介质阻挡放电负载电气模型参数辨识方法、装置及设备
阅读说明：本技术 介质阻挡放电负载电气模型参数辨识方法、装置及设备 (Method, device and equipment for identifying parameters of dielectric barrier discharge load electrical model ) 是由 李�杰 余亚东 杨丽 雷宗昌 唐雄民 陈伟正 邹翀 张荻 董斌 于 2021-06-24 设计创作，主要内容包括：本发明公开了一种介质阻挡放电负载电气模型参数辨识方法、装置及设备。针对目前介质阻挡放电负载电气模型存在建模复杂和系数确定困难的问题,本发明公开了一种介质阻挡放电负载电气模型参数辨识方法。该方法能够很好地拟合出介质阻挡负载的工作波形,反映DBD负载的外部负载电气特性。本发明公开的方法有助于揭示介质阻挡放电型负载的内部工作机理。(The invention discloses a method, a device and equipment for identifying parameters of an electrical model of a dielectric barrier discharge load. The invention discloses a method for identifying parameters of a dielectric barrier discharge load electrical model, aiming at the problems of complex modeling and difficult coefficient determination of the current dielectric barrier discharge load electrical model. The method can well fit the working waveform of the dielectric barrier load and reflect the electrical characteristics of the external load of the DBD load. The method disclosed by the invention is helpful for disclosing the internal working mechanism of the dielectric barrier discharge type load.)
技术领域
本发明涉及介质阻挡放电
技术领域
，尤其涉及一种介质阻挡放电负载电气模型参数辨识方法、装置及设备。背景技术
介质阻挡放电(Dielectric Barrier Discharge,DBD)是将绝缘介质置于放电空间的一种气体放电形式，在大气压下能产生稳定的低温等离子体，在臭氧生成、材料表面改性、杀菌消毒、新型光源开发、薄膜沉积、电磁波屏蔽、环境保护等工业领域具有广泛的应用前景。
DBD负载是一种未放电时等效为介质电容和气隙电容串联，放电时具有电阻特性的非线性阻容负载。建立准确的DBD负载电气模型对于驱动电源设计、环路控制和研究放电特性与机理具有重要意义。DBD负载电气模型可分为：非线性钳位模型、线性阻容模型和受控电流源模型。其中非线性钳位模型用二极管组合和等效电压源来模拟放电阶段气隙电压双向箝位特性，气隙电压小于等效电压源时表示为未放电状态，气隙电压大于等效电压源时表示为放电状态。虽然该模型能区分放电与未放电状态，但不能反映微观放电机理。线性阻容模型将DBD等效为电容和电阻的并联，不关注放电机理，模型简单，能反映放电时的平均有功损耗，当电源频率高于100kHz且实际放电非线性不明显时能有较高等效精度，但适用范围有限。受控电流源模型用一个受控电流源来等效流过气隙的放电电流，受控电流源的设置与气隙电压和DBD装置物理结构有关。该模型的建模难度较大，着重关注放电电流与外部电路参数变化的联系，能反映微观放电机理。综上所述，本发明公开一种介质阻挡放电负载电气模型参数辨识方法、装置及设备。该方法可根据输入电压和输入电流更高效地获取介质阻挡放电等效电气模型的参数，对深入研究DBD负载模型的优化和激励电源的设计具有重要的现实意义。
发明内容
本发明实际提供了一种介质阻挡放电负载电气模型参数辨识方法、装置及设备，所得模型可以很好地反映DBD负载的外部负载特性。
本发明通过以下技术方案予以实现：
一种介质阻挡放电负载电气模型参数辨识方法，包括：数据采样、建立DBD数学模型、模型系数范围设置、建立误差函数、建立适应度函数、构建参数辨识平台和遴选辨识结果；
可选的，数据采样为对实验放电时的负载电压us和负载电流is数据进行采样；
可选的，DBD数学模型的方程组包括放电电导G的约束方程气隙层电压表达式和放电电导G的表达式
可选的，方程组中系数K1、系数K2、系数Vth、第二电容Cg和第一电容Cd由参数辨识方法确定；
可选的，以负载电流is的积分作为横轴，以负载电压us作为纵轴，画李萨茹图并拟合为平行四边形，根据平行四边形相邻两边的斜率确定第一电容Cd和第二电容Cg的范围，根据平行四边形其中的端点确定系数Vth的范围；根据放电电流引起的电流尖峰的上升率和下降率分别确定系数K1和系数K2的范围；
可选的，误差函数由放电电导的约束方程的等式两端相减得到；
可选的，适应度函数由误差函数通过凸函数转化获得；
可选的，参数辨识平台代入采样数据、适应度函数和模型系数范围进行初始化，开始参数辨识运算；
