CN102820653A - 一种电能质量综合控制器模糊-神经网络双闭环控制方法 - Google Patents

一种电能质量综合控制器模糊-神经网络双闭环控制方法 Download PDF

Info

Publication number
CN102820653A
CN102820653A CN2012103360122A CN201210336012A CN102820653A CN 102820653 A CN102820653 A CN 102820653A CN 2012103360122 A CN2012103360122 A CN 2012103360122A CN 201210336012 A CN201210336012 A CN 201210336012A CN 102820653 A CN102820653 A CN 102820653A
Authority
CN
China
Prior art keywords
value
positive
neural network
fuzzy
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103360122A
Other languages
English (en)
Other versions
CN102820653B (zh
Inventor
涂春鸣
帅智康
盘宏斌
肖凡
楚烺
张杨
戴晓宗
蒋玲
姚鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201210336012.2A priority Critical patent/CN102820653B/zh
Publication of CN102820653A publication Critical patent/CN102820653A/zh
Application granted granted Critical
Publication of CN102820653B publication Critical patent/CN102820653B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Control Of Electrical Variables (AREA)

Abstract

本发明公开了一种电能质量综合控制器模糊-神经网络双闭环控制方法，包括电能质量综合控制器，所述电能质量综合控制器包括有源滤波器、固定电容器、晶闸管控制电抗器，所述有源滤波器、固定电容器、晶闸管控制电抗器依次并接入电网和与电网连接的负载之间，本发明通过将模糊控制和神经网路控制与注入式有源电力滤波器相结合进行谐波抑制，同时也将模糊控制和神经网路控制作用于晶闸管控制电抗器TCR和固定电容器FC组成的静止无功补偿器SVC，对其进行控制，实现无功动态补偿，同时引入双闭环的控制策略实现了对电力系统电能质量的优化。

Description

一种电能质量综合控制器模糊-神经网络双闭环控制方法
技术领域
本发明涉及一种电能质量综合控制器控制方法,特别是一种电能质量综合控制器模糊-神经网络双闭环控制方法。 
背景技术
随着现在国内经济的高速发展，高速铁路技术、冶金工业，风能太阳能等新能源发电都会为系统注入大量的谐波和造成无功负荷的缺失，严重影响着系统的电能质量，且对电气设备以及用户造成巨大的影响，因此高效合理的治理谐波以及进行无功补偿变得尤为重要。因此评价一个电能质量控制器的好坏就取决于对谐波补偿后的谐波畸变率的大小和无功补偿的快速性，一般的电能质量控制器都存在以下不足：
1、现在的控制器对谐波进行抑制时多控制采用PID调节，虽然PID调节具有结构简单，参数选择整定比较简单，易于实现，但PID调节不能很好的达到精确控制的目的，且PID控制器参数为设置好的定值，对于电力系统这样负荷频繁投切且不断发展的系统，有一定的局限性。
2、一般的模糊控制虽然能在一定程度上解决以上PID调节的问题，但是纯粹的模糊控制存在稳态误差，且同PID控制一样，参数是根据经验之前整定好的，因为实际中存在较多变化，同样不能自行修改参数。 
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种电能质量综合控制器模糊-神经网络双闭环控制方法，快速高效治理系统中的谐波，同时动态快速地进行无功补偿，保证负荷和系统的稳定性。
为解决上述技术问题，本发明所采用的技术方案是：一种电能质量综合控制器模糊-神经网络双闭环控制方法，包括电能质量综合控制器，所述电能质量综合控制器包括有源滤波器、固定电容器、晶闸管控制电抗器，所述有源滤波器、固定电容器、晶闸管控制电抗器依次并接入电网和与电网连接的负载之间，该方法为：
1）检测电网三相电压                                                
Figure 2012103360122100002DEST_PATH_IMAGE001
、
Figure 20870DEST_PATH_IMAGE002
、
Figure 2012103360122100002DEST_PATH_IMAGE003
，三相负载电流
Figure 938011DEST_PATH_IMAGE004
、
Figure 2012103360122100002DEST_PATH_IMAGE005
、
Figure 655431DEST_PATH_IMAGE006
，有源滤波器注入电流、
Figure 739056DEST_PATH_IMAGE008
、
Figure 2012103360122100002DEST_PATH_IMAGE009
；
2）将采样的负载电流值
Figure 553428DEST_PATH_IMAGE004
、
Figure 500524DEST_PATH_IMAGE005
、
Figure 767558DEST_PATH_IMAGE006
与有源滤波器注入电流值
Figure 966458DEST_PATH_IMAGE007
、
Figure 573020DEST_PATH_IMAGE008
、
Figure 566383DEST_PATH_IMAGE009
作为输入，通过将模糊化规则得到的信号与自适应神经网络控制单元所得信号相加得到初步的信号，再引入有源滤波器的注入电流作为反馈，通过PI控制得到有源滤波器中逆变器的PWM调制波信号，通过PWM技术实现对谐波的高效治理；
3）将采样的电网电压值
Figure 320713DEST_PATH_IMAGE001
、、
Figure 269525DEST_PATH_IMAGE003
与系统期望电压值做差，得到模糊控制单元与自适应神经网络控制单元的输入信号，利用模糊化规则得到无功功率信号，然后与自适应神经网络控制单元所得的信号相加得到电压跟踪控制信号，将电压跟踪控制信号作为晶闸管控制电抗器的输入，晶闸管控制电抗器输出晶闸管的开关通断信号控制晶闸管控制电抗器的导通时间，即对应不同导通角，达到对无功进行补偿的目的；同时引入晶闸管控制电抗器与电网连接处电压作为反馈构成闭环控制。
本发明的工作原理为：本发明所提到的一种电能质量综合控制器模糊-神经网络双闭环控制方法，主控制部分由一个模糊控制单元与一个自适应神经网络控制单元组成。根据检测的实时数据经过模糊控制单元的专家决策得到决策信号，再由从自适应神经网络中得到的决策信号
Figure DEST_PATH_IMAGE011
相加， 得到最终的决策信号，通过PWN技术得到有源滤波器逆变器的控制信号以及TCR触发电路的输入控制信号，控制有源滤波器与TCR实现电能质量的综合治理。
与现有技术相比，本发明所具有的有益效果为：本发明的方法不仅可以快速高效治理系统中的谐波，同时能动态快速地进行无功补偿，有效地保证了负荷和系统的稳定性；自适应伸进网络控制单元的应用提高了信息处理能力和适应能力, 提高了系统的智能水平，对于电能质量的综合治理具有重大意义。
附图说明
图1为本发明一实施例控制方法框图；
图2为本发明一实施例电能质量综合控制器结构示意图；
图3为现有的电能质量综合控制器结构示意图；
图4为本发明一实施例模糊控制原理图；
图5为本发明一实施例自适应神经网络控制原理图。
具体实施方式
如图1和图2所示，本发明一实施例包括电能质量综合控制器，所述电能质量综合控制器包括有源滤波器、固定电容器、晶闸管控制电抗器，所述有源滤波器、固定电容器、晶闸管控制电抗器依次并接入电网和与电网连接的负载之间，电能质量综合控制器的模糊-神经网络双闭环控制方法为：
1）            检测电网三相电压，
Figure 878678DEST_PATH_IMAGE001
、
Figure 153802DEST_PATH_IMAGE002
、
Figure 797273DEST_PATH_IMAGE003
、三相负载电流，
Figure 319390DEST_PATH_IMAGE004
、
Figure 48312DEST_PATH_IMAGE005
、
Figure 127126DEST_PATH_IMAGE006
注入式有源滤波器注入电流，
Figure 562787DEST_PATH_IMAGE007
、
Figure 334433DEST_PATH_IMAGE008
、
Figure 285072DEST_PATH_IMAGE009
； 
2）            根据采样的负载电流值（
Figure 855993DEST_PATH_IMAGE004
、
Figure 208477DEST_PATH_IMAGE005
、
Figure 151025DEST_PATH_IMAGE006
）与注入式有源滤波器注入电流值（
Figure 526643DEST_PATH_IMAGE007
