CN119416677A 适应多工作点的并网逆变器灰箱阻抗辨识方法及装置 （湖南大学）

适应多工作点的并网逆变器灰箱阻抗辨识本申请提供了一种适应多工作点的并网逆双环控制的控制方案确定并网逆变器考虑频率经网络分别代替第一非线性函数关系和第二非算并网逆变器考虑频率耦合特征的正序阻抗幅2基于包含双环控制的控制方案，确定并网逆变器考虑频率耦合基于所述序阻抗解析表达式提取并网逆变器阻抗解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频向采用双环控制结构但控制参数未知的灰箱并网逆变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练所述第一神经网络和所述第二神基于所述第一数据集和所述第二数据集分别对所述第一神经网络和所述第二神经网变器阻抗解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频率耦合特征的导纳矩阵的第二非线性函数关基于所述序阻抗解析表达式提取并网逆变器任一相输出端式中eapuf]为施加正序扰动频率f,后并网逆变器端口a相电压的频率分量，为施加正序扰动频率f,后并网逆变器端口a相电压的耦合分量的频率分量，的正序扰动频率f,处和负序耦合频率f2处的频率分量；基于所述序阻抗解析表达式提取任一相频域下的主电路方程和导结合所述主电路方程、所述第一非线性函数关系以及所述导纳矩阵模型进行矩阵计3eap[±f]为施加正序扰动频率f,后并网逆变器端口a相电压的在正序扰动频率f,处的频率分量，eapz[土f2]为施加正序扰动频率f,后并网逆变器端口a相电压的l,p1,v1)是与sz、ss、I1频电压幅值、基波电流初相角代表工作点，vn和vpz分别为正序频率扰动电压向量和负序耦合响应电压向量；I,和IPZ分别为正序频率扰动电流向量和负序耦合响应电流向将并网逆变器端口任一相输出电压的传递函数表示为两个多项式相除母多项式和分子多项式的最高次幂确定所述隐藏层的并网逆变器任一相输出端口电压与A;(i=1,2,3,4)、B:(i=1,2,3,4)、v,、Vpz、I,、IPZ呈4使用前馈神经网络代替所述第二非线性函数关系，应用隐藏基于所述序阻抗解析表达式进行简单编程获得正序阻抗的幅值和相角灰箱并网逆变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分根据避免并网逆变器过载且满足电力系统稳定运行的要求，确定并网逆在并网逆变器PCC点注入频率为正序扰动频率的正序扰动电压，测量输出端口响应的在采用双环控制结构但控制参数未知的灰箱并网逆变器仿真模型PCC点注入包括多个网络的标签数据：经过滤波处理的并网逆变器端口任一相电压的m个频率分量eap(s)和耦动频率下计算出的电网侧阻抗，所述第二神经网络输出的m组代表第一非线性关系的系数m个正序频率扰动电流IP、电压vn计算得到的并网逆变器考虑频率耦合特征的正序阻抗幅值znmag(s)和相角zppha(s)。将所述第一数据集中的输入数据输入所述第一神经网络进行模型训练5根据所述预测标签数据与所述第一数据集中的标签数据计算第一损失如果不满足第一训练结束条件，则返回所述将所述将所述第二数据集中的输入数据输入所述第二神经网络进行模型训练根据所述预测标签数据与所述第二数据集中的标签数据计算第二损失如果不满足第二训练结束条件，则返回所述将所述序阻抗解析单元，用于基于包含双环控制的控制方案，非线性关系确定单元，用于基于所述序阻抗解析表达式提取并网逆中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频率耦合特征的导纳矩阵的第二非数据收集单元，用于向采用双环控制结构但控制参数未知的灰的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练所述第一神经灰箱阻抗辨识单元，用于基于所述第一数据集和所述第二数算并网逆变器考虑频率耦合特征的正序阻抗9.