隨著“30·60碳達(dá)峰、碳中和”構(gòu)想的提出與實(shí)施，以光伏、風(fēng)電為代表的新能源發(fā)電機(jī)組大量接入電網(wǎng).作為連接新能源與電網(wǎng)的關(guān)鍵設(shè)備，并網(wǎng)逆變器扮演著越來越重要的角色，然而以直流電容故障為主的核心器件故障導(dǎo)致其往往不能長(zhǎng)期健康、穩(wěn)定運(yùn)行.直流電容故障主要是由于其材料老化導(dǎo)致的性能衰退，進(jìn)而引起突發(fā)性故障，破壞逆變器正常運(yùn)行.因此，對(duì)直流電容進(jìn)行參數(shù)辨識(shí)，及時(shí)發(fā)現(xiàn)并更換老化電容，對(duì)并網(wǎng)逆變器穩(wěn)定、可靠和經(jīng)濟(jì)運(yùn)行具有重要意義.

針對(duì)逆變器直流電容的參數(shù)辨識(shí)，國(guó)內(nèi)外研究主要集中于離線辨識(shí)法、準(zhǔn)在線辨識(shí)法以及在線辨識(shí)法.離線辨識(shí)法指在并網(wǎng)逆變器停機(jī)時(shí)，拆解直流電容，并利用LCR測(cè)量?jī)x或設(shè)計(jì)硬件電路進(jìn)行性能參數(shù)測(cè)量.由于該類方法需要拆解電容，工業(yè)應(yīng)用中往往難以操作，實(shí)用性較低.在線辨識(shí)法可在并網(wǎng)逆變器工作時(shí)進(jìn)行參數(shù)辨識(shí)，如文獻(xiàn)[7]利用高精度傳感器采集中頻段電容的紋波電壓和紋波電流，用于估計(jì)電容性能參數(shù).文獻(xiàn)[8]通過在直流電容上注入特定頻率的電流激勵(lì)信號(hào)，利用電容響應(yīng)的交流電壓信號(hào)進(jìn)行電容參數(shù)的計(jì)算.該類在線識(shí)別方法通常需要改變逆變器控制算法，注入特定頻率信號(hào)，或安裝高精度傳感器測(cè)量直流電容的紋波，對(duì)已投產(chǎn)使用的并網(wǎng)逆變器而言，可行性較低.

試驗(yàn)共設(shè)置5個(gè)處理(CK、T1、T2、T3、T4)，每個(gè)處理3次重復(fù)。5個(gè)處理中生物炭施加的質(zhì)量百分比依次為0%、2%、4%、6%、8%。

考慮到電容老化進(jìn)程十分緩慢，通常失效時(shí)間以年為單位，部分專家學(xué)者提出了針對(duì)直流電容的準(zhǔn)在線參數(shù)辨識(shí)方法.該類方法應(yīng)用于逆變器啟動(dòng)、停機(jī)以及負(fù)載瞬態(tài)變化過程，其監(jiān)測(cè)周期遠(yuǎn)小于電容的老化失效周期，充分滿足參數(shù)辨識(shí)的頻率要求，且該類方法具有實(shí)現(xiàn)簡(jiǎn)單、成本低、對(duì)逆變器工作狀態(tài)無(wú)干擾等優(yōu)點(diǎn)，成為當(dāng)下直流電容參數(shù)辨識(shí)技術(shù)的研究熱點(diǎn).文獻(xiàn)[10]利用逆變器的卸荷電路，通過采集卸荷過程中的電容電壓放電曲線，結(jié)合電路數(shù)學(xué)模型，完成容值估計(jì).該方法辨識(shí)精度較高，但需要增加硬件電路，不利于系統(tǒng)整體可靠性設(shè)計(jì).文獻(xiàn)[11]通過分析負(fù)載變化時(shí)直流電壓的變化軌跡與電容性能參數(shù)變化之間的關(guān)系，實(shí)現(xiàn)了鋁電解電容參數(shù)辨識(shí).該方法無(wú)需增加硬件，但辨識(shí)精度較低，無(wú)法滿足薄膜電容的高精度參數(shù)識(shí)別要求，而薄膜電容為目前逆變器采用的主流電容選型.

基于上述分析，本文提出一種基于預(yù)充電電路的并網(wǎng)逆變器直流電容準(zhǔn)在線容值辨識(shí)方法，無(wú)需增加硬件電路和改變控制算法，即可實(shí)現(xiàn)對(duì)薄膜電容的參數(shù)辨識(shí).首先分析預(yù)充電過程中網(wǎng)側(cè)電流與直流側(cè)電壓的數(shù)學(xué)關(guān)系，結(jié)合逆變器拓?fù)浣Y(jié)構(gòu)，確定容值辨識(shí)的數(shù)值表達(dá)式.結(jié)合歷史運(yùn)行數(shù)據(jù)，構(gòu)建電容狀態(tài)特征向量集合，用于訓(xùn)練支持向量回歸(Support Vector Regression, SVR)模型，建立狀態(tài)特征值和容值的回歸預(yù)測(cè)關(guān)系；利用粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法優(yōu)化SVR回歸模型參數(shù)，避免陷入局部最優(yōu)，提升預(yù)測(cè)精度；優(yōu)化后的模型可用于直流電容容值辨識(shí)；通過仿真和實(shí)驗(yàn)對(duì)所述方法的有效性進(jìn)行驗(yàn)證.

