一种并网逆变器直流电容容值辨识方法

随着“30·60碳达峰、碳中和”构想的提出与实施，以光伏、风电为代表的新能源发电机组大量接入电网.作为连接新能源与电网的关键设备，并网逆变器扮演着越来越重要的角色，然而以直流电容故障为主的核心器件故障导致其往往不能长期健康、稳定运行.直流电容故障主要是由于其材料老化导致的性能衰退，进而引起突发性故障，破坏逆变器正常运行.因此，对直流电容进行参数辨识，及时发现并更换老化电容，对并网逆变器稳定、可靠和经济运行具有重要意义.

针对逆变器直流电容的参数辨识，国内外研究主要集中于离线辨识法、准在线辨识法以及在线辨识法.离线辨识法指在并网逆变器停机时，拆解直流电容，并利用LCR测量仪或设计硬件电路进行性能参数测量.由于该类方法需要拆解电容，工业应用中往往难以操作，实用性较低.在线辨识法可在并网逆变器工作时进行参数辨识，如文献[7]利用高精度传感器采集中频段电容的纹波电压和纹波电流，用于估计电容性能参数.文献[8]通过在直流电容上注入特定频率的电流激励信号，利用电容响应的交流电压信号进行电容参数的计算.该类在线识别方法通常需要改变逆变器控制算法，注入特定频率信号，或安装高精度传感器测量直流电容的纹波，对已投产使用的并网逆变器而言，可行性较低.

试验共设置5个处理(CK、T1、T2、T3、T4)，每个处理3次重复。5个处理中生物炭施加的质量百分比依次为0%、2%、4%、6%、8%。

考虑到电容老化进程十分缓慢，通常失效时间以年为单位，部分专家学者提出了针对直流电容的准在线参数辨识方法.该类方法应用于逆变器启动、停机以及负载瞬态变化过程，其监测周期远小于电容的老化失效周期，充分满足参数辨识的频率要求，且该类方法具有实现简单、成本低、对逆变器工作状态无干扰等优点，成为当下直流电容参数辨识技术的研究热点.文献[10]利用逆变器的卸荷电路，通过采集卸荷过程中的电容电压放电曲线，结合电路数学模型，完成容值估计.该方法辨识精度较高，但需要增加硬件电路，不利于系统整体可靠性设计.文献[11]通过分析负载变化时直流电压的变化轨迹与电容性能参数变化之间的关系，实现了铝电解电容参数辨识.该方法无需增加硬件，但辨识精度较低，无法满足薄膜电容的高精度参数识别要求，而薄膜电容为目前逆变器采用的主流电容选型.

基于上述分析，本文提出一种基于预充电电路的并网逆变器直流电容准在线容值辨识方法，无需增加硬件电路和改变控制算法，即可实现对薄膜电容的参数辨识.首先分析预充电过程中网侧电流与直流侧电压的数学关系，结合逆变器拓扑结构，确定容值辨识的数值表达式.结合历史运行数据，构建电容状态特征向量集合，用于训练支持向量回归(Support Vector Regression, SVR)模型，建立状态特征值和容值的回归预测关系；利用粒子群优化(Particle Swarm Optimization, PSO)算法优化SVR回归模型参数，避免陷入局部最优，提升预测精度；优化后的模型可用于直流电容容值辨识；通过仿真和实验对所述方法的有效性进行验证.

(1)数据获取.对预充电过程中的网侧电流信号和直流电压信号采样，根据电路拓扑结构，对直流电流信号重构，并确定容值表达式，将采集的电气信号数据储存，用于后续特征向量构建和数据库扩充.

1 电容特性与预充电电路

应用于并网逆变器的直流电容主要有两种，分别为铝电解电容(Aluminum Electrolytic Capacitance, AEC)和金属薄膜电容(Metallized Film Capacitance, MFC).铝电解电容具有能量密度高、成本低的优点，但可靠性较差，多用于低纹波电流的应用场合；金属薄膜电容耐压高、耐受纹波电流大，且串联等效电阻相比铝电解电容而言较小.随着其成本逐渐降低，被越来越多地应用在并网逆变器中.图1所示为薄膜电容简化等效电路图，图中代表薄膜电容器等效电容；ESR代表等效串联电阻；ESL代表等效串联电感.