、
Figure 947260DEST_PATH_IMAGE008
、）作为输入，通过模糊化规则得到的信号与自适应神经网络所得信号进行相加得到初步的信号，再引入注入式有源滤波器的注入电流作为反馈，通过PI控制得到注入式有源滤波器中逆变器的PWM调制波信号，最后通过PWM技术实现对谐波的高效治理；
3）            根据采样的电网电压值（
Figure 720230DEST_PATH_IMAGE001
、
Figure 645460DEST_PATH_IMAGE002
、）与系统期望电压值做差，得到模糊控制单元与ANFIS的输入信号。利用模糊化规则得到无功功率信号，然后与自适应神经网络控制单元（ANFIS）所得的信号相加得到电压跟踪控制信号，利用电压跟踪控制信号作为TCR触发电路的输入，TCR触发电路输出TCR晶闸管的开关通断信号控制TCR的导通时间，即对应不同导通角，达到对无功进行补偿的目的。同时引入TCR（晶闸管控制电抗器）与电网连接处电压作为反馈构成闭环控制。
4）            注入式有源滤波器对谐波电流进行跟踪动态补偿作用， TCR对无功功率进行动态采集，和动态跟踪补偿补偿。在两者的双重作用下，完成对谐波和无功的高效动态检测和动态跟踪不常常，达到综合治理的目的治理。
在进行谐波治理时：模糊控制单元对输入的信号进行处理会得到相应的输出，但这个输出会存在一定的误差，此时与其并联的自适应神经网络控制单元也会对相同的输入进行处理，输出一个信号与之前模糊控制单元所输出信号相加得到更加精确的谐波控制信号，再引入逆变器的输出电流与之前得到的信号做差通过PI控制器得到最终的PWM载波信号，通过PWM技术实现对逆变器的控制，完成谐波抑制。对无功进行控制时，对检测的系统电压与电压参考值处理得到
Figure 868948DEST_PATH_IMAGE012
与，再通过模糊控制单元与ANFIS单元，得到TCR的触发电路输入信号，通过查表控制TCR晶闸管的开关，实现对无功的连续补偿。
本发明要检测电网三相电压（
Figure 153299DEST_PATH_IMAGE001
、
Figure 254241DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
），三相负载电流（
Figure 282240DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 401506DEST_PATH_IMAGE018
），注入式有源滤波器注入电流（
Figure DEST_PATH_IMAGE019
、
Figure 778129DEST_PATH_IMAGE020
、），利用一个模糊控制单元和一个自适应神经网络控制单元，实现对谐波的快速抑制和对无功的动态补偿，具体的实现步骤如下：
对于谐波治理：
1）检测电网三相负载电流（
Figure 677952DEST_PATH_IMAGE016
、
Figure 244063DEST_PATH_IMAGE017
、），注入式有源滤波器注入电流（
Figure 843989DEST_PATH_IMAGE019
、
Figure 231108DEST_PATH_IMAGE020
、
Figure 289325DEST_PATH_IMAGE021
）；
     2）根据采样的电流，通过模糊控制单元经过模糊化、模糊推理、去模糊化，得到输出信号。
3）因为单独的模糊控制存在稳态误差等问题，根据大量工程数据训练的自适应神经网络控制单元能根据采样的电流，电压值得到合适的补偿信号，与模糊控制单元输出的信号相加得到较好的载波信号，
4）得到的载波信号利用PWM技术，可以得到注入式有源滤波器中逆变器的控制信号，实现对谐波治理。
对于无功补偿：
1)检测电网三相电源电压（
Figure 179920DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
、
Figure 914658DEST_PATH_IMAGE024
）；
2)根据采样的电流，通过模糊控制单元经过模糊化、模糊推理、去模糊化，得到TCR触发电路输入信号；
     3)通过TCR触发电路控制TCR的关断开通，控制TCR的相角，与FC（固定电容器）进行组合实现无功的动态补偿
     参见图3，与图2对比可以看出本发明的不同之处，一般的电能质量控制器由普通的有源滤波器通过变压器与电网相连，对谐波进行动态补偿，但这种结构中有源滤波器（APF）直流侧的电容承受电容较大，只能针对电压等级较低的情况，且要求APF容量过大，成本较大。本发明采用注入式有源滤波器，因注入之路基波谐振支路的存在，使得其耐压能力提升大大降低了有源滤波器的容量，由于注入电容
Figure DEST_PATH_IMAGE025
的存在，基波电压基本由其承担，故
Figure 523494DEST_PATH_IMAGE025
具有无功静补能力。由图3可以看出，一般的电能质量控制器使用固定电容器（FC）较多，虽然成本较低，但由于固定电容器不可变，无功的动态补偿能力差，且有可能因为负荷的变动和系统运行情况的改变发生谐振，从而存在一定风险。本发明利用TCR与FC的组合搭配，实现了对无功的实时快速动态补偿，且降低了谐振的风险。本发明将这两大部分的优势结合，相对与一般的电能质量控制器具有很凸显的优势，且弥补了它的一些缺陷。
参见图4，本发明使用的模糊控制单元的模糊化规则为
（1）如果
Figure 883937DEST_PATH_IMAGE026
的值和
Figure DEST_PATH_IMAGE027
的值都为负，则
Figure 894618DEST_PATH_IMAGE028
值也为负；
（2）如果的值和
Figure 896389DEST_PATH_IMAGE027
的值都为正，则
Figure 607993DEST_PATH_IMAGE028
值也为正；
（3）如果
Figure 161597DEST_PATH_IMAGE026
的值和的值都为零，则
Figure 883882DEST_PATH_IMAGE028
值也为零；
（4）如果
Figure 71281DEST_PATH_IMAGE026
的值为零，
Figure 56554DEST_PATH_IMAGE027
的值为正，则
Figure 366313DEST_PATH_IMAGE028
值为正；
（5）如果
Figure 623988DEST_PATH_IMAGE026
的值为零，
Figure 677395DEST_PATH_IMAGE027
的值为正，则
Figure 517175DEST_PATH_IMAGE028
值为正；
Figure DEST_PATH_IMAGE029
  
