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。
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: