本技術涉及電力電子裝備建模，特別是涉及一種電力電子裝備機理數據融合建模方法、裝置、介質和產品。

背景技術：

1、在電力電子裝備建模中，傳統技術中通常采用解析公式、等效電路和有限元計算等機理建模方法，這些機理建模方法所涉及的計算規模過于龐大甚至無法收斂，因此亟需提出一種新的電力電子裝備建模方法。

技術實現思路

1、基于此，有必要針對上述技術問題，提供一種能夠實現電力電子裝備高效、精確建模的電力電子裝備機理數據融合建模方法、裝置、介質和產品。

2、第一方面，本技術提供了一種電力電子裝備機理數據融合建模方法，所述電力電子裝備至少包括非線性系統；

3、所述建模方法包括：

4、獲取所述非線性系統的元器件的預設節點的節點電壓方程組，并根據預設條件求解所述節點電壓方程組，得到所述非線性系統的非線性的狀態變量的值；

5、構建基于koopman算子的神經網絡，作為第一神經網絡；

6、基于所述非線性的狀態變量的值，對所述第一神經網絡進行預設時段內的多次迭代訓練，其中，預設時段內的多次迭代訓練依次進行，每一次訓練完成后確定一次所述第一神經網絡的損失值；以及，

7、在完成預設時段內的最后一次訓練后，所確定的所述第一神經網絡的損失值小于預設目標損失值的情況下，根據完成了預設時段內的多次迭代訓練的所述第一神經網絡得到所述非線性系統的機理數據融合模型。

8、在其中一個實施例中，所述基于所述非線性的狀態變量的值，對所述第一神經網絡進行預設時段內的多次迭代訓練，其中，預設時段內的多次迭代訓練依次進行，每一次訓練完成后確定一次所述第一神經網絡的損失值，包括：

9、基于所述非線性的狀態變量的值，對完成了第i-1次參數更新的所述第一神經網絡進行第i次訓練，其中，i為正整數，1＜i；

10、基于預設損失函數并根據所述非線性的狀態變量的值，確定完成第i次訓練后所述第一神經網絡的第i個損失值；

11、根據第i個損失值，控制完成了第i次訓練的所述第一神經網絡進行第i次參數更新；

12、基于所述非線性的狀態變量的值，對完成了第i次參數更新的所述第一神經網絡進行第i+1次訓練。

13、在其中一個實施例中，所述建模方法還包括：

14、基于所述非線性的狀態變量的值，對所述第一神經網絡進行第1次訓練，其中，進行第1次訓練的所述第一神經網絡的參數的值為預設初始值；

15、基于預設損失函數并根據所述非線性的狀態變量的值，確定完成第1次訓練后所述第一神經網絡的第1個損失值；

16、根據第1個損失值，控制完成了第1次訓練的所述第一神經網絡進行第1次參數更新。

17、在其中一個實施例中，預設時段包括依次進行的第1個至第m個臺階子時段，其中，m為正整數，2≤m，至少兩個臺階子時段相同或不同，所有臺階子時段的求和等于預設時段，每一個臺階子時段配置有一個預設期望損失值，第j個臺階子時段的預設期望損失值小于第j-1個臺階子時段的預設期望損失值，其中，j為正整數，1＜j≤m，第m個臺階子時段的預設期望損失值等于預設目標損失值；

18、所述建模方法還包括：

19、在完成第j-1個臺階子時段內的最后一次訓練后，所確定的所述第一神經網絡的損失值小于第j-1個臺階子時段的預設期望損失值的情況下，對完成了第j-1個臺階子時段內的多次迭代訓練的所述第一神經網絡，繼續進行第j個臺階子時段內的多次迭代訓練，其中，臺階子時段內的多次迭代訓練依次進行；

