一種并網逆變器直流電容容值辨識方法

隨著“30·60碳達峰、碳中和”構想的提出與實施，以光伏、風電為代表的新能源發電機組大量接入電網.作為連接新能源與電網的關鍵設備，并網逆變器扮演著越來越重要的角色，然而以直流電容故障為主的核心器件故障導致其往往不能長期健康、穩定運行.直流電容故障主要是由于其材料老化導致的性能衰退，進而引起突發性故障，破壞逆變器正常運行.因此，對直流電容進行參數辨識，及時發現并更換老化電容，對并網逆變器穩定、可靠和經濟運行具有重要意義.

針對逆變器直流電容的參數辨識，國內外研究主要集中于離線辨識法、準在線辨識法以及在線辨識法.離線辨識法指在并網逆變器停機時，拆解直流電容，并利用LCR測量儀或設計硬件電路進行性能參數測量.由于該類方法需要拆解電容，工業應用中往往難以操作，實用性較低.在線辨識法可在并網逆變器工作時進行參數辨識，如文獻[7]利用高精度傳感器采集中頻段電容的紋波電壓和紋波電流，用于估計電容性能參數.文獻[8]通過在直流電容上注入特定頻率的電流激勵信號，利用電容響應的交流電壓信號進行電容參數的計算.該類在線識別方法通常需要改變逆變器控制算法，注入特定頻率信號，或安裝高精度傳感器測量直流電容的紋波，對已投產使用的并網逆變器而言，可行性較低.

試驗共設置5個處理(CK、T1、T2、T3、T4)，每個處理3次重復。5個處理中生物炭施加的質量百分比依次為0%、2%、4%、6%、8%。

考慮到電容老化進程十分緩慢，通常失效時間以年為單位，部分專家學者提出了針對直流電容的準在線參數辨識方法.該類方法應用于逆變器啟動、停機以及負載瞬態變化過程，其監測周期遠小于電容的老化失效周期，充分滿足參數辨識的頻率要求，且該類方法具有實現簡單、成本低、對逆變器工作狀態無干擾等優點，成為當下直流電容參數辨識技術的研究熱點.文獻[10]利用逆變器的卸荷電路，通過采集卸荷過程中的電容電壓放電曲線，結合電路數學模型，完成容值估計.該方法辨識精度較高，但需要增加硬件電路，不利于系統整體可靠性設計.文獻[11]通過分析負載變化時直流電壓的變化軌跡與電容性能參數變化之間的關系，實現了鋁電解電容參數辨識.該方法無需增加硬件，但辨識精度較低，無法滿足薄膜電容的高精度參數識別要求，而薄膜電容為目前逆變器采用的主流電容選型.

基于上述分析，本文提出一種基于預充電電路的并網逆變器直流電容準在線容值辨識方法，無需增加硬件電路和改變控制算法，即可實現對薄膜電容的參數辨識.首先分析預充電過程中網側電流與直流側電壓的數學關系，結合逆變器拓撲結構，確定容值辨識的數值表達式.結合歷史運行數據，構建電容狀態特征向量集合，用于訓練支持向量回歸(Support Vector Regression, SVR)模型，建立狀態特征值和容值的回歸預測關系；利用粒子群優化(Particle Swarm Optimization, PSO)算法優化SVR回歸模型參數，避免陷入局部最優，提升預測精度；優化后的模型可用于直流電容容值辨識；通過仿真和實驗對所述方法的有效性進行驗證.

(1)數據獲取.對預充電過程中的網側電流信號和直流電壓信號采樣，根據電路拓撲結構，對直流電流信號重構，并確定容值表達式，將采集的電氣信號數據儲存，用于后續特征向量構建和數據庫擴充.

1 電容特性與預充電電路

應用于并網逆變器的直流電容主要有兩種，分別為鋁電解電容(Aluminum Electrolytic Capacitance, AEC)和金屬薄膜電容(Metallized Film Capacitance, MFC).鋁電解電容具有能量密度高、成本低的優點，但可靠性較差，多用于低紋波電流的應用場合；金屬薄膜電容耐壓高、耐受紋波電流大，且串聯等效電阻相比鋁電解電容而言較小.隨著其成本逐漸降低，被越來越多地應用在并網逆變器中.圖1所示為薄膜電容簡化等效電路圖，圖中代表薄膜電容器等效電容；ESR代表等效串聯電阻；ESL代表等效串聯電感.