Figure 935518DEST_PATH_IMAGE030
  
Figure 904656DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
为期望的电网电压值，
Figure 761753DEST_PATH_IMAGE034
为实际的电网电压值，
Figure DEST_PATH_IMAGE035
负载谐波电流值，为滤波器注入的谐波电流值，
Figure DEST_PATH_IMAGE037
为经过模糊算法的模糊公式。
本发明中的模糊控制通过最大最小推理获得模糊集，利用重心法实现去糊化，即：
Figure DEST_PATH_IMAGE039
参见图5，本发明使用的自适应神经网络控制单元采用由前馈构成的五层神经网络；此处的x和y对应
Figure 232235DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
。我们采用Sugeno和Takagi的模糊模型，即：
如果
Figure 277551DEST_PATH_IMAGE042
是
Figure DEST_PATH_IMAGE043
，
Figure 610443DEST_PATH_IMAGE044
是
Figure DEST_PATH_IMAGE045
，那么.
如果是
Figure DEST_PATH_IMAGE047
，是
Figure 339310DEST_PATH_IMAGE048
，那么
Figure DEST_PATH_IMAGE049
.
其中
Figure 929560DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
等构成一个模糊集A，，
Figure DEST_PATH_IMAGE053
，
Figure 880516DEST_PATH_IMAGE054
为节点i的参数。
第一层：在这一层的每个节点i是一个有节点函数的自适应节点。
 ，i=1,2，OR；
  