可选的，根据参数辨识平台获得的多组辨识结果，分别代入到仿真验证模型与实际波形的拟合，取拟合最优者为所建模型的最优参数。
本发明还提供了一种介质阻挡放电负载电气模型参数辨识装置及设备，包括：
数据采样获取模块，用于获取DBD负载放电时的负载电压和负载电流；
数据预处理模块，用于去除数据采样获取模块获得的负载电压和负载电流的直流分量、电压纹波和电流纹波；
模型系数范围设置模块，用于根据经过数据预处理模块的负载电压和负载电流，获取模型各系数的范围；
计算模块，用于根据DBD负载模型获取运算表达式，并结合负载电压和负载电流和系数范围，辨识获得多组系数结果；
辨识结果遴选模块，用于根据辨识获得多组系数结果，选取拟合误差最少的一组作为最终参数辨识结果。
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时以实现一种介质阻挡放电负载电气模型参数辨识方法的步骤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为介质阻挡放电负载电气模型参数辨识方法流程图；
图2为DBD负载放电时的负载电压us和负载电流is波形图；
图3为DBD负载等效电路模型图；
图4为Python编程语言构建的计算模块的部分参数辨识结果截图；
图5为Simulink仿真验证模型图；
图6为以原负载电流为仿真模型输入的验证图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的一种介质阻挡放电负载电气模型参数辨识方法的流程图。该方法可以包括：
步骤101：数据采样。
其中，本步骤的目的为采集DBD负载放电时的负载电压和负载电流的数据。
具体的，采集几个周期构成10000个负载电压数据点和10000个负载电流数据点，以时间轴为横轴、负载电压幅值为左纵轴和负载电流幅值为右纵轴作图，如图2中实线为负载电压，虚线为负载电流。
步骤102：建立DBD数学模型。
其中，本步骤的目的是建立适用于计算的DBD数学模型。
具体的，根据图3所示的DBD的等效电路模型，建立DBD负载电气模型的系统函数模型，获得以下两个电路等式
根据放电电导的约束方程，得到以下方程式
其中，us为负载电压和负载电流is作为参数辨识的输入，气隙电压ug、介质层电压ud和放电电流ip作为中间量，系数K1、系数K2、系数Vth、第二电容Cg和第一电容Cd由参数辨识方法确定；
步骤103：模型系数范围设置。
其中，本步骤的目的为确定待辨识参数数组[K1、K2、Vth、Cg、Cd]的范围。
具体的，对应的参数范围的下限设置为[0.0001,1e6,400,20e-12,6e-12]，对应的参数范围的上限设置为[0.01,1e15,2000,44e-12,20e-12]；
步骤104：建立误差函数。
其中，本步骤的目的是根据数学模型化简出一个包含输入的负载电压、负载电力流和待辨识参数的等式，将等式所有项移至等式一侧作为误差函数。
具体的，将两个电路等式代入到放电电导约束方程中，在将约束方程移至一侧获得误差函数。
步骤105：建立适应度函数。
其中，本步骤的目的是建立便于参数辨识平台辨识的函数。
具体的，把步骤104获取的误差函数作凸函数处理，得到适应度函数。
步骤106：构建基于参数辨识平台。
其中，本步骤的目的是利用编程语言，结合步骤101至步骤105，构建参数辨识平台。
具体的，本步骤可以包括：
步骤201：选择Python编程语言和纵横交错算法(CSO)来构建参数辨识平台。建立类并初始化：在Python中建立CSO类，并初始化种群个体，以元组形式(P1min,P1max)…(P40min,P40max)赋值给CSO类中的初始化模块(系统会自动在该节点的上下限之间生成一个随机数)，生成30个个体40维度的种群(Pop)；
Pop＝{P1＝[P1,P2,P3…P40],P2＝[P1′,P2′,P3′…P40′],…P30＝[P1 (29),P2 (29),P3 (29)…P40 (29)]}
步骤202：设计数据迭代方式：一个CSO类会得到一个Pi作为初始值，算法首先会对Pop进行重排列并分成15组，允许有且只有一组中重复使用某个Pi一次。然后进行CSO横向交叉操作，每一组得到一个中庸解(子代)，中庸解通过目标函数算出适应度值后淘汰较差的解，如子代优于父代，则父代被淘汰，反之亦然。直到Pop重排分组后的所有组进行完毕。
步骤203：随后进行CSO的纵向交叉操作，此处仍需对Pop种群的30个不重复个体进行重排列，并设置纵向交叉概率系数进行随机有概率的配对单个个体的两个维度，每一组得到一个中庸解(子代)，优劣选取同横向交叉一样。上述过程为一次迭代过程；
步骤204：算法运行要求：算法每次迭代50次，其中每次运行Pimin≤Pi≤Pimax，若Pi超出范围则等于对应的上下限值；
步骤107：遴选辨识结果。
其中，本步骤的目的是选取最优的参数辨识结果。
具体的，根据图4的多组参数辨识结果，把多组辨识结果输入到如图5所示的仿真验证模型中，以负载电流is参数作为仿真验证模型输入，仿真验证模型的输出电压与实验负载电压us波形对比，如图6所示，取拟合最优者为所建模型的最终辨识结果。
在不脱离本发明思想的情况下，本领域技术人员在不偏离发明精神的情况下，对其进行的关于形式和细节的种种显而易见的修改或变化均应落在本发明的保护范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种建筑空调系统需求响应的强化学习建模方法