CN102856910A - 基于多模型模糊神经网络pi的statcom控制方法 - Google Patents
基于多模型模糊神经网络pi的statcom控制方法 Download PDFInfo
- Publication number
- CN102856910A CN102856910A CN2012102697482A CN201210269748A CN102856910A CN 102856910 A CN102856910 A CN 102856910A CN 2012102697482 A CN2012102697482 A CN 2012102697482A CN 201210269748 A CN201210269748 A CN 201210269748A CN 102856910 A CN102856910 A CN 102856910A
- Authority
- CN
- China
- Prior art keywords
- output
- input
- layer
- neural network
- controller
- 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
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
- Y02E40/10—Flexible AC transmission systems [FACTS]
-
- 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
Abstract
本发明涉及一种基于多模型模糊神经网络PI的STATCOM控制方法,其包括以下步骤:S1:根据配电系统负载侧接入不同冲击性负载后接入点电压Upcc的降低幅值大小,将配电系统划分为三个模型Mi(i=1,2,3);S2:对于每个模型分别设计d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3);S3:模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定Mi(i=1,2,3)中d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3)的控制参数kp、ki。本发明的优越性在于:1.设计的PI控制器采用了多模型技术,该技术根据模型切换指标对PI参数进行了选择,使PI控制器能够适应接入点负载的变化;2.PI控制器参数kp、ki通过模糊神经网络进行整定得到,大大减少了人工PI参数整定带来的繁琐工作量。
Description
技术领域
本发明涉及电力系统电能质量无功补偿中的静止同步补偿器,特别是涉及一种基于多模型模糊神经网络PI的STATCOM直接电压控制方法。
背景技术
静止同步补偿器(STATCOM)的目标之一是通过无功补偿实现接入点电压的稳定,从而达到改善电能质量的目的,相比传统的静止无功补偿器(SVC),STATCOM具有更好的无功功率特性和电压稳定特性,在近年来逐渐成为研究的热点。
STATCOM的主要控制方法有双闭环PI控制法,但该方法所需PI控制器太多,难以实现。除此之外还有直接电压控制方法,该方法省去了双闭环控制中的电流内环,减少了PI控制器,使控制器的设计更为简单。然而,STATCOM具有非线性的特性,其等效参数在运行过程中会发生变化,仅仅依靠PI控制器难以满足电压控制的精度要求。
发明内容
针对配电系统接入的冲击性负载的不确定性,本发明提出了一种基于多模型模糊神经网路PI的STATCOM控制方法。该方法将多模型模糊神经网络技术应用到STATCOM直接电压控制法中,根据配电系统接入冲击性负载后接入点电压幅值的跌落范围建立多个模型。对于每个模型预先设定好相应的d轴PI控制器与q轴PI控制器,PI控制器参数kp、ki通过模糊神经网络模块进行整定得到,然后根据瞬时检测到的电压降低幅值切换PI参数。
本发明采取以下技术方案:
一种基于多模型模糊神经网络PI的STATCOM控制方法,包括以下步骤:
S1:根据配电系统负载侧接入不同冲击性负载后接入点电压Upcc的降低幅值大小,将配电系统划分为三个模型Mi(i=1,2,3);
S2:对于每个模型分别设计d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3);
S3:模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定Mi(i=1,2,3)中d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3)的控制参数kp、ki。
较佳地,所示步骤S3进一步包括:
S32:将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络,其中输入层具有3个神经元,输入层的输入为;
其中f为输入层函数,k为输入变量;输入层的输出与输入相等,即:
S33:将步骤S32获得的输出量加权作为BP神经网络的隐含层的输入,并获得隐含层的输出,所述隐含层含有5个神经元,输入层到隐含层的权值为ωji,其中隐含层的输入为:
隐含层的输出为:
隐含层神经元的激励函数采用正负对称的Sigmoid函数
S34:将步骤S33获得的输出量加权作为BP神经网络的输出层的输入,并获得输出层的输出,所述输出层具有2个神经元,隐含层到输出层的权值为ωlj
其中输出层的输入为:
输出层的输出为:
