本發(fā)明屬于參數(shù)辨識，具體涉及基于物理信息機器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識方法。

背景技術(shù)：

1、由于在電動汽車儲能系統(tǒng)中，很難有單一能量源可以同時滿足高能量密度和高功率密度的要求，因此需要采用高能量密度的鋰電池和高功率密度的超級電容進行合理搭配，在能量管理策略的配合下，對蓄電池和超級電容進行合理的功率分配，以充分發(fā)揮蓄電池的能量特性和超級電容的功率特性，在節(jié)約能源的同時，又能很好的滿足電動汽車對于續(xù)航能力和動力性能的要求。由于兩種能量源的充放電特性不同，為了減少蓄電池大功率充放電的壓力，需要在復(fù)合儲能系統(tǒng)中加入雙向dc/dc變換器，用來控制調(diào)節(jié)蓄電池和超級電容兩者間的充放電電流和輸入輸出電壓以優(yōu)化二者之間的工作配合。使用兩個雙向dc/dc變換器可以實現(xiàn)對蓄電池和超級電容更有效和可控的功率分配，有效穩(wěn)定直流母線電壓。

2、當(dāng)雙向dc/dc變換器長期工作在不同應(yīng)用環(huán)境時，其內(nèi)部的關(guān)鍵元器件如：電解電容、電感、絕緣柵雙極型晶體管、金氧半場效晶體管等，在外界環(huán)境應(yīng)力(如工作溫度、濕度、振動及輻射等)以及內(nèi)部電應(yīng)力的共同作用下，元器件參數(shù)值將逐漸偏離正常容差范圍而引起軟故障。在軟故障發(fā)生的初期，由于故障特征微弱不易被察覺，所以常被忽略；隨著元器件偏差程度的逐漸增加，參數(shù)偏差超過元器件的失效閾值時，將會使實際電路與理論模型產(chǎn)生巨大偏差，進而影響系統(tǒng)的控制策略效果以及故障診斷方法的準(zhǔn)確性，產(chǎn)生誤診斷。因此對雙向dc/dc變換器中的電子器件進行參數(shù)辨識有著十分重要的意義。

技術(shù)實現(xiàn)思路

1、為了解決上述背景技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種基于物理信息機器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識方法，該方法能夠用較少的訓(xùn)練樣本實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，有效地減少了計算負(fù)擔(dān)、增強了預(yù)測透明度。

2、具體的，本發(fā)明提供了一種基于物理信息機器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識方法，所述方法包括如下步驟：

3、s1、構(gòu)建雙向dc/dc變換器的系統(tǒng)動力學(xué)模型，所述雙向dc/dc變換器為用于控制調(diào)節(jié)蓄電池和超級電容兩者間的充放電電流和輸入輸出電壓的變換器；

4、s2、利用隱式龍格-庫塔方法，構(gòu)造出數(shù)據(jù)中間態(tài)與初始態(tài)和結(jié)束態(tài)的關(guān)系，并將其用于所述系統(tǒng)動力學(xué)模型中，對其中的未知量進行求解；

5、s3、構(gòu)建物理信息神經(jīng)網(wǎng)絡(luò)，其由深度神經(jīng)網(wǎng)絡(luò)構(gòu)成的數(shù)據(jù)驅(qū)動和物理模型兩部分組成；其中，所述物理模型利用步驟s2的求解方法根據(jù)數(shù)據(jù)驅(qū)動部分的輸出得到所述物理信息神經(jīng)網(wǎng)絡(luò)的預(yù)測值；

6、將所述雙向dc/dc變換器中的待辨識參數(shù)作為所述物理信息神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)驅(qū)動部分的參數(shù)，通過反向傳播方法訓(xùn)練所述物理信息神經(jīng)網(wǎng)絡(luò)中的所有參數(shù)；

7、s4、利用訓(xùn)練好的所述物理信息神經(jīng)網(wǎng)絡(luò)實現(xiàn)對所述雙向dc/dc變換器的在線參數(shù)辨識。

8、作為本發(fā)明的進一步說明，所述步驟s1的系統(tǒng)動力學(xué)模型構(gòu)建過程具體包括如下步驟：

9、s11、通用的系統(tǒng)動力學(xué)模型：

10、ut+n[u；λ]＝0,x∈ω，t∈[0,t]?(1)

11、f＝ut+n[u；λ]?(2)