(1)數(shù)據(jù)獲取.對(duì)預(yù)充電過程中的網(wǎng)側(cè)電流信號(hào)和直流電壓信號(hào)采樣，根據(jù)電路拓?fù)浣Y(jié)構(gòu)，對(duì)直流電流信號(hào)重構(gòu)，并確定容值表達(dá)式，將采集的電氣信號(hào)數(shù)據(jù)儲(chǔ)存，用于后續(xù)特征向量構(gòu)建和數(shù)據(jù)庫(kù)擴(kuò)充.

1 電容特性與預(yù)充電電路

應(yīng)用于并網(wǎng)逆變器的直流電容主要有兩種，分別為鋁電解電容(Aluminum Electrolytic Capacitance, AEC)和金屬薄膜電容(Metallized Film Capacitance, MFC).鋁電解電容具有能量密度高、成本低的優(yōu)點(diǎn)，但可靠性較差，多用于低紋波電流的應(yīng)用場(chǎng)合；金屬薄膜電容耐壓高、耐受紋波電流大，且串聯(lián)等效電阻相比鋁電解電容而言較小.隨著其成本逐漸降低，被越來越多地應(yīng)用在并網(wǎng)逆變器中.圖1所示為薄膜電容簡(jiǎn)化等效電路圖，圖中代表薄膜電容器等效電容；ESR代表等效串聯(lián)電阻；ESL代表等效串聯(lián)電感.

薄膜電容的ESR和ESL通常很小，可忽略其影響，且工業(yè)領(lǐng)域?qū)Ρ∧る娙莸氖гu(píng)價(jià)標(biāo)準(zhǔn)為容值降至標(biāo)稱值的95%時(shí)，即可認(rèn)為失效.因此，本文將薄膜電容器等效電容作為辨識(shí)目標(biāo)進(jìn)行研究，但所提方法不僅僅適用于薄膜電容器，還能夠適應(yīng)于包含電解電容器在內(nèi)的多種類型電容器的參數(shù)辨識(shí).

根據(jù)變流器安全運(yùn)行規(guī)范，啟動(dòng)前，直流電容應(yīng)處于完全放電狀態(tài)，電容和電壓接近為0，此時(shí)如果直接將逆變器接入電網(wǎng)，電網(wǎng)線電壓作用于直流電容會(huì)產(chǎn)生強(qiáng)大的沖擊電流，該沖擊電流大小遠(yuǎn)遠(yuǎn)超過功率模塊和直流電容等器件能承受的最大電流，造成不可逆損傷，減少器件壽命，嚴(yán)重情況下甚至?xí)龤骷?因此，并網(wǎng)逆變器通常會(huì)配備預(yù)充電系統(tǒng).圖2所示為目前主流的并網(wǎng)逆變器預(yù)充電電路，圖中：代表電網(wǎng)等效電源；代表網(wǎng)側(cè)變流器與電網(wǎng)連接的斷路器；代表預(yù)充電電路斷路器；代表濾波器電感；代表預(yù)充電電阻，用于限流，防止沖擊電流過大；代表直流電流；代表直流電容；代表直流電壓；、、代表交流側(cè)單相電流.

預(yù)充電過程操作如下：在逆變器啟動(dòng)前，先閉合，電網(wǎng)通過預(yù)充電電阻連接變流器，此時(shí)三相六橋臂絕緣柵雙極晶體管(Insulated Gate Bipolar Transistor，IGBT)模塊為關(guān)斷狀態(tài)，而反并聯(lián)二極管可導(dǎo)通，因此逆變器等效運(yùn)行于三相不控整流模式.電網(wǎng)通過預(yù)充電電阻對(duì)直流電容進(jìn)行充電，待直流電壓達(dá)到額定工作電壓的80%左右時(shí)，即可斷開斷路器，切斷預(yù)充電電阻，閉合斷路器，由電網(wǎng)直接連接逆變器，完成啟動(dòng)過程.

2 辨識(shí)原理與方法

2.1 直流電容容值辨識(shí)原理

圖3所示為直流電容容值辨識(shí)流程圖，圖中：代表交流側(cè)三相電流；代表采樣次序；代表系統(tǒng)時(shí)間；Δ()代表電容電壓變化值；Δ代表電容電荷變化量；代表電容真實(shí)值.具體實(shí)現(xiàn)步驟如下.