20、在完成第j-1個臺階子時段內的最后一次訓練后，所確定的所述第一神經網絡的損失值大于或等于第j-1個臺階子時段的預設期望損失值的情況下，退出訓練。

21、在其中一個實施例中，所述基于所述非線性的狀態變量的值，對完成了第i-1次參數更新的所述第一神經網絡進行第i次訓練，包括：

22、將所述非線性的狀態變量的值，通過所述編碼器從非線性空間映射到線性空間，得到線性的狀態變量的值；

23、基于所述節點電壓方程組的通解，并根據koopman特征值和所述線性的狀態變量的值，在線性空間動態演變得到預測的線性的狀態變量的值；

24、將所述預測的線性的狀態變量的值，通過所述解碼器從線性空間映射回非線性空間。

25、在其中一個實施例中，所述第一神經網絡還包括輔助神經網絡；

26、所述建模方法還包括：

27、基于所述線性的狀態變量的值，通過所述輔助神經網絡確定koopman特征值。

28、在其中一個實施例中，所述第一神經網絡包括編碼器和解碼器，其中，所述編碼器為基于koopman特征函數的編碼器，所述解碼器與所述編碼器相對應；

29、基于預設損失函數并根據所述非線性的狀態變量的值，確定完成第i次訓練后所述第一神經網絡的第i個損失值，包括：

30、基于預設自回歸誤差函數并根據所述非線性的狀態變量的值，確定完成第i次訓練后所述第一神經網絡的第i個自回歸誤差；

31、基于預設預測誤差函數并根據所述非線性的狀態變量的值，確定完成第i次訓練后所述第一神經網絡的第i個預測誤差；

32、基于預設線性誤差函數并根據所述非線性的狀態變量的值，確定完成第i次訓練后所述第一神經網絡的第i個線性誤差；

33、根據所述第i個自回歸誤差及其對應的預設第一加權系數、所述第i個預測誤差及其對應的預設第二加權系數以及所述第i個線性誤差及其對應的預設第三加權系數，確定完成第i次訓練后所述第一神經網絡的第i個損失值。

34、第二方面，本技術還提供了一種電力電子裝備機理數據融合建模裝置，所述電力電子裝備至少包括非線性系統；

35、所述建模裝置包括：

36、非線性化模塊，用于獲取所述非線性系統的元器件的預設節點的節點電壓方程組，并根據預設條件求解所述節點電壓方程組，得到所述非線性系統的非線性的狀態變量的值；

37、神經網絡模塊，用于構建基于koopman算子的神經網絡，作為第一神經網絡；

38、網絡訓練模塊，用于基于所述非線性的狀態變量的值，對所述第一神經網絡進行預設時段內的多次迭代訓練，其中，預設時段內的多次迭代訓練依次進行，每一次訓練完成后確定一次所述第一神經網絡的損失值；

39、模型建立模塊，用于在完成預設時段內的最后一次訓練后，所確定的所述第一神經網絡的損失值小于預設目標損失值的情況下，根據完成了預設時段內的多次迭代訓練的所述第一神經網絡得到所述非線性系統的機理數據融合模型。

40、第三方面，本技術還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現第一方面所述的方法的步驟。

41、第四方面，本技術還提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現第一方面所述的方法的步驟。

42、上述電力電子裝備機理數據融合建模方法、裝置、介質和產品，電力電子裝備至少包括非線性系統，通過獲取非線性系統的元器件的預設節點的節點電壓方程組，并根據預設條件求解節點電壓方程組，得到非線性系統的非線性的狀態變量的值；繼而，構建基于koopman算子的神經網絡，作為第一神經網絡；進而，基于非線性的狀態變量的值，對第一神經網絡進行預設時段內的多次迭代訓練，其中，預設時段內的多次迭代訓練依次進行，每一次訓練完成后確定一次第一神經網絡的損失值；最終，在完成預設時段內的最后一次訓練后所確定的第一神經網絡的損失值小于預設目標損失值的情況下，根據完成了預設時段內的多次迭代訓練的第一神經網絡得到非線性系統的機理數據融合模型，以此實現電力電子裝備的機理數據融合建模。

43、如此，本技術實施例將電力電子裝備的非線性系統的機理關系，通過基于koopman算子的深度學習方法，融合到該非線性系統的數據建模中，從而建立了該非線系統的機理數據融合模型，也即采用該機理數據融合模型對該非線性系統的純機理模型進行替代，不僅充分利用了數據建模的高效性、精確性，實現了該非線性系統的高效、精確建模，進而實現了電力電子裝備的高效、精確建模，與此同時，相較于傳統技術中數據建模所建立的黑箱模型而言，由于是將該非線性系統的機理關系融合到該非線性系統的數據建模中，因此還使得該機理數據融合模型的可解釋性更強，進而使得電力電子裝備的機理數據融合模型的可解釋性更強。