逆变器共模传导emi频谱包络线的预测方法
阅读说明：本技术 逆变器共模传导emi频谱包络线的预测方法 (Method for predicting common-mode conducted EMI spectrum envelope curve of inverter ) 是由 王佳宁 彭强 杨仁海 谢绿伟 于 2021-08-20 设计创作，主要内容包括：本发明提供了一种逆变器共模传导EMI频谱包络线的预测方法,属于电力电子技术领域。包括确定人工神经网络的输入变量和输出变量；利用计算机仿真软件获取构建神经网络所需的样本数据；训练样本数据,构建神经网络模型；向神经网络模型输入测试集数据,得到逆变器共模传导EMI频谱包络线。本发明的预测方法避免了传统频域法依赖逆变器实际的运行工况,无法快速、准确地预测任意运行工况下的共模传导EMI,操作过程复杂的缺点,不仅考虑了实际运行工况下寄生电容对共模传导EMI的影响,而且能够快速、准确地预测任意运行工况下逆变器共模传导EMI频谱包络线,方法灵活,操作简便,解决了传统建模复杂、耗时的困难。(The invention provides a method for predicting a common-mode conducted EMI spectrum envelope curve of an inverter, and belongs to the technical field of power electronics. Determining input variables and output variables of the artificial neural network; acquiring sample data required by constructing a neural network by using computer simulation software; training sample data and constructing a neural network model; and inputting test set data to the neural network model to obtain the common-mode conducted EMI spectrum envelope curve of the inverter. The prediction method provided by the invention overcomes the defects that the traditional frequency domain method depends on the actual operation condition of the inverter, common-mode conducted EMI under any operation condition cannot be predicted quickly and accurately, and the operation process is complex, not only is the influence of parasitic capacitance under the actual operation condition on the common-mode conducted EMI considered, but also the common-mode conducted EMI spectrum envelope curve of the inverter under any operation condition can be predicted quickly and accurately, the method is flexible, the operation is simple and convenient, and the difficulty that the traditional modeling is complex and time-consuming is solved.)
