生模型中待辨识器件的估计值即为所述单相PWM整流器中待辨识器件的实际参数。
2.如权利要求1所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，
所述单相PWM整流器功率电路部分包括四个IGBT开关，任意两个所述IGBT开关组成第一桥臂和第二桥臂，根据所述四个IGBT开关的开关状态分别得到两个桥臂的开关函数，并以所述单相PWM整流器中的电感电流和电容电压为状态变量，结合基尔霍夫电压定律公式，构建所述单相PWM整流器功率电路部分的状态空间模型。
3.如权利要求1所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，
利用派克变换，提取所述单相PWM整流器网侧电流的有功电流和无功电流，根据所述有功电流和所述无功电流，计算得到所述单相PWM整流器功率电路部分的瞬时有功功率和瞬时无功功率；
结合基尔霍夫电压定律、派克变换、所述瞬时有功功率和所述瞬时无功功率，得到用于控制所述瞬时有功功率和所述瞬时无功功率的微分方程组，所述微分方程组为所述单相PWM整流器功率控制器部分的数学模型。
4.如权利要求1所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，
利用所述四阶亚当姆斯方法，将所述状态空间模型中的电感电流和电容电压进行数字化处理，得到所述单相PWM整流器功率电路部分的数字孪生模型。
5.如权利要求4所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，
利用所述四阶亚当姆斯方法，对所述单相PWM整流器功率控制器部分的数字模型进行数字化处理，得到所述单相PWM整流器功率控制器部分的数字孪生模型。
6.如权利要求1所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，
所述适应度函数为：；
其中，is,j、udc,j分别为数字孪生模型中的网侧电流和直流侧电压值，ism,j和udcm,j分别为所述单相PWM功率电路部分实际的网侧电流和直流侧电压，N=hn/ts，为测量数据的样本大小，其中，h为数字孪生模型中的计算步长，n为第n个数据点，ts为采样周期。
7.如权利要求6所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，所述差分进化法包括：
使用初始化公式为每一个所述待辨识器件的估计值分配一随机数；
多个所述随机数为一个随机数集合；一代种群中包括多个所述随机数集合；
所述初始化公式为：；
其中，xi,j表示第i个随机数集合中的第j个随机数，表示第j个随机数的下界，/>表示第j个随机数上界，j=4，也即随机数集合中包括4个随机数，分别为网侧等效电感，直流侧电容，网侧等效电阻以及直流侧负载电阻的参数估计值，rand（0,1）为0至1中的任一值。
8.如权利要求7所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，所述差分进化法还包括：
变异种群中的任一随机数集合，得到新的随机数集合为：；
其中，、/>、/>是从第g代种群中随机选择的3个互不相同的所述随机数集合，F为变异因子，/>为经变异操作后的随机数集合。
9.如权利要求8所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，所述差分进化法还包括：
判断经过变异操作后的任意两个随机数集合中的第j个随机数是否需要进行交叉，并产生新的随机数ui,j（g）：
；
其中，xi,j（g）为第g代种群中无需进行交叉操作的第i个随机数集合中的第j个随机数，vi.j（g）为第g代种群中需要进行交叉操作的第i个随机数集合中的第j个随机数，ui,j（g）为第g代种群中经交叉操作后的第i个随机数集合中的第j个随机数，CR为交叉概率因子，jrand为随机的一个分量，rand（0，1）为0至1中的任一值。
10.如权利要求9所述的基于数字孪生的单相PWM整流器在线参数辨识方法，其特征在于，所述差分进化法还包括：
将任一随机数集合与经变异操作和交叉操作后的任一随机数集合进行适应度对比，选择二者中适应度更小的所述随机数集合进入下一代种群；
选择操作的公式为：；
其中，xi（g＋1）为第g＋1代种群中的第i个随机数集合，ui（g）为经过变异和交叉操作后的第g代种群中的第i个随机数集合，xi（g）为未经过变异和交叉操作的第g代种群中的第i个随机数集合，fobj（ui（g））为经过变异和交叉操作后的第g代种群中的第i个随机数集合的适应度函数值，fobj（xi（g））为未经过变异和交叉操作的第g代种群中的第i个随机数集合的适应度函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424550.XA CN118013239A (zh) | 2024-04-10 | 2024-04-10 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424550.XA CN118013239A (zh) | 2024-04-10 | 2024-04-10 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118013239A true CN118013239A (zh) | 2024-05-10 |
Family
ID=90948907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410424550.XA Pending CN118013239A (zh) | 2024-04-10 | 2024-04-10 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013239A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
| CN113792453A (zh) * | 2021-08-26 | 2021-12-14 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
| CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
| CN116205026A (zh) * | 2022-12-07 | 2023-06-02 | 国网江苏省电力有限公司经济技术研究院 | 一种直流输电系统模型校验方法 |
| CN117131828A (zh) * | 2023-07-12 | 2023-11-28 | 合肥工业大学 | 一种升压变换器无源参数的数字孪生辨识方法 |
-
2024
- 2024-04-10 CN CN202410424550.XA patent/CN118013239A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
| CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
| CN113792453A (zh) * | 2021-08-26 | 2021-12-14 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