一种电子设备，包括存储器、处理器及存储在机程序被处理器执行时实现如权利要求1_7中任一项所述的一种适应多工作点的并网逆变6[0005]本发明实施例的主要目的在于提供一种适应多工作点的并网逆变器灰箱阻抗辨基于包含双环控制的控制方案，确定并网逆变器考虑频率耦合特征的序阻抗解析表达式；基于序阻抗解析表达式提取并网逆变器阻抗解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频率耦合特征的导纳矩阵的第二非线性函数关系；利用前馈神经网络挖掘并代替第一非线性函数关7并网逆变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用抗解析表达式提取并网逆变器任一相输出端eap[f]为施加正序扰动频率fp后并网逆变器端口a相电压的频率分量，epz[f]为施加正序扰动频率f,后并网逆变器端口a相电压的耦合分量的频率分量，s=j2Tf,，j表示虚数单位，f为基频频率，fn=f,-2fi为耦合频率分量，kpwm为PWM调制系数模拟了采样延时，为采样周期，、分别为并网逆变器在静止坐标系下的相调制信f,处和负序耦合频率处的频率分量；对并网逆变器任一二非线性函数关系。[0008]在另一个可能的实现方式中，利用前馈神经网络挖掘并代替第一非线性函数关式中为施加正序扰动频率fp后并网逆变器端口a相电压的在正序扰动耦合分量在负序耦合频率fn8l,p1,v1)~B4(s2,s3,l,p1,v1)是与sz、s:压幅值、基波电流初相角代表工作点，vn和vpz分别为正序频率扰动电压向量和负[0009]在另一个可能的实现方式中，利用前馈神经网络挖掘并代替第二非线性函数关值的工作点下的并网逆变器宽频导纳矩阵各元素；基于序阻抗解析表达式进行简单编和相角中均方差的平均值为第二神经网络训练变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练正序电流，计算正序扰动电压与正序电流的比值得到并网逆变器在正序扰动频率的阻抗；在采用双环控制结构但控制参数未知的灰箱并网逆变器仿真模型PCC点注入包括多个频率9经过滤波处理的并网逆变器端口任一相电压的m个频率分量eap(s)和耦合分量的m个频率神经网络输出的m组代表第一非线性关系的系数A;(i=1,2,3,4)和B:(i=1,2,3,4)，以及并网逆变器考虑频率耦合特征的正序阻抗幅值znmag(s)和相角zppha(s)。第一神经网络进行模型训练的步骤，否则输出第一神经网络输出的第一非线性关系的系解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练值和相角。机程序被处理器执行时实现如第一方面提供的一种适应多工作点的并网逆变器灰箱阻抗[0017]图1为本发明一个实施例提供的适应多工作点的并网逆变器灰箱阻抗辨识方法的图2为本发明实施例中的并网系统结构与对应的并网逆变器双环控制结构示意图7为本发明实施例中的从并网逆变器灰箱阻抗模型的构建到进行并网逆变器多图8为本发明另一个实施例提供的一种适应多工作点的并网逆变器灰箱阻抗辨识[0021]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述[0022]如图1所示为本发明一个实施例提供的一种适应多工作点的并网逆变器灰箱阻抗[0024]步骤S12，基于序阻抗解析表达式提取并网逆变器阻抗解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频率耦合特征的导纳矩阵的第二非线性[0026]步骤S14，向采用双环控制结构但控制参数未知的灰箱并网逆变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练第一神经网络和第[0027]步骤S15，基于第一数据集和第二数据集分别对第一神经网络和第二神经网络进发明实施例的适应多工作点的并网逆变器灰箱阻抗辨识方法将具有强大非线性关系拟合网点电流lasc在同步旋转坐标系下的d轴和q轴分量，ua和ua分别为并网逆变器并网点电、fp和分别为基频频率、正序扰动频率和负序耦合频率；pvp和pvp2分别为正序扰扰动电流的初相角。式中各频率分量用粗体表示，且v,-尝序电流分量的影响，非对角元素y1z(s)和y1(s)反映的是电压扰动对耦合电流分量的影将d轴电流参考值视为常数，获取并网逆变器任一相输出端口电压的频域方程及式中，iarer为电流内环的d轴电流参考值，Vsc为输入电压，H,(s)为电压外环PI令f2=fp-2f1，s=j2fp，式中为施加正序扰动频率f,后并网逆变器端口a相电压的正序扰动频率a相调制信号的正序扰动频率f,处和负序耦合频率处的频率分量。