一种智能化双向电源稳定输出控制系统及方法与流程

本发明涉及电源输出控制，具体为一种智能化双向电源稳定输出控制系统及方法。

背景技术：

1、随着全球对可再生能源的日益关注和利用，风力发电作为一种清洁、可持续的能源形式，在世界范围内得到了广泛的推广和应用。在风力发电系统中，电源管理系统发挥着至关重要的作用，特别是在电能转换和储存环节。双向dc-dc变换器，作为一种能在buck（降压）和boost（升压）两种模式下运行的电源转换设备，被广泛应用于风力发电系统的电能转换过程中，以满足不同电源需求。

2、然而，风力发电系统面临着复杂多变的运行环境，包括风速的波动、气温的变化、电网负荷的变动等。这些变化直接影响到双向dc-dc变换器的工作效率和稳定性。传统的双向dc-dc变换器控制系统主要依赖人工设定的固定控制参数，如开关频率、占空比、电感电流极限、输出电压参考等，以实现电源的稳定输出。但在复杂多变的风力发电环境中，固定参数设置往往难以应对各种情况，无法保证电源输出的稳定性和效率。为此，我们提出一种智能化双向电源稳定输出控制系统及方法。

技术实现思路

1、本发明的目的在于提供一种智能化双向电源稳定输出控制系统及方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种智能化双向电源稳定输出控制系统，包括数据感知层、数据处理层、智能决策层和控制执行层；

3、所述数据感知层包括环境感知模块和电源状态感知模块；所述环境感知模块用于实时监测风力发电系统的环境参数，并将所述环境参数发送至数据预处理层；所述电源状态感知模块用于实时监测双向dc-dc变换器的工作状态参数，并将所述工作状态参数发送至数据预处理层；

4、所述数据预处理层包括数据清洗模块，所述数据清洗模块负责清洗数据感知层收集到的原始数据，去除异常值和重复数据，并将清洗后的数据发送至智能决策层；

5、所述智能决策层包括机器学习模块和决策优化模块；所述机器学习模块用于利用接收的数据进行实时预测，自动优化和调整双向dc-dc变换器的控制参数，所述机器学习模块包括模型训练子模块和模型预测子模块，其中模型训练子模块利用历史数据进行训练，模型预测子模块根据实时数据进行预测；所述决策优化模块用于根据机器学习模块的预测结果，结合电源系统的实际需求和安全约束，生成最终的控制指令，并将控制指令发送至控制执行层；

6、所述控制执行层包括控制指令解析模块和双向dc-dc变换器控制模块；所述控制指令解析模块用于接收并解析控制指令，将解析后的控制指令转换为具体的控制信号；所述双向dc-dc变换器控制模块用于根据接收的控制信号调整双向dc-dc变换器的工作参数，以实现电源的稳定输出，所述双向dc-dc变换器控制模块包括buck模式控制子模块和boost模式控制子模块，分别用于在降压模式和升压模式下调整控制参数。

7、优选的，所述环境感知模块实时监测的环境参数包括风速、风向和气温数据；

8、所述电源状态感知模块实时监测的工作状态参数包括工作模式、输入电压、输出电压、输入电流、输出电流、功率和开关状态；其中输入电压指的是变换器接入的直流电源电压，输出电压是变换器输出的直流电压；输入电流是流入变换器的电流，输出电流是从变换器流出的电流；功率是变换器输入或输出的电能与时间的比值；开关状态指的是变换器中开关元件的导通与关断状态。

9、优选的，双向dc-dc变换器调整的工作参数包括开关频率、占空比、电感电流极限、电流环带宽、电压环带宽、同步整流控制和移相控制。

10、优选的，所述模型训练子模块构建和训练一个参数调整预测模型，具体步骤包括：

11、步骤一：收集双向dc-dc变换器在风力发电系统中的运行数据，包括环境参数、工作状态参数以及对应的控制参数；

12、步骤二：对收集的数据进行预处理，包括通过数据清洗去除异常值、重复数据或无效数据，通过数据标准化和归一化消除量纲差异对模型训练的影响，形成规整的数据集；将处理后的数据集划分为训练集、验证集和测试集，其中训练集用于模型的训练，验证集用于模型效果的验证和优化，测试集用于在未知数据集上验证模型的泛化能力；

13、步骤三：选择适合的机器学习模型，该模型能够基于输入的环境参数和工作状态参数预测和优化双向dc-dc变换器的控制参数；

14、步骤四：为所选预测模型设定初始参数，准备进行训练；

15、步骤五：使用训练集对参数调整预测模型进行训练，通过优化算法不断调整模型参数，以最小化预测控制参数与实际控制参数之间的差距；使用验证集对训练好的模型进行验证，根据验证结果调整模型参数或结构；使用测试集通过设定的评估指标对优化后的模型进行全面评估，确保模型性能达到预期标准；