薄膜电容的ESR和ESL通常很小，可忽略其影响，且工业领域对薄膜电容的失效评价标准为容值降至标称值的95%时，即可认为失效.因此，本文将薄膜电容器等效电容作为辨识目标进行研究，但所提方法不仅仅适用于薄膜电容器，还能够适应于包含电解电容器在内的多种类型电容器的参数辨识.

根据变流器安全运行规范，启动前，直流电容应处于完全放电状态，电容和电压接近为0，此时如果直接将逆变器接入电网，电网线电压作用于直流电容会产生强大的冲击电流，该冲击电流大小远远超过功率模块和直流电容等器件能承受的最大电流，造成不可逆损伤，减少器件寿命，严重情况下甚至会烧毁器件.因此，并网逆变器通常会配备预充电系统.图2所示为目前主流的并网逆变器预充电电路，图中：代表电网等效电源；代表网侧变流器与电网连接的断路器；代表预充电电路断路器；代表滤波器电感；代表预充电电阻，用于限流，防止冲击电流过大；代表直流电流；代表直流电容；代表直流电压；、、代表交流侧单相电流.

预充电过程操作如下：在逆变器启动前，先闭合，电网通过预充电电阻连接变流器，此时三相六桥臂绝缘栅双极晶体管(Insulated Gate Bipolar Transistor，IGBT)模块为关断状态，而反并联二极管可导通，因此逆变器等效运行于三相不控整流模式.电网通过预充电电阻对直流电容进行充电，待直流电压达到额定工作电压的80%左右时，即可断开断路器，切断预充电电阻，闭合断路器，由电网直接连接逆变器，完成启动过程.

2 辨识原理与方法

2.1 直流电容容值辨识原理

图3所示为直流电容容值辨识流程图，图中：代表交流侧三相电流；代表采样次序；代表系统时间；Δ()代表电容电压变化值；Δ代表电容电荷变化量；代表电容真实值.具体实现步骤如下.

MRI对于静脉窦血栓非常敏感，一般分为三期。第一期，发病1周内，静脉窦流空效应消失，静脉窦的血栓在T1加权呈像上为等信号或高信号，在T2加权呈像上为低信号。第二期，发病1～2周内，静脉窦血栓在T1、T2加权上都为高信号。第三期，发病2周以后，静脉血栓在通，重新出现流空效应，T1和T2加权呈像都是低信号或者混杂信号，Gd-DTPA增强扫描显示血栓都呈均匀性强化。本研究就DSA检查和三维磁共振静脉成像诊断静脉窦血栓方面进行比较，由表1可知两种检测手段的差别无显著性差异（P＞0.05）。

(2)特征向量构建.根据容值表达式，确定电容状态特征值，用于表征直流电容状态，即老化程度.将该特征值与电容真实容值组成特征向量.根据历史运行数据，获得多组特征向量，用于后续SVR模型训练以及数据库扩充.

我国高校机构库建设发展缓慢，与机构库建设者对机构知识库的宣传不足不无关系。关于这点，文章《国内科研机构和高校机构知识库规划建设现状与问题研究》[8]中有所研究。在该论文中，作者分别对中国科学院各个研究所以及国内高校的科研人员、图书馆信息服务人员、决策管理人员进行了研究，针对他们对机构知识库的认知和需求差异进行调研，调研结果显示“科研人员和图书信息人员对IR的认知程度差不多，各有70%以上人员从未听说或使用过IR”。作为学术交流和机构库发展较为集中的我国高校和科研院所的教师和科研人员尚且对开放获取和机构库知识的认知还不够理想，也在一定程度上反映了机构库建设者对机构库的宣传不足。

(3)SVR模型训练.SVR模型用于建立特征值与容值的回归预测关系，将多组特征向量用于SVR回归模型训练，训练参数通过PSO算法进行优化选取.完成训练的SVR模型可以对电容容值进行辨识，从而实现电容器失效判断.