技术领域
本发明属于电力电子技术领域，涉及逆变器共模传导EMI频谱包络线的预测方法，尤其涉及一种基于人工神经网络的逆变器共模传导EMI频谱包络线的预测方法。
背景技术
逆变器是碳化硅器件运用的工业主战场之一。由于碳化硅器件拥有突破了硅器件极限的高速、高温特性，理论上可以使逆变器性能提升到新的高度，但由碳化硅器件构成的逆变器通常具有更高的du/dt、di/dt、开关频率、功率密度等特点，这加剧了传导EMI的恶化。传导EMI标准是电力电子系统必须满足的工业标准之一，其中，共模EMI由于噪声水平预测困难往往是研究热点之一。
在电力电子系统的设计中，传统的传导EMI建模方法(时域法和频域法)不能同时保证快速且准确地对系统的传导EMI噪声水平进行预测，为了使系统的传导EMI通过工业标准，我们需要快速且准确地预测系统的共模传导EMI噪声水平。为此很多专家学者提出不同的解决方法：
题为“Comparative Analysis on Conducted CM EMI Emission of MotorDrives：WBG Versus Si Devices”(D.Han，S.Li，Y.Wu，W.Choi and B.Sarlioglu，IEEETransactions on Industria 1 Electronics，vol.64，no.10，pp.8353-8363，Oct.2017)(电机驱动器中传导共模EMI释放的对比分析：宽禁带器件与硅器件对比D.H an，S.Li，Y.Wu，W.Choi and B.Sarlioglu，IEEE工业电力电子学报，2017年第10卷第64期第8353-8363页)的文章采用解析法推导出系统共模噪声电压的时域表达式，通过傅里叶变换进一步得到共模噪声电压的频域表达式，从而得到系统的共模EMI频谱幅值表达式。但是，该解决方法存在以下不足：
1)没有考虑逆变器中寄生参数对开关器件开通、关断过程电压波形的影响，不能准确对实际运行工况下逆变器的共模EMI频谱幅值进行预测；
2)仅仅利用不对称的梯形波近似共模噪声电压波形，较为简单粗糙；
中国发明专利公开说明书CN109347135B于2020年06月02日公开的《MMC三相并网逆变系统的共模传导EMI建模方法及装置》，采用频域法对MMC三相并网逆变系统的共模传导EMI进行建模。但是，该解决方法存在以下不足：
1)当系统运行工况发生改变时，需要重新建立高频模型以搭建MMC三相并网逆变系统，需要重新模拟实际的MMC三相并网逆变系统的运行工况，才能得到该运行工况下的共模EMI，方法笨重，不灵活，无法快速预测系统其他运行工况下的共模EMI；
2)该方法先对系统单个干扰源进行建模，然后注入高频模型得到单个干扰源的作用效果，最后利用叠加原理得到所述高频模型的总共模干扰，操作过程复杂繁琐，无法快速、准确地预测系统的共模EMI。
发明内容
本发明针对现有逆变器共模传导EMI频谱包络线的预测方法中忽略逆变器寄生参数，采用简化的不对称梯形波近似共模噪声电压波形以及频域法依赖于逆变器系统实际的运行工况，无法快速、准确地预测系统任意运行工况下的共模EMI，操作过程复杂繁琐的不足，提出了一种采用人工神经网络的基于人工神经网络的逆变器共模传导EMI频谱包络线的预测方法，以解决现有技术中存在的上述问题。
本发明的目的是这样实现的，本发明提供了一种逆变器共模传导EMI频谱包络线的预测方法，所述逆变器包括直流电压源、三相三电平ANPC逆变电路、寄生电容、滤波电路、人工电源网络和负载；
所述三相三电平ANPC逆变电路包括两个相同的支撑电容和一个逆变主电路，其中，两个支撑电容分别记为支撑电容Cap1和支撑电容Cap2，支撑电容Cap1和支撑电容Cap2串联后接在直流电压源的直流正母线P和直流负母线E之间，支撑电容Cap1和支撑电容Cap2的连接点记为直流母线中点O；