MRI對(duì)于靜脈竇血栓非常敏感，一般分為三期。第一期，發(fā)病1周內(nèi)，靜脈竇流空效應(yīng)消失，靜脈竇的血栓在T1加權(quán)呈像上為等信號(hào)或高信號(hào)，在T2加權(quán)呈像上為低信號(hào)。第二期，發(fā)病1～2周內(nèi)，靜脈竇血栓在T1、T2加權(quán)上都為高信號(hào)。第三期，發(fā)病2周以后，靜脈血栓在通，重新出現(xiàn)流空效應(yīng)，T1和T2加權(quán)呈像都是低信號(hào)或者混雜信號(hào)，Gd-DTPA增強(qiáng)掃描顯示血栓都呈均勻性強(qiáng)化。本研究就DSA檢查和三維磁共振靜脈成像診斷靜脈竇血栓方面進(jìn)行比較，由表1可知兩種檢測(cè)手段的差別無(wú)顯著性差異（P＞0.05）。

(2)特征向量構(gòu)建.根據(jù)容值表達(dá)式，確定電容狀態(tài)特征值，用于表征直流電容狀態(tài)，即老化程度.將該特征值與電容真實(shí)容值組成特征向量.根據(jù)歷史運(yùn)行數(shù)據(jù)，獲得多組特征向量，用于后續(xù)SVR模型訓(xùn)練以及數(shù)據(jù)庫(kù)擴(kuò)充.

我國(guó)高校機(jī)構(gòu)庫(kù)建設(shè)發(fā)展緩慢，與機(jī)構(gòu)庫(kù)建設(shè)者對(duì)機(jī)構(gòu)知識(shí)庫(kù)的宣傳不足不無(wú)關(guān)系。關(guān)于這點(diǎn)，文章《國(guó)內(nèi)科研機(jī)構(gòu)和高校機(jī)構(gòu)知識(shí)庫(kù)規(guī)劃建設(shè)現(xiàn)狀與問題研究》[8]中有所研究。在該論文中，作者分別對(duì)中國(guó)科學(xué)院各個(gè)研究所以及國(guó)內(nèi)高校的科研人員、圖書館信息服務(wù)人員、決策管理人員進(jìn)行了研究，針對(duì)他們對(duì)機(jī)構(gòu)知識(shí)庫(kù)的認(rèn)知和需求差異進(jìn)行調(diào)研，調(diào)研結(jié)果顯示“科研人員和圖書信息人員對(duì)IR的認(rèn)知程度差不多，各有70%以上人員從未聽說或使用過IR”。作為學(xué)術(shù)交流和機(jī)構(gòu)庫(kù)發(fā)展較為集中的我國(guó)高校和科研院所的教師和科研人員尚且對(duì)開放獲取和機(jī)構(gòu)庫(kù)知識(shí)的認(rèn)知還不夠理想，也在一定程度上反映了機(jī)構(gòu)庫(kù)建設(shè)者對(duì)機(jī)構(gòu)庫(kù)的宣傳不足。

(3)SVR模型訓(xùn)練.SVR模型用于建立特征值與容值的回歸預(yù)測(cè)關(guān)系，將多組特征向量用于SVR回歸模型訓(xùn)練，訓(xùn)練參數(shù)通過PSO算法進(jìn)行優(yōu)化選取.完成訓(xùn)練的SVR模型可以對(duì)電容容值進(jìn)行辨識(shí)，從而實(shí)現(xiàn)電容器失效判斷.

2.2 特征向量構(gòu)建

本文基于數(shù)據(jù)驅(qū)動(dòng)的方法，因此需選擇合適的電容狀態(tài)特征值反映電容老化狀態(tài).根據(jù)預(yù)充電過程中的容值表達(dá)式，選擇與容值直接相關(guān)的電氣量作為特征值，可以最大程度反映容值的變化情況.首先推導(dǎo)預(yù)充電過程中的直流電容容值表達(dá)式.

變流器預(yù)充電過程中，負(fù)載端為開路模式，直流電流即為電容電流，因此直流側(cè)電壓、電流和DC-Link電容值的關(guān)系為

(1)

式中：為電容電壓；為電容器充電放電時(shí)間.對(duì)上式進(jìn)行整理，可以得到容值表達(dá)式：

基于現(xiàn)代金融服務(wù)的ATM機(jī)、商戶POS機(jī)等基礎(chǔ)設(shè)施缺乏，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，互聯(lián)網(wǎng)金融已成為農(nóng)村的一種金融新業(yè)態(tài)。但是，農(nóng)村現(xiàn)代化的金融服務(wù)設(shè)施供給不足、農(nóng)民在互聯(lián)網(wǎng)金融中的風(fēng)險(xiǎn)意識(shí)薄弱等導(dǎo)致農(nóng)民難以充分享受到我國(guó)農(nóng)村金融改革和金融發(fā)展的成果。

(2)

根據(jù)前文分析，電容電壓可表示為

≈-=-

(3)