其中输出层由于输出层对应的参数kp、ki非负,故激励函数取非负的Sigmoid函数:
S35:将步骤S34输出量作为PI控制器的参数kp和ki;
这里模糊神经网络选取的性能指标函数为:
按照J的负梯度方向调整,附加一个使搜索能快速收敛的全局极小惯性系数,即:
其中η是学习效率,α为惯性系数;
BP神经网络中的隐含层到输出层2-3的权值ωlj为:
其中,
其中,g'(x)=g(x)[1-g(x)]。
与现有技术相比,本发明的有益效果如下:
本发明由于采取以上技术方案,其具有以下优点:1.设计的PI控制器采用了多模型技术,该技术根据模型切换指标对PI参数进行了选择,使PI控制器能够适应接入点负载的变化;2.PI控制器参数kp、ki通过模糊神经网络进行整定得到,大大减少了人工PI参数整定带来的繁琐工作量。
附图说明
图1为配电系统接入冲击性负载时单相等效电路;
图2为模糊神经网络结构原理图;
图3为多模型模糊神经网路PI控制器框图;
图4a为传统PI控制方法接入点电压跌落11.7%时的补偿效果图;
图4b为本发明所采用的多模型模糊神经网络PI控制方法接入点电压跌落11.7%时的补偿效果图;
图5a为传统PI控制方法的接入点电压跌落17.6%时电压补偿效果图;
图5b为本发明所采用的多模型模糊神经网络PI控制方法的接入点电压跌落17.6%时电压补偿效果图;
图6为本发明一种基于多模型模糊神经网络PI的STATCOM控制方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图6,一种基于多模型模糊神经网络PI的STATCOM控制方法,包括下列步骤:
S1:根据配电系统负载侧接入不同冲击性负载后接入点电压Upcc的降低幅值大小,将配电系统划分为三个模型Mi(i=1,2,3)。如图1所示电路,包括:配电系统、STATCOM、负载。
参看图1可知,接入点电压变化的主要原因是由于负载的变化,图1中,US为电网电压(对应配电系统),Uc为STATCOM的输出电压。Upcc为接入点电压,Zs为网侧等效阻抗,Zf为连接变压器和输出滤波器的等效阻抗,Zc为输出滤波电容等效阻抗,ZL为冲击性负载接入前系统的等效负载,ZLi为冲击性负载。
根据电路理论,可以得到:
即:
记:
则有:
从式(3)中可以看出,当电网电压Us,STATCOM输出电压Uc不变时,冲击性负载ZLi的变化可以导致接入点电压Upcc的变化,即冲击性负载ZLi的大小决定了接入点电压Upcc的幅值降低的幅度。因此,要适应冲击性负载的变化,维持接入点电压Upcc的幅值保持恒定,可以通过调节STATCOM输出电压Uc的大小来实现。由此可以得到建立模型的基本原理就是根据接入点电压Upcc的幅值降低的大小来划分模型。对于Upcc降低较大的模型,采用较高的STATCOM输出电压Uc来使Upcc保持恒定;而对于Upcc降低较小的模型,则采用较低的STATCOM输出电压Uc来维持Upcc的恒定。
本发明设定了3个模型Mi(i=1,2,3)。
S2:对于每个模型分别设计d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3),如表1所示:
表1模型的划分
模型 | 电压跌落幅值 | 模糊神经网络PI控制器组 |
Ml | 5%-10%Upcc | PIdl,PIq1 |
M2 | 11%-15%Upcc | PId2,PIq2 |
M3 | 16%-20%Upcc | PId3,PIq3 |
S3:模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定Mi(i=1,2,3)中d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3)的控制参数kp、ki,步骤如下:
S31:将给定电压与实际输出电压Udc/Upcc的差值edc(k)/epcc(k),和edc(k)/epcc(k)的导数作为模糊控制的输入,通过模糊控制器得到相应的输出,所述模糊控制器规则如表2所示:
表2模糊控制器规则表
其中,e代表指令电压与实际输出电压Udc/Upcc的差值edc(k)/epcc(k),ec代表edc(k)/epcc(k)的导数NB代表“负大”、NM代表“负中”、NS代表“负小”、0代表“零”、PS代表“正小”、PM代表“正中”、PB代表“正大”。
S32:将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络,其中输入层2-1具有3个神经元,输入层2-1的输入为;
其中f为输入层函数,k为输入变量。输入层2-1的输出与输入相等,即:
S33:将步骤S32获得的输出量加权作为隐含层2-2的输入,并获得隐含层2-2的输出,所述隐含层2-2含有5个神经元,输入层2-1到隐含层2-2的权值为ωji,其中隐含层的输入为:
隐含层2-2的输出为:
隐含层2-2神经元的激励函数采用正负对称的Sigmoid函数
S34:将步骤S33获得的输出量加权作为2-3的输入,并获得输出层2-3的输出,所述输出层2-3具有2个神经元,隐含层2-2到输出层2-3的权值为ωlj
其中输出层2-3的输入为:
输出层2-3的输出为:
其中输出层由于输出层对应的参数kp、ki非负,故激励函数取非负的Sigmoid函数:
S35:将步骤S34输出量作为PI控制器的参数kp和ki。
这里模糊神经网络选取的性能指标函数为:
按照J的负梯度方向调整,附加一个使搜索能快速收敛的全局极小惯性系数,即:
其中η是学习效率,α为惯性系数。
BP神经网络中的隐含层2-2到输出层2-3的权值ωlj为:
