一种利用控制器信息的神经网络阻抗建模方法

本发明涉及一种神经网络阻抗建模方法，具体涉及一种利用控制器信息的神经网络阻抗建模方法。

背景技术：

1、基于阻抗的分析方法是研究电网-变流器交互的宽频稳定性问题的重要工具，传统的阻抗建模需要获取全部控制结构、参数等信息，面对参数未知的黑/灰模型，实际阻抗获取只能通过扫频测量，神经网络可以通过训练模拟多工作点下的阻抗模型，阻抗建模的准确性是稳定性分析的重要前提，但现有基于神经网络的变流器阻抗拟合方法没有考虑控制器信息，采用黑/灰盒模型，精度低，需要的数据量大。

2、实际产商生产设备时，控制器信号可以被测量，利用控制器信息，增加神经网络输入输出数据之间的关联性，可以提高神经网络阻抗建模方法的精度。目前，如何在神经网络阻抗建模中利用控制器信息尚未有技术方案。

技术实现思路

1、针对现有基于神经网络的变流器阻抗拟合方法精度低的问题，本发明提供了一种利用控制器信息的神经网络阻抗建模方法。

2、本发明的目的是通过以下技术方案实现的：

3、一种利用控制器信息的神经网络阻抗建模方法，包括如下步骤：

4、步骤1、控制信息建模

5、步骤11、获取电压源变流器的序阻抗zpn

6、序阻抗zpn的计算公式为：

7、

8、式中，ip1、in1为第一组扫频时获取的电流，vp1、vn1为第一组扫频时获取的电压；ip2、in2为第二组扫频时获取的电流，vp2、vn2为第二组扫频时获取的电压；zpp为正序电流对应的正序电压传递函数，zpn为负序电流对应的正序电压传递函数，znp为正序电流对应的负序电压传递函数，znn为负序电流对应的负序电压传递函数；

9、步骤12、获取控制器信息cvpn和cipn

10、控制信息cvpn和cipn定义为：

11、

12、式中，cp1、cn1为第一组扫频时获取的控制调制波，vp1、vn1为第一组扫频时获取的电压；cp2、cn2为第二组扫频时获取的控制调制波，vp2、vn2为第二组扫频时获取的电压；cvpp为正序电压对应的正序控制调制波传递函数，cvpn为负序电压对应的正序控制调制波传递函数，cvnp为正序电压对应的负序控制调制波传递函数，cvnn为负序电压对应的负序控制调制波传递函数；

13、

14、式中，cipp为正序电流对应的正序控制调制波传递函数，cipn为负序电流对应的正序控制调制波传递函数，cinp为正序电流对应的负序控制调制波传递函数，cinn为负序电流对应的负序控制调制波传递函数；

15、控制信息cvpn提取出控制调制波cacabc与三相电压uacabc的传递函数，控制信息cipn提取出控制调制波cacabc与三相电流iacabc的传递函数；

16、步骤2、控制器信息神经网络训练

17、第一阶段训练：神经网络为5输入16输出系统，输入为频率f、d轴电压vd、q轴电压vq、d轴电流id、q轴电流iq，输出为控制信息cvpp、cvpn、cvnp、cvnn、cipp、cipn、cinp、cinn的幅值和相角；

18、第二阶段训练：神经网络为21输入8输出系统，第一阶段训练出的控制器信息cvpn和cipn的训练结果与频率f、d轴电压vd、q轴电压vq、d轴电流id、q轴电流iq共同作为第二阶段神经网络的输入，输出为序阻抗zpp、zpn、znp、znn的幅值和相角。

19、相比于现有技术，本发明具有如下优点：

20、1、本发明提出的控制信息相比于频率f、工作点(d轴电压vd,q轴电压vq,d轴电流id,q轴电流iq)，与阻抗特性有更加密切的联系，能够优化神经网络输入数据。

21、2、本发明考虑了使用神经网络阻抗建模中存在的控制信息，将控制信息引入到阻抗建模过程中，能够提高神经网络建模的准确性。

技术特征：

1.一种利用控制器信息的神经网络阻抗建模方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的利用控制器信息的神经网络阻抗建模方法，其特征在于所述步骤1中，获取控制器信息cvpn、cipn与序阻抗zpn的具体步骤为：

技术总结
本发明公开了一种利用控制器信息的神经网络阻抗建模方法，所述方法如下：步骤1、获取Z<subgt;pn</subgt;、CV<subgt;pn</subgt;和CI<subgt;pn</subgt;；步骤2、第一阶段训练：输入为频率f、d轴电压V<subgt;d</subgt;、q轴电压V<subgt;q</subgt;、d轴电流I<subgt;d</subgt;、q轴电流I<subgt;q</subgt;，输出为控制信息CV<subgt;pp</subgt;、CV<subgt;pn</subgt;、CV<subgt;np</subgt;、CV<subgt;nn</subgt;、CI<subgt;pp</subgt;、CI<subgt;pn</subgt;、CI<subgt;np</subgt;、CI<subgt;nn</subgt;的幅值和相角；第二阶段训练：第一阶段训练出的控制器信息CV<subgt;pn</subgt;和CI<subgt;pn</subgt;的训练结果与频率f、d轴电压V<subgt;d</subgt;、q轴电压V<subgt;q</subgt;、d轴电流I<subgt;d</subgt;、q轴电流I<subgt;q</subgt;共同作为第二阶段神经网络的输入，输出为序阻抗Z<subgt;pp</subgt;、Z<subgt;pn</subgt;、Z<subgt;np</subgt;、Z<subgt;nn</subgt;的幅值和相角。本发明将控制信息引入到阻抗建模过程中，能够提高神经网络建模的准确性。

技术研发人员：教煐宗,郑旭辉,李彬彬,徐殿国
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/1/16