具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

随着新能源渗透率的提升，光伏/储能逆变器运行的电网环境日趋复杂，对逆变器的智能化要求也日益增加，仅使用现有的控制芯片无法实现逆变器的智能化要求。在此背景下，本发明提出用于光伏/储能逆变器的工程可实现的、实时的、高精度的电网阻抗检测技术。

在本发明的一个实施例中，提供了一种电网阻抗检测装置，用于对逆变器接入电网的公共耦合点处的电网阻抗进行检测，所述检测装置无需向所述公共耦合点注入谐波电流，参见图1，所述电网阻抗检测装置包括以下模块：

采样模块，用于采样所述公共耦合点处的三相电压信号和三相电流信号；

智能芯片，用于接收所述采样模块所采样到的三相电压信号和三相电流信号，并将其输入至内部的电网阻抗检测神经网络模型，所述电网阻抗检测神经网络模型预先建立并完成训练，以能够根据输入的三相电压信号和三相电流信号而输出电网阻抗的预测值；

CPU模块，其与智能芯片电连接，其用于接收所述电网阻抗的预测值，并根据当前的电网阻抗值生成控制指令；

PWM模块，其输入端与所述CPU模块电连接，其输出端与所述逆变器电连接，所述PWM模块用于接收所述控制指令并根据所述控制指令输出适配的脉冲信号以实时控制所述逆变器的运行状态。

另外，所述检测装置还包括通讯模块和存储模块，所述通讯模块用于实现装置内部CPU与装置外部设备(比如控制器或移动终端)的通讯，所述存储模块用于存储所述检测装置内部信息数据(比如CPU的处理信息)。

所述电网阻抗检测装置的应用场景如图1示意：逆变器与电网之间具有公共耦合点(PCC)，所述检测装置的采样模块分别采样PCC处的三相电压信号及三相电流信号，作为输入智能芯片中神经网络模型的输入参数；由于所述采样模块能够实时采集并向智能芯片发送三相电压信号和三相电流信号的采样数据，因此智能芯片能够向所述CPU模块实时输出估计的电网阻抗值，最终实现对逆变器的实时自适应控制，以提高逆变器的稳定性，进而提高电网供电质量。

即在现有的逆变器控制芯片(CPU模块)外，额外增加一个人工智能芯片，可以是TPU、ARM、STM32系列芯片、FPGA或其他适合提高智能算法的芯片，专门用于运行人工智能算法，提高算法的运行速度，保证算法的实时性。该智能芯片用于电网阻抗检测(预测)，但是不排除在其他场景下运行其他人工智能算法。

本发明利用以下工作原理检测电网阻抗：采样模块实时采样PCC处的三相电压v_abc和三相电流i_abc，将采样值输入到CPU和智能芯片中，智能芯片通过智能阻抗检测算法实时估计电网阻抗，该算法可以是人工神经网络算法或其他智能算法。智能芯片将估计的电网阻抗值输入到CPU中，CPU将接收到电网阻抗值用于逆变器的控制程序中，输出控制信号到PWM模块，PWM模块输出脉冲信号控制逆变器的运行。

本发明实施例以PCC处三相电流和三相电压作为神经网络模型的输入参量，以电网阻抗(或者，电阻器阻值和电抗器电感量)作为神经网络模型的输出参量。若是以电阻器阻值和电抗器电感量作为神经网络模型的输出参量，则可利用CPU根据神经网络模型的电阻器阻值和电抗器电感量，通过公式转换为电阻器和电抗器的总阻抗值。

确定输入参量类型和输出参量类型后，通过以下步骤建立神经网络模型：

E1、使用深度学习平台搭建卷积神经网络模型，将网络结构配置为包括卷积层、池化层和全连接层，并对其进行网络定义。

具体地，本实施例中可使用飞桨深度学习平台搭建卷积神经网络(CNN)，并将网络结构配置为包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层，定义所述第一卷积层的卷积核大小为10，数量为5，激活函数为relu；定义所述第一池化层的池化核大小为2，池化类型为max，池化步长为2；定义所述第二卷积层的卷积核大小为25，数量为5，激活函数为relu；定义所述第二池化层的池化核大小为2，池化类型为max，池化步长为2；定义所述全连接层大小为10，激活函数为sigmoid。