薄膜電容的ESR和ESL通常很小，可忽略其影響，且工業領域對薄膜電容的失效評價標準為容值降至標稱值的95%時，即可認為失效.因此，本文將薄膜電容器等效電容作為辨識目標進行研究，但所提方法不僅僅適用于薄膜電容器，還能夠適應于包含電解電容器在內的多種類型電容器的參數辨識.

根據變流器安全運行規范，啟動前，直流電容應處于完全放電狀態，電容和電壓接近為0，此時如果直接將逆變器接入電網，電網線電壓作用于直流電容會產生強大的沖擊電流，該沖擊電流大小遠遠超過功率模塊和直流電容等器件能承受的最大電流，造成不可逆損傷，減少器件壽命，嚴重情況下甚至會燒毀器件.因此，并網逆變器通常會配備預充電系統.圖2所示為目前主流的并網逆變器預充電電路，圖中：代表電網等效電源；代表網側變流器與電網連接的斷路器；代表預充電電路斷路器；代表濾波器電感；代表預充電電阻，用于限流，防止沖擊電流過大；代表直流電流；代表直流電容；代表直流電壓；、、代表交流側單相電流.

預充電過程操作如下：在逆變器啟動前，先閉合，電網通過預充電電阻連接變流器，此時三相六橋臂絕緣柵雙極晶體管(Insulated Gate Bipolar Transistor，IGBT)模塊為關斷狀態，而反并聯二極管可導通，因此逆變器等效運行于三相不控整流模式.電網通過預充電電阻對直流電容進行充電，待直流電壓達到額定工作電壓的80%左右時，即可斷開斷路器，切斷預充電電阻，閉合斷路器，由電網直接連接逆變器，完成啟動過程.

2 辨識原理與方法

2.1 直流電容容值辨識原理

圖3所示為直流電容容值辨識流程圖，圖中：代表交流側三相電流；代表采樣次序；代表系統時間；Δ()代表電容電壓變化值；Δ代表電容電荷變化量；代表電容真實值.具體實現步驟如下.

MRI對于靜脈竇血栓非常敏感，一般分為三期。第一期，發病1周內，靜脈竇流空效應消失，靜脈竇的血栓在T1加權呈像上為等信號或高信號，在T2加權呈像上為低信號。第二期，發病1～2周內，靜脈竇血栓在T1、T2加權上都為高信號。第三期，發病2周以后，靜脈血栓在通，重新出現流空效應，T1和T2加權呈像都是低信號或者混雜信號，Gd-DTPA增強掃描顯示血栓都呈均勻性強化。本研究就DSA檢查和三維磁共振靜脈成像診斷靜脈竇血栓方面進行比較，由表1可知兩種檢測手段的差別無顯著性差異（P＞0.05）。

(2)特征向量構建.根據容值表達式，確定電容狀態特征值，用于表征直流電容狀態，即老化程度.將該特征值與電容真實容值組成特征向量.根據歷史運行數據，獲得多組特征向量，用于后續SVR模型訓練以及數據庫擴充.

我國高校機構庫建設發展緩慢，與機構庫建設者對機構知識庫的宣傳不足不無關系。關于這點，文章《國內科研機構和高校機構知識庫規劃建設現狀與問題研究》[8]中有所研究。在該論文中，作者分別對中國科學院各個研究所以及國內高校的科研人員、圖書館信息服務人員、決策管理人員進行了研究，針對他們對機構知識庫的認知和需求差異進行調研，調研結果顯示“科研人員和圖書信息人員對IR的認知程度差不多，各有70%以上人員從未聽說或使用過IR”。作為學術交流和機構庫發展較為集中的我國高校和科研院所的教師和科研人員尚且對開放獲取和機構庫知識的認知還不夠理想，也在一定程度上反映了機構庫建設者對機構庫的宣傳不足。

(3)SVR模型訓練.SVR模型用于建立特征值與容值的回歸預測關系，將多組特征向量用于SVR回歸模型訓練，訓練參數通過PSO算法進行優化選取.完成訓練的SVR模型可以對電容容值進行辨識，從而實現電容器失效判斷.

