本申請涉及電學、熱學仿真領(lǐng)域，特別是涉及逆變器仿真方法、裝置和計算機設(shè)備。

背景技術(shù)：

1、逆變器，作為新能源發(fā)電系統(tǒng)的關(guān)鍵組件之一，在能源傳遞、轉(zhuǎn)換以及控制過程中發(fā)揮著重要作用，其工作與可靠性能直接關(guān)系整個發(fā)電系統(tǒng)高效率、高可靠運行。功率半導體器件是逆變器中失效率最高的部分，常見的功率損耗器件包括場效應管或igbt、二極管、變壓器、電感等，計算功率器件的損耗與結(jié)溫對產(chǎn)品效率的評估和預測功率器件的壽命具有重要意義。

2、目前采用的方法主要通過建立功率器件熱阻模型預測功率電路上器件的溫度，基于器件溫度參數(shù)來計算功率器件乃至功率電路的效率，但是，現(xiàn)有的逆變器仿真方案呈現(xiàn)仿真時間長、迭代次數(shù)多的問題，造成仿真效率低。

技術(shù)實現(xiàn)思路

1、在本實施例中提供了一種逆變器仿真方法、裝置和計算機設(shè)備，以解決相關(guān)技術(shù)中逆變器仿真效率低的問題。

2、第一方面，在本實施例中提供了一種逆變器仿真方法，所述方法包括：

3、基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

4、基于所述訓練數(shù)據(jù)集和測試數(shù)據(jù)集，訓練卷積神經(jīng)網(wǎng)絡，得到仿真結(jié)果；

5、其中，所述卷積神經(jīng)網(wǎng)絡中的卷積核基于針對所述仿真對象預設(shè)的物理場模型和條件模型得到。

6、在其中的一些實施例中，基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

7、基于逆變器的電路級仿真對象，獲取電路結(jié)構(gòu)化幾何信息和電路歷史結(jié)果信息；所述電路結(jié)構(gòu)化幾何信息包括電路部件的結(jié)構(gòu)信息和材料信息；

8、基于所述電路結(jié)構(gòu)化幾何信息生成電路仿真輸入；

9、基于所述電路歷史結(jié)果信息生成電路仿真結(jié)果標簽；

10、將所述電路仿真輸入和所述電路仿真結(jié)果標簽分別劃分為電路訓練數(shù)據(jù)集和電路測試數(shù)據(jù)集。

11、在其中的一些實施例中，基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

12、基于逆變器的系統(tǒng)級仿真對象，獲取系統(tǒng)結(jié)構(gòu)化幾何信息和系統(tǒng)歷史結(jié)果信息；所述系統(tǒng)結(jié)構(gòu)化幾何信息包括系統(tǒng)部件的結(jié)構(gòu)信息和材料信息；

13、基于所述系統(tǒng)結(jié)構(gòu)化幾何信息生成系統(tǒng)仿真輸入；

14、基于所述系統(tǒng)歷史結(jié)果信息生成系統(tǒng)仿真結(jié)果標簽；

15、將所述系統(tǒng)仿真輸入和所述系統(tǒng)仿真結(jié)果標簽分別劃分為系統(tǒng)訓練數(shù)據(jù)集和系統(tǒng)測試數(shù)據(jù)集。

16、在其中的一些實施例中，所述方法還包括：

17、基于所述仿真對象的仿真輸入，定義所述卷積神經(jīng)網(wǎng)絡的池化規(guī)則。

18、在其中的一些實施例中，所述方法還包括：

19、定義所述卷積神經(jīng)網(wǎng)絡的全連接層的輸入向量和輸出向量之間的線性回歸關(guān)系。

20、在其中的一些實施例中，在所述仿真對象為電路級仿真對象時，所述全連接層的所述輸入向量基于電路級仿真對象的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；

21、所述全連接層的所述輸出向量為電路級仿真對象的仿真結(jié)果。

22、在其中的一些實施例中，在所述仿真對象為系統(tǒng)級仿真對象時，所述全連接層的所述輸入向量基于系統(tǒng)級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；