2.2 特征向量构建

本文基于数据驱动的方法，因此需选择合适的电容状态特征值反映电容老化状态.根据预充电过程中的容值表达式，选择与容值直接相关的电气量作为特征值，可以最大程度反映容值的变化情况.首先推导预充电过程中的直流电容容值表达式.

变流器预充电过程中，负载端为开路模式，直流电流即为电容电流，因此直流侧电压、电流和DC-Link电容值的关系为

(1)

式中：为电容电压；为电容器充电放电时间.对上式进行整理，可以得到容值表达式：

基于现代金融服务的ATM机、商户POS机等基础设施缺乏，随着互联网技术的发展，互联网金融已成为农村的一种金融新业态。但是，农村现代化的金融服务设施供给不足、农民在互联网金融中的风险意识薄弱等导致农民难以充分享受到我国农村金融改革和金融发展的成果。

(2)

根据前文分析，电容电压可表示为

≈-=-

(3)

式中：为ESR两端电压;为ESR的电阻值.假设Δ()表示第个采样周期内的电容电压变化值，其离散表达式为

3.工会劳动保护人员的业务能力不足。目前企业工会劳动保护工作人员还存在一些不足。如工会劳动保护人员专业水平良莠不齐，且工作岗位人员不固定以及定员不足，甚至各企业大力压缩工会编制，导致其工作人员普遍身兼数职，劳动保护专责岗位只能兼职，穷于应付，投入工会劳动保护工作的精力受到影响，严重影响劳动保护职能作用的有效发挥；高学历、高素质工会劳动保护工作人员少，影响企业工会劳动保护工作的长远发展和劳动保护监督作用的有效发挥。

综上，通过计算直流电流在一个周期内的积分，可得到Δ：

⑯Frederic Wakeman，“A Revisionist View of the Nanjing Decade:Confucian Fascism”，The China Quarterly，No．150(1997)，p．428．

()-(-1)-

(()-(-1))

(4)

由于直流电流在一个采样周期内的变化值(()-(-1))和直流电容的ESR值都很小，可忽略两者的乘积项，Δ()近似等于直流侧电压的变化值Δ()，即

Δ()≈()-(-1)=Δ()

(5)

根据式(2)，计算Δ需要确定直流电流信号.出于经济性的考虑，风电变流器等并网逆变器的直流侧通常不会配置电流传感器，因此本文利用交流三相电流数据或两相电流数据对进行重构，从而间接获取

实验方案如下：共进行7组并网逆变器直流电容预充电实验，每组采用不同的直流电容容值，对应电容老化过程中的7种状态.采集三相交流电流以及直流电压数据，对直流电流进行重构，重构算法嵌入Myway控制器控制算法中.同仿真实验，计算获得SVR预测模型的输入变量和，真实容值作为输出变量；将实验获得的多组特征向量[]输入SVR算法中进行训练和预测.为测试模型准确度，本文将7次实验分成6次训练实验和1次测试实验.

++=0

(6)

除去三相电流均为0的极端情况，、和中应有一相或两相电流为正向，而该正向电流通过上桥臂二极管流入直流侧，形成, 只需监测、及中的正向电流值，然后对其求代数和，即可获得直流电流，从而实现对直流电流的重构.

利用LCR分析仪(型号为TH2830)测量的直流电容容值作为基准值，测量室温为23.5 ℃，频率为120 Hz.图8所示为容值测量结果示意图.受条件限制，无法对电容进行真实老化实验，因此本文采用将多个电容并联在直流侧，逐次实验断开一个电容，从而模拟电容老化过程中的容值衰退现象.对全部7次实验直流侧容值进行测量，测量结果如表2所示.