式中：為ESR兩端電壓;為ESR的電阻值.假設(shè)Δ()表示第個(gè)采樣周期內(nèi)的電容電壓變化值，其離散表達(dá)式為

3.工會(huì)勞動(dòng)保護(hù)人員的業(yè)務(wù)能力不足。目前企業(yè)工會(huì)勞動(dòng)保護(hù)工作人員還存在一些不足。如工會(huì)勞動(dòng)保護(hù)人員專業(yè)水平良莠不齊，且工作崗位人員不固定以及定員不足，甚至各企業(yè)大力壓縮工會(huì)編制，導(dǎo)致其工作人員普遍身兼數(shù)職，勞動(dòng)保護(hù)專責(zé)崗位只能兼職，窮于應(yīng)付，投入工會(huì)勞動(dòng)保護(hù)工作的精力受到影響，嚴(yán)重影響勞動(dòng)保護(hù)職能作用的有效發(fā)揮；高學(xué)歷、高素質(zhì)工會(huì)勞動(dòng)保護(hù)工作人員少，影響企業(yè)工會(huì)勞動(dòng)保護(hù)工作的長(zhǎng)遠(yuǎn)發(fā)展和勞動(dòng)保護(hù)監(jiān)督作用的有效發(fā)揮。

綜上，通過計(jì)算直流電流在一個(gè)周期內(nèi)的積分，可得到Δ：

?Frederic Wakeman，“A Revisionist View of the Nanjing Decade:Confucian Fascism”，The China Quarterly，No．150(1997)，p．428．

()-(-1)-

(()-(-1))

(4)

由于直流電流在一個(gè)采樣周期內(nèi)的變化值(()-(-1))和直流電容的ESR值都很小，可忽略兩者的乘積項(xiàng)，Δ()近似等于直流側(cè)電壓的變化值Δ()，即

Δ()≈()-(-1)=Δ()

(5)

根據(jù)式(2)，計(jì)算Δ需要確定直流電流信號(hào).出于經(jīng)濟(jì)性的考慮，風(fēng)電變流器等并網(wǎng)逆變器的直流側(cè)通常不會(huì)配置電流傳感器，因此本文利用交流三相電流數(shù)據(jù)或兩相電流數(shù)據(jù)對(duì)進(jìn)行重構(gòu)，從而間接獲取

實(shí)驗(yàn)方案如下：共進(jìn)行7組并網(wǎng)逆變器直流電容預(yù)充電實(shí)驗(yàn)，每組采用不同的直流電容容值，對(duì)應(yīng)電容老化過程中的7種狀態(tài).采集三相交流電流以及直流電壓數(shù)據(jù)，對(duì)直流電流進(jìn)行重構(gòu)，重構(gòu)算法嵌入Myway控制器控制算法中.同仿真實(shí)驗(yàn)，計(jì)算獲得SVR預(yù)測(cè)模型的輸入變量和，真實(shí)容值作為輸出變量；將實(shí)驗(yàn)獲得的多組特征向量[]輸入SVR算法中進(jìn)行訓(xùn)練和預(yù)測(cè).為測(cè)試模型準(zhǔn)確度，本文將7次實(shí)驗(yàn)分成6次訓(xùn)練實(shí)驗(yàn)和1次測(cè)試實(shí)驗(yàn).

++=0

(6)

除去三相電流均為0的極端情況，、和中應(yīng)有一相或兩相電流為正向，而該正向電流通過上橋臂二極管流入直流側(cè)，形成, 只需監(jiān)測(cè)、及中的正向電流值，然后對(duì)其求代數(shù)和，即可獲得直流電流，從而實(shí)現(xiàn)對(duì)直流電流的重構(gòu).

利用LCR分析儀(型號(hào)為TH2830)測(cè)量的直流電容容值作為基準(zhǔn)值，測(cè)量室溫為23.5 ℃，頻率為120 Hz.圖8所示為容值測(cè)量結(jié)果示意圖.受條件限制，無(wú)法對(duì)電容進(jìn)行真實(shí)老化實(shí)驗(yàn)，因此本文采用將多個(gè)電容并聯(lián)在直流側(cè)，逐次實(shí)驗(yàn)斷開一個(gè)電容，從而模擬電容老化過程中的容值衰退現(xiàn)象.對(duì)全部7次實(shí)驗(yàn)直流側(cè)容值進(jìn)行測(cè)量，測(cè)量結(jié)果如表2所示.

==--=||+||

(7)

對(duì)上例進(jìn)行歸納和總結(jié)，可得任意運(yùn)行情況下直流電流的重構(gòu)表達(dá)式：

(8)

部分并網(wǎng)逆變器交流側(cè)只配置兩相電流傳感器，結(jié)合式(6)與(8)，得到兩相電流重構(gòu)的直流電流表達(dá)式：

(9)

Δ()=()-(-1)=

(10)

圖4所示為第個(gè)采樣周期的直流重構(gòu)電流采樣過程.電流對(duì)采樣周期的積分值對(duì)應(yīng)于圖中的黑色陰影面積，由于采樣的離散性，無(wú)法直接進(jìn)行積分計(jì)算.考慮到在足夠小的采樣周期內(nèi)，直流電流近似線性變化，因此可將陰影面積近似為直角梯形，利用直角梯形面積公式對(duì)Δ進(jìn)行計(jì)算：

(11)

結(jié)合式(2)、(5)及(11)，第個(gè)采樣周期內(nèi)電容值的計(jì)算表達(dá)式如下：

(12)

由式(12)可知，可由傳感器采集的電流、電壓數(shù)據(jù)直接計(jì)算得到.但受傳感器測(cè)量誤差以及噪聲干擾等因素影響，直接計(jì)算容值存在較大誤差.為克服該問題，選擇Δ和Δ作為電容狀態(tài)特征值，利用SVR算法強(qiáng)大的回歸預(yù)測(cè)能力，建立特征值(Δ, Δ)對(duì)的回歸預(yù)測(cè)模型，實(shí)現(xiàn)容值參數(shù)高精度辨識(shí)，有效地降低辨識(shí)誤差.

