基于DSP双闭环的逆变器及其补偿方法与流程

基于dsp双闭环的逆变器及其补偿方法
技术领域
1.本技术涉及逆变器的领域，且更为具体地，涉及一种基于dsp双闭环的逆变器及其补偿方法。


背景技术：

2.目前，人类使用化学燃料已经为人类的生存环境带来了严重的后果，由于大量的使用化石能源，全球每年产生1亿吨温室效应气体，已经造成极为严重的大气污染，同时使得地球表面气温每年上升，南北极的冰山融化，海平面上升，四分之一的人类生活空间面临极大的威胁。
3.化学燃料是一次性燃料，如不解决替代能源,人类将面临燃料枯竭的危险局面；太阳能作为新型的绿色可再生能源，储量巨大，取之不尽的可再生能源，因此太阳能光伏发电产业成了世界各国发展的重点，而逆变电源是光伏产业中最为核心的组件。传统的逆变电源是把来是自太阳能电池板的直流电能，变成同频同相的交流电源，直接负载用电，或并入电网。
4.在12v
‑‑‑
18v的直流电压的逆变电源中，普遍使用高频变压器推换方式升压成直流360v左右的直流电，再通过h桥变换成220v左右的交流电压可直接供用电器使用也可并网到电网。
5.目前，逆变器低压侧通常工作在大电流下，变压器漏感的存在，会使得漏感产生的续流电压没有得到及时的泄放，这样就会产生尖峰电压，从而就会直接危及功率mos管的安全，轻者会干扰mcu系统的正常运行，降低产品的可靠性，严重时还会直接击穿mos管。这样，就会对mos管耐压要求很高，高频变压器的各项性能要求也会变高，从而也会因此大大提高产品成本，直接降低产品的市场竞争力。而逆变器则能够消除漏感产生的尖峰电压，从而降低漏感影响，但是，由于逆变器接收到的直流电压本身可能会存在电压毛刺，从而在升压为高压直流电时也会产生一定的尖峰电压。这种尖峰电压虽然在幅度上远小于由漏感产生的尖峰电压，但也会对高频变压器的性能产生影响。
6.因此，期望一种优化的逆变器。


技术实现要素：

7.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于dsp双闭环的逆变器、补偿方法和电子设备，其采用包含一维卷积层和全连接层的深度神经网络模型来提取出尖峰电压在高维空间中的特征分布表示，并且通过正弦发生器生成用于补偿尖峰电压的补偿波形，来消除这种尖峰电压的影响。通过这样的方式，可以有效地在整体上对尖峰电压进行补偿，从而能够有效地消除产生的尖峰电压，以提高高频变压器的性能。
8.根据本技术的一个方面，提供了一种基于dsp双闭环的逆变器，其包括：训练模块，包括：训练数据集获取单元，用于获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据；电压分布向量构造单元，用于将所述训练数据
集中所述尖峰电压分布的历史数据构造电压分布向量；神经网络特征提取单元，用于将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量；特征向量转化单元，用于计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得；回归单元，用于将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形；以及训练单元，用于基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器；以及推断模块，包括：待检测数据获取单元，用于基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；向量长度调整单元，用于将所述第二输入向量调整为与所述第一输入向量具有相同的长度；以及补偿单元，用于将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。
9.在上述基于dsp双闭环的逆变器中，所述电压分布向量构造单元，进一步用于：将所述尖峰电压分布的历史数据以天为单位进行划分；将一天当中的预定时间点的尖峰电压排列为所述第一输入向量作为所述电压分布向量。
10.在上述基于dsp双闭环的逆变器中，所述神经网络特征提取单元，包括：全连接编码子单元，用于使用所述深度神经网络模型的全连接层对所述电压分布特征向量进行全连接编码以提取出所述电压分布特征向量中各个位置的特征值的高维隐含特征；以及，一维卷积子单元，用于使用所述深度神经网络模型的一维卷积层对所述电压分布特征向量进行编码以提取出所述电压分布特征向量中各个位置的特征值之间的关联的高维隐含特征。
11.在上述基于dsp双闭环的逆变器中，所述特征向量转化单元，包括：概率空间映射子单元，用于将所述电压分布特征值中各个位置的特征值映射到0到1的区间内；以及，循环函数值计算子单元，用于以如下公式计算所述电压分布特征向量中每个位置的特征值的循环函数值；所述公式为：
[0012][0013]
其中，f
i
表示所述电压分布特征向量被映射到概率空间的各个位置的特征值，d
i
表示该特征值与全局均值之间的距离。
[0014]
在上述基于dsp双闭环的逆变器中，所述概率空间映射子单元，进一步用于将所述电压分布特征值输入sigmoid函数以将所述电压分布特征值中各个位置的特征值转换到0到1的区间内。
[0015]
在上述基于dsp双闭环的逆变器中，所述训练单元，包括：误差损失函数值计算子单元，用于计算所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间交叉熵损失函数值作为所述误差损失函数值；以及，反向传播子单元，用于在每一次迭代中联合地训练所述深度神经网络模型和所述编码器。