==--=||+||

(7)

对上例进行归纳和总结，可得任意运行情况下直流电流的重构表达式：

(8)

部分并网逆变器交流侧只配置两相电流传感器，结合式(6)与(8)，得到两相电流重构的直流电流表达式：

(9)

Δ()=()-(-1)=

(10)

图4所示为第个采样周期的直流重构电流采样过程.电流对采样周期的积分值对应于图中的黑色阴影面积，由于采样的离散性，无法直接进行积分计算.考虑到在足够小的采样周期内，直流电流近似线性变化，因此可将阴影面积近似为直角梯形，利用直角梯形面积公式对Δ进行计算：

(11)

结合式(2)、(5)及(11)，第个采样周期内电容值的计算表达式如下：

(12)

由式(12)可知，可由传感器采集的电流、电压数据直接计算得到.但受传感器测量误差以及噪声干扰等因素影响，直接计算容值存在较大误差.为克服该问题，选择Δ和Δ作为电容状态特征值，利用SVR算法强大的回归预测能力，建立特征值(Δ, Δ)对的回归预测模型，实现容值参数高精度辨识，有效地降低辨识误差.

2.3 改进的SVR预测算法

SVR预测算法是一种基于统计学习理论提出的机器学习算法，通过对历史数据集进行训练学习，从而估计系统输入量与输出量之间的映射关系.由于SVR在小样本回归问题中的良好表现，采用该算法建立电容状态特征值(Δ, Δ)与直流电容容值之间的回归模型，用于容值辨识，流程如下.

根据并网逆变器历史运行数据，建立电容状态特征值集合{Δc_, Δc_,,=1, 2, …,}，其中为样本个数，(Δc_, Δc_)∈为第个训练样本的输入向量，∈为对应输出值通过非线性映射函数()将数据集映射到高维特征空间：

二是加强秩序维护，依法推进网络信息空间治理。“没有规矩不成方圆”。互联网的技术特点决定了其信息海量性、主体多元性和治理的复杂性。因此，从最大限度优化我国网络政治环境的角度出发，首先，要建立以国家为主导，以各网络运营商和网站服务商为重点，全体网民参与的三位一体网上政治类信息监控网络。其次，要立足于有效监控、源头控制，积极研发和完善国家级的不良政治信息“防火墙”，有效屏蔽攻击党和政府、危害社会和谐、民族团结等政治信息，限制不良政治文化的传播。第三，要根据网络发展需要，及时修改和制定网上信息发布和审查监督等相关法律规范，并加大网络法规的宣传和执行力度，为公民有效利用网络创造良好环境。

(Δc_, Δc_)=(Δc_, Δc_)+

(13)

式中：为权重参数；为偏置参数；()选择高斯核函数：

(14)

为验证预测模型对噪声和干扰的抑制能力，分别在原始采样信号中添加信噪比为20、15及10 dB的高斯白噪声，采用平均绝对百分比误差(MAPE)、均方根误差(MSE)和相关系数′对获得的拟合函数进行拟合效果评估.′越接近1，实际值和预测值的相关度越高，模型预测的准确度越高；MSE和MAPE越小，表明实际值与预测值越接近，模型拟合性能越好.基于训练数据集和待测数据集的MSE、′及MAPE如表1所示.

式中：为惩罚因子；为不敏感损失函数.

SVR回归模型的优劣由其和决定代表模型对误差的容忍度，其值越高说明对误差的容忍度越低，容易出现过拟合，其值过低则导致模型预测精度不足；决定了模型的学习能力和预测准确度.通常两个参数的选取采用网格搜索法，以遍历的方式进行参数寻优，效率低、耗时长且难以确定最优参数.因此本文改用PSO算法对和参数进行寻优.

PSO算法利用群体中个体间的协作和信息共享来寻找最优解，对比其他优化算法，其核心优势是实现简单、待调参数少、寻优能力强.针对SVR回归模型，将每组参数(,)设置为PSO中的粒子, 选取均方差作为目标函数，其表达形式如下：

(16)

利用改进的SVR回归模型对容值进行预测辨识，流程如图5所示.在模型训练阶段，将历史数据中包含噪声和干扰的信号量Δ与Δ作为电容状态特征值，将与之对应的作为电容状态参数，三者组成特征向量[ΔΔ].根据历史数据可以获得多组特征向量，将其分为训练数据集和待测数据集，前者用于SVR模型训练，后者用于模型准确度检验.利用PSO算法对模型参数进行全局寻优，根据历史数据设置粒子初始位置和速度，每次循环计算一次粒子的目标函数、个体的最优解和全局最优解，根据计算结果，更新粒子的速度和位置，然后判断是否达到终止循环的条件.循环结束时，将当前计算得到的全局最优解，即最优参数(,)传回SVR模型，用于模型训练.最终通过优化训练得到的SVR预测模型用于逆变器直流电容容值辨识.