此外，网络定义操作还包括：

选择损失函数为以下任意一种：

均方根误差损失函数或

log-cosh损失函数或

均方差误差损失函数或

平均绝对值误差损失函数其中，为每次训练后验证的损失值，N为每次验证的测试样本数量，为第i个测试样本的预测值，y_i为第i个测试样本所对应的标签值；

定义所述卷积神经网络模型的优化方法为Adam、AdaMax或Nadam；

定义学习速率范围为0.0001-0.002，优选为0.001。

E2、为搭建的卷积神经网络配置训练环境和创建执行器(Executor)，并根据训练样本的维度定义网络输出数据维度。

具体地，完成CNN网络搭建后，配置训练环境和创建Executor，然后定义输入数据维度等于样本维度，并设置训练轮次。

所述执行器利用训练样本对所述神经网络模型进行训练，其中，每个训练样本具有相应的标签，直至训练后的神经网络模型的损失值和/或准确率符合要求，则结束(完成)训练，即将当前完成训练的神经网络模型作为上述的电网阻抗检测神经网络模型部署到智能芯片中。

本发明中对神经网络模型进行训练所需的训练样本及对其进行验证的测试样本，参见图2，在本发明的一个实施例中，通过以下步骤获取：

S1、搭建逆变器实验平台，使用电阻器和电抗器来模拟电网阻抗。

选取与实际检测工况中逆变器相同的逆变器搭建实验平台，另一方面，以电网阻抗的等效模型包含电阻和电感为例，使用电阻器和电抗器来模拟电网阻抗，电阻器的分辨率为0.1Ω，电抗器的分辨率为0.1mH，两者的选值范围根据逆变器的额定功率来选定，以额定功率为200kW的三相逆变器为例，电阻器和电抗器的总阻抗值选值范围在0.1至3.1Ω可以模拟对于该额定功率的逆变器接入的电网的极端电网阻抗情况。

根据所确定的电阻器和电抗器的总阻抗值选值范围，选用适配阻值范围的电阻器和适配电感量范围的电抗器；并按照时间序列，设定不同的电阻器阻值和电抗器电感量值的组合(即阻抗组合)，以及可选地在相同或不同模拟电网阻抗值下配置不同的工况参数，比如调节逆变器的输出功率和/或电网电压，以得到不同工况下的样本数据。

S2、收集数据：调节电阻器和电抗器中的至少一个以得到不同的阻抗组合，并相应采样公共耦合点处的三相电压和三相电流数据，以得到多个样本，并将对应同一时刻的电阻器阻值和电抗器电感量值作为各个样本对应的标签，或者，将对应同一时刻的阻抗组合的总阻抗值作为各个样本对应的标签。

具体地，以采样频率为16KHz为例，每组采样数据包含一个电压周期(20ms)内的电压及电流采样值，即包括6×320的数据，并将实验中相应时刻所用的电阻器和电抗器的总的阻抗值(或者，电阻器阻值和电抗器电感量)作为标签；通过电阻器和电抗器的值，和/或改变逆变器的有功功率、无功功率、直流母线电压、电网电压等方式(可以择一或者任意组合)，采集得到不同工况下的样本，本实施例中采集的样本数量超过10⁴个，设置训练轮次为200(显然也可以相应调整样本数量和训练轮次)。

S3、数据预处理：将步骤S2中收集的样本数据集合在一起，先根据逆变器的额定电压和额定电流对集合的数据进行归一化处理，并将归一化处理后的电压信号和电流信号进行数字低通滤波处理，以滤除信号中的高频干扰。

