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

背景技術(shù)：

1、由于在電動(dòng)汽車儲(chǔ)能系統(tǒng)中，很難有單一能量源可以同時(shí)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(jí)電容進(jìn)行合理搭配，在能量管理策略的配合下，對(duì)蓄電池和超級(jí)電容進(jìn)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(jí)電容的功率特性，在節(jié)約能源的同時(shí)，又能很好的滿足電動(dòng)汽車對(duì)于續(xù)航能力和動(dòng)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(chǔ)能系統(tǒng)中加入雙向dc/dc變換器，用來(lái)控制調(diào)節(jié)蓄電池和超級(jí)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(gè)雙向dc/dc變換器可以實(shí)現(xiàn)對(duì)蓄電池和超級(jí)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(zhǎng)期工作在不同應(yīng)用環(huán)境時(shí)，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(chǎng)效晶體管等，在外界環(huán)境應(yīng)力(如工作溫度、濕度、振動(dòng)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(shí)，將會(huì)使實(shí)際電路與理論模型產(chǎn)生巨大偏差，進(jìn)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(duì)雙向dc/dc變換器中的電子器件進(jìn)行參數(shù)辨識(shí)有著十分重要的意義。

技術(shù)實(shí)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(jī)器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識(shí)方法，該方法能夠用較少的訓(xùn)練樣本實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，有效地減少了計(jì)算負(fù)擔(dān)、增強(qiáng)了預(yù)測(cè)透明度。

2、具體的，本發(fā)明提供了一種基于物理信息機(jī)器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識(shí)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(dòng)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(jí)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(kù)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(dòng)力學(xué)模型中，對(duì)其中的未知量進(jìn)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(dòng)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(dòng)部分的輸出得到所述物理信息神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值；

6、將所述雙向dc/dc變換器中的待辨識(shí)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(dòng)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(shí)現(xiàn)對(duì)所述雙向dc/dc變換器的在線參數(shù)辨識(shí)。

8、作為本發(fā)明的進(jìn)一步說(shuō)明，所述步驟s1的系統(tǒng)動(dòng)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(dòng)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(shí)間坐標(biāo)；

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

14、

15、其中λ＝{l1，l2，r1，r2，co}為待辨識(shí)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(jí)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(jí)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(gè)雙向dc/dc變換器的開關(guān)信號(hào)。

18、作為本發(fā)明的進(jìn)一步說(shuō)明，s2的具體步驟如下：

19、s21、關(guān)于隱式龍格-庫(kù)塔法，其中u為雙向dc/dc變換器中隨時(shí)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(cè)態(tài)u(tn)與u(tn+1)之間存在q個(gè)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(kù)塔方法的框架下能與可觀測(cè)態(tài)u(tn)和u(tn+1)耦合，其函數(shù)關(guān)系可以表達(dá)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(dá)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(kù)塔法求解s12中的系統(tǒng)動(dòng)力學(xué)方程。

26、作為本發(fā)明的進(jìn)一步說(shuō)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(dòng)和物理模型兩部分組成，其中，

28、所述數(shù)據(jù)驅(qū)動(dòng)部分的輸入為蓄電池組電流il1(tn)、超級(jí)電容組電流il2(tn)、輸出電壓uo(tn)以及兩個(gè)雙向dc/dc變換器的開關(guān)信號(hào)μ01和μ23；所述數(shù)據(jù)驅(qū)動(dòng)部分的輸出為輸入信號(hào)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(dòng)部分輸出的中間態(tài)作為輸入，根據(jù)bddc的動(dòng)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(cè)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(dòng)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(shí)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(dòng)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(dòng)部分傳播，以更新學(xué)習(xí)梯度。

33、作為本發(fā)明的進(jìn)一步說(shuō)明，s4的具體步驟如下：

34、將實(shí)時(shí)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(shí)現(xiàn)對(duì)所述雙向dc/dc變換器的在線參數(shù)辨識(shí)。

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(jī)器學(xué)習(xí)的雙向dc/dc變換器參數(shù)辨識(shí)方法，能夠用較少的訓(xùn)練樣本實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，有效地減少了計(jì)算負(fù)擔(dān)、增強(qiáng)了預(yù)測(cè)透明度。

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