基于拓扑可转移网络的双有源桥变换器通用建模方法及装置

本发明属于电能变换器的，尤其涉及一种基于拓扑可转移网络的双有源桥变换器通用建模方法及装置。

背景技术：

1、随着现代电网的发展，电力电子系统在能源转换和管理中发挥着越来越关键的作用，准确且高效的电力电子建模对于确保系统的优化设计和运行至关重要。

2、目前的电力电子建模方法主要分为三类：白盒模型、黑盒模型和灰盒模型。白盒模型基于物理法则，如基尔霍夫定律，虽然可解释，但常因物理参数变化等问题导致模型不准确。黑盒模型依赖大量数据驱动，缺乏物理解释性，且对数据质量依赖性强。灰盒模型结合了以上两种模型的优点，提高了模型的通用性和解释性，但依然面临两大挑战：第一，如何在无需重新训练的情况下，严格保持模型的物理一致性；第二，如何量化环境波动，并实现模型的泛化。这些限制了模型的适应性和准确性，迫切需要新的建模技术来解决这些问题，以更好地适应快速变化的应用环境和不同电力电子拓扑结构。

3、专利文献cn117436333a公开了一种基于物理信息融合的电能变换器时域建模方法，包括以下步骤：根据目标电能变换器的拓扑结构和控制方式，获取对应的电路控制调制参数，电路输入变量以及电路状态变量，并通过电路物理公式推导目标电能变换器的电路状态空间方程表达；基于预设的采样间隔构建数据集；基于电路状态空间方程表达式构建循环神经网络；利用数据集对循环神经网络进行训练，以获得等效预测模型；将电路输入变量与期望的电路状态变量输入至等效预测模型，以预测下一时刻的电路状态变量。该方法将电路状态空间方程引入预构建的模型中，而模型本身也是针对特定电路系统进行构建，其泛化性不佳。

4、专利文献cn117150721a公开了一种基于数据驱动和实验增强的电能变换器调制方法，包括以下步骤：获取仿真性能指标和对应的仿真调制数据，以及实际实验测定的真实性能指标和对应的实验调制数据；基于极端梯度提升算法构建预测模型，并采用仿真性能指标和对应的仿真调制数据对预测模型进行训练；将实验调制数据输入至训练后的预测模型中，以获得预测性能指标；采用极端梯度提升算法分析预测性能指标与真实性能指标之间的差别，以获得对应的误差校正参数；将误差校正参数引入训练后的预测模型输出端，以获得最佳预测模型。该方法基于数据实物实验数据对极端提升算法进行训练，但该方法仅能针对特定拓扑结构，模型泛化性不佳。

技术实现思路

1、本发明的目的是提供一种基于拓扑可转移网络的双有源桥变换器通用建模方法及装置，该方法通过优化电路系统的模型构建过程，从而简化不同拓扑结构的系统模型转换过程。

2、为了实现本发明的第一个目的，提供了如下技术方案：一种基于拓扑可转移网络的双有源桥变换器通用建模方法，包括以下步骤：

3、基于双有源桥变换器构建不同拓扑结构的拓扑图，以及所述拓扑图对应的电路参数以及调制策略；

4、根据每个拓扑结构和对应的调制策略通过专家系统，以生成对应拓扑结构的开关驱动信号和各桥臂两端电压的波形图，基于各个拓扑的电路物理信息推导每个拓扑的大信号状态空间方程并进行离散化；

5、选取一种拓扑结构作为源领域拓扑，其余拓扑结构作为目标领域拓扑，并采集源领域拓扑对应系统运行时随时间变化的电感电流和电容电压，将当前时间节点的电感电流和电容电压，与专家系统所生成波形图中下一时间节点的开关驱动信号和各桥臂两端电压组成基于时间变化的数据集；

6、基于源领域拓扑所在系统的电路物理信息和离散化后的大信号状态空间方程构建拓扑可转移物理结构网络；

7、利用数据集对拓扑可转移物理结构网络进行训练，以对所述拓扑可转移物理结构网络的参数进行更新；

8、利用预测的和真实的电感电流和电容电压值对预构建的混合密度神经网络进行训练，以对所述混合密度神经网络的参数进行更新；

9、将训练获得的拓扑可转移物理结构网络和混合密度神经网络组合，以获得拓扑可转移网络；

10、针对待研究拓扑结构，将训练获得的拓扑可转移网络转移至待研究拓扑结构中，以实现对目标领域拓扑电感电流和电容电压的建模。

11、本发明采用的拓扑可转移网络通过将拓扑可转移物理结构网络和混合密度神经网络进行结合，其中拓扑可转移物理结构网络通过离散数值方法将电路物理集成到递归神经结构中，其可变性的架构支持少数据和零数据拓扑传输，很容易的实现了拓扑转移。混合密度神经网络通过混合高斯分布量化了环境波动。拓扑可转移物理结构网络和混合密度神经网络的协同配合从而实现各种转换器拓扑的通用建模并实现灵活的拓扑转移。

12、具体的，所述拓扑包括单电感拓扑、谐振拓扑、多电平拓扑以及多端口拓扑。

13、具体的，所述大信号状态空间方程表达式如下：

14、

15、其中，θ为可配置的电路参数，所述电路参数包括电感，负载电阻以及变压器变比，x(t)和u(t)分别代表电路的状态变量和输入变量，g(u(t)；θ)和h(u(t)；θ)为表征x(t)和u(t)行为的时变非线性函数。

16、具体的，所述大信号状态空间方程离散化采用反向欧拉方法，表达式如下：

17、

18、其中，δtk为信号两次采样时间间隔，x(t)和u(t)分别代表电路的状态变量和输入变量，g(u(t)；θ)和h(u(t)；θ)为表征x(t)和u(t)行为的时变非线性函数。

19、具体的，所述电路相关性能指标包括软开关范围及电流峰峰值应力。

20、具体的，所述拓扑可转移物理结构网络包括特征提取模块，数据融合模块以及预测模块：

21、所述特征提取模块沿时间序列提取各桥臂两端电压和开关驱动信号以及电感电流和电容电压的波形图特征；

22、所述数据融合模块将提取的波形图特征与嵌入的电路物理信息进行融合，以输出对应的融合特征；

23、所述预测模块根据获得的融合特征，以预测下一时刻的电感电流和电容电压；

24、利用数据集对拓扑可转移物理结构网络进行训练并在训练过程中优化源领域拓扑电路或控制参数，以获得用于预测下一时刻电感电流和电容电压与时间变化关系的最佳预测模型和对应源领域拓扑所在系统的电路参数。

25、具体的，所述将训练获得的拓扑可转移网络转移至待研究拓扑结构中是通过将拓扑可转移物理结构网络中原有的大信号状态空间方程与对应专家系统将替换为目标拓扑结构的大信号状态空间方程与对应专家系统，以实现转移建模。

26、为了实现本发明的第二目的，提供了如下技术方案：一种双有源桥变化器拓扑转移建模装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器用于执行上述的基于拓扑可转移网络的双有源桥变换器通用建模方法。

27、与现有技术相比，本发明的有益效果：

28、采用将拓扑可转移物理结构网络与混合密度神经网络相结合，以构建特定的物理驱动和数据驱动的混合驱动结构，该结构不仅能减少训练所需的数据量，同时也能极大提高相应模型的可解释性；

29、基于该混合驱动结构而构建的模型，能进一步优化双有源桥变换器的模型构建过程，同时也能简化不同拓扑结构下模型之间的切换过程。