基于机器学习技术对逆变器三相电压预测研究

随着新能源的开发,使用电能作为动力的产品逐渐的进入人们的生活之中,其中电动汽车作为近年来关注度最为广泛的新能源产品,其安全性也是人们关注的重点之一。本文就新能源汽车中的核心零件-三相电压逆变器的电压预测展开研究,为电动汽车的故障预测提供便利。本文中基于支持向量回归(Support Vector Regression,SVR)以及集成学习中XGBOOST两种神经网络模型对三相电压逆变器的电压预测进行了研究讨论,通过相关系数(R-Squared,R2)以及均方根误差(Root Mean Squard Error,RMSE)分别作为模型的评价指标,对两种模型的预测结果进行了分析,通过分析得出在特定参数下的XGBOOST对于三相电压逆变器的电压预测最为准确,其相关系数为0.99,均方根误差为4.6。因此,使用合适的机器学习技术可以为电力输出设备提供在线状态监测。

基于LSTM的三相电压不平衡监测

基于深度学习(DL)的三相电压不平衡度自动特征提取和预测方法由专用的长短期记忆(LSTM)网络组成,这是一种特殊的递归神经网络(RNN)。运用从某电网10kV进线侧采集到的海量三相电压不平衡度RMS序列。结果表明,提出的方法可以根据LSTM中的学习特征对三相电压不平衡度进行预测,在测试数据集上的预测精度为93.40%,开发的网络模型对于特征学习和不平衡度的预测是精确的。与常规的机器学习方法不同,当有大量测量数据可用时,本文所提出的方法能够学习倾角特征,而无需过渡事件分割选择阈值以及使用专家规则或人类专家知识。这为利用深度学习技术进行电能质量数据分析和分类开辟了新的可能性。

Finite Set-Model Predictive Current Control of Three-Phase Voltage Source Inverter for RES （Renewable Energy Systems） Applications

This paper focuses on a combination of three-phase VSI （voltage source inverter） with a predictive current control to provide an optimized system for three-phase inverters that control the load current. A FS-MPC （finite set-model predictive control） strategy for a three-phase VSI for RES （renewable energy systems） applications is implemented. The renewable energy systems model is used in this paper to investigate the system performance when power is supplied to resistive-inductive load. With three different cases, the evaluation of the system is done. Firstly, the robustness of control strategy under variable DC-Link is done in terms of the THD （total harmonic distortion）. Secondly, with one prediction step, the system performance is tested using different sampling time, and lastly, the dynamic response of the system with step change in the amplitude of the reference is investigated. The simulations and result analyses are carried out using Matlab/Simulink to test the effectiveness and robustness of FS-MPC for two-level VSI with AC filter for resistive-inductive load supplied by a renewable energy system.