2.3 改進(jìn)的SVR預(yù)測(cè)算法

SVR預(yù)測(cè)算法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論提出的機(jī)器學(xué)習(xí)算法，通過對(duì)歷史數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，從而估計(jì)系統(tǒng)輸入量與輸出量之間的映射關(guān)系.由于SVR在小樣本回歸問題中的良好表現(xiàn)，采用該算法建立電容狀態(tài)特征值(Δ, Δ)與直流電容容值之間的回歸模型，用于容值辨識(shí)，流程如下.

根據(jù)并網(wǎng)逆變器歷史運(yùn)行數(shù)據(jù)，建立電容狀態(tài)特征值集合{Δc_, Δc_,,=1, 2, …,}，其中為樣本個(gè)數(shù)，(Δc_, Δc_)∈為第個(gè)訓(xùn)練樣本的輸入向量，∈為對(duì)應(yīng)輸出值通過非線性映射函數(shù)()將數(shù)據(jù)集映射到高維特征空間：

二是加強(qiáng)秩序維護(hù)，依法推進(jìn)網(wǎng)絡(luò)信息空間治理?！皼]有規(guī)矩不成方圓”?；ヂ?lián)網(wǎng)的技術(shù)特點(diǎn)決定了其信息海量性、主體多元性和治理的復(fù)雜性。因此，從最大限度優(yōu)化我國(guó)網(wǎng)絡(luò)政治環(huán)境的角度出發(fā)，首先，要建立以國(guó)家為主導(dǎo)，以各網(wǎng)絡(luò)運(yùn)營(yíng)商和網(wǎng)站服務(wù)商為重點(diǎn)，全體網(wǎng)民參與的三位一體網(wǎng)上政治類信息監(jiān)控網(wǎng)絡(luò)。其次，要立足于有效監(jiān)控、源頭控制，積極研發(fā)和完善國(guó)家級(jí)的不良政治信息“防火墻”，有效屏蔽攻擊黨和政府、危害社會(huì)和諧、民族團(tuán)結(jié)等政治信息，限制不良政治文化的傳播。第三，要根據(jù)網(wǎng)絡(luò)發(fā)展需要，及時(shí)修改和制定網(wǎng)上信息發(fā)布和審查監(jiān)督等相關(guān)法律規(guī)范，并加大網(wǎng)絡(luò)法規(guī)的宣傳和執(zhí)行力度，為公民有效利用網(wǎng)絡(luò)創(chuàng)造良好環(huán)境。

(Δc_, Δc_)=(Δc_, Δc_)+

(13)

式中：為權(quán)重參數(shù)；為偏置參數(shù)；()選擇高斯核函數(shù)：

(14)

為驗(yàn)證預(yù)測(cè)模型對(duì)噪聲和干擾的抑制能力，分別在原始采樣信號(hào)中添加信噪比為20、15及10 dB的高斯白噪聲，采用平均絕對(duì)百分比誤差(MAPE)、均方根誤差(MSE)和相關(guān)系數(shù)′對(duì)獲得的擬合函數(shù)進(jìn)行擬合效果評(píng)估.′越接近1，實(shí)際值和預(yù)測(cè)值的相關(guān)度越高，模型預(yù)測(cè)的準(zhǔn)確度越高；MSE和MAPE越小，表明實(shí)際值與預(yù)測(cè)值越接近，模型擬合性能越好.基于訓(xùn)練數(shù)據(jù)集和待測(cè)數(shù)據(jù)集的MSE、′及MAPE如表1所示.

式中：為懲罰因子；為不敏感損失函數(shù).

SVR回歸模型的優(yōu)劣由其和決定代表模型對(duì)誤差的容忍度，其值越高說明對(duì)誤差的容忍度越低，容易出現(xiàn)過擬合，其值過低則導(dǎo)致模型預(yù)測(cè)精度不足；決定了模型的學(xué)習(xí)能力和預(yù)測(cè)準(zhǔn)確度.通常兩個(gè)參數(shù)的選取采用網(wǎng)格搜索法，以遍歷的方式進(jìn)行參數(shù)尋優(yōu)，效率低、耗時(shí)長(zhǎng)且難以確定最優(yōu)參數(shù).因此本文改用PSO算法對(duì)和參數(shù)進(jìn)行尋優(yōu).