2.2 特征向量構建

本文基于數據驅動的方法，因此需選擇合適的電容狀態特征值反映電容老化狀態.根據預充電過程中的容值表達式，選擇與容值直接相關的電氣量作為特征值，可以最大程度反映容值的變化情況.首先推導預充電過程中的直流電容容值表達式.

變流器預充電過程中，負載端為開路模式，直流電流即為電容電流，因此直流側電壓、電流和DC-Link電容值的關系為

(1)

式中：為電容電壓；為電容器充電放電時間.對上式進行整理，可以得到容值表達式：

基于現代金融服務的ATM機、商戶POS機等基礎設施缺乏，隨著互聯網技術的發展，互聯網金融已成為農村的一種金融新業態。但是，農村現代化的金融服務設施供給不足、農民在互聯網金融中的風險意識薄弱等導致農民難以充分享受到我國農村金融改革和金融發展的成果。

(2)

根據前文分析，電容電壓可表示為

≈-=-

(3)

式中：為ESR兩端電壓;為ESR的電阻值.假設Δ()表示第個采樣周期內的電容電壓變化值，其離散表達式為

3.工會勞動保護人員的業務能力不足。目前企業工會勞動保護工作人員還存在一些不足。如工會勞動保護人員專業水平良莠不齊，且工作崗位人員不固定以及定員不足，甚至各企業大力壓縮工會編制，導致其工作人員普遍身兼數職，勞動保護專責崗位只能兼職，窮于應付，投入工會勞動保護工作的精力受到影響，嚴重影響勞動保護職能作用的有效發揮；高學歷、高素質工會勞動保護工作人員少，影響企業工會勞動保護工作的長遠發展和勞動保護監督作用的有效發揮。

綜上，通過計算直流電流在一個周期內的積分，可得到Δ：

?Frederic Wakeman，“A Revisionist View of the Nanjing Decade:Confucian Fascism”，The China Quarterly，No．150(1997)，p．428．

()-(-1)-

(()-(-1))

(4)

由于直流電流在一個采樣周期內的變化值(()-(-1))和直流電容的ESR值都很小，可忽略兩者的乘積項，Δ()近似等于直流側電壓的變化值Δ()，即

Δ()≈()-(-1)=Δ()

(5)

根據式(2)，計算Δ需要確定直流電流信號.出于經濟性的考慮，風電變流器等并網逆變器的直流側通常不會配置電流傳感器，因此本文利用交流三相電流數據或兩相電流數據對進行重構，從而間接獲取

實驗方案如下：共進行7組并網逆變器直流電容預充電實驗，每組采用不同的直流電容容值，對應電容老化過程中的7種狀態.采集三相交流電流以及直流電壓數據，對直流電流進行重構，重構算法嵌入Myway控制器控制算法中.同仿真實驗，計算獲得SVR預測模型的輸入變量和，真實容值作為輸出變量；將實驗獲得的多組特征向量[]輸入SVR算法中進行訓練和預測.為測試模型準確度，本文將7次實驗分成6次訓練實驗和1次測試實驗.

++=0

(6)

除去三相電流均為0的極端情況，、和中應有一相或兩相電流為正向，而該正向電流通過上橋臂二極管流入直流側，形成, 只需監測、及中的正向電流值，然后對其求代數和，即可獲得直流電流，從而實現對直流電流的重構.

利用LCR分析儀(型號為TH2830)測量的直流電容容值作為基準值，測量室溫為23.5 ℃，頻率為120 Hz.圖8所示為容值測量結果示意圖.受條件限制，無法對電容進行真實老化實驗，因此本文采用將多個電容并聯在直流側，逐次實驗斷開一個電容，從而模擬電容老化過程中的容值衰退現象.對全部7次實驗直流側容值進行測量，測量結果如表2所示.