| CN116205026A (zh) * | 2022-12-07 | 2023-06-02 | 国网江苏省电力有限公司经济技术研究院 | 一种直流输电系统模型校验方法 |
| CN117131828A (zh) * | 2023-07-12 | 2023-11-28 | 合肥工业大学 | 一种升压变换器无源参数的数字孪生辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| W YANG等: "An Online Condition Monitoring Method of Single-Phase PWM Rectifier Based on Digital Twin", 《EDITORSCONFERENCE PROCEEDINGS OF 2021 INTERNATIONAL JOINT CONFERENCE ON ENERGY, ELECTRICAL AND POWER ENGINEERING》, 3 September 2022 (2022-09-03), pages 723 - 733 * |
| 孔祥勇: "《启发式优化算法在几类典型优化问题中的应用》", 31 January 2021, 中国矿业大学出版社, pages: 133 - 135 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107147120B (zh) | 有源电力滤波器rbf双神经网络自适应滑模控制方法 | |
| Zhang et al. | Direct grid‐side current model predictive control for grid‐connected inverter with LCL filter | |
| Dang et al. | Cost function‐based modulation scheme of model predictive control for VIENNA rectifier | |
| Sujith et al. | Optimization of harmonics with active power filter based on ADALINE neural network | |
| Prince et al. | Power quality enhancement in a distribution network using PSO assisted Kalman filter—Based shunt active power filter | |
| CN112186791B (zh) | 储能变换器有限控制集模型预测控制方法 | |
| CN112310991B (zh) | 基于扰动观测的储能变换器改进有限集模型预测控制方法 | |
| CN111614282A (zh) | 矢量扇区定位方法、局部寻优模型预测控制方法及装置 | |
| CN110429839B (zh) | 一种三相电压型pwm整流器的分数阶建模方法 | |
| Xia et al. | A learning-based method for speed sensor fault diagnosis of induction motor drive systems | |
| Hwang et al. | A new modelling framework for power supply networks with converter based loads and generators-the Harmonic State-Space | |
| Nahalparvari et al. | DC-side impedance estimation of a modular multilevel converter through system identification of a partially black-boxed control system | |
| CN112803461B (zh) | 基于扩展状态观测器的电池储能变换器自抗扰控制方法 | |
| Deng et al. | A high-accuracy-light-AI data-driven diagnosis method for open-circuit faults in single-phase PWM rectifiers | |
| Lee et al. | High performance current controller for sparse matrix converter based on model predictive control | |
| Yue et al. | Dynamic state estimation enabled health indicator for parametric fault detection in switching power converters | |
| CN118013239A (zh) | 基于数字孪生的单相pwm整流器在线参数辨识方法 | |
| CN117010192A (zh) | 一种单相多变流器并网系统的siso等效阻抗建模方法及系统 | |
| Muneer et al. | Optimal machine-learning-based controller for shunt active power filter by auto machine learning | |
| Gong et al. | Fault diagnosis of micro grid inverter based on wavelet transform and probabilistic neural network | |
| Faete Filho et al. | Real time selective harmonic minimization for multilevel inverters using genetic algorithm and artificial neural network angle generation | |
| Jia et al. | Voltage fluctuation based monitoring scheme of submodule capacitors in modular multilevel converter | |
| Bayhan et al. | A current sensorless control method for multi‐level active front‐end rectifiers with LCL filter | |
| CN110244567B (zh) | 一种基于扩展瞬时无功理论的快速模型预测控制方法 | |
| Qiu et al. | An Intelligent Stability Prediction Method of Grid-Connected Inverter Considering Time-varying Parameters |
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 |