[0016]
根据本技术的另一方面，提供了一种基于dsp双闭环的逆变器的补偿方法，其包括：训练阶段，包括：获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于
补偿的正弦波的历史真实数据；将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量；将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量；计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得；将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形；以及基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器；以及推断阶段，包括：基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；将所述第二输入向量调整为与所述第一输入向量具有相同的长度；以及将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。
[0017]
根据本技术的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于dsp双闭环的逆变器的补偿方法。
[0018]
与现有技术相比，本技术提供的基于dsp双闭环的逆变器、补偿方法和电子设备，其采用包含一维卷积层和全连接层的深度神经网络模型来提取出尖峰电压在高维空间中的特征分布表示，并且通过正弦发生器生成用于补偿尖峰电压的补偿波形，来消除这种尖峰电压的影响。通过这样的方式，可以有效地在整体上对尖峰电压进行补偿，从而能够有效地消除产生的尖峰电压，以提高高频变压器的性能。
附图说明
[0019]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0020]
图1为现有的逆变器的电路示意图。
[0021]
图2为根据本技术实施例的基于dsp双闭环的逆变器的框图。
[0022]
图3为根据本技术实施例的基于dsp双闭环的逆变器的补偿方法的流程图。
[0023]
图4为根据本技术实施例的基于dsp双闭环的逆变器中训练模块的补偿方法的架构示意图。
[0024]
图5为根据本技术实施例的基于dsp双闭环的逆变器中推断模块的补偿方法的架构示意图。
具体实施方式
[0025]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0026]
场景概述
[0027]
如前所述，根据本技术实施例的逆变器能够消除漏感产生的尖峰电压，从而降低漏感影响，但是，由于逆变器接收到的直流电压本身可能会存在电压毛刺，从而在升压为高压直流电时也会产生一定的尖峰电压。这种尖峰电压虽然在幅度上远小于由漏感产生的尖峰电压，但也会对高频变压器的性能产生影响。
[0028]
图1为现有的逆变器的电路示意图。如图1所示，前级普遍用ka7500与ka3525的pwm调制芯片，ka7500与ka3525产生一对互补pwm波形信号通过l_pwm0与l_pwm1，经过电阻r6与r12到三级管的b极，n2，n4反相后经n1，p1，n3，p2驱动功率mos管通断，通过高频变压器升压，经高频二极管整流后输出360v左右的直流电，此直流电再经过高压h桥波形变换后输出50hz的交流电。由以上的驱动波形可知两臂波形互补状态，蓝色的波形(对应q1)关闭后经过t＝1.8us后再打开黄色的波形(对应q2)。同理，在黄色的波形(对应q2)关闭后经过t＝1.8us后再打开蓝色的波形(对应q1)。逆变器低压侧通常工作在大电流下，变压器漏感的存在，在q1关闭的瞬间，此时q2还是关闭的，(有1.8us的死区延时)自感电势的影响在q1的漏极上产生叠加尖峰电压，下一周期同样会在q2漏极上也叠加尖峰电压，此处输入电流极大，漏感产生的电势也大，由于有1.8us的延时时间，漏感产生的续流电压没有得到及时泄放，此尖峰电压的存在直接危及功率mos的安全，重者击穿mos，轻者干扰mcu系统的正常运行，降低产品的可靠性。这样对mos管耐压要求很高，高频变压器的各项性能要求也很高，大大提高产品成本，直接降低产品的市场竞争力。
[0029]
因此，在本技术的技术方案中，进一步期望通过正弦发生器生成用于补偿所述尖峰电压的补偿波形，来消除这种尖峰电压的影响。但是，由于正弦发生器所生成的补偿波形仍然是正弦波，因此其在整个时间周期上会产生重叠，因而不能够与需要补偿的尖峰电压形成一一对应，而是需要在整体上对尖峰电压进行补偿。
[0030]
基于此，在本技术的技术方案中，首先确定尖峰电压的整体分布，这里，尖峰电压的产生是与光伏发电的具体发电情况相关联的，并且，是以天为单位发生的。因此，按照一天当中的各个时间点获得尖峰电压的分布情况，也就是，将一天当中的预定时间点的尖峰电压的电压值排列为第一输入向量，从而得到电压分布向量。
[0031]
然后，将电压分布向量输入包含一维卷积层和全连接层的深度神经网络模型，以得到电压分布特征向量。这里，由于电压分布特征向量中的特征值在特征空间中是离散分布，而本技术中用于补偿的正弦波是具有传播的周期性变化的，因此对于特征值计算其循环函数，表示为：