所述逆变主电路包括A相桥臂、B相桥臂和C相桥臂，每相桥臂包括6个带反并联二极管的开关管，即逆变主电路共包括18个带反并联二极管的开关管，将18个带反并联二极管的开关管记为开关管Sij，其中i表示三相，i＝a，b，c，j表示开关管和二极管的序号，j＝1，2，3，4，5，6；A相桥臂、B相桥臂、C相桥臂相互并联在直流正母线P和直流负母线E之间；在三相桥臂的每相桥臂中，开关管Si1、开关管Si2、开关管Si3、开关管Si4顺序串联，且开关管Si1的输入端接直流正母线P、开关管Si4的输出端接直流负母线E，开关管Si5的输入端接开关管Si1的输出端，开关管Si5的输出端接直流母线中点O，开关管Si6的输入端接直流母线中点O，开关管Si6的输出端接开关管Si3的输出端；将开关管Si1、开关管Si2和开关管Si5的公共节点记为开关管连接点ψi1，开关管Si3、开关管Si4和开关管Si6的公共节点记为开关管连接点ψi2，开关管Si2和开关管Si3的连接点记为输出点φi，i＝a，b，c；开关管Si1、开关管Si4、开关管Si5和开关管Si6为工频开关管，且开关频率均为50Hz，开关管Si2和开关管Si3为高频开关管且开关频率相同，记高频开关管的开关频率为高频开关频率fsw；另外18个反并联二极管记为二极管Dij；
所述寄生电容包括1个直流母排对地寄生电容Cbus、6个相同的开关管对地寄生电容和3个相同的逆变器交流输出侧寄生电容，其中，6个开关管对地寄生电容分别记为开关管对地寄生电容Cpiη，3个逆变器交流输出侧寄生电容分别记为交流输出侧寄生电容Cpi3，i＝a，b，c，η＝1，2；所述直流母排对地寄生电容Cbus的一端接直流母线中点O、另一端接地，开关管对地寄生电容Cpi1的一端接开关管连接点ψi1、另一端接地，开关管对地寄生电容Cpi2的一端接开关管连接点ψi2、另一端接地，逆变器交流输出侧寄生电容Cpi3的一端接输出点φi，另一端接地；
所述滤波电路包括三相滤波电感L和三相滤波电容C0，三相滤波电感L的一端接输出点φi，另一端接负载，三相滤波电容C0并联在三相滤波电感L和负载之间，三相滤波电感L、三相滤波电容C0和负载的公共节点记为滤波电路连接点γi，i＝a，b，c；
所述人工电源网络包括三相网络电阻R和三相网络电容C1，三相网络电阻R和三相网络电容C1串联后并联在滤波电路连接点γi和负载之间，三相网络电容C1的另一端接地；
所述预测方法基于人工神经网络对逆变器共模传导EMI频谱包络线进行预测，具体步骤如下：
步骤1，确定人工神经网络的输入变量和输出变量
所述人工神经网络包括神经网络1和神经网络2，其中，
神经网络1的输入变量为5个，分别为：高频开关频率fsw、开关管Si2和开关管Si3的开通驱动电阻Rgon、开关管Si2和开关管Si3的关断驱动电阻Rgoff、寄生电容C2和寄生电容C3，神经网络1的输出变量为逆变器共模传导EMI频谱的5个转折点的频率，记为频率f1，频率f2，频率f3，频率f4，频率f5；
神经网络2的输入变量为6个，分别为：直流电压源的电压值Vdc、高频开关频率fsw、开关管Si2和开关管Si3的开通驱动电阻Rgon、开关管Si2和开关管Si3的关断驱动电阻Rgoff、寄生电容C2和寄生电容C3；神经网络2的输出变量为逆变器共模传导EMI频谱在频率f1，频率f2，频率f3，频率f4，频率f5处的频谱幅值，记为频谱幅值Mf1、频谱幅值Mf2、频谱幅值Mf3、频谱幅值Mf4、频谱幅值Mf5；
所述寄生电容C2＝Cbus＝Cpi3，所述寄生电容C3＝Cpi1＝Cpi2；
步骤2，利用计算机仿真软件，获取构建神经网络1模型和神经网络2模型所需的样本数据，其中：
构建神经网络1模型所需的样本数据包括K组输入数据及对应的K组仿真输出值，分别为神经网络1输入数据fswN，TgonN，RgoffN，C2N，C3N和神经网络1仿真输出值其中，N为各组的序号，N＝1，2，3…K；
构建神经网络2模型所需的样本数据包括K组输入数据及对应的K组仿真输出值，分别为神经网络2输入数据VdcN，fswN，RgonN，RgoffN，C2N，C3N和神经网络2仿真输出值
步骤3，构建神经网络1模型和神经网络2模型
所述神经网络1结构中，输入层含5个神经元，隐藏层含9个神经元，输出层含5个神经元，输入为步骤1确定的神经网络1的5个输入变量fsw，Rgon，Rgoff，C2，C3，输出为步骤1确定的神经网络1的5个输出变量f1，f2，f3，f4，f5；