预处理后的数据可以一部分作为训练数据，另一部分作为测试数据，比如可选地，取80％的预处理后的数据作为训练数据，20％的预处理后的数据作为测试数据。这里的样本比例仅为举例，从总样本中划分训练样本和测试样本仅为一种可实施例，本申请不排除通过搭建第二个相同的逆变器实验平台以得到测试样本的方式，比如以前一平台的全部样本作为训练样本，在后一平台的样本中随机选取测试样本。

在获取训练样本集和测试样本集之后，对神经网络模型进行如下训练：

将带有标签的训练样本集输入神经网络模型，神经网络模型会根据训练样本集中的每一个训练样本进行学习，直至训练样本集中的训练样本都训练一遍，则完成一轮学习，若设定训练轮次为200，则接着再启新的一轮学习，直至完成200轮学习，则完成一次训练。

每次训练完成后，将不带有标签的测试样本集输入神经网络模型，根据神经网络模型输出对应的各个预测值，比对各个标签，计算相应的损失值Cost和准确率acc，其中，计算准确率可以设置一定的容差范围，比如预测值与标签数值相差差值绝对值在一定范围内认为是准确，超出范围则认为不准确，准确的预测值的数量与预测值总数量的比值为准确率。

损失值为根据损失函数计算得到，以均方根误差损失函数为例，

根据N个测试样本的预测值和标签实际值，带入损失函数可以得到相应的损失值。

损失值越小，或者准确率越高，则表明当前训练后的神经网络模型的精度越高，反之越低。设定一个训练目标，可以是损失值小于损失阈值，或者，准确率高于准确率阈值，或者两者同时满足；当验证损失值和/或准确率满足训练目标，则认为当前训练后的模型满足要求。本实施例中，利用上述均方根误差损失函数的计算损失值小于5％，则认为当前模型满足要求。

若达到训练目标，则停止训练，将当前神经网络模型下载到智能芯片中；

若未达到训练目标，则进行迭代训练，即将训练样本集再次多轮输入当前训练好的神经网络模型中，直至完成下一次的训练，再进行如上所述的验证损失值和/或准确率是否满足训练目标，若不满足，则再进行迭代训练和验证，直至达到训练目标。

本发明的电网阻抗检测方案可以对所应用的三相逆变器的具体型号均不限定。

将上述达到训练目标(验证通过)的神经网络模型下载到智能芯片中后，使用训练好的模型，在逆变器工况下，根据实际采样得到的PCC处的三相电压信号和三相电流信号估计电网阻抗值，这就是本发明实施例的电网阻抗检测装置检测电网阻抗的方法，与现有的主动类电网阻抗检测算法相比，本发明提供的电网阻抗检测方法由于无需向PCC注入谐波电流，提高了并网电流质量；与现有的被动类算法相比，本发明提供的电网阻抗检测方法采用深度学习算法，复杂电网情况下阻抗检测的准确度和鲁棒性都将大幅度提高，采用专用的智能芯片，克服了深度学习算法无法嵌入到逆变器CPU的问题，保证了电网阻抗检测的实时性；

在检测当前逆变器接入电网PCC处的电网阻抗后，将检测结果输出到CPU中，该CPU通过自适应算法调制脉冲信号以对逆变器运行状态进行控制，这就是本发明实施例的电网阻抗检测装置控制逆变器运行状态的方法，有效提高逆变器所在系统的鲁棒性。

本发明实施例的电网阻抗检测装置可以集成在逆变器内部，也可以以独立装置的形式与逆变器电连接，本发明对具体的连接方式不作限定。

并且所述逆变器设有反孤岛装置，若所述逆变器根据所述电网阻抗的预测值判定发生孤岛效应，则触发所述反孤岛装置，以停止逆变器并网运行。

本发明提供一种基于人工智能的电网阻抗检测算法，增加专用的智能芯片，可以实现复杂的人工神经网络算法，来提高检测的准确度与鲁棒性，使得采用深度神经网络可以准确稳定地预测PCC处的电网阻抗。本发明的电网阻抗检测装置无需向逆变器接入电网的公共耦合点注入谐波电流，通过深度神经网络模型能够实时、准确地预测电网阻抗，实现对逆变器的自适应控制。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。