[0032][0033]
这里，f
i
表示映射到概率空间的各个位置的特征值，d
i
表示该特征值与全局均值之间的距离。这样，就将电压分布特征向量转换为具有传播的周期性变化的正弦分布特征向量。然后，再将正弦分布特征向量输入用于回归的编码器，得到用于补偿的正弦波的相位和波形。并且，可以根据尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据训练深度神经网络模型和编码器，以使得该深度神经网络模型同时用作特征提取器和分布预测器。
[0034]
这样，在推断过程当中，基于检测到的尖峰电压，可以将其与之前时刻的尖峰电压
排列为第二输入向量，该第二输入向量与第一输入向量的长度相同，因此其中当前时刻的尖峰电压之后的值可以设置为0。然后，再将第二输入向量输入深度神经网络模型和编码器，以得到用于补偿的正弦波的相位和波形。
[0035]
基于此，本技术提出了一种基于dsp双闭环的逆变器，其包括训练模块和推断模块。其中，训练模块，包括：训练数据集获取单元，用于获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据；电压分布向量构造单元，用于将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量；神经网络特征提取单元，用于将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量；特征向量转化单元，用于计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得；回归单元，用于将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形；以及，训练单元，用于基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器。其中，推断模块，包括：待检测数据获取单元，用于基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；向量长度调整单元，用于将所述第二输入向量调整为与所述第一输入向量具有相同的长度；以及，补偿单元，用于将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。
[0036]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0037]
示例性系统
[0038]
图2图示了根据本技术实施例的基于dsp双闭环的逆变器的框图。如图2所示，根据本技术实施例的基于dsp双闭环的逆变器200，包括：训练模块210和推断模块220。其中，训练模块210，包括：训练数据集获取单元211，用于获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据；电压分布向量构造单元212，用于将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量；神经网络特征提取单元213，用于将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量；特征向量转化单元214，用于计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得；回归单元215，用于将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形；以及，训练单元216，用于基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器。其中，推断模块220，包括：待检测数据获取单元221，用于基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；向量长度调整单元222，用于将所述第二输入向量调整为与所述第一输入向量具有相同的长度；以及，补偿单元223，用于将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波
的相位和波形。
[0039]
具体地，在本技术实施例中，在训练模块210中，所述训练数据集获取单元211和所述电压分布向量构造单元212，用于获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据，并将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量。如上所述，由于逆变器接收到的直流电压本身可能会存在电压毛刺，从而在升压为高压直流电时也会产生一定的尖峰电压，这种尖峰电压虽然在幅度上远小于由漏感产生的尖峰电压，但也会对高频变压器的性能产生影响。因此，希望通过正弦发生器生成用于补偿所述尖峰电压的补偿波形，来消除这种尖峰电压的影响。但是，应可以理解，由于正弦发生器所生成的补偿波形仍然是正弦波，因此其在整个时间周期上会产生重叠，因而不能够与需要补偿的尖峰电压形成一一对应，而是需要在整体上对尖峰电压进行补偿。
[0040]