12、其中u＝u(x,t)是微分方程的解，x為空間坐標(biāo)，t為時間坐標(biāo)；

13、s12、依據(jù)s11的系統(tǒng)動力學(xué)模型構(gòu)建出所述雙向dc/dc變換器的系統(tǒng)動力學(xué)模型：

14、

15、其中λ＝{l1，l2，r1，r2，co}為待辨識的元件參數(shù)；

16、式中，r1、l1、il1分別為蓄電池組的電阻值、電感值、電流值；

17、r2、l2、il2分別為超級電容組的電阻值、電感值、電流值；vbat、vsc分別為蓄電池的電壓以及超級電容的電壓；uo為直流母線輸出電壓、io為直流母線輸出電流值、co為直流母線濾波電容；μ01、μ23為兩個雙向dc/dc變換器的開關(guān)信號。

18、作為本發(fā)明的進一步說明，s2的具體步驟如下：

19、s21、關(guān)于隱式龍格-庫塔法，其中u為雙向dc/dc變換器中隨時間變化的數(shù)據(jù)，因此忽略其空間坐標(biāo)x，假設(shè)在ts內(nèi)，可觀測態(tài)u(tn)與u(tn+1)之間存在q個中間狀態(tài)u(tn+ci)，其中tn+ci＝tn+ci，ci∈[0,1]，i＝1，…，q，在隱式龍格-庫塔方法的框架下能與可觀測態(tài)u(tn)和u(tn+1)耦合，其函數(shù)關(guān)系可以表達為：

20、

21、其中i，j＝1，2，…，q，ui(tn)＝u(tn)，ui(tn+1)＝u(tn+1)，參數(shù){aij，bj，cj}在給定階數(shù)q的情況下由布徹表提供，其表達形式如下：

22、

23、s22、將結(jié)束態(tài)u(tn+1)以中間態(tài)u(tn+ci)的形式表示：

24、

25、s23、利用隱式龍格-庫塔法求解s12中的系統(tǒng)動力學(xué)方程。

26、作為本發(fā)明的進一步說明，s3的具體步驟如下：

27、s31、搭建物理信息神經(jīng)網(wǎng)絡(luò)，其由深度神經(jīng)網(wǎng)絡(luò)構(gòu)成的數(shù)據(jù)驅(qū)動和物理模型兩部分組成，其中，

28、所述數(shù)據(jù)驅(qū)動部分的輸入為蓄電池組電流il1(tn)、超級電容組電流il2(tn)、輸出電壓uo(tn)以及兩個雙向dc/dc變換器的開關(guān)信號μ01和μ23；所述數(shù)據(jù)驅(qū)動部分的輸出為輸入信號的中間態(tài)[il1(tn+c1)，…，il1(tn+cq)，il2(tn+c1)，…，il2(tn+cq)，uo(tn+c1)，…，uo(tn+cq)]；

29、所述物理模型部分用于將所述數(shù)據(jù)驅(qū)動部分輸出的中間態(tài)作為輸入，根據(jù)bddc的動態(tài)模型，將數(shù)據(jù)代入到前向方程公式(9)和后向方程公式(6)中，得到物理信息神經(jīng)網(wǎng)絡(luò)的預(yù)測值il1'(tn)、il1'(tn+1)、il2'(tn)、il2'(tn+1)、u'o(tn)、u'o(tn+1)，其中物理信息神經(jīng)網(wǎng)絡(luò)參數(shù)集θ＝{w,b,λ}，{w,b}為數(shù)據(jù)驅(qū)動部分的權(quán)重和偏置；

30、s32、構(gòu)建所述物理信息神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)：

31、

32、s33、采集所述物理信息神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練樣本集{il1、il2、uo、μ01、μ23}，將所述雙向dc/dc變換器中的待辨識參數(shù)作為所述物理信息神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)驅(qū)動部分的參數(shù)，通過反向傳播方法訓(xùn)練所述物理信息神經(jīng)網(wǎng)絡(luò)中的所有參數(shù)，最終輸出的監(jiān)督學(xué)習(xí)誤差分別通過物理模型部分和數(shù)據(jù)驅(qū)動部分傳播，以更新學(xué)習(xí)梯度。

33、作為本發(fā)明的進一步說明，s4的具體步驟如下：

34、將實時采樣值il1、il2、uo代入到訓(xùn)練好的所述物理信息神經(jīng)網(wǎng)絡(luò)中，實現(xiàn)對所述雙向dc/dc變換器的在線參數(shù)辨識。

35、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

36、本發(fā)明提供的基于物理信息機器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識方法，能夠用較少的訓(xùn)練樣本實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，有效地減少了計算負(fù)擔(dān)、增強了預(yù)測透明度。

37、下面通過附圖和實施例，對本技術(shù)方案的技術(shù)方案做進一步的詳細(xì)描述。