本發明涉及電力電子變換器，特別涉及一種并網逆變器多參數在線整定方法、系統、設備及介質。
背景技術：
1、隨著電網阻抗的實時變化及并網逆變器數量的增加，并網逆變器與電網之間的交互作用顯著增強，導致并網逆變器系統失穩風險加劇。研究表明，此類不穩定的主要原因在于具有固定增益的電流控制環與鎖相環無法適應電網工況的動態變化。
2、相比之下，具備在線控制參數整定功能的并網逆變器更適應電網動態工況。可以采用建模解析的方法進行參數的在線整定。比如，可以采用穩定性判據解析推導控制環帶寬的穩定邊界，或者設計一套用于控制環增益的設計準則，在電網阻抗變化時維持恒定帶寬與相位裕度。然而，此類基于解析的參數調整策略依賴小信號模型及實時電網阻抗測量。存在以下局限性：1.傳統的小信號模型通常忽略了影響系統穩定性的關鍵非線性因素，比如：開關效應、鎖相環動態特性及諧波控制，且多臺并聯逆變器系統的建模復雜度顯著增加；2.在線阻抗測量需要在響應速度、測量精度與擾動大小之間進行權衡，限制了其在線實時應用。
3、基于數據驅動的參數整定方法逐漸成為可行替代方案：基于粒子群優化（particle?swarm?optimization，pso）算法的在線調參方法已成功應用于外環功率控制與直流母線電壓控制，其以積分時間絕對誤差為適應度函數，確保系統對擾動的快速平滑響應。然而，此類方法雖無需精確小信號模型與實時阻抗測量，但因每次迭代需將粒子值代入比例積分控制器，并基于系統在一段時間內的運行數據計算適應度函數，而調參時間較長。另一類人工神經網絡（artificial?neural?network，ann）結合在線參數搜索技術，將電流控制環與鎖相環的控制參數映射至閉環極點位置，并在動態電網條件下最小化實際極點與參考極點的偏差以維持穩定，但此類方法需實時測量電網阻抗。
技術實現思路
1、本發明的目的在于提供一種并網逆變器多參數在線整定方法、系統、設備及介質，可以解決現有參數整定方法調參時間較長或需實時測量電網阻抗的問題。
2、為解決上述技術問題，本發明的實施例提供了一種并網逆變器多參數在線整定方法，包括以下步驟：
3、建立并網逆變器的電路仿真模型；
4、通過電路仿真模型獲取并網逆變器在不同電網阻抗工況下的輸出電流，并通過電路仿真模型采用粒子群優化算法迭代搜索得到并網逆變器在不同電網阻抗工況下的目標控制參數；
5、通過并網逆變器在不同電網阻抗工況下的輸出電流及對應電網阻抗工況下的目標控制參數，對參數推理模型進行離線訓練；
6、實時獲取并網逆變器的輸出電流，并將實時獲取的輸出電流輸入訓練好的參數推理模型中，得到對應的目標控制參數；
7、通過參數推理模型輸出的目標控制參數，對并網逆變器的控制參數進行在線整定。
8、可選的，所述粒子群優化算法的適應度函數根據在電網阻抗變化時并網逆變器的 d軸輸出電流進入并保持在預設的穩態值允許誤差范圍內所需的時間構建，如下公式：
9、；
10、式中， t i( k)表示第 k次迭代中粒子 i的適應度值， ts表示 d軸輸出電流 i d進入并保持在預設的穩態值允許誤差范圍的時刻， t0表示電網阻抗突變的時刻， i dref表示 i d的穩態值。
11、可選的，所述粒子群優化算法的搜索步驟如下：
12、s1：初始化粒子群規模、每個粒子的初始速度和初始位置、控制參數的搜索范圍和最大迭代次數；
13、s2：初始化電路仿真模型在突變前的電網阻抗；
14、s3：依次將每個粒子的位置輸入到電路仿真模型中，運行電路仿真模型，并記錄實時運行數據；
15、s4：根據實時運行數據和適應度函數，計算每個粒子的適應度值；
16、s5：更新個體最優解和全局最優解，更新內容包括速度、位置和適應度值；
17、s6：更新下一次迭代中每個粒子的速度和位置；
18、s7：判斷全局最優解的適應度是否小于預設的嚴格閾值，若是，則執行s11，否則，執行s8；
19、s8：迭代次數加1；
20、s9：判斷是否達到最大迭代次數，若是，執行s10，否則，返回s3；
21、s10：判斷全局最優解的適應度是否小于預設的寬松閾值，若是，則執行s11，否則，結束算法；
22、s11：保存全局最優解，保存內容包括速度、位置以及對應的電網阻抗；
