CN114900033B - 一种基于深度学习的变流器输出频谱定制方法 - Google Patents

Abstract

本发明提出了一种基于深度学习的变流器输出频谱定制方法，通过采集不同随机开关频率时序下变流器的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型；为实现变换器输出频谱可塑性，建立机器学习模型，通过对大量的输出频谱—开关频率样本的深度学习训练得到机器学习模型参数，确定二者之间的高维非线性函数关系，进而实时根据目标输出频谱向量“逆向”求解对应的开关频率时序向量。本发明可实时地根据所需输出频谱，“逆向”求解变换器的开关频率时序向量，进而实现输出频谱的灵活精确调节。

Description

一种基于深度学习的变流器输出频谱定制方法

技术领域

本发明属于变流器电磁兼容领域，具体涉及一种基于深度学习的变流器输出频谱定制方法。

背景技术

随着电力电子技术的发展，基于脉宽调制技术的交流电力传动系统在家用和工业中的应用日益广泛。而传统的脉宽调制技术采用固定的开关频率，变换器输出的电压和电流中含有大量与开关频率相关的谐波分量，这部分谐波分量以机械波、电磁波等方式对外辐射，从而产生电磁噪声和干扰。对于民用场合，电磁噪声会危害人们的健康；对于工业应用，电磁干扰会影响电路的稳定运行。因此，要从源头上消除电磁噪声，变换器必须根据实际需求，精准地调整自身输出电压和电流的频谱，消除噪音或隐藏于周遭噪声频谱中。然而，目前尚缺乏对开关频率变化模式与输出频谱之间耦合机理的研究，无法根据所需频谱“逆向”给出对应的开关频率变化模式，因此，提出一种基于深度学习的变流器输出频谱定制方法具有意义。

发明内容

本发明的目的在于提出一种基于深度学习的变流器输出频谱定制方法，建立开关频率变化模式与变换器输出频谱分布之间的内在关联，实现变换器输出频谱的精准控制。

实现本发明目的的技术解决方案为：一种基于深度学习的变流器输出频谱定制方法，通过采集不同随机开关频率时序下变流器的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型；为实现变换器输出频谱可塑性，建立机器学习模型，通过对大量的输出频谱—开关频率样本的深度学习训练得到机器学习模型参数，确定二者之间的高维非线性函数关系，进而实时根据目标输出频谱向量“逆向”求解对应的开关频率时序向量。

所述构建开关频率时序向量—输出频谱向量之间的映射模型具体计算步骤如下：

(1)选择输出波形的基波频率f_c，并根据开关器件允许的开关频率范围选择最大开关频率f_smax，根据系统运行参数范围和稳定性要求，选择最低的开关频率f_smin，随机开关频率f_s的选择范围为[f_smin,f_smax]；

(2)每一个开关周期产生一个随机数k，满足k∈[0,1]，对应生成一个随机的开关频率，满足f_s＝f_smin+k*(f_smax-f_smin)；

(3)根据(2)得到的随机开关频率f_s产生相应的三角载波，三角载波计数值首先从1减计数到0，对应的斜率为-2f_s，再从0增计数到1，对应的斜率为2f_s；

(4)根据不同的调制方式，产生不同的三相调制波u_ma，u_mb和u_mc，三相调制波表达式的范围均满足[0,1]；

(5)对调制波和载波进行比较，产生功率器件控制信号，采样获得基于随机开关频率时序脉宽调制的输出波形；

(6)对大量基波周期的输出波形样本进行频谱分析，得到对应的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型。

进一步地，步骤(4)中，目前已有的调制方式包括SPWM、SVPWM、AZSPWM、NSPWM、DPWM等，所有调制方式均有对应的调制波表达式，继而可分别产生不同调制方式对应的样本库；步骤(6)中，由于三相调制波对称且采用同一个载波，因此在分析过程中，仅需选取一相作为映射模型的分析对象。

在获得开关频率时序向量—输出频谱向量的映射模型之后，建立机器学习模型，将变换器输出频谱向量作为输入，并以开关频率时序向量作为输出，对该模型进行训练，通过大量的输出频谱—开关频率样本对模型参数进行优化，确定二者之间的高维非线性函数关系。

所述机器学习模型包括编码器和解码器两部分，其中编码器对频谱进行幅频嵌入编码，将其映射进入高维(高维指比原来特征向量维度高)隐式特征空间，并通过多头自注意力模块建立特征之间的关联；解码器通过多头注意力模块，建立编解码特征之间的关联，将高维隐式特征解码为开关频率特征，并生成开关频率序列。所述机器学习模型具体训练过程包括：

编码器的训练：

首先，编码器将频谱序列作为输入，进行幅频嵌入编码，生成幅频嵌入向量。该向量包含两个维度，第一个维度为频率对应的幅度，第二个维度为频率对应的相位。幅频编码运算可被描述为：

C_AFE＝AFE(X_af)

然后，编码器对幅频嵌入向量进行自注意力编码，该部分由堆叠的多头自注意力(multi-head self-attention，MSA)模块组成。自注意力编码器将幅频编码器的输出特征C_AFE作为输入，通过自注意力编码模块建立特征之间的关联，并输出编码后的特征C_MSA；多头机制用于增强模块的表达能力，由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算。自注意力编码器的运算可被描述为：

其中，N是编码器中包含的MSA模块数目，i是编码器中MSA模块的编号。第一个MSA模块的输入为幅频嵌入向量，输出编码后的高维特征；后续MSA模块的输入为前一个MSA模块的输出，输出为编码后的高维特征。MSA模块的运算可被描述为：

MSA(X)

＝Normalize(ActivateDense((W_V·X)·Softmax((W_K·X)^T·(W_Q·X)))))

其中，W_K，W_Q和W_V是MSA模块中的可学习参数，X是MSA的输入，Normalize为归一化层函数，可描述为：

其中，gamma和beta是可学习参数，epsilon为设定的常量。mean为均值计算函数，sqrt为开方运算函数，var为方差计算函数，Activate为激活层函数，此处设置为Relu运算，可被描述为：

Dense为全连接层函数，可被描述为：

Dense(X)＝W·X+b

其中，W和b为可学习参数。

解码器的训练：

由多个堆叠的多头注意力(multi-head attention，MA)模块组成解码器，解码器每次生成一个开关频率，直至生成完整的开关频率序列；对于每一步解码运算，其输入为编码器的输出特征C_MSA(N)和解码器之前输出的开关频率序列。解码器通过注意力模块建立编码特征和解码特征之间的关联，并将特征从高维隐式空间映射至开关频率特征空间，最后一个注意力模块将特征循环解码，生成频谱对应的开关频率序列；多头机制用于增强模块的表达能力，由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算。解码器的运算可被描述为：

f＝Activate(Dense(C_MA(K)))

其中，f*是解码器之前输出的开关频率序列，f是下一位开关频率序列，K是编码器中包含的MA模块数目，j是编码器中MA模块的编号。第一个MA模块的输入为编码器的输出和解码器之前输出的开关频率序列，输出高维开关频率特征；后续MA模块的输入为编码器的输出和前一个MA模块的输出，输出高维开关频率特征。MA模块的运算可被描述为：

MA(X，X′)

＝Normalize(Acttvate(Dense((W_V·X)·Softmax((W_K·X)^T·(W_Q·MSA(X′))))))

其中，W_K，W_Q和W_V是MA模块中的可学习参数，X和X′是MA的输入。Dense、Activate和Normalize同上MSA中所述。

设立损失函数为输出开关频率f′_i和真实开关频率fi的均方误差(mean squareerror，MSE)，用于反向传播更新优化模型参数，直至模型收敛，MSE的计算可被描述为：

