考虑数据集误差下基于数据驱动的新能源设备多工况导纳获取方法

基于数据驱动的神经网络建模广泛用于电力电子设备多工况阻抗/导纳建模，但实测导纳样本少且受测量噪声影响，导致数据质量差，模型预测误差大。为此，本文提出一种考虑测量误差的多工况导纳建模方法。以预测值与真实值的均方误差为指标指导网络训练，分析电压电流噪声对导纳测量的影响，建立测量误差与模型性能的关系，并采用贝叶斯算法搜索最优参数，抑制噪声干扰，提升模型精度。通过构建双馈感应发电机的BP神经网络导纳模型，在含测量误差的数据集中验证了方法的有效性。

基于数据驱动的神经网络建模方法已经广泛用于分析电力电子设备的多工况阻抗/导纳模型.然而,实际测量获取的导纳数据样本较少,并且由于测量噪声的影响导致阻抗数据质量较差,这将劣化模型的预测性能,导致模型预测值与真实导纳之间存在较大误差.针对该问题,文中提出考虑测量误差影响下基于数据驱动的多工况导纳模型获取方法.首先,以模型预测值与真实值之间的均方误差作为评价指标来指导神经网络训练;然后,分析多工况下电压电流噪声对导纳测量的影响,并建立测量误差与模型指标的关系;进一步地,通过贝叶斯算法搜索使上述指标最小的最优模型参数,进而降低噪声样本对神经网络模型训练的干扰,提高模型输出的准确度.最后,搭建基于双馈感应发电机的BP神经网络导纳模型,并在含测量误差数据集中验证所提方法的有效性.