23、s12：將全局最優解設置為新一輪電網阻抗工況下的初始粒子之一，重置迭代次數；
24、s13：更新電路仿真模型的電網阻抗，以固定步長增加電網阻抗來建立新的電網阻抗工況，并返回s3。
25、可選的，所述參數推理模型的網絡結構由長短期記憶網絡和人工神經網絡構成，所述將實時獲取的輸出電流輸入訓練好的參數推理模型中，得到對應的目標控制參數，包括：
26、通過兩個長短期記憶網絡分別提取實時獲取的輸出電流中 d軸輸出電流和 q軸輸出電流的時序特征；
27、通過一個兩層人工神經網絡提取 d軸輸出電流和 q軸輸出電流的全局特征；
28、將時序特征和全局特征融合，得到融合特征；
29、通過一個四層人工神經網絡根據融合特征輸出對應的目標控制參數。
30、可選的，在所述將實時獲取的輸出電流輸入訓練好的參數推理模型中之前，還包括：
31、確定實時獲取的輸出電流中 d軸輸出電流相對于預設的 d軸輸出電流穩態值的偏差超過預設的偏差閾值。
32、可選的，所述通過并網逆變器在不同電網阻抗工況下的輸出電流及對應電網阻抗工況下的目標控制參數，對參數推理模型進行離線訓練，包括：
33、將并網逆變器在不同電網阻抗工況下的目標控制參數作為多個標簽，并建立標簽與目標控制參數一一對應的查找表；
34、采用并網逆變器在不同電網阻抗工況下的輸出電流及對應的多個標簽，對參數推理模型進行離線訓練；
35、所述將實時獲取的輸出電流輸入訓練好的參數推理模型中，得到對應的目標控制參數，包括：
36、將實時獲取的輸出電流輸入訓練好的參數推理模型中，得到對應的標簽；
37、根據參數推理模型輸出的標簽從查找表中查找對應的目標控制參數。
38、可選的，所述并網逆變器的控制參數包括：電流控制環的比例增益和積分增益以及鎖相環的比例增益和積分增益。
39、本發明的實施例還提供了一種并網逆變器多參數在線整定系統，包括：
40、仿真模型建立模塊，用于建立并網逆變器的電路仿真模型；
41、控制參數搜索模塊，用于通過電路仿真模型獲取并網逆變器在不同電網阻抗工況下的輸出電流，并通過電路仿真模型采用粒子群優化算法迭代搜索得到并網逆變器在不同電網阻抗工況下的目標控制參數；
42、優化模型訓練模塊，用于通過并網逆變器在不同電網阻抗工況下的輸出電流及對應電網阻抗工況下的目標控制參數，對參數推理模型進行離線訓練；
43、控制參數獲取模塊，用于實時獲取并網逆變器的輸出電流，并將實時獲取的輸出電流輸入訓練好的參數推理模型中，得到對應的目標控制參數；
44、控制參數整定模塊，用于通過參數推理模型輸出的目標控制參數，對并網逆變器的控制參數進行在線整定。
45、本發明的實施例還提供了一種計算機設備，包括：至少一個處理器；以及，與所述至少一個處理器通信連接的存儲器；其中，所述存儲器中存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行上述并網逆變器多參數在線整定方法。
46、本發明的實施例還提供了一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現上述并網逆變器多參數在線整定方法。
47、本發明所提供的并網逆變器多參數在線整定方法，至少具有以下有益效果：
48、通過建立并網逆變器的電路仿真模型，來獲取并網逆變器在不同電網阻抗工況下的輸出電流，并采用粒子群優化算法迭代搜索得到并網逆變器在不同電網阻抗工況下的目標控制參數，該目標控制參數即為并網逆變器在不同電網阻抗工況下近似最優的控制參數，目標控制參數與輸出電流構成離線數據集對參數推理模型進行訓練，則訓練好的參數推理模型可以根據并網逆變器實時的輸出電流，輸出對應的目標控制參數，通過該目標控制參數即可實現并網逆變器控制參數的整定。
49、本發明相當于建立了并網逆變器不同電網阻抗工況下的輸出電流及對應電網阻抗工況下控制參數之間的映射關系，通過粒子群優化算法離線預計算+參數推理模型在線推理，將參數整定從“實時搜索”轉換為“映射查找”，耗時更短，實現了并網逆變器的控制參數的快速整定，而其中粒子群優化算法的調參屬于離線工作，避開了在線時間壓力。同時，參數推理模型僅將實時電流作為輸入，不需要額外變量，例如電網阻抗。