PSO算法利用群體中個(gè)體間的協(xié)作和信息共享來尋找最優(yōu)解，對(duì)比其他優(yōu)化算法，其核心優(yōu)勢(shì)是實(shí)現(xiàn)簡(jiǎn)單、待調(diào)參數(shù)少、尋優(yōu)能力強(qiáng).針對(duì)SVR回歸模型，將每組參數(shù)(,)設(shè)置為PSO中的粒子, 選取均方差作為目標(biāo)函數(shù)，其表達(dá)形式如下：

(16)

利用改進(jìn)的SVR回歸模型對(duì)容值進(jìn)行預(yù)測(cè)辨識(shí)，流程如圖5所示.在模型訓(xùn)練階段，將歷史數(shù)據(jù)中包含噪聲和干擾的信號(hào)量Δ與Δ作為電容狀態(tài)特征值，將與之對(duì)應(yīng)的作為電容狀態(tài)參數(shù)，三者組成特征向量[ΔΔ].根據(jù)歷史數(shù)據(jù)可以獲得多組特征向量，將其分為訓(xùn)練數(shù)據(jù)集和待測(cè)數(shù)據(jù)集，前者用于SVR模型訓(xùn)練，后者用于模型準(zhǔn)確度檢驗(yàn).利用PSO算法對(duì)模型參數(shù)進(jìn)行全局尋優(yōu)，根據(jù)歷史數(shù)據(jù)設(shè)置粒子初始位置和速度，每次循環(huán)計(jì)算一次粒子的目標(biāo)函數(shù)、個(gè)體的最優(yōu)解和全局最優(yōu)解，根據(jù)計(jì)算結(jié)果，更新粒子的速度和位置，然后判斷是否達(dá)到終止循環(huán)的條件.循環(huán)結(jié)束時(shí)，將當(dāng)前計(jì)算得到的全局最優(yōu)解，即最優(yōu)參數(shù)(,)傳回SVR模型，用于模型訓(xùn)練.最終通過優(yōu)化訓(xùn)練得到的SVR預(yù)測(cè)模型用于逆變器直流電容容值辨識(shí).

學(xué)高為師，身正為范。教師只有真正起到示范作用，學(xué)生才會(huì)從心底產(chǎn)生變化，感受到春風(fēng)細(xì)雨般的滋潤(rùn)，樂意正視自己，改變自己。培養(yǎng)學(xué)生語(yǔ)文學(xué)科的核心素養(yǎng)，說起來簡(jiǎn)單，真正做起來卻是難上加難。學(xué)生是成長(zhǎng)的人，是學(xué)習(xí)的人。作為語(yǔ)文教師，我們應(yīng)從核心素養(yǎng)出發(fā)，致力于學(xué)生的全面和諧發(fā)展。通過教學(xué)這個(gè)靈活的載體，更好地促進(jìn)學(xué)生核心素養(yǎng)的發(fā)展。

3 仿真驗(yàn)證

基于MATLAB/SIMULINK平臺(tái)，搭建圖2所示仿真模型，系統(tǒng)參數(shù)如下：逆變器額定功率 1.5 MW，交流側(cè)額定電壓690 V，變流器采用單L濾波器，濾波電感250 μH，預(yù)充電電阻20 Ω，傳感器采樣頻率為10 kHz.

實(shí)驗(yàn)方案如下：?jiǎn)未畏抡鏋橐粋€(gè)完整的并網(wǎng)逆變器直流電容預(yù)充電過程，采樣數(shù)據(jù)為交流側(cè)三相電流以及直流電壓，為模擬真實(shí)場(chǎng)景，對(duì)采樣數(shù)據(jù)添加不同信噪比的高斯白噪聲.由于并網(wǎng)逆變器電流傳感器精度較差(大于0.5%)，而預(yù)充電開始時(shí)，充電電流較大，可以有效減少電流傳感器精度導(dǎo)致的誤差影響.同時(shí)，為去除冗余數(shù)據(jù)，提升計(jì)算速度，單次仿真數(shù)據(jù)采樣區(qū)間設(shè)置為充電過程中直流電壓由0升至5%額定值.根據(jù)式(5)，計(jì)算獲得直流電壓數(shù)據(jù)集{Δ(),=1, 2, …,}，用作SVR預(yù)測(cè)模型的輸入變量；根據(jù)式(8)，利用三相電流數(shù)據(jù)進(jìn)行直流電流重構(gòu)，計(jì)算得到電荷量變化數(shù)據(jù)集{Δ(),=1, 2, …,}，作為SVR預(yù)測(cè)模型的輸入變量；每次仿真采用的作為輸出變量綜上，以[]作為SVR算法的特征向量，用于模型訓(xùn)練和學(xué)習(xí).

為獲得由足夠多特征向量組成的數(shù)據(jù)集，共進(jìn)行10組仿真，每組仿真采用不同的直流電容容值，模擬電容不同老化狀態(tài).每次仿真可以獲得199組數(shù)據(jù).隨機(jī)選擇10組仿真數(shù)據(jù)中的7組用于SVR預(yù)測(cè)模型訓(xùn)練，剩余的數(shù)據(jù)用于模型準(zhǔn)確度測(cè)試.