学高为师，身正为范。教师只有真正起到示范作用，学生才会从心底产生变化，感受到春风细雨般的滋润，乐意正视自己，改变自己。培养学生语文学科的核心素养，说起来简单，真正做起来却是难上加难。学生是成长的人，是学习的人。作为语文教师，我们应从核心素养出发，致力于学生的全面和谐发展。通过教学这个灵活的载体，更好地促进学生核心素养的发展。

3 仿真验证

基于MATLAB/SIMULINK平台，搭建图2所示仿真模型，系统参数如下：逆变器额定功率 1.5 MW，交流侧额定电压690 V，变流器采用单L滤波器，滤波电感250 μH，预充电电阻20 Ω，传感器采样频率为10 kHz.

实验方案如下：单次仿真为一个完整的并网逆变器直流电容预充电过程，采样数据为交流侧三相电流以及直流电压，为模拟真实场景，对采样数据添加不同信噪比的高斯白噪声.由于并网逆变器电流传感器精度较差(大于0.5%)，而预充电开始时，充电电流较大，可以有效减少电流传感器精度导致的误差影响.同时，为去除冗余数据，提升计算速度，单次仿真数据采样区间设置为充电过程中直流电压由0升至5%额定值.根据式(5)，计算获得直流电压数据集{Δ(),=1, 2, …,}，用作SVR预测模型的输入变量；根据式(8)，利用三相电流数据进行直流电流重构，计算得到电荷量变化数据集{Δ(),=1, 2, …,}，作为SVR预测模型的输入变量；每次仿真采用的作为输出变量综上，以[]作为SVR算法的特征向量，用于模型训练和学习.

为获得由足够多特征向量组成的数据集，共进行10组仿真，每组仿真采用不同的直流电容容值，模拟电容不同老化状态.每次仿真可以获得199组数据.随机选择10组仿真数据中的7组用于SVR预测模型训练，剩余的数据用于模型准确度测试.

基于Python平台Tensorflow框架，编写PSO算法优化的SVR训练模型.将随机选择的7组共1397个数据用于SVR模型训练，得到回归预测函数=(,)，如图6所示.剩余的3组597个数据用于模型准确度检验，其中蓝色点代表训练数据，红色点代表测试数据，曲面代表拟合函数.

式中：为空间中某一点；′为高斯核函数中心点；为核函数参数.通过引入松弛变量和，回归预测即转化为求解如下目标方程：

根据表中评估参数，当信噪比为20 dB时，预测模型具有良好的拟合能力和预测能力，当信噪比逐渐减少时，预测模型的在拟合能力和预测能力方面有所下降，不过仍处于较高水平.因此，该SVR预测模型具备一定的抑制噪声和干扰的能力，且能实现较高精度的电容容值预测和辨识.

发票可谓是企业的一大心腹，往往也是进项税抵扣的一大难点。以建筑行业为例，通常建筑工程买材料的上家一般是小规模纳税人，招致企业难以拿到增值税专用发票进行进项抵扣，能拿到的发票最多也就是普通发票。另外，建筑工程企业一般耗时长耗费大，较难在第一时间拿到应收款，也就不能在第一时间拨付给上家材料款项，因此许多建筑工程企业能购进原料已实属不易，不会再强行向供应商索要增值税发票。陷入这种困境的企业只能独自承担税负或者冒着违规风险另寻他人开票。

4 实验验证

为进一步验证所提方法的有效性，搭建5 kW风电变流器预充电实验平台，如图7所示，其中包含MWINV5R022变流器、Myway控制器以及上位机系统等.变流器主电路参数如下：电网侧三相线电压幅值为110 V；预充电电阻为10 Ω；滤波电感为 8 mH，传感器采样频率设置为10 kHz.