Figure 305943DEST_PATH_IMAGE056
，j=1,2，OR；
其中x和y为输入，
Figure DEST_PATH_IMAGE057
和
Figure 829328DEST_PATH_IMAGE058
为对应模糊集的隶属度。
隶属度函数采用钟型函数，即：
Figure DEST_PATH_IMAGE059
第二层：这一层的功能是将输入信号相乘得到输出信号
Figure 196856DEST_PATH_IMAGE060
，i=1,2
第三层：这一层的功能为第i个节点计算第i条规则的激励强度与所有规则的激励强度之和的比值，即
Figure DEST_PATH_IMAGE061
，i=1，2，……
第四层：这一层的功能为将第三层输出的信号与本层节点的节点函数相乘,即：
Figure 359853DEST_PATH_IMAGE062
第五层：这一层为输出层，将所有前一层传来的信号之和作为总输出，即：
Figure DEST_PATH_IMAGE063
自适应神经网络控制单元的核心在于对神经网络的训练，所以训练数据变得至关重要。其中训练数据基于以下的规则：
（1）如果
Figure 900556DEST_PATH_IMAGE040
的值和
Figure 544027DEST_PATH_IMAGE041
的值都为负，则f值也为负；
（2）如果的值和
Figure 234213DEST_PATH_IMAGE041
的值都为正，则f值也为正；
（3）如果
Figure 313028DEST_PATH_IMAGE040
的值和
Figure 811005DEST_PATH_IMAGE041
的值都为零，则f值也为零；
（4）如果
Figure 254756DEST_PATH_IMAGE040
的值为正小，的值为正小，则f值为正小；
（5）如果的值为正大，
Figure 892914DEST_PATH_IMAGE041
的值为正大，则f值为正大；
（6）如果
Figure 835462DEST_PATH_IMAGE040
的值为正大，
Figure 273396DEST_PATH_IMAGE041
的值为正小，则f值为正小；
（7）如果的值为负小，的值为负，则f值为负小；
其中，
Figure 952136DEST_PATH_IMAGE064
为自适应神经网络控制单元的输出。
通过足够数据的训练，对自适应神经网络的权值进行修改就能使神经网络满足实际工程的需要。 

Claims (3)