[0038]根据并网逆变器输出端口电压和PCC点电压、电流的关系和并网逆变器端口任一[0039]根据导纳矩阵和主电路方程进行矩阵计算获得并网逆变器考虑频率耦合特征的纳矩阵模型中的耦合项折算到非耦合项中，使单输入多输出系统简化为单输入单输出系zn=z$(-s)（19）在步骤S12中，基于序阻抗解析表达式提取并网逆变器任一相输出端口电压的频式中为施加正序扰动频率f,后并网逆变器端口a相电压的在正序扰动式中C,0~G4()是由第一非线性函数中的~A4、B1~B4与S组成的非线性函性步骤1，使用前馈神经网络FNN代替第一非线性函数关系，FNN的输出为多个频率点处的据分母多项式和分子多项式的最高次幂确定隐藏层的神经元数量。将并网逆变器端口相式中a;(i=1,2.…n)和Br(k=1,2.…m)分别为分母和分子多项式的各项系数，n项式中每项的非线性关系，神经元数量N应满足N≥(m+1)+(n+1)=m+n+2，I,端口的电压，根据计算值与实测值之间的均方差，选取f,和f2中的均方差的平均值作为fios=mean(MSE(eap[sl',eapIsl),MSE(eapz[sl",eapa[sl)}（25）fos1为第一神经网络训练时的损失函数。[0050]根据式（21）可以看出用FNN代替的非线性计算过程的输入与输出的映射是强相电流与其初始相角；在选择范围内选取N个工作点。对于并网逆变器的并网系统，工作点会发生改变。为了避免并网逆变器过载并且满足电力系统稳定运行要求，可以将工作点设置在以下范围内：[0051]然后在并网逆变器PCC点注入频率为正序扰动频率的正序扰动电压，测量端口响本发明实施例的第一神经网络和第二神经网络替代的非线性过程与代表的物理灰箱并网逆变器仿真模型PCC点注入扰动电压向量，进行频率扫描，扫描的频率点为f集。逆变器端口任一相电压的m个频率分量eap(s)和耦合分量的m个频率分量；并将mx12的数据。个正序频率扰动电流向量IP、扰动电压向量计算得到的并网逆变器考虑频率耦合特征的正序阻抗幅值znmag(s)和相角zppha(s)。因此，每个工作点下的第二数据集包含了维据集1中的N1组数据应用于第一神经网络，可获得在多工作点下代表非线性关系的系数络输出的A;(i=1,2,3,4)和B:(i=1,2,3,4)，代入式（20）获得预测标签数据eap[s]"和则输出第一神经网络输出的第一非线性关系的系数A;(i=1,2,3,4)和B:(i=1,2,3,4)。系的系数A;(i=1,2,3,4)、B:(i=1,2,3,4)以及数据集2中的N1组数据应用于步骤S3所构二数据集中的标签数据计算第二损失函数，并判断是否满足第二训练结束条件。具体将znmaglisl"和znpnals]"、znmoplsl和znpnalsl代入式（27）计算第二损失函数，判断误变器灰箱阻抗模型，并计算并网逆变器考虑频率耦合特征的正序阻抗幅值znmoplsl"和。[0058]具体推导过程参见前面步骤S11的具体内容，最终得到的并网逆变器考虑频率耦[0065]步骤105：对处于工作点n的采用双环控制结构但控制参数未知的灰箱并网逆变1PP2[0078]应用第二数据集中的N1组数据以及第一神经网络输出的Ai与Bi(i=1,2,3,4)对第[0080]根据第一数据集和第二数据集中的N2组数据对训练好的第一神经网络和第二神算并网逆变器考虑频率耦合特征的正序阻抗幅值和[0085]以上仅为本发明的较佳实施例而已，所选用的FNN可用其他效果更好的神经网络[0086]本发明实施例的适应多工作点的并网逆变器灰箱阻抗辨识方法将具有强大非线表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并具有N组数据的分别用于训练第一神经网络和第二神经网络所需要的第一数据集和第二数[0088]如图8所示为本发明一个实施例提供的一种适应多工作点的并网逆变器灰箱阻抗非线性关系确定单元802，用于基于序阻抗解析表达式提取并网逆变器阻抗解析模型中的用于表征并网逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器考虑频率耦合特征的导纳矩阵的第二数据收集单元804，用于向采用双环控制结构但控制参数未知的灰箱并网逆变器仿真模型的并网点注入电压扰动并进行数据采集，获取具有N组数据的分别用于训练第一神经网络和第二神经网络所需要的第一数据集和第二灰箱阻抗辨识单元805，用于基于第一数据集和第二数据集分别对第一神经网络以调用存储器中的逻辑指令，以执行一种适应多工作点的并网逆变器灰箱阻抗辨识方法。逆变器任一相输出端口电压的频域表达式的第一非线性函数关系和用于表征并网逆变器数未知的灰箱并网逆变器