因此，在本技术的技术方案中，首先确定尖峰电压的整体分布，也就是，首先获取所述尖峰电压分布的历史数据，这里，所述尖峰电压的产生是与光伏发电的具体发电情况相关联的，并且，是以天为单位发生的。因此，按照一天当中的各个时间点获得所述尖峰电压的分布情况，也就是，将一天当中的预定时间点的所述尖峰电压的电压值排列为第一输入向量，从而得到电压分布向量。在一个具体示例中，在训练阶段时，由于需要获取所述尖峰电压分布的历史数据，因此可以从云存储端获取所述训练数据集，也就是，获取所述尖峰电压分布的历史数据和所述用于补偿的正弦波的历史真实数据。
[0041]
更具体地，在本技术实施例中，所述电压分布向量构造单元，进一步用于：将所述尖峰电压分布的历史数据以天为单位进行划分；将一天当中的预定时间点的尖峰电压排列为所述第一输入向量作为所述电压分布向量。
[0042]
具体地，在本技术实施例中，在训练模块210中，所述神经网络特征提取单元213，用于将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量。也就是，将电压分布向量输入包含一维卷积层和全连接层的深度神经网络模型，以通过包含一维卷积层和全连接层的深度神经网络对所述电压分布向量进行处理，以提取出所述电压分布特征向量中各个位置的特征值的高维隐含特征以及所述电压分布特征向量中各个位置的特征值之间的关联的高维隐含特征，从而得到电压分布特征向量。
[0043]
更具体地，在本技术的一个示例中，所述神经网络特征提取单元，包括：全连接编码子单元，用于使用所述深度神经网络模型的全连接层对所述电压分布特征向量进行全连接编码以提取出所述电压分布特征向量中各个位置的特征值的高维隐含特征；以及，一维卷积子单元，用于使用所述深度神经网络模型的一维卷积层对所述电压分布特征向量进行编码以提取出所述电压分布特征向量中各个位置的特征值之间的关联的高维隐含特征。
[0044]
具体地，在本技术实施例中，在训练模块210中，所述特征向量转化单元214，用于计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得。应可以理解，由于电压分布特征向量中的特征值在特征空间中是离散分布，而本技术中用于补偿的正弦波是具有传播的周期性变化的，因此，在本技术的技术方案中，需要对于特征值计算其循环函数。
[0045]
更具体地，在本技术实施例中，所述特征向量转化单元，包括：概率空间映射子单元，用于将所述电压分布特征值中各个位置的特征值映射到0到1的区间内，在一个具体示例中，采用将所述电压分布特征值输入sigmoid函数以将所述电压分布特征值中各个位置的特征值转换到0到1的区间内，应可以理解，这样映射到概率空间中可以便于后续对循环函数值的计算。循环函数值计算子单元，用于以如下公式计算所述电压分布特征向量中每个位置的特征值的循环函数值；所述公式为：
[0046][0047]
其中，f
i
表示所述电压分布特征向量被映射到概率空间的各个位置的特征值，d
i
表示该特征值与全局均值之间的距离。这样，就可以将电压分布特征向量转换为具有传播的周期性变化的正弦分布特征向量。
[0048]
具体地，在本技术实施例中，在训练模块210中，所述回归单元215和所述训练单元216，用于将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形，并基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器。也就是，将所述正弦分布特征向量输入用于回归的编码器，以通过所述编码器对所述正弦分布特征向量进行处理，以得到用于补偿的正弦波的相位和波形。并且，可以根据所述尖峰电压分布的历史数据和所述用于补偿的正弦波的历史真实数据训练深度神经网络模型和编码器，以使得该深度神经网络模型同时用作特征提取器和分布预测器。
[0049]
更具体地，在本技术实施例中，所述训练单元，包括：误差损失函数值计算子单元，用于计算所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间交叉熵损失函数值作为所述误差损失函数值；以及，反向传播子单元，用于在每一次迭代中联合地训练所述深度神经网络模型和所述编码器。
[0050]
具体地，在本技术实施例中，在推断模块220中，所述待检测数据获取单元221和所述向量长度调整单元222，用于基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量，并将所述第二输入向量调整为与所述第一输入向量具有相同的长度。应可以理解，这里，所述尖峰电压的产生是与光伏发电的具体发电情况相关联的，并且，是以天为单位发生的。因此，在一个具体示例中，首先，可以按照一天当中的各个时间点获得所述尖峰电压的分布情况，也就是，将一天当中的预定时间点检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；然后，再将所述第二输入向量调整为与所述第一输入向量具有相同的长度，这里，由于该第二输入向量与第一输入向量的长度相同，因此其中当前时刻的尖峰电压之后的值可以设置为0。
[0051]
具体地，在本技术实施例中，在推断模块220中，所述补偿单元223，用于将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。也就是，用经训练模块训练完成的包含一维卷积层和全连接层的所述深度神经网络对所述第二输入向量进行处理，以提取出所述第二输入向量中各个位置的特征值的高维隐含特征以及所述第二输入向量中各个位置的特征值之间的关联的高维隐含特征。并将得到的结果输入经训练模块训练完成的所述编码器以获得得到用