23、所述全連接層的所述輸出向量為系統(tǒng)級的仿真結(jié)果。

24、在其中的一些實施例中，在所述仿真對象包括電路級仿真對象和系統(tǒng)級仿真對象時，所述全連接層的所述輸入向量基于電路級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集以及系統(tǒng)級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；所述全連接層的所述輸出向量為電熱融合的仿真結(jié)果。

25、第二方面，在本實施例中提供了一種逆變器仿真裝置，所述裝置包括：

26、建立數(shù)據(jù)集模塊，用于基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

27、訓練預測模塊，用于基于所述訓練數(shù)據(jù)集和測試數(shù)據(jù)集，訓練卷積神經(jīng)網(wǎng)絡，得到仿真結(jié)果；其中，所述卷積神經(jīng)網(wǎng)絡中的卷積核基于所述仿真對象的物理場模型和條件模型得到。

28、第三方面，本申請還提供了一種計算機設(shè)備。所述計算機設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)第一方面所述的逆變器仿真方法。

29、第四方面，本申請還提供了一種計算機可讀存儲介質(zhì)。所述計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)第一方面所述的逆變器仿真方法。

30、與相關(guān)技術(shù)相比，在本實施例中提供的逆變器仿真方法、裝置和計算機設(shè)備，通過基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集；基于所述訓練數(shù)據(jù)集和測試數(shù)據(jù)集，訓練卷積神經(jīng)網(wǎng)絡，得到仿真結(jié)果；其中，所述卷積神經(jīng)網(wǎng)絡中的卷積核基于針對所述仿真對象預設(shè)的物理場模型和條件模型得到，解決了仿真效率低的問題，實現(xiàn)了減少迭代次數(shù)，快速獲取仿真的穩(wěn)態(tài)結(jié)果。

31、本申請的一個或多個實施例的細節(jié)在以下附圖和描述中提出，以使本申請的其他特征、目的和優(yōu)點更加簡明易懂。

技術(shù)特征：

1.一種逆變器仿真方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的逆變器仿真方法，其特征在于，基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

3.根據(jù)權(quán)利要求1所述的逆變器仿真方法，其特征在于，基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

4.根據(jù)權(quán)利要求1所述的逆變器仿真方法，其特征在于，所述方法還包括：

5.根據(jù)權(quán)利要求2或權(quán)利要求3任一項所述的逆變器仿真方法，其特征在于，所述方法還包括：

6.根據(jù)權(quán)利要求5所述的逆變器仿真方法，其特征在于，在所述仿真對象為電路級仿真對象時，所述全連接層的所述輸入向量基于電路級仿真對象的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；

7.根據(jù)權(quán)利要求5所述的逆變器仿真方法，其特征在于，在所述仿真對象為系統(tǒng)級仿真對象時，所述全連接層的所述輸入向量基于系統(tǒng)級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；

8.根據(jù)權(quán)利要求5所述的逆變器仿真方法，其特征在于，在所述仿真對象包括電路級仿真對象和系統(tǒng)級仿真對象時，所述全連接層的所述輸入向量基于電路級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集以及系統(tǒng)級的訓練數(shù)據(jù)集和測試數(shù)據(jù)集得到；

9.一種逆變器仿真裝置，其特征在于，所述裝置包括：

10.一種計算機設(shè)備，其特征在于，所述計算機設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至權(quán)利要求8中任一項所述的逆變器仿真方法。

技術(shù)總結(jié)
本申請涉及一種逆變器仿真方法、裝置和計算機設(shè)備，該方法通過基于逆變器的仿真對象，建立訓練數(shù)據(jù)集和測試數(shù)據(jù)集；基于所述訓練數(shù)據(jù)集和測試數(shù)據(jù)集，訓練卷積神經(jīng)網(wǎng)絡，得到仿真結(jié)果；其中，所述卷積神經(jīng)網(wǎng)絡中的卷積核基于針對所述仿真對象預設(shè)的物理場模型和條件模型得到，解決了仿真效率低的問題，實現(xiàn)了減少迭代次數(shù)，快速獲取仿真的穩(wěn)態(tài)結(jié)果。

技術(shù)研發(fā)人員：張大為,羅玉華,姜自發(fā),樓曉景,鄒永長,鄧志吉,趙一鳴,周小勇,劉明
受保護的技術(shù)使用者：浙江大華技術(shù)股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17