基于Python平臺(tái)Tensorflow框架，編寫PSO算法優(yōu)化的SVR訓(xùn)練模型.將隨機(jī)選擇的7組共1397個(gè)數(shù)據(jù)用于SVR模型訓(xùn)練，得到回歸預(yù)測(cè)函數(shù)=(,)，如圖6所示.剩余的3組597個(gè)數(shù)據(jù)用于模型準(zhǔn)確度檢驗(yàn)，其中藍(lán)色點(diǎn)代表訓(xùn)練數(shù)據(jù)，紅色點(diǎn)代表測(cè)試數(shù)據(jù)，曲面代表擬合函數(shù).

式中：為空間中某一點(diǎn)；′為高斯核函數(shù)中心點(diǎn)；為核函數(shù)參數(shù).通過引入松弛變量和，回歸預(yù)測(cè)即轉(zhuǎn)化為求解如下目標(biāo)方程：

根據(jù)表中評(píng)估參數(shù)，當(dāng)信噪比為20 dB時(shí)，預(yù)測(cè)模型具有良好的擬合能力和預(yù)測(cè)能力，當(dāng)信噪比逐漸減少時(shí)，預(yù)測(cè)模型的在擬合能力和預(yù)測(cè)能力方面有所下降，不過仍處于較高水平.因此，該SVR預(yù)測(cè)模型具備一定的抑制噪聲和干擾的能力，且能實(shí)現(xiàn)較高精度的電容容值預(yù)測(cè)和辨識(shí).

發(fā)票可謂是企業(yè)的一大心腹，往往也是進(jìn)項(xiàng)稅抵扣的一大難點(diǎn)。以建筑行業(yè)為例，通常建筑工程買材料的上家一般是小規(guī)模納稅人，招致企業(yè)難以拿到增值稅專用發(fā)票進(jìn)行進(jìn)項(xiàng)抵扣，能拿到的發(fā)票最多也就是普通發(fā)票。另外，建筑工程企業(yè)一般耗時(shí)長(zhǎng)耗費(fèi)大，較難在第一時(shí)間拿到應(yīng)收款，也就不能在第一時(shí)間撥付給上家材料款項(xiàng)，因此許多建筑工程企業(yè)能購(gòu)進(jìn)原料已實(shí)屬不易，不會(huì)再?gòu)?qiáng)行向供應(yīng)商索要增值稅發(fā)票。陷入這種困境的企業(yè)只能獨(dú)自承擔(dān)稅負(fù)或者冒著違規(guī)風(fēng)險(xiǎn)另尋他人開票。

4 實(shí)驗(yàn)驗(yàn)證

為進(jìn)一步驗(yàn)證所提方法的有效性，搭建5 kW風(fēng)電變流器預(yù)充電實(shí)驗(yàn)平臺(tái)，如圖7所示，其中包含MWINV5R022變流器、Myway控制器以及上位機(jī)系統(tǒng)等.變流器主電路參數(shù)如下：電網(wǎng)側(cè)三相線電壓幅值為110 V；預(yù)充電電阻為10 Ω；濾波電感為 8 mH，傳感器采樣頻率設(shè)置為10 kHz.

設(shè)定電流從電網(wǎng)流向變流器為正方向，根據(jù)基爾霍夫電流定律：

本文提出一種改進(jìn)的直流側(cè)電流計(jì)算方法.根據(jù)上述分析，三相電流中一定存在某一相的電流流向與另外兩相電流流向不同，假設(shè)相電流為正向，、相電流為負(fù)向或0，那么直流電流即等于結(jié)合式(6)，可知：

以7次實(shí)驗(yàn)得到的實(shí)驗(yàn)數(shù)據(jù)作為特征向量，將第5組作為測(cè)試組，其他6組作為訓(xùn)練組，進(jìn)行SVR模型訓(xùn)練和預(yù)測(cè)，獲得如圖9所示的預(yù)測(cè)結(jié)果.

如圖9所示，受傳感器采樣誤差、噪聲干擾等影響，每個(gè)采樣周期預(yù)測(cè)的電容值存在較大波動(dòng)，因此采用平均值濾波法，將預(yù)測(cè)得到的多個(gè)電容容值計(jì)算平均值，作為最終預(yù)測(cè)值.為驗(yàn)證所提方法的可靠性，避免偶然誤差，將7組實(shí)驗(yàn)中的每組實(shí)驗(yàn)依次作為測(cè)試組，分別利用傳統(tǒng)的SVR算法和改進(jìn)的SVR算法，進(jìn)行7次測(cè)試實(shí)驗(yàn).圖10所示為實(shí)驗(yàn)最終容值預(yù)測(cè)值與真實(shí)值對(duì)比情況.

根據(jù)圖10，對(duì)比傳統(tǒng)的SVR算法，改進(jìn)后的SVR算法對(duì)電容值預(yù)測(cè)更加接近真實(shí)值，預(yù)測(cè)精度更高，效果更好，驗(yàn)證了本文所提改進(jìn)的SVR算法在直流電容容值辨識(shí)方面具有更優(yōu)異的性能.