1.一种电能质量综合控制器模糊-神经网络双闭环控制方法，包括电能质量综合控制器，所述电能质量综合控制器包括有源滤波器、固定电容器、晶闸管控制电抗器，所述有源滤波器、固定电容器、晶闸管控制电抗器依次并接入电网和与电网连接的负载之间，其特征在于，该方法为：
1）检测电网三相电压                                               、
Figure 2012103360122100001DEST_PATH_IMAGE004
、
Figure 2012103360122100001DEST_PATH_IMAGE006
，三相负载电流
Figure 2012103360122100001DEST_PATH_IMAGE008
、
Figure 2012103360122100001DEST_PATH_IMAGE010
、
Figure 2012103360122100001DEST_PATH_IMAGE012
，有源滤波器注入电流
Figure 2012103360122100001DEST_PATH_IMAGE014
、、；
2）将采样的负载电流值、
Figure 71683DEST_PATH_IMAGE010
、
Figure 860386DEST_PATH_IMAGE012
与有源滤波器注入电流值
Figure 537355DEST_PATH_IMAGE014
、
Figure 975289DEST_PATH_IMAGE016
、
Figure 599169DEST_PATH_IMAGE018
作为输入，通过将模糊化规则得到的信号与自适应神经网络控制单元所得信号相加得到初步的信号，再引入有源滤波器的注入电流作为反馈，通过PI控制得到有源滤波器中逆变器的PWM调制波信号，通过PWM技术实现对谐波的高效治理；
3）将采样的电网电压值
Figure 806159DEST_PATH_IMAGE002
、
Figure 919608DEST_PATH_IMAGE004
、
Figure 782522DEST_PATH_IMAGE006
与系统期望电压值做差，得到模糊控制单元与自适应神经网络控制单元的输入信号，利用模糊化规则得到无功功率信号，然后与自适应神经网络控制单元所得的信号相加得到电压跟踪控制信号，将电压跟踪控制信号作为晶闸管控制电抗器的输入，晶闸管控制电抗器输出晶闸管的开关通断信号控制晶闸管控制电抗器的导通时间，即对应不同导通角，达到对无功进行补偿的目的；同时引入晶闸管控制电抗器与电网连接处电压作为反馈构成闭环控制。
2.根据权利要求1所述的电能质量综合控制器模糊-神经网络双闭环控制方法，其特征在于，所述模糊化规则为：
（1）如果
Figure 2012103360122100001DEST_PATH_IMAGE020
的值和
Figure 2012103360122100001DEST_PATH_IMAGE022
的值都为负，则
Figure 2012103360122100001DEST_PATH_IMAGE024
值也为负；
（2）如果
Figure 944513DEST_PATH_IMAGE020
的值和
Figure 271589DEST_PATH_IMAGE022
的值都为正，则值也为正；
（3）如果
Figure 133247DEST_PATH_IMAGE020
的值和
Figure 161246DEST_PATH_IMAGE022
的值都为零，则值也为零；
（4）如果
Figure 798080DEST_PATH_IMAGE020
的值为零，
Figure 635586DEST_PATH_IMAGE022
的值为正，则
Figure 201697DEST_PATH_IMAGE024
值为正；
（5）如果
Figure 237786DEST_PATH_IMAGE020
的值为零，
Figure 801623DEST_PATH_IMAGE022
的值为正，则
Figure 923162DEST_PATH_IMAGE024
值为正；
其中：
Figure 2012103360122100001DEST_PATH_IMAGE026
，对于步骤2），
Figure 2012103360122100001DEST_PATH_IMAGE028
，
Figure 2012103360122100001DEST_PATH_IMAGE030
；对于步骤3），
Figure 2012103360122100001DEST_PATH_IMAGE032
，
Figure 230647DEST_PATH_IMAGE030
；
Figure 2012103360122100001DEST_PATH_IMAGE034
为期望的电网电压值，
Figure 2012103360122100001DEST_PATH_IMAGE036
为实际的电网电压值，
Figure 2012103360122100001DEST_PATH_IMAGE038
负载谐波电流值，
Figure 2012103360122100001DEST_PATH_IMAGE040
为滤波器注入的谐波电流值，
Figure 2012103360122100001DEST_PATH_IMAGE042
为经过模糊算法的模糊公式。
3.根据权利要求1所述的电能质量综合控制器模糊-神经网络双闭环控制方法，其特征在于，自适应神经网络控制单元训练数据基于以下规则：
（1）如果
Figure 760723DEST_PATH_IMAGE020
的值和
Figure 557778DEST_PATH_IMAGE022
的值都为负，则
Figure 2012103360122100001DEST_PATH_IMAGE044
值也为负；
（2）如果的值和的值都为正，则
Figure 960574DEST_PATH_IMAGE044
值也为正；
（3）如果
Figure 928530DEST_PATH_IMAGE020
的值和
Figure 24662DEST_PATH_IMAGE022
的值都为零，则
Figure 172485DEST_PATH_IMAGE044
值也为零；
（4）如果
Figure 303252DEST_PATH_IMAGE020
的值为正小，
Figure 442109DEST_PATH_IMAGE022
的值为正小，则值为正小；
（5）如果
Figure 212936DEST_PATH_IMAGE020
的值为正大，
Figure 198209DEST_PATH_IMAGE022
的值为正大，则
Figure 507968DEST_PATH_IMAGE044
值为正大；
（6）如果
Figure 250796DEST_PATH_IMAGE020
的值为正大，
Figure 304203DEST_PATH_IMAGE022
的值为正小，则
Figure 143983DEST_PATH_IMAGE044
值为正小；
（7）如果
Figure 562326DEST_PATH_IMAGE020
的值为负小，
Figure 120346DEST_PATH_IMAGE022
的值为负，则
Figure 711864DEST_PATH_IMAGE044
值为负小；
其中，
Figure 671730DEST_PATH_IMAGE044
为自适应神经网络控制单元的输出。
CN201210336012.2A 2012-09-12 2012-09-12 一种电能质量综合控制器模糊-神经网络双闭环控制方法 Expired - Fee Related CN102820653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210336012.2A CN102820653B (zh) 2012-09-12 2012-09-12 一种电能质量综合控制器模糊-神经网络双闭环控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210336012.2A CN102820653B (zh) 2012-09-12 2012-09-12 一种电能质量综合控制器模糊-神经网络双闭环控制方法