其中，N为batch size。

在机器学习模型训练完成后，模型可将频谱序列作为输入，依次解码输出开关频率，直至生成整个开关频率向量，此时可根据目标输出频谱向量“逆向”求解对应的开关频率时序向量，实现输出频谱的灵活精确调节，目标输出频谱向量可通过提前设定，也可通过实时采集周围噪声频谱设定。当目标输出频谱向量为通过实时采集周围噪声频谱设定时，需要采用相应的频谱监测设备，将周遭的噪声频谱进行采集和分析，实现时域上对信号的连续处理；同时，频谱监测设备可用于对自身的输出信号进行频谱分析。

与现有技术相比，本发明的有益效果在于：

本发明构建了随机开关频率时序向量和输出频谱向量的映射模型；提出了基于深度学习的变流器输出频谱定制方法，变换器可实时根据目标输出频谱向量“逆向”求解对应的开关频率时序向量，实现了变换器输出频谱可塑性和灵活精确调节；基于本发明的输出频谱定制技术，可以定制输出电压和电流谐波分布更加均匀的目标频谱，或隐藏于周遭噪声频谱中，从源头上降低系统的电磁噪声和干扰，不会增加系统的体积、重量和硬件成本，符合产品的轻量化发展原则。

附图说明

图1为变流器系统的结构示意图。

图2(a)为本发明方法中机器学习模型训练流程图。

图2(b)为本发明方法的频谱定制流程图。

图3为随机开关频率脉宽调制实现过程示意图。

图4(a)为SVM调制方式在固定开关频率下的输出频谱图。

图4(b)为SVM调制方式在随机开关频率下的输出频谱图。

图5(a)为DPWMMAX调制方式在固定开关频率下的输出频谱图。

图5(b)为DPWMMAX调制方式在随机开关频率下的输出频谱图。

图6(a)为DPWMMIN调制方式在固定开关频率下的输出频谱图。

图6(b)为DPWMMIN调制方式在随机开关频率下的输出频谱图。

图7为本发明方法中机器学习模型示意图。

图8为本发明方法中编码器模型示意图。

图9为本发明方法中解码器模型示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，变流器系统由直流侧电源(负载)1、交流侧电源(负载)2、稳压电容3、变流器4、三相滤波电感5、直流母线电压传感器6、三相电压传感器7、三相电流传感器8和控制器9等组成，该系统为公知常识，其拓扑在此不做详细阐述；

基于变流器系统，通过采集不同随机开关频率时序下变流器的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型；为实现变换器输出频谱可塑性，建立机器学习模型，通过对大量的输出频谱—开关频率样本的深度学习训练得到机器学习模型参数，确定二者之间的高维非线性函数关系，如图2(a)；进而实时根据目标输出频谱向量“逆向”求解对应的开关频率时序向量，如图2(b)。

所述构建开关频率时序向量—输出频谱向量之间映射模型，采用仿真模拟测试，在simulink中搭建逆变器模型，配置随机开关频率的脉宽调制环节，对输出波形进行频谱分析，建立开关频率时序向量—输出频谱向量样本库。对于随机开关频率脉宽调制环节，其实现过程如图3，具体包括如下步骤：

(1)生成随机开关频率的三角载波

根据开关器件允许的开关频率范围选择最大开关频率f_smax，根据系统运行参数范围和稳定性要求，选择最低的开关频率f_smin，随机开关频率f_s的选择范围为[f_smin,f_smax]；

每一个开关周期根据random函数产生的随机数k，满足k∈[0,1]，对应生成一个随机的开关频率f_s，满足f_s＝f_smin+k*(f_smax-f_smin)；

根据随机产生的开关频率f_s设定相应的三角载波，计数值首先从1减计数到0，对应的斜率为-2f_s，再从0增计数到1，对应的斜率为2f_s；

(2)生成不同调制方式的调制波

设置基波频率f_c，目前已有的调制方式包括SPWM、SVPWM、AZSPWM、NSPWM、DPWM等，所有调制方式均有不同的调制波计算式；为获得不同调制方式对应的样本库，分别选择不同的调制方式，配置不同的调制波计算式，进而生成不同调制方式的调制波。