==--=||+||

(7)

對上例進行歸納和總結，可得任意運行情況下直流電流的重構表達式：

(8)

部分并網逆變器交流側只配置兩相電流傳感器，結合式(6)與(8)，得到兩相電流重構的直流電流表達式：

(9)

Δ()=()-(-1)=

(10)

圖4所示為第個采樣周期的直流重構電流采樣過程.電流對采樣周期的積分值對應于圖中的黑色陰影面積，由于采樣的離散性，無法直接進行積分計算.考慮到在足夠小的采樣周期內，直流電流近似線性變化，因此可將陰影面積近似為直角梯形，利用直角梯形面積公式對Δ進行計算：

(11)

結合式(2)、(5)及(11)，第個采樣周期內電容值的計算表達式如下：

(12)

由式(12)可知，可由傳感器采集的電流、電壓數據直接計算得到.但受傳感器測量誤差以及噪聲干擾等因素影響，直接計算容值存在較大誤差.為克服該問題，選擇Δ和Δ作為電容狀態特征值，利用SVR算法強大的回歸預測能力，建立特征值(Δ, Δ)對的回歸預測模型，實現容值參數高精度辨識，有效地降低辨識誤差.

2.3 改進的SVR預測算法

SVR預測算法是一種基于統計學習理論提出的機器學習算法，通過對歷史數據集進行訓練學習，從而估計系統輸入量與輸出量之間的映射關系.由于SVR在小樣本回歸問題中的良好表現，采用該算法建立電容狀態特征值(Δ, Δ)與直流電容容值之間的回歸模型，用于容值辨識，流程如下.

根據并網逆變器歷史運行數據，建立電容狀態特征值集合{Δc_, Δc_,,=1, 2, …,}，其中為樣本個數，(Δc_, Δc_)∈為第個訓練樣本的輸入向量，∈為對應輸出值通過非線性映射函數()將數據集映射到高維特征空間：

二是加強秩序維護，依法推進網絡信息空間治理?！皼]有規矩不成方圓”?；ヂ摼W的技術特點決定了其信息海量性、主體多元性和治理的復雜性。因此，從最大限度優化我國網絡政治環境的角度出發，首先，要建立以國家為主導，以各網絡運營商和網站服務商為重點，全體網民參與的三位一體網上政治類信息監控網絡。其次，要立足于有效監控、源頭控制，積極研發和完善國家級的不良政治信息“防火墻”，有效屏蔽攻擊黨和政府、危害社會和諧、民族團結等政治信息，限制不良政治文化的傳播。第三，要根據網絡發展需要，及時修改和制定網上信息發布和審查監督等相關法律規范，并加大網絡法規的宣傳和執行力度，為公民有效利用網絡創造良好環境。

(Δc_, Δc_)=(Δc_, Δc_)+

(13)

式中：為權重參數；為偏置參數；()選擇高斯核函數：

(14)

為驗證預測模型對噪聲和干擾的抑制能力，分別在原始采樣信號中添加信噪比為20、15及10 dB的高斯白噪聲，采用平均絕對百分比誤差(MAPE)、均方根誤差(MSE)和相關系數′對獲得的擬合函數進行擬合效果評估.′越接近1，實際值和預測值的相關度越高，模型預測的準確度越高；MSE和MAPE越小，表明實際值與預測值越接近，模型擬合性能越好.基于訓練數據集和待測數據集的MSE、′及MAPE如表1所示.

式中：為懲罰因子；為不敏感損失函數.

SVR回歸模型的優劣由其和決定代表模型對誤差的容忍度，其值越高說明對誤差的容忍度越低，容易出現過擬合，其值過低則導致模型預測精度不足；決定了模型的學習能力和預測準確度.通常兩個參數的選取采用網格搜索法，以遍歷的方式進行參數尋優，效率低、耗時長且難以確定最優參數.因此本文改用PSO算法對和參數進行尋優.

PSO算法利用群體中個體間的協作和信息共享來尋找最優解，對比其他優化算法，其核心優勢是實現簡單、待調參數少、尋優能力強.針對SVR回歸模型，將每組參數(,)設置為PSO中的粒子, 選取均方差作為目標函數，其表達形式如下：

(16)

利用改進的SVR回歸模型對容值進行預測辨識，流程如圖5所示.在模型訓練階段，將歷史數據中包含噪聲和干擾的信號量Δ與Δ作為電容狀態特征值，將與之對應的作為電容狀態參數，三者組成特征向量[ΔΔ].根據歷史數據可以獲得多組特征向量，將其分為訓練數據集和待測數據集，前者用于SVR模型訓練，后者用于模型準確度檢驗.利用PSO算法對模型參數進行全局尋優，根據歷史數據設置粒子初始位置和速度，每次循環計算一次粒子的目標函數、個體的最優解和全局最優解，根據計算結果，更新粒子的速度和位置，然后判斷是否達到終止循環的條件.循環結束時，將當前計算得到的全局最優解，即最優參數(,)傳回SVR模型，用于模型訓練.最終通過優化訓練得到的SVR預測模型用于逆變器直流電容容值辨識.