由于令Sk+1|kT=qr(qr分解為一個(gè)正交矩陣q和一個(gè)上三角矩陣r的乘積)，則有Pk+1|k=(qr)T(qr)=rTr。因此有

表3所示為7次實(shí)驗(yàn)中基于改進(jìn)的SVR算法對(duì)電容值預(yù)測(cè)的結(jié)果以及預(yù)測(cè)誤差.根據(jù)表中數(shù)據(jù)，容值預(yù)測(cè)值較為接近真實(shí)值，但受限于傳感器采樣誤差、噪聲干擾等，最大預(yù)測(cè)誤差大于仿真獲得的結(jié)果，但仍小于0.95%，可以滿足并網(wǎng)逆變器直流電容容值辨識(shí)的要求.

PaaS層則為應(yīng)用支撐平臺(tái)層，實(shí)現(xiàn)數(shù)據(jù)集中存儲(chǔ)和控制，其中包括門戶集成、數(shù)據(jù)集成、業(yè)務(wù)流程集成和應(yīng)用集成等[3]。

5 結(jié)論

本文提出一種基于預(yù)充電電路的并網(wǎng)逆變器直流電容容值辨識(shí)方法，通過PSO優(yōu)化的SVR算法對(duì)預(yù)充電過程中的電容狀態(tài)特征值進(jìn)行訓(xùn)練學(xué)習(xí)，建立其與電容容值的回歸關(guān)系，進(jìn)而利用SVR模型實(shí)現(xiàn)容值辨識(shí).仿真和實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的有效性，具體優(yōu)勢(shì)如下：

(1)無(wú)需增加硬件電路.僅利用并網(wǎng)逆變器配置的交流側(cè)電流傳感器以及直流側(cè)電壓傳感器即可實(shí)現(xiàn)電容值的辨識(shí).

(2)無(wú)需改變逆變器控制算法.僅利用并網(wǎng)逆變器預(yù)充電過程的采樣數(shù)據(jù)，即可實(shí)現(xiàn)電容值的辨識(shí)，不影響逆變器的正常運(yùn)行.

在美國(guó)各州，目前具有藥學(xué)博士學(xué)位（doctor of pharmacy，Pharm.D）的藥師才具備參與MTM的資格。除此之外，一些州對(duì)參與MTM的藥師還有資格認(rèn)證的要求，或要求參加由州藥房理事會(huì)批準(zhǔn)的培訓(xùn)項(xiàng)目,并通過相應(yīng)的技能考試，獲得資格證書，從而獲取在相應(yīng)專業(yè)內(nèi)從事MTM服務(wù)的資格[14]。我國(guó)目前針對(duì)參與MTM藥師的資格認(rèn)證方面進(jìn)行了一系列探索。2016年8月北京藥師協(xié)會(huì)和美國(guó)藥師協(xié)會(huì)（APHA）聯(lián)合舉辦了首期 “美國(guó)MTM藥師資格證書培訓(xùn)班”，隨后南京鼓樓醫(yī)院藥學(xué)部連同中國(guó)藥科大學(xué)，與美國(guó)明尼蘇達(dá)大學(xué)藥學(xué)院遠(yuǎn)程教育系達(dá)成了 “MTM培訓(xùn)項(xiàng)目”，這些為我國(guó)MTM進(jìn)一步開展奠定了基礎(chǔ)。

(3)辨識(shí)精度高.采用回歸預(yù)測(cè)算法可有效降低噪聲和干擾信號(hào)的影響，采用低精度傳感器，即可滿足對(duì)薄膜電容容值的辨識(shí)精度.

土壤是種子生根發(fā)芽的重要基礎(chǔ)條件，但依據(jù)多樣化的傳播形式，隨機(jī)掉落至地面之上。很多種子在適合的環(huán)境中生產(chǎn)，植被逐漸的狀態(tài)，但也有很多種子掉落至比較惡劣的環(huán)境之中，在土壤中逐漸消亡，在此，仍有一部分種子會(huì)處于休眠狀態(tài)中，被稱之為土壤種子庫(kù)。很多動(dòng)物以種子為食，在環(huán)境要素與生物要素影響下，部分種子萌芽，部分種子消亡，很多休眠中的種子成為了植被恢復(fù)更替的內(nèi)在動(dòng)力。質(zhì)量比較小的種子具有持久種子庫(kù)的優(yōu)勢(shì)。因此，植被在種子階段時(shí)，種子庫(kù)為植被的恢復(fù)與更新創(chuàng)造了良好的條件，長(zhǎng)期保存著種子的活力，并在適宜的環(huán)境中發(fā)揮其生態(tài)意義。

(4)方法可移植性強(qiáng).基于AC-DC-AC變換器的風(fēng)電變流器、三相電機(jī)驅(qū)動(dòng)器等電路均需配置有直流電容的預(yù)充電電路，因此該方法非常方便移植于上述應(yīng)用電路中.