所述神经网络2结构中，输入层含6个神经元，隐藏层含8个神经元，输出层含5个神经元，输入为步骤1确定的神经网络2的6个输入变量Vdc，fsw，Rgon，Rgoff，C2，C3，输出为步骤1确定的神经网络2的5个输出变量Mf1，Mf2，Mf3，Mf4，Mf5；
利用步骤2得到的样本数据训练神经网络1和神经网络2，得到构建完成的神经网络1模型和神经网络2模型，具体步骤如下：
步骤3.1，将样本数据分为训练子集，验证子集和测试集，训练子集含有K1组样本数据，验证子集含有K2组样本数据，测试集含有K3组样本数据，且K1+K2+K3＝K；
所述训练子集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值神经网络2输入数据 及对应的神经网络2仿真输出值 N1＝1，2，3…K1；
所述验证子集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值 神经网络2输入数据 及对应的神经网络2仿真输出值 N2＝K1+1，K1+2，…K1+K2；
所述测试集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值神经网络2输入数据 及对应的神经网络2仿真输出值N3＝K1+K2+1，K1+K2+2，…K；将命名为神经网络1实际值将 命名为神经网络2实际值
步骤3.2，在步骤3.1得到的训练子集中随机抽取一组输入数据，输入到神经网络1和神经网络2，得到与该输入数据对应的输出，包括神经网络1的输出和神经网络2的输出
步骤3.3，采用误差反向传播梯度下降算法对神经网络1和神经网络2进行参数更新，得到更新之后的神经网络1和神经网络2；
步骤3.4，将步骤3.1得到的验证子集的K2组输入数据分别输入到步骤3.3得到的更新之后的神经网络1和神经网络2，得到与该K2组输入数据对应的K2组输出，包括神经网络1的输出 和神经网络2的输出 N2＝K1+1，K1+2，…K1+K2；
定义均方根误差δ1和均方根误差δ2，其表达式分别为：
给定第一目标误差e1和第二目标误差e2，并做如下判断：
若δ1＜e1且δ2＜e2，神经网络1模型和神经网络2模型构建完成，进入步骤4，否则，返回步骤3.2；
步骤4，将步骤3.1得到的测试集的K3组输入数据输入步骤3构建完成的神经网络1模型和神经网络2模型，得到与该K3组输入数据对应的K3组神经网络1的仿真输出值和K3组神经网络2的仿真输出值，并分别记为神经网络1预测值和神经网络2预测值N3＝K1+K2+1，K1+K2+2，…K；
步骤5，随机提取一组神经网络1实际值 和神经网络2实际值
以频率为横坐标、以频谱幅值为纵坐标建立平面坐标系，根据预测值 在该坐标系上绘制出逆变器共模传导EMI频谱预测包络线，根据实际值 在该坐标系上绘制出逆变器共模传导EMI频谱实际包络线；
判断逆变器共模传导EMI频谱预测包络线和逆变器共模传导EMI频谱实际包络线是否吻合：若吻合，则实现了对逆变器共模传导EMI频谱包络线的预测，结束本次预测；若不吻合，返回到步骤3.2；
所述吻合指逆变器共模传导EMI频谱预测包络线上的五个转折点与逆变器共模传导EMI频谱实际包络线上的五个转折点趋于一致。
优选地，所述神经网络1和神经网络2的结构均是由一个全连接网络构成。
优选地，步骤2所述获取构建神经网络1模型和神经网络2模型所需的样本数据的步骤如下：
给定K组神经网络1输入数据，包括：开关管Si2和开关管Si3的开关频率fswN，开关管Si2和开关管Si3的开通驱动电阻RgonN，逆变器开关管Si2和开关管Si3的关断驱动电阻RgoffN，寄生电容C2N，寄生电容C3N，利用计算机仿真软件得到逆变器共模传导EMI频谱，并得到K组逆变器共模传导EMI频谱的5个转折点的频率值，记为神经网络1仿真输出值N＝1，2，3…K；
给定K组神经网络2输入数据，包括：直流电压源的电压值VdcN，开关管Si2和开关管Si3的开关频率fswN，开关管Si2和开关管Si3的开通驱动电阻RgonN，开关管Si2和开关管Si3的关断驱动电阻RgoffN，寄生电容C2N，寄生电容C3N；利用计算机仿真软件得到K组在神经网络1仿真输出值处的频谱幅值，记为神经网络2仿真输出值N＝1，2，3…K。