Publications (2)

Publication Number Publication Date
CN102820653A true CN102820653A (zh) 2012-12-12
CN102820653B CN102820653B (zh) 2014-07-30

Family

ID=47304581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210336012.2A Expired - Fee Related CN102820653B (zh) 2012-09-12 2012-09-12 一种电能质量综合控制器模糊-神经网络双闭环控制方法

Country Status (1)

Country Link
CN (1) CN102820653B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007349A (zh) * 2014-06-11 2014-08-27 江苏大学 基于小波变换的模糊控制孤岛检测方法
CN105207246A (zh) * 2014-06-17 2015-12-30 中央大学 太阳光能发电系统
CN106537421A (zh) * 2014-07-16 2017-03-22 高通股份有限公司 神经网络中的分解卷积操作
CN109728585A (zh) * 2019-03-01 2019-05-07 河南理工大学 基于模糊控制规则因子电力弹簧、供电电路结构及算法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104868483B (zh) * 2015-05-22 2017-07-14 江苏科技大学 一种基于dsp的磁控电抗器控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101202447A (zh) * 2007-12-19 2008-06-18 湖南大学 Svc特定次数谐波预测消除控制方法及其实现装置
CN101420126A (zh) * 2008-11-21 2009-04-29 湖南大学 配电网电能质量复合控制系统及其控制方法
CN101420128A (zh) * 2008-12-05 2009-04-29 湖南大学 一种动态无功补偿系统及其控制方法
CN101924370A (zh) * 2010-09-08 2010-12-22 株洲变流技术国家工程研究中心有限公司 一种混合型电能质量治理装置
CN101924371A (zh) * 2010-09-08 2010-12-22 株洲变流技术国家工程研究中心有限公司 一种混合型电能质量治理方法
CN102655326A (zh) * 2012-05-10 2012-09-05 江苏大学 一种有源电力滤波器的神经网络逆控制器构造方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101202447A (zh) * 2007-12-19 2008-06-18 湖南大学 Svc特定次数谐波预测消除控制方法及其实现装置
CN101420126A (zh) * 2008-11-21 2009-04-29 湖南大学 配电网电能质量复合控制系统及其控制方法
CN101420128A (zh) * 2008-12-05 2009-04-29 湖南大学 一种动态无功补偿系统及其控制方法
CN101924370A (zh) * 2010-09-08 2010-12-22 株洲变流技术国家工程研究中心有限公司 一种混合型电能质量治理装置
CN101924371A (zh) * 2010-09-08 2010-12-22 株洲变流技术国家工程研究中心有限公司 一种混合型电能质量治理方法
CN102655326A (zh) * 2012-05-10 2012-09-05 江苏大学 一种有源电力滤波器的神经网络逆控制器构造方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
于宁国等: "人工神经网络在谐波检测中的应用研究", 《宁夏电力》 *
任永峰等: "基于多层前馈神经网络的并联型电能质量控制器", 《电工技术学报》 *
唐欣等: "±300 kVar静止同步补偿器STATCOM控制系统", 《长沙理工大学学报(自然科学版)》 *
李卓，萧德云，河世忠: "基于神经网络的模糊自适应PID控制方法", 《控制与决策》 *
殷志柱等: "基于双闭环模糊控制的有源电力滤波器", 《电力系统保护与控制》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007349A (zh) * 2014-06-11 2014-08-27 江苏大学 基于小波变换的模糊控制孤岛检测方法
CN105207246A (zh) * 2014-06-17 2015-12-30 中央大学 太阳光能发电系统
CN106537421A (zh) * 2014-07-16 2017-03-22 高通股份有限公司 神经网络中的分解卷积操作
US10360497B2 (en) 2014-07-16 2019-07-23 Qualcomm Incorporated Decomposing convolution operation in neural networks
US10402720B2 (en) 2014-07-16 2019-09-03 Qualcomm Incorporated Decomposing convolution operation in neural networks
CN109728585A (zh) * 2019-03-01 2019-05-07 河南理工大学 基于模糊控制规则因子电力弹簧、供电电路结构及算法
CN109728585B (zh) * 2019-03-01 2024-01-16 河南理工大学 基于模糊控制规则因子电力弹簧、供电电路结构及算法

