【技术实现步骤摘要】
本专利技术涉及变流器测试，特别是一种储能变流器背靠背测试平台。
技术介绍
1、随着全球能源结构向低碳化和可持续发展方向转型，电力系统中储能技术的重要性日益凸显，储能变流器作为电力电子设备的重要组成部分，在电网调频、调峰、动态无功补偿及新能源并网等场景中扮演着关键角色，近年来，储能变流器技术取得了长足进步，逐渐由传统单向变流模式向更加灵活的双向能量流动控制方向发展，其中，背靠背变流器架构因具备能量双向流动特性，广泛应用于储能系统测试和电网交直流互联领域；
2、传统储能变流器测试平台主要依赖于恒定负载或单次能量流动方向测试，难以全面反映变流器在复杂工况下的动态响应特性及电容器的健康状态，首先传统测试系统通常采用固定负载或离散负载进行变流器性能验证，难以实现对负载动态变化条件下电容器状态的全面监测，导致系统测试覆盖率有限，其次，现有的电容健康监测多依赖于单一模型预测或简单经验公式，缺乏对复杂负载环境下电容器衰减规律的深入分析，容易因模型偏差导致电容器失效预测不准确，进而引发系统故障，此外，在变流器功率分配方面，现有技术尚未充分利用深度学习算法进行多维度负载特征提取和实时功率流优化调度，导致负载分配不均，系统整体运行效率低下，尤其在大功率负载突变或功率循环测试过程中，传统系统难以及时调整变流器输出功率，容易造成电容器过载，缩短设备寿命。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种储能变流器背靠背测试平台解决传统测试系
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种储能变流器背靠背测试平台，其包括：
5、数据采集模块，采用电压源变流器接入电网，采集不同负载条件数据；
6、电容健康预测模块，构建深度学习模型提取特征，并计算适应度函数进行电容状态值预测；
7、冗余控制路径模块，构建冗余控制路径进行备份电容状态预测；
8、负载平衡模块，基于电容值的预测，根据实时功率流优化平衡变流器的负载；
9、数据同步模块，通过功率监测单元进行数据同步监测；
10、数据模拟模块，构建虚拟仿真模型进行数据模拟；
11、温度管理模块，根据温度变化，动态调整散热策略；
12、能量存储模块，进行能力回馈存储实现能力循环。
13、作为本专利技术所述储能变流器背靠背测试平台的一种优选方案，其中：所述采用电压源变流器接入电网指采用组成电压源背靠背变流器vsc，其中包括两台双向电压源逆变器，第一双向电压源逆变器的交流输出端接入电网侧，第二双向电压源逆变器的交流输出端接入负载侧。
14、作为本专利技术所述储能变流器背靠背测试平台的一种优选方案，其中：所述采集不同负载条件数据基于不同负载条件进行数据采集，通过电压传感器、电流传感器、温度传感器和电容等效串联电阻esr传感器进行电压、电流、温度和电阻的数据记录；
15、在直流母线上引入高频采样电路，将电压脉动信号传输至adc采样器；
16、对直流母线电压进行快速傅里叶变换，提取高频电压频谱特征数据，通过滑动窗口机制进行存储；
17、数据存储采用双通道备份机制，主存储通道为内部存储器，备份通道为外置存储设备。
18、作为本专利技术所述储能变流器背靠背测试平台的一种优选方案，其中：所述构建深度学习模型提取特征，并计算适应度函数进行电容状态值预测，基于卷积神经网络构建深度学习模型，包括输入层、卷积层和输出层；
19、基于不同负载条件采集的数据作为训练数据进行模型训练，选择交叉熵损失函数计算cnn预测的类别概率与实际标签之间的计算损失，使用adam优化器进行梯度下降优化，更新cnn模型的权重参数，在连续迭代过程中模型的损失不再明显下降则停止迭代；
20、基于新采集的变流器测试数据，输入深度学习模型，并针对模型输出数据采用主成分分析pca进行降维；
21、利用粒子群优化pso算法，寻优支持向量回归svr模型的超参数，将pca降维后特征矩阵作为svr模型的输入；
22、基于粒子群优化pso算法设置粒子群规模包括三个分类，基于历史数据确定并分别表示svr模型的超参数，包括惩罚因子、核函数参数和允许误差范围；
23、基于随机初始化粒子的超参数进行svr模型训练，计算当前粒子对应的svr模型在测试集上的均方根误差rmse为适应度函数；
24、同时进行粒子位置与速度更新，并进行迭代计算，在连续迭代过程中的下降损失不再明显时，则停止迭代，选择rmse最小的粒子对应的svr模型作为最终模型；
25、基于新采集的变流器运行数据通过svr模型输出对应时间点电容器的等效电容值，并将连续时间内的多次电容预测值拟合成衰减曲线，进行电容状态值预测。
26、作为本专利技术所述储能变流器背靠背测试平台的一种优选方案，其中：所述构建冗余控制路径进行备份电容状态预测，将svr模型的输出作为主控制路径，并引入双控制路径添加冗余控制路径；
27、基于变流器健康预测的衰减曲线数据，通过最小二乘法拟合构建一维线性回归模型，表示为：
28、；
29、；
30、；
31、其中表示线性电容预测值，表示时间，a表示回归直线的斜率，b表示回归直线的截距，表示衰减曲线的数据点数量，表示第i个时间点数据，表示第i个时间点的svr模型输出值，和分别表示和的平均值；
32、实时比较svr模型输出于冗余控制路径预测输出结果，基于历史误差值的均值与标准差的和作为偏差阈值，若实时比较结果大于等于偏差阈值，则判断为偏差较大，并切换采用冗余控制路径的预测输出结果。
33、作为本专利技术所述储能变流器背靠背测试平台的一种优选方案，其中：所述基于电容值的预测，根据实时功率流优化平衡变流器的负载，根据电容值的预测进行动态分配变流器输出功率，通过电压传感器和电流传感器，实时监测母线电压和变流器当前输出功率；
34、基础droop控制根据实际电压与设定电压的差值计算变流器当前输出功率，表示为：
35、；
36、其中表示变流器i在时间t的输出功率，表示变流器i的最大输出功率，k表示droop本文档来自技高网...