优选地，步骤3.3中所述误差反向传播梯度下降算法的具体步骤如下：
步骤3.3.1，初始化神经网络参数，1表示输入层神经元的序号，m表示隐藏层神经元的序号，n表示输出层神经元的序号，神经网络参数包括第一权值参数wx，ml，第二权值参数wh，nm，第一阈值参数bm，第二阈值参数bn，其中，第一权值参数wx，ml表示隐藏层第m个神经元和输入层第1个神经元之间的权值，第二权值参数wh，nm表示输出层第n个神经元和隐藏层第m个神经元之间的权值，第一阈值参数bm表示隐藏层第m个神经元的阈值，第二阈值参数bn表示输出层第n个神经元的阈值；
步骤3.3.2，正向计算神经网络输出层第n个神经元的输出yn，具体计算步骤如下：
计算隐藏层第m个神经元的输出hm：
式中，xl为输入层第1个神经元的输入变量，zh，m为隐藏层第m个神经元未经非线性函数激活的输出，为非线性激活函数；
计算输出层第n个神经元的输出yn：
式中，hm为隐藏层第m个神经元的输出，zy，n为输出层第n个神经元未经非线性函数激活的输出，为非线性激活函数；
步骤3.3.3，根据步骤3.3.2得到的yn计算输出层第n个神经元的输出与输出层第n个神经元的实际输出之间的误差：
式中，yn为输出层第n个神经元的输出，为输出层第n个神经元的实际输出；
步骤3.3.4，根据步骤3.3.3得到的误差E反向传播计算E对第一权值参数wx，ml的梯度E对第二权值参数wh，nm的梯度E对第一阈值参数bm的梯度E对第二阈值参数bn的梯度
步骤3.3.5，根据步骤3.3.4得到的更新第一权值参数wx，ml，第二权值参数wh，nm，第一阈值参数bm，第二阈值参数bn：
式中，为更新之后的第一权值参数，为更新之后的第二权值参数，为更新之后的第一阈值参数，为更新之后的第二阈值参数，α为学习率，且0＜α＜1；
通过以上参数更新得到更新之后的神经网络1和神经网络2。
与现有技术相比，本发明的有益效果为：
(1)本发明综合考虑逆变器的寄生电容对逆变器共模传导EMI的影响，寄生电容包括1个直流母排对地寄生电容、6个相同的开关管对地寄生电容和3个相同的逆变器交流输出侧寄生电容，更全面真实的预测逆变器实际运行工况下产生的共模传导EMI，更符合实际情况；
(2)本发明提供的人工神经网络方法，不依赖逆变器实际的运行工况，当运行工况发生改变时，不需重新模拟逆变器的实际运行工况，只需输入实际运行工况的设计变量，便可以快速得到该运行工况下的共模传导EMI，方法灵活，操作简便，能够快速、准确地预测逆变器共模传导EMI频谱包络线，使用神经网络1和神经网络2建立了逆变器共模传导EMI的多设计变量和共模传导EMI频谱包络线之间多对多的非线性映射关系，解决了传统建模复杂、耗时的困难。
附图说明
图1为本发明实施例中逆变器的拓扑图；
图2为本发明共模传导EMI频谱包络线的预测方法的流程图；
图3为本发明实施例中神经网络1的结构示意图；
图4为本发明实施例中神经网络2的结构示意图；
图5为本发明实施例中神经网络1的预测效果图；
图6为本发明实施例中神经网络2的预测效果图；
图7为本发明实施例中共模传导EMI频谱预测包络线与共模传导EMI频谱实际包络线的对比示意图。
具体实施方式
下面结合附图，对本发明进行详细的说明。
图1为本发明实施例中逆变器的拓扑图。由图1可见，本发明所述逆变器包括直流电压源10、三相三电平ANPC逆变电路20、寄生电容30、滤波电路40、人工电源网络50和负载60。
所述三相三电平ANPC逆变电路20包括两个相同的支撑电容和一个逆变主电路，其中，两个支撑电容分别记为支撑电容Cap1和支撑电容Cap2，支撑电容Cap1和支撑电容Cap2串联后接在直流电压源10的直流正母线P和直流负母线E之间，支撑电容Cap1和支撑电容Cap2的连接点记为直流母线中点O。