學高為師，身正為范。教師只有真正起到示范作用，學生才會從心底產生變化，感受到春風細雨般的滋潤，樂意正視自己，改變自己。培養學生語文學科的核心素養，說起來簡單，真正做起來卻是難上加難。學生是成長的人，是學習的人。作為語文教師，我們應從核心素養出發，致力于學生的全面和諧發展。通過教學這個靈活的載體，更好地促進學生核心素養的發展。

3 仿真驗證

基于MATLAB/SIMULINK平臺，搭建圖2所示仿真模型，系統參數如下：逆變器額定功率 1.5 MW，交流側額定電壓690 V，變流器采用單L濾波器，濾波電感250 μH，預充電電阻20 Ω，傳感器采樣頻率為10 kHz.

實驗方案如下：單次仿真為一個完整的并網逆變器直流電容預充電過程，采樣數據為交流側三相電流以及直流電壓，為模擬真實場景，對采樣數據添加不同信噪比的高斯白噪聲.由于并網逆變器電流傳感器精度較差(大于0.5%)，而預充電開始時，充電電流較大，可以有效減少電流傳感器精度導致的誤差影響.同時，為去除冗余數據，提升計算速度，單次仿真數據采樣區間設置為充電過程中直流電壓由0升至5%額定值.根據式(5)，計算獲得直流電壓數據集{Δ(),=1, 2, …,}，用作SVR預測模型的輸入變量；根據式(8)，利用三相電流數據進行直流電流重構，計算得到電荷量變化數據集{Δ(),=1, 2, …,}，作為SVR預測模型的輸入變量；每次仿真采用的作為輸出變量綜上，以[]作為SVR算法的特征向量，用于模型訓練和學習.

為獲得由足夠多特征向量組成的數據集，共進行10組仿真，每組仿真采用不同的直流電容容值，模擬電容不同老化狀態.每次仿真可以獲得199組數據.隨機選擇10組仿真數據中的7組用于SVR預測模型訓練，剩余的數據用于模型準確度測試.

基于Python平臺Tensorflow框架，編寫PSO算法優化的SVR訓練模型.將隨機選擇的7組共1397個數據用于SVR模型訓練，得到回歸預測函數=(,)，如圖6所示.剩余的3組597個數據用于模型準確度檢驗，其中藍色點代表訓練數據，紅色點代表測試數據，曲面代表擬合函數.

式中：為空間中某一點；′為高斯核函數中心點；為核函數參數.通過引入松弛變量和，回歸預測即轉化為求解如下目標方程：

根據表中評估參數，當信噪比為20 dB時，預測模型具有良好的擬合能力和預測能力，當信噪比逐漸減少時，預測模型的在擬合能力和預測能力方面有所下降，不過仍處于較高水平.因此，該SVR預測模型具備一定的抑制噪聲和干擾的能力，且能實現較高精度的電容容值預測和辨識.

發票可謂是企業的一大心腹，往往也是進項稅抵扣的一大難點。以建筑行業為例，通常建筑工程買材料的上家一般是小規模納稅人，招致企業難以拿到增值稅專用發票進行進項抵扣，能拿到的發票最多也就是普通發票。另外，建筑工程企業一般耗時長耗費大，較難在第一時間拿到應收款，也就不能在第一時間撥付給上家材料款項，因此許多建筑工程企業能購進原料已實屬不易，不會再強行向供應商索要增值稅發票。陷入這種困境的企業只能獨自承擔稅負或者冒著違規風險另尋他人開票。

4 實驗驗證

為進一步驗證所提方法的有效性，搭建5 kW風電變流器預充電實驗平臺，如圖7所示，其中包含MWINV5R022變流器、Myway控制器以及上位機系統等.變流器主電路參數如下：電網側三相線電壓幅值為110 V；預充電電阻為10 Ω；濾波電感為 8 mH，傳感器采樣頻率設置為10 kHz.