其中
其中,g'(x)=g(x)[1-g(x)]
配电系统运行时,当冲击性负载接入后,多模型控制器检测Upcc跌落值得范围,并选择相应模型,d轴、q轴PI控制器参数kp和ki由上述模糊神经网络模块进行整定以达到理想的控制效果,使接入点电压Upcc保持稳定。其控制框图如图3所示。
当冲击性负载接入后,接入点电压发生跌落,跌落幅度为11.7%,传统PI方法和本发明中的多模型模糊神经网络PI控制方法补偿效果如图4a和图4b所示;跌落幅度为17.6%,传统PI方法和本发明中的多模型模糊神经网络PI控制方法补偿效果如图5a和图5b所示,图4a,图4b以及图5a和图5b的横坐标为仿真时间,纵坐标为Upcc。可以看到,无论从补偿速度还是补偿精度,本发明所采用的基于多模型模糊神经网络PI的STATCOM控制方法具有一定的优越性。
本实施例的方法采用直接电压控制法,PI控制器采用多模型方法来进行设计,且PI控制器参数kp、ki通过模糊神经网络进行整定得到。它能够根据接入负载的变化,以接入点电压幅值的跌落范围作为模型的切换指标,对于不同的接入负载选择相应的PI控制器参数,以适应负载的变化,从而保证接入点电压的稳定。
本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.一种基于多模型模糊神经网络PI的STATCOM控制方法,其特征在于,包括以下步骤:
S1:根据配电系统负载侧接入不同冲击性负载后接入点电压Upcc的降低幅值大小,将配电系统划分为三个模型Mi(i=1,2,3);
S2:对于每个模型分别设计d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3);
S3:模糊神经网络模块包括模糊控制器和神经网络两个部分;通过模糊神经网络模块来整定Mi(i=1,2,3)中d轴PI控制器PIdi(i=1,2,3)与q轴PI控制器PIqi(i=1,2,3)的控制参数kp、ki。
2.如权利要求1所述的一种基于多模型模糊神经网络PI的STATCOM控制方法,其特征在于,所示步骤S3进一步包括:
S32:将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络,其中输入层具有3个神经元,输入层的输入为;
其中f为输入层函数,k为输入变量;输入层的输出与输入相等,即:
S33:将步骤S32获得的输出量加权作为BP神经网络的隐含层的输入,并获得隐含层的输出,所述隐含层含有5个神经元,输入层到隐含层的权值为ωji,其中隐含层的输入为:
隐含层的输出为:
隐含层神经元的激励函数采用正负对称的Sigmoid函数
S34:将步骤S33获得的输出量加权作为BP神经网络的输出层的输入,并获得输出层的输出,所述输出层具有2个神经元,隐含层到输出层的权值为ωlj
其中输出层的输入为:
输出层的输出为:
其中输出层由于输出层对应的参数kp、ki非负,故激励函数取非负的Sigmoid函数:
S35:将步骤S34输出量作为PI控制器的参数kp和ki;
这里模糊神经网络选取的性能指标函数为:
按照J的负梯度方向调整,附加一个使搜索能快速收敛的全局极小惯性系数,即:
其中η是学习效率,α为惯性系数;
BP神经网络中的隐含层到输出层2-3的权值ωlj为:
其中,
其中,g'(x)=g(x)[1-g(x)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210269748.2A CN102856910B (zh) | 2012-07-31 | 2012-07-31 | 基于多模型模糊神经网络pi的statcom控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210269748.2A CN102856910B (zh) | 2012-07-31 | 2012-07-31 | 基于多模型模糊神经网络pi的statcom控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102856910A true CN102856910A (zh) | 2013-01-02 |
CN102856910B CN102856910B (zh) | 2015-07-01 |
Family
ID=47403219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210269748.2A Expired - Fee Related CN102856910B (zh) | 2012-07-31 | 2012-07-31 | 基于多模型模糊神经网络pi的statcom控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102856910B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103457274A (zh) * | 2013-08-23 | 2013-12-18 | 上海交通大学 | 多模型模糊神经网络pi控制器的statcom电流控制方法 |
CN104052059A (zh) * | 2014-06-19 | 2014-09-17 | 国家电网公司 | 基于模糊神经网络pid的有源电力滤波器控制方法 |
CN104377703A (zh) * | 2014-11-27 | 2015-02-25 | 国网上海市电力公司 | 基于敏感用户的电压暂降综合治理设备的控制方法 |
