本發(fā)明涉及電力電子變換器，特別涉及一種并網(wǎng)逆變器多參數(shù)在線整定方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著電網(wǎng)阻抗的實(shí)時(shí)變化及并網(wǎng)逆變器數(shù)量的增加，并網(wǎng)逆變器與電網(wǎng)之間的交互作用顯著增強(qiáng)，導(dǎo)致并網(wǎng)逆變器系統(tǒng)失穩(wěn)風(fēng)險(xiǎn)加劇。研究表明，此類不穩(wěn)定的主要原因在于具有固定增益的電流控制環(huán)與鎖相環(huán)無法適應(yīng)電網(wǎng)工況的動(dòng)態(tài)變化。

2、相比之下，具備在線控制參數(shù)整定功能的并網(wǎng)逆變器更適應(yīng)電網(wǎng)動(dòng)態(tài)工況?？梢圆捎媒＝馕龅姆椒ㄟM(jìn)行參數(shù)的在線整定。比如，可以采用穩(wěn)定性判據(jù)解析推導(dǎo)控制環(huán)帶寬的穩(wěn)定邊界，或者設(shè)計(jì)一套用于控制環(huán)增益的設(shè)計(jì)準(zhǔn)則，在電網(wǎng)阻抗變化時(shí)維持恒定帶寬與相位裕度。然而，此類基于解析的參數(shù)調(diào)整策略依賴小信號(hào)模型及實(shí)時(shí)電網(wǎng)阻抗測(cè)量。存在以下局限性：1.傳統(tǒng)的小信號(hào)模型通常忽略了影響系統(tǒng)穩(wěn)定性的關(guān)鍵非線性因素，比如：開關(guān)效應(yīng)、鎖相環(huán)動(dòng)態(tài)特性及諧波控制，且多臺(tái)并聯(lián)逆變器系統(tǒng)的建模復(fù)雜度顯著增加；2.在線阻抗測(cè)量需要在響應(yīng)速度、測(cè)量精度與擾動(dòng)大小之間進(jìn)行權(quán)衡，限制了其在線實(shí)時(shí)應(yīng)用。

3、基于數(shù)據(jù)驅(qū)動(dòng)的參數(shù)整定方法逐漸成為可行替代方案：基于粒子群優(yōu)化（particle?swarm?optimization，pso）算法的在線調(diào)參方法已成功應(yīng)用于外環(huán)功率控制與直流母線電壓控制，其以積分時(shí)間絕對(duì)誤差為適應(yīng)度函數(shù)，確保系統(tǒng)對(duì)擾動(dòng)的快速平滑響應(yīng)。然而，此類方法雖無需精確小信號(hào)模型與實(shí)時(shí)阻抗測(cè)量，但因每次迭代需將粒子值代入比例積分控制器，并基于系統(tǒng)在一段時(shí)間內(nèi)的運(yùn)行數(shù)據(jù)計(jì)算適應(yīng)度函數(shù)，而調(diào)參時(shí)間較長(zhǎng)。另一類人工神經(jīng)網(wǎng)絡(luò)（artificial?neural?network，ann）結(jié)合在線參數(shù)搜索技術(shù)，將電流控制環(huán)與鎖相環(huán)的控制參數(shù)映射至閉環(huán)極點(diǎn)位置，并在動(dòng)態(tài)電網(wǎng)條件下最小化實(shí)際極點(diǎn)與參考極點(diǎn)的偏差以維持穩(wěn)定，但此類方法需實(shí)時(shí)測(cè)量電網(wǎng)阻抗。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種并網(wǎng)逆變器多參數(shù)在線整定方法、系統(tǒng)、設(shè)備及介質(zhì)，可以解決現(xiàn)有參數(shù)整定方法調(diào)參時(shí)間較長(zhǎng)或需實(shí)時(shí)測(cè)量電網(wǎng)阻抗的問題。

2、為解決上述技術(shù)問題，本發(fā)明的實(shí)施例提供了一種并網(wǎng)逆變器多參數(shù)在線整定方法，包括以下步驟：

3、建立并網(wǎng)逆變器的電路仿真模型；

4、通過電路仿真模型獲取并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流，并通過電路仿真模型采用粒子群優(yōu)化算法迭代搜索得到并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)；

5、通過并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流及對(duì)應(yīng)電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)，對(duì)參數(shù)推理模型進(jìn)行離線訓(xùn)練；