設定電流從電網流向變流器為正方向，根據基爾霍夫電流定律：

本文提出一種改進的直流側電流計算方法.根據上述分析，三相電流中一定存在某一相的電流流向與另外兩相電流流向不同，假設相電流為正向，、相電流為負向或0，那么直流電流即等于結合式(6)，可知：

以7次實驗得到的實驗數據作為特征向量，將第5組作為測試組，其他6組作為訓練組，進行SVR模型訓練和預測，獲得如圖9所示的預測結果.

如圖9所示，受傳感器采樣誤差、噪聲干擾等影響，每個采樣周期預測的電容值存在較大波動，因此采用平均值濾波法，將預測得到的多個電容容值計算平均值，作為最終預測值.為驗證所提方法的可靠性，避免偶然誤差，將7組實驗中的每組實驗依次作為測試組，分別利用傳統的SVR算法和改進的SVR算法，進行7次測試實驗.圖10所示為實驗最終容值預測值與真實值對比情況.

根據圖10，對比傳統的SVR算法，改進后的SVR算法對電容值預測更加接近真實值，預測精度更高，效果更好，驗證了本文所提改進的SVR算法在直流電容容值辨識方面具有更優異的性能.

由于令Sk+1|kT=qr(qr分解為一個正交矩陣q和一個上三角矩陣r的乘積)，則有Pk+1|k=(qr)T(qr)=rTr。因此有

表3所示為7次實驗中基于改進的SVR算法對電容值預測的結果以及預測誤差.根據表中數據，容值預測值較為接近真實值，但受限于傳感器采樣誤差、噪聲干擾等，最大預測誤差大于仿真獲得的結果，但仍小于0.95%，可以滿足并網逆變器直流電容容值辨識的要求.

PaaS層則為應用支撐平臺層，實現數據集中存儲和控制，其中包括門戶集成、數據集成、業務流程集成和應用集成等[3]。

5 結論

本文提出一種基于預充電電路的并網逆變器直流電容容值辨識方法，通過PSO優化的SVR算法對預充電過程中的電容狀態特征值進行訓練學習，建立其與電容容值的回歸關系，進而利用SVR模型實現容值辨識.仿真和實驗結果驗證了所提方法的有效性，具體優勢如下：

(1)無需增加硬件電路.僅利用并網逆變器配置的交流側電流傳感器以及直流側電壓傳感器即可實現電容值的辨識.

(2)無需改變逆變器控制算法.僅利用并網逆變器預充電過程的采樣數據，即可實現電容值的辨識，不影響逆變器的正常運行.

在美國各州，目前具有藥學博士學位（doctor of pharmacy，Pharm.D）的藥師才具備參與MTM的資格。除此之外，一些州對參與MTM的藥師還有資格認證的要求，或要求參加由州藥房理事會批準的培訓項目,并通過相應的技能考試，獲得資格證書，從而獲取在相應專業內從事MTM服務的資格[14]。我國目前針對參與MTM藥師的資格認證方面進行了一系列探索。2016年8月北京藥師協會和美國藥師協會（APHA）聯合舉辦了首期 “美國MTM藥師資格證書培訓班”，隨后南京鼓樓醫院藥學部連同中國藥科大學，與美國明尼蘇達大學藥學院遠程教育系達成了 “MTM培訓項目”，這些為我國MTM進一步開展奠定了基礎。

(3)辨識精度高.采用回歸預測算法可有效降低噪聲和干擾信號的影響，采用低精度傳感器，即可滿足對薄膜電容容值的辨識精度.

土壤是種子生根發芽的重要基礎條件，但依據多樣化的傳播形式，隨機掉落至地面之上。很多種子在適合的環境中生產，植被逐漸的狀態，但也有很多種子掉落至比較惡劣的環境之中，在土壤中逐漸消亡，在此，仍有一部分種子會處于休眠狀態中，被稱之為土壤種子庫。很多動物以種子為食，在環境要素與生物要素影響下，部分種子萌芽，部分種子消亡，很多休眠中的種子成為了植被恢復更替的內在動力。質量比較小的種子具有持久種子庫的優勢。因此，植被在種子階段時，種子庫為植被的恢復與更新創造了良好的條件，長期保存著種子的活力，并在適宜的環境中發揮其生態意義。

(4)方法可移植性強.基于AC-DC-AC變換器的風電變流器、三相電機驅動器等電路均需配置有直流電容的預充電電路，因此該方法非常方便移植于上述應用電路中.