于补偿的正弦波的相位和波形。最后，再基于获得的所述用于补偿的正弦波的相位和波形生成正弦波，以对所述尖峰电压进行补偿。
[0052]
综上，基于本技术实施例的所述基于dsp双闭环的逆变器200被阐明，其采用包含一维卷积层和全连接层的深度神经网络模型来提取出尖峰电压在高维空间中的特征分布表示，并且通过正弦发生器生成用于补偿尖峰电压的补偿波形，来消除这种尖峰电压的影响。通过这样的方式，可以有效地在整体上对尖峰电压进行补偿，从而能够有效地消除产生的尖峰电压，以提高高频变压器的性能。
[0053]
如上所述，根据本技术实施例的基于dsp双闭环的逆变器200可以实现在各种终端设备中，例如基于dsp双闭环的逆变器算法的服务器等。在一个示例中，根据本技术实施例的基于dsp双闭环的逆变器200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于dsp双闭环的逆变器200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于dsp双闭环的逆变器200同样可以是该终端设备的众多硬件模块之一。
[0054]
替换地，在另一示例中，该基于dsp双闭环的逆变器200与该终端设备也可以是分立的设备，并且该基于dsp双闭环的逆变器200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0055]
示例性方法
[0056]
图3图示了根据本技术实施例的基于dsp双闭环的逆变器的补偿方法的流程图。如图3所示，根据本技术实施例的基于dsp双闭环的逆变器的补偿方法，包括训练阶段和推断阶段。其中，训练阶段，包括步骤：s110，获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据；s120，将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量；s130，将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量；s140，计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述电压分布特征向量中各个位置的特征值的统计特征计算而得；s150，将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形；以及，s160，基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器。其中，推断阶段，包括步骤：s210，基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；s220，将所述第二输入向量调整为与所述第一输入向量具有相同的长度；以及，s230，将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。
[0057]
图4图示了根据本技术实施例的基于dsp双闭环的逆变器中训练模块的补偿方法的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获取的所述训练数据集中所述尖峰电压分布的历史数据(例如，如图4中所示意的in1)构造电压分布向量(例如，如图4中所示意的v1)；接着，将所述电压分布向量输入深度神经网络模型(例如，如图4中所示意的dnn1)以获得电压分布特征向量(例如，如图4中所示意的vf1)；然后，计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有
传播的周期性变化的正弦分布特征向量(例如，如图4中所示意的vf2)；接着，将所述正弦分布特征向量输入用于回归的编码器(例如，如图4中所示意的e1)以获得用于补偿的正弦波的相位和波形(例如，如图4中所示意的pw)；以及，最后，基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据(例如，如图4中所示意的in2)之间的误差损失函数值(例如，如图4中所示意的ve)，来训练所述深度神经网络模型和所述编码器。
[0058]
图5图示了根据本技术实施例的基于dsp双闭环的逆变器中推断模块的补偿方法的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，基于检测到的尖峰电压(例如，如图5中所示意的in)，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量(例如，如图5中所示意的v2)；接着，将所述第二输入向量调整为与所述第一输入向量(例如，如图5中所示意的v1)具有相同的长度；以及，最后，将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型(例如，如图5中所示意的dnn2)和所述编码器(例如，如图5中所示意的e2)以获得得到用于补偿的正弦波的相位和波形。