所述逆变主电路包括A相桥臂、B相桥臂和C相桥臂，每相桥臂包括6个带反并联二极管的开关管，即逆变主电路共包括18个带反并联二极管的开关管，将18个带反并联二极管的开关管记为开关管Sij，其中i表示三相，i＝a，b，c，j表示开关管和二极管的序号，j＝1，2，3，4，5，6；A相桥臂、B相桥臂、C相桥臂相互并联在直流正母线P和直流负母线E之间；在三相桥臂的每相桥臂中，开关管Si1、开关管Si2、开关管Si3、开关管Si4顺序串联，且开关管Si1的输入端接直流正母线P、开关管Si4的输出端接直流负母线E，开关管Si5的输入端接开关管Si1的输出端，开关管Si5的输出端接直流母线中点O，开关管Si6的输入端接直流母线中点O，开关管Si6的输出端接开关管Si3的输出端；将开关管Si1、开关管Si2和开关管Si5的公共节点记为开关管连接点ψi1，开关管Si3、开关管Si4和开关管Si6的公共节点记为开关管连接点ψi2，开关管Si2和开关管Si3的连接点记为输出点φi，i＝a，b，c；开关管Si1、开关管Si4、开关管Si5和开关管Si6为工频开关管，且开关频率均为50Hz，开关管Si2和开关管Si3为高频开关管且开关频率相同，记高频开关管的开关频率为高频开关频率fsw。另外18个反并联二极管记为二极管Dij。
所述寄生电容30包括1个直流母排对地寄生电容Cbus、6个相同的开关管对地寄生电容和3个相同的逆变器交流输出侧寄生电容，其中，6个开关管对地寄生电容分别记为开关管对地寄生电容Cpiη，3个逆变器交流输出侧寄生电容分别记为交流输出侧寄生电容Cpi3，i＝a，b，c，η＝1，2；所述直流母排对地寄生电容Cbus的一端接直流母线中点O、另一端接地，开关管对地寄生电容Cpi1的一端接开关管连接点ψi1、另一端接地，开关管对地寄生电容Cpi2的一端接开关管连接点ψi2、另一端接地，逆变器交流输出侧寄生电容Cpi3的一端接输出点φi，另一端接地。
所述滤波电路40包括三相滤波电感L和三相滤波电容C0，三相滤波电感L的一端接输出点φi，另一端接负载60，三相滤波电容C0并联在三相滤波电感L和负载60之间，三相滤波电感L、三相滤波电容C0和负载60的公共节点记为滤波电路连接点γi，i＝a，b，c。
所述人工电源网络50包括三相网络电阻R和三相网络电容C1，三相网络电阻R和三相网络电容C1串联后并联在滤波电路连接点γi和负载60之间，三相网络电容C1的另一端接地。
图2为本发明共模传导EMI频谱包络线的预测方法的流程图。由图2可见，所述预测方法基于人工神经网络对逆变器共模传导EMI频谱包络线进行预测，具体步骤如下：
步骤1，确定人工神经网络的输入变量和输出变量
所述人工神经网络包括神经网络1和神经网络2，其中，
神经网络1的输入变量为5个，分别为：高频开关频率fsw、开关管Si2和开关管Si3的开通驱动电阻Rgon、开关管Si2和开关管Si3的关断驱动电阻Rgoff、寄生电容C2和寄生电容C3，神经网络1的输出变量为逆变器共模传导EMI频谱的5个转折点的频率，记为频率f1，频率f2，频率f3，频率f4，频率f5；
神经网络2的输入变量为6个，分别为：直流电压源10的电压值Vdc、高频开关频率fsw、开关管Si2和开关管Si3的开通驱动电阻Rgon、开关管Si2和开关管Si3的关断驱动电阻Rgoff、寄生电容C2和寄生电容C3；神经网络2的输出变量为逆变器共模传导EMI频谱在频率f1，频率f2，频率f3，频率f4，频率f5处的频谱幅值，记为频谱幅值Mf1、频谱幅值Mf2、频谱幅值Mf3、频谱幅值Mf4、频谱幅值Mf5；
所述寄生电容C2＝Cbus＝Cpi3，所述寄生电容C3＝Cpi1＝Cpi2。
在本实施例中，所述神经网络1和神经网络2的结构均是由一个全连接网络构成。
步骤2，利用计算机仿真软件，获取构建神经网络1模型和神经网络2模型所需的样本数据，其中：
构建神经网络1模型所需的样本数据包括K组输入数据及对应的K组仿真输出值，分别为神经网络1输入数据fswN，RgonN，RgoffN，C2N，C3N和神经网络1仿真输出值其中，N为各组的序号，N＝1，2，3…K。
构建神经网络2模型所需的样本数据包括K组输入数据及对应的K组仿真输出值，分别为神经网络2输入数据VdcN，fswN，RgonN，RgoffN，C2N，C3N和神经网络2仿真输出值
在本实施例中，所述获取构建神经网络1模型和神经网络2模型所需的样本数据的步骤如下：
