本申请提供了一种基于模型微调技术的谐振变换器的阻抗在线辨识方法及装置,包括:根据输入串联输出并联型LLC变换器的结构推导理论阻抗模型,并构建BPNN网络;获取多工作点下的理论阻抗模型的理论参数数据,形成第一数据集,并根据第一数据集对BPNN网络进行训练,得到预训练模型;通过扫频法获取LLC变换器在多个工作点下的测量参考数据,形成第二数据集;根据第二数据集对预训练模型进行训练,得到在线阻抗辨识模型;向在线阻抗辨识模型输入待辨识工作点下的输入参数,得到输入串联输出并联型LLC变换器的等值阻抗幅值与相角。能够有效提高海底LLC变换器的阻抗辨识效率和准确性,便于在线分析系统稳定性。
背景技术
海底中低压直流供电系统的稳定运行是海底科学观测网正常工作的保障。在海底中低压直流供电系统中,岸基站模块化多电平换流器(Modular Multilevel Converter,MMC)与主接驳盒之间由阻值较大的光电复合电缆相连,远距离传输电力时电缆的压降较大,显著影响了电能传输效率。因此,主接驳盒常选用能适应宽范围电压输入、电能变换效率较高的输入串联输出并联(input-series output-parallel,ISOP)型LLC变换器,并根据不同的输入电压调整各LLC子模块的工作状态,确保整个系统稳定运行。
在实际工程中,海底LLC变换器多为黑箱,内部控制参数与电路结构不可知。因此,根据变换器结构和参数推导等值阻抗的建模方法不能直接用于海底系统的稳定性分析。扫频法可向运行的系统中持续注入扰动信号,通过测量扰动信号的电压电流响应计算阻抗值的方法。但是,在海底环境中进行数据采集较为困难,能采集到的数据样本少。因此,扫频法并不适用于多工作点下海底LLC变换器的阻抗辨识。近年来,数据驱动的阻抗建模方法被广泛用于稳定性分析,通过向人工神经网络(Artificial Neural Network,ANN)等神经网络输入大量的相关数据,构建变换器工作点与等值阻抗值之间的非线性映射关系,以实现等值阻抗的在线辨识。如此数据样本的体量会显著影响辨识的效果。
实现思路