Also Published As

Publication number Publication date
CN102820653B (zh) 2014-07-30

Similar Documents

Publication Publication Date Title
Fei et al. Fuzzy double hidden layer recurrent neural terminal sliding mode control of single-phase active power filter
CN106707763B (zh) 光伏并网逆变器的模糊神经全局快速终端滑模控制方法
CN103560690A (zh) 一种单相lcl型并网逆变器谐波阻尼控制方法
CN105977996B (zh) 基于dsp的静止无功发生器控制系统及控制方法
CN102842909B (zh) 一种电力电子混合系统控制方法
CN107482682A (zh) 一种离网模式下有源滤波器与分布式电源协同控制方法
CN102820653A (zh) 一种电能质量综合控制器模糊-神经网络双闭环控制方法
CN112217194B (zh) 一种基于干扰观测器前馈电流控制的直流电压偏差抑制方法
CN107707142A (zh) 基于混合型模块化多电平换流器的低频模型预测控制方法
Fei et al. Finite-time disturbance observer of active power filter with dynamic terminal sliding mode controller
CN110350538A (zh) 一种基于主动需求侧响应的微电网协调控制方法
CN112350590A (zh) 一种不控整流器谐波补偿电路及控制方法
Karimi et al. Enhancement of power quality utilizing photovoltaic fed D-STATCOM based on zig-zag transformer and fuzzy controller
CN110798089A (zh) 一种基于改进型智能pi控制的逆变器中点电位平衡方法
CN105870972B (zh) 一种光伏微网pwm逆变器的智能控制系统
Deshmukh et al. Comparison and performance analysis of closed loop controlled nonlinear system connected PWM inverter based on hybrid technique
Zhu et al. An adaptive neural fuzzy virtual inertia control method for VSC-HVDC system
CN113471983A (zh) 一种抑制谐波式智能综合补偿装置
Genwang et al. Single-phase sinusoidal inverter based on fuzzy PID control for small wind power system
Zhao et al. Novel injection type hybrid active power filter and its energy saving application
Panigrahi et al. Power quality improvement using different control techniques in hybrid filters
Chatterjee et al. A comparison of conventional, direct-output-voltage and Fuzzy-PI control strategies for D-STATCOM
Vanukuru et al. Fuzzy control based APF with DG integration for power quality improvement in disribution system
Liu et al. The research on fuzzy-PID control in unified power quality conditioner
Zhao et al. A new injection type hybrid active power filter and its application

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140730