6、實(shí)時(shí)獲取并網(wǎng)逆變器的輸出電流，并將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中，得到對(duì)應(yīng)的目標(biāo)控制參數(shù)；

7、通過參數(shù)推理模型輸出的目標(biāo)控制參數(shù)，對(duì)并網(wǎng)逆變器的控制參數(shù)進(jìn)行在線整定。

8、可選的，所述粒子群優(yōu)化算法的適應(yīng)度函數(shù)根據(jù)在電網(wǎng)阻抗變化時(shí)并網(wǎng)逆變器的 d軸輸出電流進(jìn)入并保持在預(yù)設(shè)的穩(wěn)態(tài)值允許誤差范圍內(nèi)所需的時(shí)間構(gòu)建，如下公式：

9、；

10、式中， t i( k)表示第 k次迭代中粒子 i的適應(yīng)度值， ts表示 d軸輸出電流 i d進(jìn)入并保持在預(yù)設(shè)的穩(wěn)態(tài)值允許誤差范圍的時(shí)刻， t0表示電網(wǎng)阻抗突變的時(shí)刻， i dref表示 i d的穩(wěn)態(tài)值。

11、可選的，所述粒子群優(yōu)化算法的搜索步驟如下：

12、s1：初始化粒子群規(guī)模、每個(gè)粒子的初始速度和初始位置、控制參數(shù)的搜索范圍和最大迭代次數(shù)；

13、s2：初始化電路仿真模型在突變前的電網(wǎng)阻抗；

14、s3：依次將每個(gè)粒子的位置輸入到電路仿真模型中，運(yùn)行電路仿真模型，并記錄實(shí)時(shí)運(yùn)行數(shù)據(jù)；

15、s4：根據(jù)實(shí)時(shí)運(yùn)行數(shù)據(jù)和適應(yīng)度函數(shù)，計(jì)算每個(gè)粒子的適應(yīng)度值；

16、s5：更新個(gè)體最優(yōu)解和全局最優(yōu)解，更新內(nèi)容包括速度、位置和適應(yīng)度值；

17、s6：更新下一次迭代中每個(gè)粒子的速度和位置；

18、s7：判斷全局最優(yōu)解的適應(yīng)度是否小于預(yù)設(shè)的嚴(yán)格閾值，若是，則執(zhí)行s11，否則，執(zhí)行s8；

19、s8：迭代次數(shù)加1；

20、s9：判斷是否達(dá)到最大迭代次數(shù)，若是，執(zhí)行s10，否則，返回s3；

21、s10：判斷全局最優(yōu)解的適應(yīng)度是否小于預(yù)設(shè)的寬松閾值，若是，則執(zhí)行s11，否則，結(jié)束算法；

22、s11：保存全局最優(yōu)解，保存內(nèi)容包括速度、位置以及對(duì)應(yīng)的電網(wǎng)阻抗；

23、s12：將全局最優(yōu)解設(shè)置為新一輪電網(wǎng)阻抗工況下的初始粒子之一，重置迭代次數(shù)；

24、s13：更新電路仿真模型的電網(wǎng)阻抗，以固定步長(zhǎng)增加電網(wǎng)阻抗來建立新的電網(wǎng)阻抗工況，并返回s3。

25、可選的，所述參數(shù)推理模型的網(wǎng)絡(luò)結(jié)構(gòu)由長(zhǎng)短期記憶網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)構(gòu)成，所述將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中，得到對(duì)應(yīng)的目標(biāo)控制參數(shù)，包括：

26、通過兩個(gè)長(zhǎng)短期記憶網(wǎng)絡(luò)分別提取實(shí)時(shí)獲取的輸出電流中 d軸輸出電流和 q軸輸出電流的時(shí)序特征；

27、通過一個(gè)兩層人工神經(jīng)網(wǎng)絡(luò)提取 d軸輸出電流和 q軸輸出電流的全局特征；

28、將時(shí)序特征和全局特征融合，得到融合特征；

29、通過一個(gè)四層人工神經(jīng)網(wǎng)絡(luò)根據(jù)融合特征輸出對(duì)應(yīng)的目標(biāo)控制參數(shù)。

30、可選的，在所述將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中之前，還包括：

31、確定實(shí)時(shí)獲取的輸出電流中 d軸輸出電流相對(duì)于預(yù)設(shè)的 d軸輸出電流穩(wěn)態(tài)值的偏差超過預(yù)設(shè)的偏差閾值。

