System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据驱动建模,特别是涉及一种柔性直流耗能装置电磁暂态仿真数据驱动建模方法。
技术介绍
1、柔性直流输电系统中的耗能装置具有复杂的拓扑结构和大量的子模块,使得其按照电路结构和参数进行电磁暂态模块化建模难度大,加之子模块含高频开关元件,采用常规基于cpu的仿真器解算时间长难以实现实时仿真,采用基于fpga的仿真方法需要根据装置外特性计算伴随电路。
2、采用数据驱动如神经网络等人工智能方法进行建模,虽然能够处理如高频开关特性等复杂的非线性问题,但在建模过程中需要大量的训练数据,如耗能装置类的装置内部结构复杂,部署传感器进行数据采样的难度大且精度低,数据质量和模型结构可能会影响仿真模型的精度和效率。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此,本专利技术提出了一种柔性直流耗能装置电磁暂态仿真数据驱动建模方法,提出能够准确反映耗能装置系统特性且兼具仿真速度的建模技术。
3、本专利技术的另一个目的在于提出一种柔性直流耗能装置电磁暂态仿真数据驱动建模系统。
4、为达上述目的,本专利技术一方面提出一种柔性直流耗能装置电磁暂态仿真数据驱动建模方法,包括:
5、获取柔直耗能装置的相关测试数据;
6、预处理所述相关测试数据得到数据提取结果;
7、利用所述数据提取结果建立时间样本数据集;
8、利用所述时间样本数据集的特征向量训练神经网络模型,并基于训练
9、本专利技术实施例的柔性直流耗能装置电磁暂态仿真数据驱动建模方法还可以具有以下附加技术特征:
10、在本专利技术的一个实施例中,所述相关测试数据,包括安装环境参数、耗能装置固有参数以及对应耗能装置动作前后的电磁暂态过程测试数据。
11、在本专利技术的一个实施例中,所述安装环境参数,包括安装环境的气压、湿度和温度参数中的多种;所述耗能装置固有参数,包括耗能阀和耗能电阻的电气量参数和非电气量参数,其中,所述电气量参数,包括耗能电阻的阻值、电压、电流、频率及功率,耗能阀各子模块中主igbt km、辅助igbt ka、直流电容c、电容放电电阻rd、稳压电阻r、续流二极管df、快速恢复二极管dr、保护击穿二极管dp的电气量参数;所述电磁暂态过程测试数据,包括脉冲电流、耗能电阻电流、快速开关电流、耗能装置波形数据以及电流开断相位、开断电流中的多种。
12、在本专利技术的一个实施例中,预处理所述相关测试数据得到数据提取结果,包括:
13、对安装环境参数、耗能装置固有参数进行大数据标准化处理,以作为环境影响因子集合,记为:
14、
15、式(1)中,下标c代表数据集样本号,上标为数据集中各类数据的标签号;对耗能装置内部及外部各支路电压、电流波形时间采样序列进行标记,记为:
16、
17、式(2)中,下标k代表内部网络,下标s代表外部网络,上标t表示时间;对耗能装置外部端口及内部支路进行诺顿等效网络代替,记为:
18、
19、式(3)中,表示诺顿等效网络的电流源,表示诺顿等效网络的内部导纳,下标s代表外部网络,下标k代表内部网络,上标t表示时间;内部支路诺顿等值电流及电导,记为:
20、
21、在本专利技术的一个实施例中,利用所述数据提取结果建立时间样本数据集,包括:
22、
23、在本专利技术的一个实施例中,所述方法,还包括构建所述神经网络模型;其中,所述神经网络模型,包括多层感知器,通过监督学习算法训练得到对应的函数:
24、f(·):rm→rn (6)。
25、在本专利技术的一个实施例中,所述方法,利用所述时间样本数据集的特征向量训练神经网络模型,并基于训练好的神经网络参数训练仿真模型以进行电磁暂态仿真数据的仿真建模,包括:
26、从时间样本数据集中提取特征向量作为反向传播神经网络的输入层,记为:
27、
28、式中,δt为仿真计算步长,t0为耗能装置动作触发时刻,t为当前仿真时刻,m为输入向量维度;
29、从时间样本数据集中提取特征向量作为反向传播神经网络输出层的监督指导样本,记为:
30、y=[y1,y2,···,yk···,yn]n (8)
31、式中,n为输出向量维度;
32、通过有监督的函数回归学习算法,并将当前训练反馈结果记为:
33、
34、其中,方差损失公式为:
35、
36、在梯度下降过程中,损失的权重梯度由权重w调整得到:
37、
38、其中,i为迭代步数,ε为学习速率且大于零;
39、由bp神经网络算法训练得到:
40、
41、将式(12)作为仿真模型的内部网络参数修改函数,代入训练得到的函数,修改限流器诺顿等效电路:
42、
43、将式(13)联立外部网络端口计算得到等效电路参数即求得t+δt时刻的网络状态,以求得下一步网络状态:
44、ik(t+δt),uk(t+δt),is(t+δt),us(t+δt) (14)。
45、为达上述目的,本专利技术另一方面提出一种柔性直流耗能装置电磁暂态仿真数据驱动建模系统,包括:
46、相关数据获取模块,用于获取柔直耗能装置的相关测试数据;
47、数据预处理模块,用于对所述相关测试数据进行数据预处理;
48、样本数据建立模块,用于利用预处理后得到的数据提取结果建立时间样本数据集;
49、仿真建模模块,用于利用所述时间样本数据集的特征向量训练神经网络模型,并基于训练好的神经网络参数训练仿真模型以进行电磁暂态仿真数据的仿真建模。
50、本专利技术实施例的柔性直流耗能装置电磁暂态仿真数据驱动建模方法和系统,可以快速优化神经网络的结构和训练过程,以提高在有限数据集条件下建模的精确度和训练速度。
51、本专利技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种柔性直流耗能装置电磁暂态仿真数据驱动建模方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述相关测试数据,包括安装环境参数、耗能装置固有参数以及对应耗能装置动作前后的电磁暂态过程测试数据。
3.根据权利要求2所述的方法,其特征在于,所述安装环境参数,包括安装环境的气压、湿度和温度参数中的多种;所述耗能装置固有参数,包括耗能阀和耗能电阻的电气量参数和非电气量参数,其中,所述电气量参数,包括耗能电阻的阻值、电压、电流、频率及功率,耗能阀各子模块中主IGBT Km、辅助IGBT Ka、直流电容C、电容放电电阻Rd、稳压电阻R、续流二极管Df、快速恢复二极管Dr、保护击穿二极管Dp的电气量参数;所述电磁暂态过程测试数据,包括脉冲电流、耗能电阻电流、快速开关电流、耗能装置波形数据以及电流开断相位、开断电流中的多种。
4.根据权利要求3所述的方法,其特征在于,预处理所述相关测试数据得到数据提取结果,包括:
5.根据权利要求4所述的方法,其特征在于,利用所述数据提取结果建立时间样本数据集,包括:
6.根据权
7.根据权利要求6所述的方法,其特征在于,利用所述时间样本数据集的特征向量训练神经网络模型,并基于训练好的神经网络参数训练仿真模型以进行电磁暂态仿真数据的仿真建模,包括:
8.一种柔性直流耗能装置电磁暂态仿真数据驱动建模系统,其特征在于,包括:
9.根据权利要求8所述的系统,其特征在于,所述相关测试数据,包括安装环境参数、耗能装置固有参数以及对应耗能装置动作前后的电磁暂态过程测试数据。
10.根据权利要求9所述的系统,其特征在于,所述安装环境参数,包括安装环境的气压、湿度和温度参数中的多种;所述耗能装置固有参数,包括耗能阀和耗能电阻的电气量参数和非电气量参数,其中,所述电气量参数,包括耗能电阻的阻值、电压、电流、频率及功率,耗能阀各子模块中主IGBT Km、辅助IGBT Ka、直流电容C、电容放电电阻Rd、稳压电阻R、续流二极管Df、快速恢复二极管Dr、保护击穿二极管Dp的电气量参数;所述电磁暂态过程测试数据,包括脉冲电流、耗能电阻电流、快速开关电流、耗能装置波形数据以及电流开断相位、开断电流中的多种。
...【技术特征摘要】
1.一种柔性直流耗能装置电磁暂态仿真数据驱动建模方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述相关测试数据,包括安装环境参数、耗能装置固有参数以及对应耗能装置动作前后的电磁暂态过程测试数据。
3.根据权利要求2所述的方法,其特征在于,所述安装环境参数,包括安装环境的气压、湿度和温度参数中的多种;所述耗能装置固有参数,包括耗能阀和耗能电阻的电气量参数和非电气量参数,其中,所述电气量参数,包括耗能电阻的阻值、电压、电流、频率及功率,耗能阀各子模块中主igbt km、辅助igbt ka、直流电容c、电容放电电阻rd、稳压电阻r、续流二极管df、快速恢复二极管dr、保护击穿二极管dp的电气量参数;所述电磁暂态过程测试数据,包括脉冲电流、耗能电阻电流、快速开关电流、耗能装置波形数据以及电流开断相位、开断电流中的多种。
4.根据权利要求3所述的方法,其特征在于,预处理所述相关测试数据得到数据提取结果,包括:
5.根据权利要求4所述的方法,其特征在于,利用所述数据提取结果建立时间样本数据集,包括:
6.根据权利要求5所述的方法,其特征在于,所述方法,还包括构建所述神经...
【专利技术属性】
技术研发人员:张钧阳,孙栩,陈怡静,赵良,李春华,李铮,彭程,郭小江,
申请(专利权)人:中国华能集团清洁能源技术研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。