给定K组神经网络1输入数据，包括：开关管Si2和开关管Si3的开关频率fswN，开关管Si2和开关管Si3的开通驱动电阻RgonN，逆变器开关管Si2和开关管Si3的关断驱动电阻RgoffN，寄生电容C2N，寄生电容C3N，利用计算机仿真软件得到逆变器共模传导EMI频谱，并得到K组逆变器共模传导EMI频谱的5个转折点的频率值，记为神经网络1仿真输出值N＝1，2，3…K；
给定K组神经网络2输入数据，包括：直流电压源10的电压值VdcN，开关管Si2和开关管Si3的开关频率fswN，开关管Si2和开关管Si3的开通驱动电阻RgonN，开关管Si2和开关管Si3的关断驱动电阻RgoffN，寄生电容C2N，寄生电容C3N；利用计算机仿真软件得到K组在神经网络1仿真输出值处的频谱幅值，记为神经网络2仿真输出值N＝1，2，3…K。
具体的，神经网络1和神经网络2的输入变量的取值范围和步长见表1。
在本实施例中，利用计算机软件仿真，一共得到162组样本数据，即K＝162。
步骤3，构建神经网络1模型和神经网络2模型
所述神经网络1结构中，输入层含5个神经元，隐藏层含9个神经元，输出层含5个神经元，输入为步骤1确定的神经网络1的5个输入变量fsw，Rgon，Rgoff，C2，C3，输出为步骤1确定的神经网络1的5个输出变量f1，f2，f3，f4，f5；
所述神经网络2结构中，输入层含6个神经元，隐藏层含8个神经元，输出层含5个神经元，输入为步骤1确定的神经网络2的6个输入变量Vdc，fsw，Rgon，Rgoff，C2，C3，输出为步骤1确定的神经网络2的5个输出变量Mf1，Mf2，Mf3，Mf4，Mf5。
图3为本发明实施例中神经网络1的结构示意图，图4为本发明实施例中神经网络2的结构示意图。
在本实施例中，利用步骤2得到的162组样本数据训练神经网络1和神经网络2，得到构建完成的神经网络1模型和神经网络2模型，具体步骤如下：
步骤3.1，将样本数据分为训练子集，验证子集和测试集，训练子集含有K1组样本数据，验证子集含有K，组样本数据，测试集含有K3组样本数据，且K1+K2+K3＝K。
所述训练子集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值神经网络2输入数据 及对应的神经网络2仿真输出值 N1＝1，2，3…K1；
所述验证子集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值 神经网络2输入数据 及对应的神经网络2仿真输出值 N2＝K1+1，K1+2，…K1+K2；
所述测试集中任意一组样本数据包括：神经网络1输入数据及对应的神经网络1仿真输出值神经网络2输入数据 及对应的神经网络2仿真输出值N3＝K1+K2+1，K1+K2+2，…K；将命名为神经网络1实际值将 命名为神经网络2实际值
在本实施例中，训练子集中包括138组样本数据，验证子集中包括20组样本数据，测试集中包括4组样本数据。
步骤3.2，在步骤3.1得到的训练子集中随机抽取一组输入数据，输入到神经网络1和神经网络2，得到与该输入数据对应的输出，包括神经网络1的输出和神经网络2的输出
步骤3.3，采用误差反向传播梯度下降算法对神经网络1和神经网络2进行参数更新，得到更新之后的神经网络1和神经网络2。
步骤3.4，将步骤3.1得到的验证子集的K2组输入数据分别输入到步骤3.3得到的更新之后的神经网络1和神经网络2，得到与该K2组输入数据对应的K2组输出，包括神经网络1的输出 和神经网络2的输出 N2＝K1+1，K1+2，…K1+K2；
定义均方根误差δ1和均方根误差δ2，其表达式分别为：
给定第一目标误差e1和第二目标误差e2，并做如下判断：
若δ1＜e1且δ2＜e2，神经网络1模型和神经网络2模型构建完成，进入步骤4，否则，返回步骤3.2。
步骤4，将步骤3.1得到的测试集的K3组输入数据输入步骤3构建完成的神经网络1模型和神经网络2模型，得到与该K3组输入数据对应的K3组神经网络1的仿真输出值和K3组神经网络2的仿真输出值，并分别记为神经网络1预测值和神经网络2预测值N3＝K1+K2+1，K1+K2+2，…K。
步骤5，随机提取一组神经网络1实际值 和神经网络2实际值