16、步骤六：保存训练并验证完成的参数调整预测模型，以供后续在智能决策层中实时预测和优化双向dc-dc变换器的控制参数使用。

17、优选的，选择线性回归模型构建参数调整预测模型，线性回归模型的算法公式如下：

18、

19、其中，y是目标变量，代表双向dc-dc变换器的控制参数， 是输入变量，代表环境参数和电源状态参数； 是回归系数，通过模型训练确定； 是截距项，截距项表示在没有任何环境影响和电源状态参数时，双向dc-dc变换器的控制参数的基础值；是误差项；模型训练的目的是估计回归系数，使得预测值和真实值的误差最小；所述模型训练子模块在初始化模型参数时，为线性回归模型中的每一个特征  对应的参数  赋予一个初始值，初始值设为接近于0的随机数，同时为截距项  也赋予一个初始值；这些初始参数值将作为模型训练的起点，通过后续的训练过程不断优化和调整；

20、所述模型训练子模块使用训练集中的数据，通过梯度下降算法，不断迭代更新线性回归模型的参数，以最小化真实值与预测值之间的损失函数值；在每次迭代中，根据损失函数对模型参数的梯度信息，调整模型参数的值，直至损失函数收敛或达到预设的迭代次数。

21、优选的，所述模型训练子模块使用测试集中的数据，计算模型预测值与实际值之间的误差指标；并通过误差指标综合评估模型的预测准确性、稳定性和泛化能力，从而确定线性回归模型在预测任务中的性能表现。

22、优选的，所述误差指标包括均方误差、平均绝对误差和决定系数r²。

23、优选的，所述数据清洗模块接收数据感知层收集到的原始数据，并对每一类参数设定合理的数值范围，遍历原始数据，将超出设定范围的数值标记为异常值，从原始数据中移除被标记为异常值的数据。

24、优选的，所述数据清洗模块对清洗过异常值的数据进行排序，并遍历排序后的数据，比较相邻数据是否完全相同；若相邻数据完全相同，则标记为重复数据；从数据中移除被标记为重复的数据。

25、优选的，一种智能化双向电源稳定输出控制系统的使用方法，所述使用方法包括：

26、s1：通过数据感知层实时监测并收集风力发电系统的环境参数和双向dc-dc变换器的工作状态参数；其中环境参数包括风速、风向和气温，工作状态参数包括输入电压、输出电压、输入电流、输出电流、功率以及开关状态；

27、s2：数据预处理层接收来自数据感知层的原始数据，通过数据清洗模块进行数据清洗，去除异常值和重复数据，确保数据的有效性和准确性；

28、s3：清洗后的数据被传送至智能决策层，其中的机器学习模块利用这些数据进行实时预测；机器学习模块首先通过模型训练子模块，使用历史数据对模型进行训练，优化模型参数，随后模型预测子模块根据实时数据进行预测，自动优化和调整双向dc-dc变换器的控制参数；

29、s4：决策优化模块根据机器学习模块的预测结果，综合考虑电源系统的实际需求和安全约束，生成最终的控制指令；

30、s5：控制执行层接收来自决策优化模块的控制指令，通过控制指令解析模块将指令解析为具体的控制信号；

31、s6：双向dc-dc变换器控制模块根据接收到的控制信号，调整变换器的工作参数，包括buck模式下的降压控制参数和boost模式下的升压控制参数。

32、与现有技术相比，本发明的有益效果是：

33、1，提高电源输出的稳定性和效率：通过引入机器学习算法，系统能够自动优化和调整双向dc-dc变换器的控制参数，从而使其能够在复杂多变的风力发电环境下实现电源的高效稳定输出。这种智能化的参数调整方式相比传统的人工设定固定参数的方式，更能适应各种环境变化，显著提高电源输出的稳定性和效率。

34、2，增强系统的自适应能力：由于系统能够实时监测并响应风力发电系统的环境参数和双向dc-dc变换器的工作状态参数，因此具有强大的自适应能力。无论风速如何波动、气温如何变化，或者电网负荷如何变动，系统都能通过机器学习模块进行实时预测和调整，确保电源的稳定输出。

35、3，提升系统的智能化水平：本发明的控制系统通过数据感知层、数据处理层、智能决策层和控制执行层的协同工作，实现了电源管理的全面智能化。这不仅降低了人工干预的需求，还提高了整个系统的可靠性和运行效率。

36、4，延长设备使用寿命：由于系统能够实时调整双向dc-dc变换器的控制参数，避免了设备在恶劣环境下长时间运行可能造成的损坏，从而有效延长了设备的使用寿命。