【技术保护点】
1.一种储能变流器背靠背测试平台，其特征在于，包括：
2.如权利要求1所述的储能变流器背靠背测试平台，其特征在于：所述采用电压源变流器接入电网指采用组成电压源背靠背变流器VSC，其中包括两台双向电压源逆变器，第一双向电压源逆变器的交流输出端接入电网侧，第二双向电压源逆变器的交流输出端接入负载侧。
3.如权利要求2所述的储能变流器背靠背测试平台，其特征在于：所述采集不同负载条件数据基于不同负载条件进行数据采集，通过电压传感器、电流传感器、温度传感器和电容等效串联电阻ESR传感器进行电压、电流、温度和电阻的数据记录；
4.如权利要求3所述的储能变流器背靠背测试平台，其特征在于：所述构建深度学习模型提取特征，并计算适应度函数进行电容状态值预测，基于卷积神经网络构建深度学习模型，包括输入层、卷积层和输出层；
5.如权利要求4所述的储能变流器背靠背测试平台，其特征在于：所述构建冗余控制路径进行备份电容状态预测，将SVR模型的输出作为主控制路径，并引入双控制路径添加冗余控制路径；
6.如权利要求5所述的储能变流器背靠背测试平台，其特
7.如权利要求6所述的储能变流器背靠背测试平台，其特征在于：所述通过功率监测单元进行数据同步监测，在每个变流器中嵌入功率监测单元PMU，实时监测输出功率、电压、电流状态参数，并通过CAN总线与其他变流器通信，形成分布式监测网络；
8.如权利要求7所述的储能变流器背靠背测试平台，其特征在于：所述构建虚拟仿真模型进行数据模拟，通过数字孪生技术，基于MATLAB构建变流器及电容器的虚拟仿真模型；
9.如权利要求8所述的储能变流器背靠背测试平台，其特征在于：所述根据温度变化，动态调整散热策略，在电容器表面安装温度传感器，实时监测温度变化，设定电容器安全温度范围，将温度数据传输至主控变流器，根据温度变化动态调整散热策略；
10.如权利要求9所述的储能变流器背靠背测试平台，其特征在于：所述进行能力回馈存储实现能力循环指在背靠背测试过程中，将多余的能量回馈至储能设备中，通过电能计量装置，监测直流母线与电网之间的能量流动方向，在负载减少和系统过剩功率时，逆变器自动切换至能量回馈模式，将剩余功率回馈至电网和储能设备，实现能量的循环利用。
...【技术特征摘要】
1.一种储能变流器背靠背测试平台，其特征在于，包括：
2.如权利要求1所述的储能变流器背靠背测试平台，其特征在于：所述采用电压源变流器接入电网指采用组成电压源背靠背变流器vsc，其中包括两台双向电压源逆变器，第一双向电压源逆变器的交流输出端接入电网侧，第二双向电压源逆变器的交流输出端接入负载侧。
3.如权利要求2所述的储能变流器背靠背测试平台，其特征在于：所述采集不同负载条件数据基于不同负载条件进行数据采集，通过电压传感器、电流传感器、温度传感器和电容等效串联电阻esr传感器进行电压、电流、温度和电阻的数据记录；
4.如权利要求3所述的储能变流器背靠背测试平台，其特征在于：所述构建深度学习模型提取特征，并计算适应度函数进行电容状态值预测，基于卷积神经网络构建深度学习模型，包括输入层、卷积层和输出层；
5.如权利要求4所述的储能变流器背靠背测试平台，其特征在于：所述构建冗余控制路径进行备份电容状态预测，将svr模型的输出作为主控制路径，并引入双控制路径添加冗余控制路径；
6.如权利要求5所述的储能变流器背靠背测试平台，其特征在于：所述基于电容值的预测，根据实时功率流优化平衡变流器的负载，根据电容值的预测...
【专利技术属性】
技术研发人员：臧伟，李晓东，冯江涛，冀国平，孙浩，程光辉，
申请(专利权)人：上海铧原能源科技有限公司，
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。