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)、設備及介質(zhì)。

背景技術：

1、隨著電網(wǎng)阻抗的實時變化及并網(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，導致并網(wǎng)逆變器系統(tǒng)失穩(wěn)風險加劇。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)無法適應電網(wǎng)工況的動態(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)逆變器更適應電網(wǎng)動態(tài)工況。可以采用建模解析的方法進行參數(shù)的在線整定。比如，可以采用穩(wěn)定性判據(jù)解析推導控制環(huán)帶寬的穩(wěn)定邊界，或者設計一套用于控制環(huán)增益的設計準則，在電網(wǎng)阻抗變化時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)整策略依賴小信號模型及實時電網(wǎng)阻抗測量。存在以下局限性：1.傳統(tǒng)的小信號模型通常忽略了影響系統(tǒng)穩(wěn)定性的關鍵非線性因素，比如：開關效應、鎖相環(huán)動態(tài)特性及諧波控制，且多臺并聯(lián)逆變器系統(tǒng)的建模復雜度顯著增加；2.在線阻抗測量需要在響應速度、測量精度與擾動大小之間進行權衡，限制了其在線實時應用。

3、基于數(shù)據(jù)驅(qū)動的參數(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)參方法已成功應用于外環(huán)功率控制與直流母線電壓控制，其以積分時間絕對誤差為適應度函數(shù)，確保系統(tǒng)對擾動的快速平滑響應。然而，此類方法雖無需精確小信號模型與實時阻抗測量，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)在一段時間內(nèi)的運行數(shù)據(jù)計算適應度函數(shù)，而調(diào)參時間較長。另一類人工神經(jīng)網(wǎng)絡（artificial?neural?network，ann）結(jié)合在線參數(shù)搜索技術，將電流控制環(huán)與鎖相環(huán)的控制參數(shù)映射至閉環(huán)極點位置，并在動態(tài)電網(wǎng)條件下最小化實際極點與參考極點的偏差以維持穩(wěn)定，但此類方法需實時測量電網(wǎng)阻抗。

技術實現(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)、設備及介質(zhì)，可以解決現(xiàn)有參數(shù)整定方法調(diào)參時間較長或需實時測量電網(wǎng)阻抗的問題。

2、為解決上述技術問題，本發(fā)明的實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應電網(wǎng)阻抗工況下的目標控制參數(shù)，對參數(shù)推理模型進行離線訓練；

6、實時獲取并網(wǎng)逆變器的輸出電流，并將實時獲取的輸出電流輸入訓練好的參數(shù)推理模型中，得到對應的目標控制參數(shù)；

7、通過參數(shù)推理模型輸出的目標控制參數(shù)，對并網(wǎng)逆變器的控制參數(shù)進行在線整定。

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

9、；

10、式中， t i( k)表示第 k次迭代中粒子 i的適應度值， ts表示 d軸輸出電流 i d進入并保持在預設的穩(wěn)態(tài)值允許誤差范圍的時刻， t0表示電網(wǎng)阻抗突變的時刻， 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：依次將每個粒子的位置輸入到電路仿真模型中，運行電路仿真模型，并記錄實時運行數(shù)據(jù)；

15、s4：根據(jù)實時運行數(shù)據(jù)和適應度函數(shù)，計算每個粒子的適應度值；

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

17、s6：更新下一次迭代中每個粒子的速度和位置；

18、s7：判斷全局最優(yōu)解的適應度是否小于預設的嚴格閾值，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)解的適應度是否小于預設的寬松閾值，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、位置以及對應的電網(wǎng)阻抗；

23、s12：將全局最優(yōu)解設置為新一輪電網(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)絡結(jié)構由長短期記憶網(wǎng)絡和人工神經(jīng)網(wǎng)絡構成，所述將實時獲取的輸出電流輸入訓練好的參數(shù)推理模型中，得到對應的目標控制參數(shù)，包括：

26、通過兩個長短期記憶網(wǎng)絡分別提取實時獲取的輸出電流中 d軸輸出電流和 q軸輸出電流的時序特征；

27、通過一個兩層人工神經(jīng)網(wǎng)絡提取 d軸輸出電流和 q軸輸出電流的全局特征；

28、將時序特征和全局特征融合，得到融合特征；

29、通過一個四層人工神經(jīng)網(wǎng)絡根據(jù)融合特征輸出對應的目標控制參數(shù)。

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

31、確定實時獲取的輸出電流中 d軸輸出電流相對于預設的 d軸輸出電流穩(wěn)態(tài)值的偏差超過預設的偏差閾值。

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應電網(wǎng)阻抗工況下的目標控制參數(shù)，對參數(shù)推理模型進行離線訓練，包括：

33、將并網(wǎng)逆變器在不同電網(wǎng)阻抗工況下的目標控制參數(shù)作為多個標簽，并建立標簽與目標控制參數(shù)一一對應的查找表；

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應的多個標簽，對參數(shù)推理模型進行離線訓練；

35、所述將實時獲取的輸出電流輸入訓練好的參數(shù)推理模型中，得到對應的目標控制參數(shù)，包括：

36、將實時獲取的輸出電流輸入訓練好的參數(shù)推理模型中，得到對應的標簽；

37、根據(jù)參數(shù)推理模型輸出的標簽從查找表中查找對應的目標控制參數(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)阻抗工況下的目標控制參數(shù)；

42、優(yōu)化模型訓練模塊，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應電網(wǎng)阻抗工況下的目標控制參數(shù)，對參數(shù)推理模型進行離線訓練；

43、控制參數(shù)獲取模塊，用于實時獲取并網(wǎng)逆變器的輸出電流，并將實時獲取的輸出電流輸入訓練好的參數(shù)推理模型中，得到對應的目標控制參數(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控制參數(shù)，對并網(wǎng)逆變器的控制參數(shù)進行在線整定。

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

46、本發(fā)明的實施例還提供了一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(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)阻抗工況下的目標控制參數(shù)，該目標控制參數(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)，目標控制參數(shù)與輸出電流構成離線數(shù)據(jù)集對參數(shù)推理模型進行訓練，則訓練好的參數(shù)推理模型可以根據(jù)并網(wǎng)逆變器實時的輸出電流，輸出對應的目標控制參數(shù)，通過該目標控制參數(shù)即可實現(xiàn)并網(wǎng)逆變器控制參數(shù)的整定。

49、本發(fā)明相當于建立了并網(wǎng)逆變器不同電網(wǎng)阻抗工況下的輸出電流及對應電網(wǎng)阻抗工況下控制參數(shù)之間的映射關系，通過粒子群優(yōu)化算法離線預計算+參數(shù)推理模型在線推理，將參數(shù)整定從“實時搜索”轉(zhuǎn)換為“映射查找”，耗時更短，實現(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，避開了在線時間壓力。同時，參數(shù)推理模型僅將實時電流作為輸入，不需要額外變量，例如電網(wǎng)阻抗。