以频率为横坐标、以频谱幅值为纵坐标建立平面坐标系，根据预测值 在该坐标系上绘制出逆变器共模传导EMI频谱预测包络线，根据实际值 在该坐标系上绘制出逆变器共模传导EMI频谱实际包络线；
判断逆变器共模传导EMI频谱预测包络线和逆变器共模传导EMI频谱实际包络线是否吻合：若吻合，则实现了对逆变器共模传导EMI频谱包络线的预测，结束本次预测；若不吻合，返回到步骤3.2；
所述吻合指逆变器共模传导EMI频谱预测包络线上的五个转折点与逆变器共模传导EMI频谱实际包络线上的五个转折点趋于一致。
图7为本发明实施例中共模传导EMI频谱预测包络线与共模传导EMI频谱实际包络线的对比示意图。由图7可见，逆变器共模传导EMI频谱预测包络线与共模传导EMI频谱实际包络线吻合，证明本文构建的神经网络1模型和神经网络2模型具有较高的预测精度。
图5为本发明实施例中神经网络1的预测效果图，图6为本发明实施例中神经网络2的预测效果图，图5中横坐标为神经网络1实际值纵坐标为神经网络1预测值 图6中横坐标为神经网络2实际值 纵坐标为神经网络2预测值 N3＝159，160，161，162。图中的点在对角线上表明神经网络1预测值等于神经网络1实际值，神经网络2预测值等于神经网络2实际值，从图5和图6可以看出，所有点都在对角线附近，神经网络1预测值与神经网络1实际值非常接近或重合，神经网络2预测值与神经网络2实际值非常接近或重合。
在本实施例中，步骤3.3中所述误差反向传播梯度下降算法的具体步骤如下：
步骤3.3.1，初始化神经网络参数，1表示输入层神经元的序号，m表示隐藏层神经元的序号，n表示输出层神经元的序号，神经网络参数包括第一权值参数wx，ml，第二权值参数wh，nm，第一阈值参数bm，第二阈值参数bn，其中，第一权值参数wx，ml表示隐藏层第m个神经元和输入层第1个神经元之间的权值，第二权值参数wh，nm表示输出层第n个神经元和隐藏层第m个神经元之间的权值，第一阈值参数bm表示隐藏层第m个神经元的阈值，第二阈值参数bn表示输出层第n个神经元的阈值；
步骤3.3.2，正向计算神经网络输出层第n个神经元的输出yn，具体计算步骤如下：
计算隐藏层第m个神经元的输出hm：
式中，xl为输入层第1个神经元的输入变量，zh，m为隐藏层第m个神经元未经非线性函数激活的输出，为非线性激活函数；
计算输出层第n个神经元的输出yn：
式中，hm为隐藏层第m个神经元的输出，zy，n为输出层第n个神经元未经非线性函数激活的输出，为非线性激活函数；
步骤3.3.3，根据步骤3.3.2得到的yn计算输出层第n个神经元的输出与输出层第n个神经元的实际输出之间的误差：
式中，yn为输出层第n个神经元的输出，为输出层第n个神经元的实际输出；
步骤3.3.4，根据步骤3.3.3得到的误差E反向传播计算E对第一权值参数wx，ml的梯度E对第二权值参数wh，nm的梯度E对第一阈值参数bm的梯度E对第二阈值参数bn的梯度
步骤3.3.5，根据步骤3.3.4得到的更新第一权值参数wx，ml，第二权值参数wh，nm，第一阈值参数bm，第二阈值参数bn：
式中，为更新之后的第一权值参数，为更新之后的第二权值参数，为更新之后的第一阈值参数，为更新之后的第二阈值参数，α为学习率，且0＜α＜1；
通过以上参数更新得到更新之后的神经网络1和神经网络2。
在本实施例中，取α＝0.01，非线性激活函数为ReLU函数，第一目标误差e1为0.15，第二目标误差e2为2.00。
在本实施例中，对神经网络1，1＝1，2，3，4，5，n＝1，2，3，4，5，输入变量为x1＝fsw，x2＝Rgon，x3＝Rgoff，x4＝C2，x5＝C3，输出为y1＝f1，y2＝f2，y3＝f3，y4＝f4，y5＝f5。对神经网络2，1＝1，2，3，4，5，6，n＝1，2，3，4，5，输入变量为x1＝Vdc，x2＝fsw，x3＝Rgon，x4＝Rgoff，x5＝C2，x6＝C3，输出为y1＝Mf1，y2＝Mf2，y3＝Mf3，y4＝Mf4，y5＝Mf5。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种变频设备