CN104483932A (zh) * | 2014-11-27 | 2015-04-01 | 国网上海市电力公司 | 一种电压暂降综合治理设备的控制器的设计方法 |
CN105467836A (zh) * | 2014-08-19 | 2016-04-06 | 上海交通大学 | 船舶运动系统的多模型自适应混合控制方法及系统 |
CN106160001A (zh) * | 2016-08-03 | 2016-11-23 | 内蒙古科技大学 | 一种小型双馈风力发电机并网控制方法 |
CN106300342A (zh) * | 2016-08-30 | 2017-01-04 | 上海交通大学 | 一种基于模糊pi控制的孤岛微电网运行方法 |
CN106444389A (zh) * | 2016-12-06 | 2017-02-22 | 杭州电子科技大学 | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
CN109905487A (zh) * | 2019-03-20 | 2019-06-18 | 辽宁工业大学 | 一种基于云计算的智能健康管理系统及方法 |
CN115864525A (zh) * | 2022-11-21 | 2023-03-28 | 深圳市鸿嘉利新能源有限公司 | 微网电流控制方法及微网电流控制系统 |
CN116760055A (zh) * | 2023-06-07 | 2023-09-15 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162841A (zh) * | 2007-10-18 | 2008-04-16 | 湖南大学 | 静止无功补偿器的非线性pi电压控制方法 |
KR101125795B1 (ko) * | 2010-09-20 | 2012-03-28 | 한국전력공사 | 정지형 보상기의 제어 장치 및 정지형 보상기의 안정화 제어 방법 |
-
2012
- 2012-07-31 CN CN201210269748.2A patent/CN102856910B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162841A (zh) * | 2007-10-18 | 2008-04-16 | 湖南大学 | 静止无功补偿器的非线性pi电压控制方法 |
KR101125795B1 (ko) * | 2010-09-20 | 2012-03-28 | 한국전력공사 | 정지형 보상기의 제어 장치 및 정지형 보상기의 안정화 제어 방법 |
Non-Patent Citations (3)
Title |
---|
冯亚琼: "神经网络自适应PI控制器在有源滤波器中的应用", 《电力系统保护与控制》, vol. 39, no. 16, 16 August 2011 (2011-08-16) * |
王盛等: "基于多模型PI的STATCOM直接电压控制方法", 《电力自动化设备》, vol. 32, no. 7, 10 July 2012 (2012-07-10), pages 44 - 6 * |
黄薇等: "基于神经网络PI重复控制器的三相并联有源电力滤波器", 《电力系统保护与控制》, vol. 40, no. 3, 1 February 2012 (2012-02-01) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103457274A (zh) * | 2013-08-23 | 2013-12-18 | 上海交通大学 | 多模型模糊神经网络pi控制器的statcom电流控制方法 |
CN104052059A (zh) * | 2014-06-19 | 2014-09-17 | 国家电网公司 | 基于模糊神经网络pid的有源电力滤波器控制方法 |
CN105467836A (zh) * | 2014-08-19 | 2016-04-06 | 上海交通大学 | 船舶运动系统的多模型自适应混合控制方法及系统 |
CN105467836B (zh) * | 2014-08-19 | 2019-06-21 | 上海交通大学 | 船舶运动系统的多模型自适应混合控制方法及系统 |
CN104483932B (zh) * | 2014-11-27 | 2017-05-10 | 国网上海市电力公司 | 一种电压暂降综合治理设备的控制器的设计方法 |
CN104483932A (zh) * | 2014-11-27 | 2015-04-01 | 国网上海市电力公司 | 一种电压暂降综合治理设备的控制器的设计方法 |
CN104377703A (zh) * | 2014-11-27 | 2015-02-25 | 国网上海市电力公司 | 基于敏感用户的电压暂降综合治理设备的控制方法 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
CN107203807B (zh) * | 2016-03-16 | 2020-10-02 | 中国科学院计算技术研究所 | 神经网络加速器的片上缓存带宽均衡方法、系统及其装置 |
CN106160001A (zh) * | 2016-08-03 | 2016-11-23 | 内蒙古科技大学 | 一种小型双馈风力发电机并网控制方法 |
CN106300342A (zh) * | 2016-08-30 | 2017-01-04 | 上海交通大学 | 一种基于模糊pi控制的孤岛微电网运行方法 |
