一种基于PGNN的双有源桥变换器调节方法及装置与流程
本技术涉及电力电子,尤其涉及一种基于pgnn的双有源桥变换器调节方法及装置。
背景技术:
1、双有源桥(dual active bridge, dab)变换器因其双向功率传输、电气隔离和宽电压增益范围等优点,广泛应用于电动汽车、储能系统和直流微电网等领域。为提升变换器效率,通常采用移相控制结合频率调节的方式使功率器件实现零电压开关(zero voltageswitching, zvs)。精确预测zvs边界和变换器损耗是实现效率优化的前提。
2、现有方法多采用纯物理引导神经网络(physics-guided neural network, pgnn)或纯数据驱动模型,前者忽略死区、寄生参数等非理想因素,后者缺乏物理约束,仅采用单一种类模型令移相值的预测精度较低;对于变换器损耗没有进行分区预测,在zvs边界处因开关损耗突变容易产生预测误差,损耗值的预测精度不高,影响双有源桥变换器的控制精度。
技术实现思路
1、为了解决上述问题,第一方面,本发明提供了一种基于pgnn的双有源桥变换器调节方法,包括:
2、通过仿真模拟和实验采集获得目标双有源桥变换器的训练工况数据集合、标签移相值和标签损耗值,训练工况数据集合包括原边电压、副边电压、变压器匝数比、输出电流、开关频率、输出移相值、理论移相值、理论损耗值;
3、构建初始zvs边界pgnn模型,通过原边电压、副边电压、输出电流、理论移相值和标签移相值,对初始zvs边界pgnn模型进行迭代优化,迭代优化完成后获得最终zvs边界pgnn模型和样本预测移相值;
4、根据原边电压、副边电压、变压器匝数比、输出移相值和样本预测移相值对理论损耗值进行分区域处理,获得全zvs理论损耗值、原边zvs丢失理论损耗值和副边zvs丢失理论损耗值;
5、构建初始dab损耗pgnn模型,通过原边电压、变压器匝数比、副边电压、开关频率、输出移相值、全zvs理论损耗值、原边zvs丢失理论损耗值、副边zvs丢失理论损耗值和标签损耗值,对初始dab损耗pgnn模型进行迭代优化,迭代优化完成后获得最终dab损耗pgnn模型;
6、由最终zvs边界pgnn模型和最终dab损耗pgnn模型组成综合损耗预测模型,获取实际工况数据集合,将实际工况数据集合输入综合损耗预测模型进行损耗预测,获得运行过程损耗预测值,根据运行过程损耗预测值对目标双有源桥变换器进行运行调节。
7、在一实施例中,初始dab损耗pgnn模型包括全zvs损耗模型、原边zvs损耗模型和副边zvs损耗模型;
8、初始zvs边界pgnn模型、全zvs损耗模型、原边zvs损耗模型和副边zvs损耗模型,均由输入层、隐藏层、物理引导层和输出层构成。
9、在一实施例中,初始zvs边界pgnn模型的迭代优化过程包括:
10、将原边电压、副边电压、输出电流和理论移相值作为边界特征向量;
11、将边界特征向量输入初始zvs边界pgnn模型,隐藏层根据边界特征向量生成边界偏差量,理论移相值经过物理引导层的映射后与边界偏差量相加,获得样本预测移相值;
12、根据样本预测移相值和标签移相值计算获得边界数据驱动损失,根据样本预测移相值和理论移相值计算获得边界物理引导损失,将边界数据驱动损失和边界物理引导损失进行加权相加获得边界总损失;
13、通过adam优化器对初始zvs边界pgnn模型进行迭代参数优化,直至边界总损失收敛于对应的预设阈值,输出最终zvs边界pgnn模型。
14、在一实施例中,根据样本预测移相值和理论移相值计算获得边界物理引导损失,包括:
15、设置最大物理极限移相值,将理论移相值与最大物理极限移相值相加获得移相值物理上限;
16、将理论移相值与样本预测移相值的差值输入relu函数计算获得第一函数值,将样本预测移相值与移相值物理上限的差值输入relu函数计算获得第二函数值;
17、将第一函数值和第二函数加权相加获得样本对应的物理惩罚项,将所有样本的物理惩罚项进行求和平均,获得边界物理引导损失。
18、在一实施例中,分区域处理包括:
19、根据原边电压、副边电压和变压器匝数比计算获得电压增益;
20、当输出移相值≥样本预测移相值时,通过原边关断损耗和副边关断损耗对理论损耗值进行修正,获得全zvs理论损耗值;
21、当输出移相值<样本预测移相值,且电压增益>1时,通过原边开通关断损耗和副边关断损耗对理论损耗值进行修正,获得原边zvs丢失理论损耗值;
22、当输出移相值<样本预测移相值,且电压增益<1时,通过原边关断损耗和副边开通关断损耗对理论损耗值进行修正,获得副边zvs丢失理论损耗值。
23、在一实施例中,初始dab损耗pgnn模型的迭代优化过程包括:
24、将原边电压、变压器匝数比、副边电压、开关频率和输出移相值作为工况特征向量,由工况特征向量和全zvs理论损耗值组成第一损耗特征向量,由工况特征向量和原边zvs丢失理论损耗值组成第二损耗特征向量,由工况特征向量和副边zvs丢失理论损耗值组成第三损耗特征向量;
25、将第一损耗特征向量输入全zvs损耗模型,隐藏层根据第一损耗特征向量生成第一损耗偏差量,全zvs理论损耗值经过物理引导层的映射后与第一损耗偏差量相加,获得第一训练过程损耗预测值;
26、根据第一训练过程损耗预测值和标签损耗值计算获得第一损耗数据驱动损失,根据第一训练过程损耗预测值和全zvs理论损耗值计算获得第一损耗物理引导损失,将第一损耗数据驱动损失和第一损耗物理引导损失加权相加获得第一损耗总损失;
27、将第二损耗特征向量输入原边zvs损耗模型,将第三损耗特征向量输入副边zvs损耗模型,采用与全zvs损耗模型相同的计算过程,分别获得第二损耗总损失和第三损耗总损失;
28、通过adam优化器对初始dab损耗pgnn模型进行迭代参数优化,直至第一损耗总损失、第二损耗总损失和第三损耗总损失均收敛于对应的预设阈值,获得最终dab损耗pgnn模型。
29、在一实施例中,将实际工况数据集合输入综合损耗预测模型进行损耗预测,获得运行过程损耗预测值,包括:
30、将实际工况数据集合输入最终zvs边界pgnn模型进行移相值预测,获得实际预测移相值;
31、根据实际预测移相值进行区域判断,获得区域类型,区域类型包括全zvs区域、原边zvs丢失区域和副边zvs丢失区域;
32、将实际工况数据集合输入最终dab损耗pgnn模型,最终dab损耗pgnn模型包括全zvs损耗模型、原边zvs损耗模型和副边zvs损耗模型;当区域类型为全zvs区域时,通过全zvs损耗模型进行损耗预测;当区域类型为原边zvs丢失区域时,通过原边zvs损耗模型进行损耗预测;当区域类型为副边zvs丢失区域时,通过副边zvs损耗模型进行损耗预测;输出运行过程损耗预测值。
33、第二方面,本发明提供了一种基于pgnn的双有源桥变换器调节装置,用于实现所述的基于pgnn的双有源桥变换器调节方法,所述装置包括:
34、训练数据获取模块,用于通过仿真模拟和实验采集获得目标双有源桥变换器的训练工况数据集合、标签移相值和标签损耗值,训练工况数据集合包括原边电压、副边电压、变压器匝数比、输出电流、开关频率、输出移相值、理论移相值、理论损耗值;
35、zvs边界pgnn模型训练模块,用于构建初始zvs边界pgnn模型,通过原边电压、副边电压、输出电流、理论移相值和标签移相值,对初始zvs边界pgnn模型进行迭代优化,迭代优化完成后获得最终zvs边界pgnn模型和样本预测移相值;
36、分区域处理模块,用于根据原边电压、副边电压、变压器匝数比、输出移相值和样本预测移相值对理论损耗值进行分区域处理,获得全zvs理论损耗值、原边zvs丢失理论损耗值和副边zvs丢失理论损耗值;
37、dab损耗pgnn模型训练模块,用于构建初始dab损耗pgnn模型,通过原边电压、变压器匝数比、副边电压、开关频率、输出移相值、全zvs理论损耗值、原边zvs丢失理论损耗值、副边zvs丢失理论损耗值和标签损耗值,对初始dab损耗pgnn模型进行迭代优化,迭代优化完成后获得最终dab损耗pgnn模型;
38、dab运行调节模块,用于由最终zvs边界pgnn模型和最终dab损耗pgnn模型组成综合损耗预测模型,获取实际工况数据集合,将实际工况数据集合输入综合损耗预测模型进行损耗预测,获得运行过程损耗预测值,根据运行过程损耗预测值对目标双有源桥变换器进行运行调节。
39、第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于pgnn的双有源桥变换器调节方法。
40、第四方面,本发明提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于pgnn的双有源桥变换器调节方法。
41、本发明具有以下有益效果:
42、1、通过构建包含物理引导层的zvs边界pgnn模型和dab损耗pgnn模型,zvs边界pgnn模型通过物理引导层将理论移相值作为恒等映射旁路,神经网络仅学习死区、寄生参数等非理想因素引起的残差偏差,两者结合提高了移相值的预测精度;通过预测移相值对理论损耗值进行分区域处理,dab损耗pgnn模型根据分区域结果调用对应的子模型进行损耗值预测,克服了传统单一模型在zvs边界处因开关损耗突变而产生的预测误差,提高了损耗值的预测精度,从而根据预测损耗值进行dab的高精度控制。
43、2、zvs边界pgnn模型中的隐藏层仅需学习实际zvs边界与理论边界的微小偏差量,而物理引导层以无参数恒等映射将理论移相值直接传递至输出层,模型训练初期即逼近物理理论解,显著加速收敛并提升稀疏样本下的泛化能力;针对死区效应和硬件极限设计了非对称物理惩罚机制,将理论移相值作为物理下界,将基于最高频率与死区时间推算的最大物理极限移相值作为弹性上界,形成弹性墙,使模型预测值既不低于理论值,又不过度超出物理上限,从而精确补偿寄生参数等非理想因素带来的偏差,显著提高了移相值的预测精度。
44、3、dab损耗pgnn模型包括全zvs、原边zvs丢失和副边zvs丢失三个独立的子网络,并分别为每个子网络构造由工况特征向量与对应区域理论损耗值组成的损耗特征向量,使物理先验作为额外输入而非仅作为损失约束;每个子网络独立采用包括隐藏层和物理引导层的残差结构,以及数据驱动损失加物理引导损失的复合损失函数,从而实现了对损耗模型在zvs边界跳变处的精确分区建模,有效克服了单一物理模型在软硬开关过渡区精度差、纯数据模型在稀疏区域易过拟合的问题,显著提高了损耗值的预测精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com