(3)生成开关管控制信号

利用步骤(2)得到的三相调制波与步骤(1)得到的三角载波进行比较，得到相应的脉宽调制信号，进而对这些脉宽调制信号进行驱动放大，然后对变流器功率开关器件进行控制。

进一步地，利用三相电压传感器7得到三相电压的输出波形，通过频谱分析得到对应的输出频谱，SVM、DPWMMAX和DPWMMIN三种常见调制方式分别在固定开关频率和随机开关频率时序下的一个输出频谱样本如图4～图6。重复随机产生开关频率，记录开关频率时序向量，并对大量基波周期(如1000个)的输出波形样本进行频谱分析，得到对应的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型。

在获得开关频率时序向量—输出频谱向量的映射模型之后，建立机器学习模型，通过深度学习训练得到机器学习模型参数。

机器学习模型结构如图7，学习模型包括编码器和解码器两部分，其中编码器对频谱进行幅频嵌入编码，将其映射进入高维隐式特征空间，并通过多头自注意力模块建立特征之间的关联；解码器通过多头注意力模块，循环解码生成开关频率时序向量。

编码器结构如图8所示，在训练过程中，编码器将频谱序列作为输入，首先，编码器对频谱序列进行幅频嵌入编码，生成幅频嵌入向量，该向量包含两个维度，第一个维度为频率对应的幅度，第二个维度为频率对应的相位；进一步地，编码器通过6个堆叠的自注意力编码模块对幅频嵌入向量进行编码，由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算，输出高维特征。

解码器结构如图8所示，解码器包含6个堆叠的注意力解码模块，用于关联编解码特征，由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算，将其转换至开关频率特征域，最终通过全连接层+激活层输出开关频率；解码器的输入为编码器的输出和解码器之前输出的开关频率序列，解码器的输出为下一位开关频率。在训练时，训练样本中的开关频率序列可使用掩码生成子序列，并将子序列作为解码器的输入，训练模型输出掩码的下一位开关频率。

损失函数为输出开关频率和真实开关频率之间的均方误差(MSE)，用于反向传播更新优化模型参数，直至模型收敛。

机器学习模型训练完成后，模型可将频谱序列作为输入，依次解码输出开关频率，直至生成整个开关频率向量。在第一次解码运算中，解码器的输入为编码器输出和向量起始位(<SoV>)，输出为第一个开关频率；在之后每次解码运算中，解码器的输入为编码器输出和解码器之前输出的开关频率向量，输出为下一个开关频率；直至解码器输出向量结束位(<EoV>)。

综上所述，本发明提出一种基于深度学习的输出频谱定制方法，能够根据所需的输出频谱“逆向”求解变换器的开关频率时序向量，进而实现输出频谱的灵活精确调节；基于本发明的输出频谱定制技术，可以定制输出电压和电流谐波分布更加均匀的目标频谱，或隐藏于周遭噪声频谱中，从源头上降低系统的电磁噪声和干扰，不会增加系统的体积、重量和硬件成本，符合产品的轻量化发展原则。

上述对实施例的描述是本发明较佳的一种实施方式，但本发明的实施方式并不受上述实施例的限制。在本发明的思想原理与技术方案基础上，本领域的技术人员不需付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的变流器输出频谱定制方法，其特征在于，包括步骤：

采集不同随机开关频率时序下变流器的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型；所述构建开关频率时序向量—输出频谱向量之间的映射模型具体包括步骤:

步骤1-1，选择输出波形的基波频率f_c，并确定最大开关频率f_smax和最低开关频率f_smin；

步骤1-2，每一个开关周期产生一个随机数k，k∈[0,1]，对应生成一个随机的开关频率f_s，满足f_s＝f_smin+k*(f_smax-f_smin)；

步骤1-3，通过开关频率f_s产生相应的三角载波，三角载波计数值首先从1减计数到0，对应的斜率为-2f_s，再从0增计数到1，对应的斜率为2f_s；

步骤1-4，根据选择的调制方式，产生相应的三相调制波u_ma，u_mb和u_mc，三相调制波的范围均满足[0,1]；

步骤1-5，对调制波和载波进行比较，产生功率器件控制信号，采样获得基于开关频率时序脉宽调制的输出波形；

步骤1-6，对多组输出波形样本进行频谱分析，得到对应的输出频谱向量，构建开关频率时序向量—输出频谱向量之间的映射模型；

建立机器学习模型，将变换器输出频谱向量作为输入，开关频率时序向量作为输出，对该模型进行迭代训练，通过开关频率时序向量—输出频谱向量之间的映射模型对机器学习模型进行优化，直至获取收敛的机器学习模型；

基于训练后的机器学习模型确定开关频率时序向量。

2.根据权利要求1所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述调制方式为SPWM、SVPWM、AZSPWM、NSPWM或DPWM。

3.根据权利要求1所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述对多组输出波形样本选取一相进行频谱分析。

4.根据权利要求1所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述机器学习模型包括编码器和解码器，其中，所述编码器对输出频谱向量进行幅频嵌入编码生成幅频嵌入向量，将其映射进入高维隐式特征空间，并通过多个堆叠的多头自注意力模块MSA建立特征之间的关联，输出编码特征C_MSA；所述解码器通过多个堆叠的多头注意力模块MA，建立编解码特征之间的关联，将高维隐式特征解码为开关频率特征，并生成开关频率序列。

5.根据权利要求4所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述幅频嵌入向量包含两个维度，分别为频率对应的幅度和频率对应的相位。

6.根据权利要求4所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述编码器模型为：

C_AFE＝AFE(X_af)

其中，AFE是幅频嵌入编码函数，X_af是频谱向量，N是编码器中MSA模块数目，i是编码器中MSA模块的编号，C_AFE为幅频嵌入向量，MSA()为多头自注意力模块模型；

所述多头自注意力模块由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算，所述多头自注意力编码模块模型具体为：

MSA(X)

＝Normalize(Activate(Dense((W_V·X)·Softmax((W_K·X)^T·(W_Q·X)))))

其中，Softmax为归一化指数函数，Dense为全连接层函数，Activate为激活层函数，Normalize为归一化层函数，W_K，W_Q和W_V是MSA模块中的学习参数，X是MSA的输入。

7.根据权利要求6所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述解码器模型具体为：

f＝Activate(Dense(C_MA(K)))

其中，f^*是解码器之前输出的开关频率序列，f是输出的下一位开关频率序列，K是编码器中MA模块数目，j是编码器中MA模块的编号，MA(*)为多头注意力模块MA模型，C_MA(j-1)是上一层MA模块的输出，C_MA(K)是最后一层MA模块的输出；

所述多头注意力模块MA由全连接层进行加权，之后通过激活层进行非线性运算，再通过归一化层进行归一化运算，多头注意力模块MA模型具体为：

MA(X,X′)

＝Normalize(Activate(Dense((W_V·X)·Softmax((W_K·X)^T·(W_Q·MSA(X'))))))

其中，W_K，W_Q和W_V是MA模块中的学习参数，X和X'是MA的输入。

8.根据权利要求7所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述全连接层函数为：

Dense(X)＝W·X+b

其中，W和b为学习参数；

所述激活层函数为:

所述归一化层函数为：

其中，gamma和beta为学习参数，epsilon为设定的常量，mean为均值计算函数，sqrt为开方运算函数，var为方差计算函数。

9.根据权利要求1～8任一所述的基于深度学习的变流器输出频谱定制方法，其特征在于，所述机器学习模型训练时采用损失函数优化，所述损失函数为：

其中，N为batch size，f'_i为机器学习模型输出开关频率，f_i为真实开关频率。

Images