[0059]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获得训练数据集，所述训练数据集为尖峰电压分布的历史数据和用于补偿的正弦波的历史真实数据，并将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量。也就是，首先确定尖峰电压的整体分布，这里，所述尖峰电压的产生是与光伏发电的具体发电情况相关联的，并且，是以天为单位发生的。因此，按照一天当中的各个时间点获得所述尖峰电压的分布情况，也就是，将一天当中的预定时间点的所述尖峰电压的电压值排列为第一输入向量，从而得到电压分布向量。在一个具体示例中，在训练阶段时，由于需要获取所述尖峰电压分布的历史数据，因此可以从云存储端获取所述训练数据集，也就是，获取所述尖峰电压分布的历史数据和所述用于补偿的正弦波的历史真实数据。
[0060]
具体地，在本技术实施例中，将所述训练数据集中所述尖峰电压分布的历史数据构造电压分布向量的过程，包括：首先，将所述尖峰电压分布的历史数据以天为单位进行划分；然后，将一天当中的预定时间点的尖峰电压排列为所述第一输入向量作为所述电压分布向量。
[0061]
更具体地，在训练阶段中，在步骤s130中，将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量。也就是，将电压分布向量输入包含一维卷积层和全连接层的深度神经网络模型，以通过包含一维卷积层和全连接层的深度神经网络对所述电压分布向量进行处理，以提取出所述电压分布特征向量中各个位置的特征值的高维隐含特征以及所述电压分布特征向量中各个位置的特征值之间的关联的高维隐含特征，从而得到电压分布特征向量。
[0062]
具体地，在本技术实施例中，将所述电压分布向量输入深度神经网络模型以获得电压分布特征向量的过程，包括：首先，使用所述深度神经网络模型的全连接层对所述电压分布特征向量进行全连接编码以提取出所述电压分布特征向量中各个位置的特征值的高维隐含特征；然后，使用所述深度神经网络模型的一维卷积层对所述电压分布特征向量进行编码以提取出所述电压分布特征向量中各个位置的特征值之间的关联的高维隐含特征。
[0063]
更具体地，在训练阶段中，在步骤s140中，计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量，所述循环函数值基于所述电压分布特征向量中各个位置的特征值以及所述
电压分布特征向量中各个位置的特征值的统计特征计算而得。应可以理解，由于电压分布特征向量中的特征值在特征空间中是离散分布，而本技术中用于补偿的正弦波是具有传播的周期性变化的，因此，在本技术的技术方案中，需要对于特征值计算其循环函数。
[0064]
具体地，在本技术实施例中，计算所述电压分布特征向量中每个位置的特征值的循环函数值以将所述电压分布特征向量转化为具有传播的周期性变化的正弦分布特征向量的过程，包括：首先，将所述电压分布特征值中各个位置的特征值映射到0到1的区间内，在一个具体示例中，采用将所述电压分布特征值输入sigmoid函数以将所述电压分布特征值中各个位置的特征值转换到0到1的区间内，应可以理解，这样映射到概率空间中可以便于后续对循环函数值的计算。然后，以如下公式计算所述电压分布特征向量中每个位置的特征值的循环函数值；所述公式为：
[0065][0066]
其中，f
i
表示所述电压分布特征向量被映射到概率空间的各个位置的特征值，d
i
表示该特征值与全局均值之间的距离。这样，就可以将电压分布特征向量转换为具有传播的周期性变化的正弦分布特征向量。
[0067]
更具体地，在训练阶段中，在步骤s150和步骤s160中，将所述正弦分布特征向量输入用于回归的编码器以获得用于补偿的正弦波的相位和波形，并基于所述用于补偿的正弦波的相位和波形与所述用于补偿的正弦波的历史真实数据之间的误差损失函数值，来训练所述深度神经网络模型和所述编码器。也就是，将所述正弦分布特征向量输入用于回归的编码器，以通过所述编码器对所述正弦分布特征向量进行处理，以得到用于补偿的正弦波的相位和波形。并且，可以根据所述尖峰电压分布的历史数据和所述用于补偿的正弦波的历史真实数据训练深度神经网络模型和编码器，以使得该深度神经网络模型同时用作特征提取器和分布预测器。
[0068]
更具体地，在推断阶段中，首先，基于检测到的尖峰电压，将当前时刻的尖峰电压与其之前时刻的尖峰电压排列为第二输入向量；接着，将所述第二输入向量调整为与所述第一输入向量具有相同的长度；最后，将所述第二输入向量输入经训练模块训练完成的所述深度神经网络模型和所述编码器以获得得到用于补偿的正弦波的相位和波形。这样，就能够基于获得的所述用于补偿的正弦波的相位和波形生成正弦波，以对所述尖峰电压进行补偿。
[0069]
综上，基于本技术实施例的所述基于dsp双闭环的逆变器的补偿方法被阐明，其采用包含一维卷积层和全连接层的深度神经网络模型来提取出尖峰电压在高维空间中的特征分布表示，并且通过正弦发生器生成用于补偿尖峰电压的补偿波形，来消除这种尖峰电压的影响。通过这样的方式，可以有效地在整体上对尖峰电压进行补偿，从而能够有效地消除产生的尖峰电压，以提高高频变压器的性能。
[0070]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0071]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0072]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0073]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0074]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。