设定电流从电网流向变流器为正方向，根据基尔霍夫电流定律：

本文提出一种改进的直流侧电流计算方法.根据上述分析，三相电流中一定存在某一相的电流流向与另外两相电流流向不同，假设相电流为正向，、相电流为负向或0，那么直流电流即等于结合式(6)，可知：

以7次实验得到的实验数据作为特征向量，将第5组作为测试组，其他6组作为训练组，进行SVR模型训练和预测，获得如图9所示的预测结果.

如图9所示，受传感器采样误差、噪声干扰等影响，每个采样周期预测的电容值存在较大波动，因此采用平均值滤波法，将预测得到的多个电容容值计算平均值，作为最终预测值.为验证所提方法的可靠性，避免偶然误差，将7组实验中的每组实验依次作为测试组，分别利用传统的SVR算法和改进的SVR算法，进行7次测试实验.图10所示为实验最终容值预测值与真实值对比情况.

根据图10，对比传统的SVR算法，改进后的SVR算法对电容值预测更加接近真实值，预测精度更高，效果更好，验证了本文所提改进的SVR算法在直流电容容值辨识方面具有更优异的性能.

由于令Sk+1|kT=qr(qr分解为一个正交矩阵q和一个上三角矩阵r的乘积)，则有Pk+1|k=(qr)T(qr)=rTr。因此有

表3所示为7次实验中基于改进的SVR算法对电容值预测的结果以及预测误差.根据表中数据，容值预测值较为接近真实值，但受限于传感器采样误差、噪声干扰等，最大预测误差大于仿真获得的结果，但仍小于0.95%，可以满足并网逆变器直流电容容值辨识的要求.

PaaS层则为应用支撑平台层，实现数据集中存储和控制，其中包括门户集成、数据集成、业务流程集成和应用集成等[3]。

5 结论

本文提出一种基于预充电电路的并网逆变器直流电容容值辨识方法，通过PSO优化的SVR算法对预充电过程中的电容状态特征值进行训练学习，建立其与电容容值的回归关系，进而利用SVR模型实现容值辨识.仿真和实验结果验证了所提方法的有效性，具体优势如下：

(1)无需增加硬件电路.仅利用并网逆变器配置的交流侧电流传感器以及直流侧电压传感器即可实现电容值的辨识.

(2)无需改变逆变器控制算法.仅利用并网逆变器预充电过程的采样数据，即可实现电容值的辨识，不影响逆变器的正常运行.

在美国各州，目前具有药学博士学位（doctor of pharmacy，Pharm.D）的药师才具备参与MTM的资格。除此之外，一些州对参与MTM的药师还有资格认证的要求，或要求参加由州药房理事会批准的培训项目,并通过相应的技能考试，获得资格证书，从而获取在相应专业内从事MTM服务的资格[14]。我国目前针对参与MTM药师的资格认证方面进行了一系列探索。2016年8月北京药师协会和美国药师协会（APHA）联合举办了首期 “美国MTM药师资格证书培训班”，随后南京鼓楼医院药学部连同中国药科大学，与美国明尼苏达大学药学院远程教育系达成了 “MTM培训项目”，这些为我国MTM进一步开展奠定了基础。

(3)辨识精度高.采用回归预测算法可有效降低噪声和干扰信号的影响，采用低精度传感器，即可满足对薄膜电容容值的辨识精度.

土壤是种子生根发芽的重要基础条件，但依据多样化的传播形式，随机掉落至地面之上。很多种子在适合的环境中生产，植被逐渐的状态，但也有很多种子掉落至比较恶劣的环境之中，在土壤中逐渐消亡，在此，仍有一部分种子会处于休眠状态中，被称之为土壤种子库。很多动物以种子为食，在环境要素与生物要素影响下，部分种子萌芽，部分种子消亡，很多休眠中的种子成为了植被恢复更替的内在动力。质量比较小的种子具有持久种子库的优势。因此，植被在种子阶段时，种子库为植被的恢复与更新创造了良好的条件，长期保存着种子的活力，并在适宜的环境中发挥其生态意义。

(4)方法可移植性强.基于AC-DC-AC变换器的风电变流器、三相电机驱动器等电路均需配置有直流电容的预充电电路，因此该方法非常方便移植于上述应用电路中.