32、可選的，所述通過并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流及對(duì)應(yīng)電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)，對(duì)參數(shù)推理模型進(jìn)行離線訓(xùn)練，包括：

33、將并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)作為多個(gè)標(biāo)簽，并建立標(biāo)簽與目標(biāo)控制參數(shù)一一對(duì)應(yīng)的查找表；

34、采用并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流及對(duì)應(yīng)的多個(gè)標(biāo)簽，對(duì)參數(shù)推理模型進(jìn)行離線訓(xùn)練；

35、所述將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中，得到對(duì)應(yīng)的目標(biāo)控制參數(shù)，包括：

36、將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中，得到對(duì)應(yīng)的標(biāo)簽；

37、根據(jù)參數(shù)推理模型輸出的標(biāo)簽從查找表中查找對(duì)應(yīng)的目標(biāo)控制參數(shù)。

38、可選的，所述并網(wǎng)逆變器的控制參數(shù)包括：電流控制環(huán)的比例增益和積分增益以及鎖相環(huán)的比例增益和積分增益。

39、本發(fā)明的實(shí)施例還提供了一種并網(wǎng)逆變器多參數(shù)在線整定系統(tǒng)，包括：

40、仿真模型建立模塊，用于建立并網(wǎng)逆變器的電路仿真模型；

41、控制參數(shù)搜索模塊，用于通過電路仿真模型獲取并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流，并通過電路仿真模型采用粒子群優(yōu)化算法迭代搜索得到并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)；

42、優(yōu)化模型訓(xùn)練模塊，用于通過并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流及對(duì)應(yīng)電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)，對(duì)參數(shù)推理模型進(jìn)行離線訓(xùn)練；

43、控制參數(shù)獲取模塊，用于實(shí)時(shí)獲取并網(wǎng)逆變器的輸出電流，并將實(shí)時(shí)獲取的輸出電流輸入訓(xùn)練好的參數(shù)推理模型中，得到對(duì)應(yīng)的目標(biāo)控制參數(shù)；

44、控制參數(shù)整定模塊，用于通過參數(shù)推理模型輸出的目標(biāo)控制參數(shù)，對(duì)并網(wǎng)逆變器的控制參數(shù)進(jìn)行在線整定。

45、本發(fā)明的實(shí)施例還提供了一種計(jì)算機(jī)設(shè)備，包括：至少一個(gè)處理器；以及，與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器中存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行上述并網(wǎng)逆變器多參數(shù)在線整定方法。

46、本發(fā)明的實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述并網(wǎng)逆變器多參數(shù)在線整定方法。

47、本發(fā)明所提供的并網(wǎng)逆變器多參數(shù)在線整定方法，至少具有以下有益效果：

48、通過建立并網(wǎng)逆變器的電路仿真模型，來獲取并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的輸出電流，并采用粒子群優(yōu)化算法迭代搜索得到并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的目標(biāo)控制參數(shù)，該目標(biāo)控制參數(shù)即為并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下近似最優(yōu)的控制參數(shù)，目標(biāo)控制參數(shù)與輸出電流構(gòu)成離線數(shù)據(jù)集對(duì)參數(shù)推理模型進(jìn)行訓(xùn)練，則訓(xùn)練好的參數(shù)推理模型可以根據(jù)并網(wǎng)逆變器實(shí)時(shí)的輸出電流，輸出對(duì)應(yīng)的目標(biāo)控制參數(shù)，通過該目標(biāo)控制參數(shù)即可實(shí)現(xiàn)并網(wǎng)逆變器控制參數(shù)的整定。

49、本發(fā)明相當(dāng)于建立了并網(wǎng)逆變器不同電網(wǎng)阻抗工況下的輸出電流及對(duì)應(yīng)電網(wǎng)阻抗工況下控制參數(shù)之間的映射關(guān)系，通過粒子群優(yōu)化算法離線預(yù)計(jì)算+參數(shù)推理模型在線推理，將參數(shù)整定從“實(shí)時(shí)搜索”轉(zhuǎn)換為“映射查找”，耗時(shí)更短，實(shí)現(xiàn)了并網(wǎng)逆變器的控制參數(shù)的快速整定，而其中粒子群優(yōu)化算法的調(diào)參屬于離線工作，避開了在線時(shí)間壓力。同時(shí)，參數(shù)推理模型僅將實(shí)時(shí)電流作為輸入，不需要額外變量，例如電網(wǎng)阻抗。