CN106444389A (zh) * | 2016-12-06 | 2017-02-22 | 杭州电子科技大学 | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 |
CN109905487A (zh) * | 2019-03-20 | 2019-06-18 | 辽宁工业大学 | 一种基于云计算的智能健康管理系统及方法 |
CN115864525A (zh) * | 2022-11-21 | 2023-03-28 | 深圳市鸿嘉利新能源有限公司 | 微网电流控制方法及微网电流控制系统 |
CN115864525B (zh) * | 2022-11-21 | 2023-10-03 | 深圳市鸿嘉利新能源有限公司 | 微网电流控制方法及微网电流控制系统 |
CN116760055A (zh) * | 2023-06-07 | 2023-09-15 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
CN116760055B (zh) * | 2023-06-07 | 2024-03-12 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102856910B (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102856910B (zh) | 基于多模型模糊神经网络pi的statcom控制方法 | |
Arya | AGC of two-area electric power systems using optimized fuzzy PID with filter plus double integral controller | |
CN109687510B (zh) | 一种计及不确定性的配电网多时间尺度优化运行方法 | |
CN105740973A (zh) | 基于混合整数锥规划的智能配电网综合电压无功优化方法 | |
CN104578121B (zh) | 一种混合储能系统功率分配的方法及系统 | |
Aryan et al. | Design and analysis of novel QOEO optimized parallel fuzzy FOPI-PIDN controller for restructured AGC with HVDC and PEV | |
CN108448565B (zh) | 一种直流微电网复合储能系统功率分配方法 | |
CN103324828A (zh) | 基于运行方式灵敏度的电力系统低频振荡辅助决策方法 | |
CN103078324A (zh) | 基于模糊pi复合控制的有源滤波器电流自适应控制方法 | |
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 | |
CN111064235A (zh) | 一种有源配电网日前动态无功优化方法 | |
CN110048438A (zh) | 一种基于模型预测控制的配电网馈线级负荷功率控制方法 | |
CN102983574B (zh) | 在线可变权重的多目标混合整数协调二级电压的控制方法 | |
CN104659798A (zh) | 基于模糊神经网络的风电混合储能系统及其优化方法 | |
CN105071397B (zh) | 风电外送的多类型无功补偿设备的协调无功电压控制方法 | |
Dehghani et al. | An improved PSO-GA based fuzzy controller of STATCOM for cascaded induction motors of drilling system | |
CN103457274A (zh) | 多模型模糊神经网络pi控制器的statcom电流控制方法 | |
Sun et al. | Nonlinear adaptive backstepping controller design for static VAR compensator | |
CN104868481B (zh) | 一种使配电网络全天有功损耗最小的电容补偿方法 | |
CN104410093B (zh) | 储能电池的荷电状态控制方法 | |
CN106505582A (zh) | 一种基于网络预测方式的动态无功功率‑电压协同控制方法 | |
Balavar | Using neural network to control STATCOM for improving transient stability | |
Shahgholian et al. | Analysis and design of a linear quadratic regulator control for static synchronous compensator | |
CN105337288A (zh) | 无功电压优化控制装置和方法 | |
CN103855716A (zh) | 一种flc-pid混合智能statcom控制方法 |
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 |
Granted publication date: 20150701 Termination date: 20170731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |