CN107123991B - 基于模糊粒子群算法的动态电压恢复器控制方法及装置 - Google Patents
基于模糊粒子群算法的动态电压恢复器控制方法及装置 Download PDFInfo
- Publication number
- CN107123991B CN107123991B CN201710351018.XA CN201710351018A CN107123991B CN 107123991 B CN107123991 B CN 107123991B CN 201710351018 A CN201710351018 A CN 201710351018A CN 107123991 B CN107123991 B CN 107123991B
- Authority
- CN
- China
- Prior art keywords
- voltage
- particle
- fitness function
- value
- function value
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及基于模糊粒子群算法的动态电压恢复器控制方法及装置,本发明应用在动态电压恢复器控制优化,对电压暂降和电压谐波分量进行模糊化,然后进行加权组合获得适应性函数,通过判断所有粒子的适应度函数值和设定值的大小,确定动态电压恢复器中PI调节器的参数,能够在电网发生故障时对电压暂降进行补偿。同时,本发明增加了粒子加速项,忽略了个体极值,利用全局极值来加快算法的收敛;为了避免收敛于局部最小,维护群体多样性,引入了混沌发生器来改善全局收敛,解决了经典PI调节器因带宽限制而无法获高精度的问题,在补偿电压暂降的同时,电压谐波也得到抑制。
Description
技术领域
本发明属于电能质量控制领域,具体涉及基于模糊粒子群算法的动态电压恢复器控制方法及装置。
背景技术
随着敏感负载的增加,用户对于稳定和高质量的电能需求也明显上升。当配电系统发生大扰动时会产生诸如:供电中断、电压暂降、电压谐波和闪变等方面的故障,其中电压暂降造成的损失相对其它故障来说较为严重。因此,对电压暂降的优化控制对获取高质量的电能具有重要意义。为了补偿干扰对敏感负载的影响,引入了动态电压恢复器,其能够补偿电压扰动对敏感负载的影响,主要作用是当系统发生扰动时,在敏感负载的连接点上保持恒定的电压幅值。运用控制策略能够减少敏感负载造成的电压暂降。
动态电压恢复器(dynamic voltage restorers,DVR)是一种串联型电能质量控制器,主要用来解决用户侧因电压暂降引起的电能质量问题,核心部分是一个同步电压源变换器。DVR的工作原理如图1所示。图1中PCC表示公共连接点,可以简述为:当电网电压Vs发生电压暂降后,DVR中的检测电源将对逆变器发出指令信号进行控制,产生一个串联补偿电压Vinj来补偿,维持负荷的电压恒定,该电压的幅值及相位可控。
如图2所示,常见的DVR主要由4部分组成,分别是储能装置、逆变器、控制单元、和LC滤波器。当电网电压发生暂降后,DVR将对其进行补偿,首先检测电路检测出发生电压凹陷时的电压变化量,通过补偿策略的算法计算出所需补偿的电压幅值和相位,并由控制单元对逆变器发出信号,产生一个串联补偿电压,再利用脉宽调制(pulsewidth modulation,PWM)控制技术来驱动逆变器中功率元器件的开通与关断,这样逆变器就可以将储能装置提供的直流电转换成需要补偿的交流电,然后经过LC滤波器过滤高次谐波,再通过串联变压器连接到电网中。具体过程为:控制单元将检测得到的三相负载电压进行PARK变换,得到d轴、q轴直流电压Vd、Vq,将Vd、Vq分别与设定的参考电压Vdref、Vqref进行比较,得到的d轴电压分量偏差和q轴电压分量偏差经过调节器进行调节后,经过PARK反变换、PWM调制生成三相补偿电压的控制信号。
现有技术中,广东电力期刊2013年第26卷第8期的论文《基于自学习粒子群优化算法的单相动态电压恢复器补偿策略》提出了一种单相动态电压恢复器的补偿方法,该方法基于自学习粒子群优化算法,根据粒子群所处不同的环境,通过自适应学习框架选择四种学习模式中最合适的一种,实现电压暂降的补偿。而电网发生电压暂降时,往往伴随有电压谐波,该方法只适用并针对单相电网电压的暂降进行补偿,没有考虑对电压总谐波失真的补偿,且该方法容易收敛于局部最小。
发明内容
本发明的目的是提供基于模糊粒子群算法的动态电压恢复器控制方法及装置,用于解决现有动态电压恢复器的补偿算法容易收敛于局部最小及算法收敛慢的问题。
为解决上述技术问题,本发明提出一种基于模糊粒子群算法的动态电压恢复器控制方法,包括以下步骤:
1)建立适应度函数;计算每个粒子的适应度函数值,经过比较适应度函数找到最小适应度函数值的粒子,当所述最小的适应度函数值小于设定值时,将所述最小的适应度函数值对应的粒子的参数作为优化所述动态电压恢复器中PI调节器的参数;
2)当所述最小的适应度函数值大于或等于设定值时,利用混沌序列发生器计算加速系数,用加速的粒子群算法计算粒子速度,更新粒子位置后,重新计算并比较每个粒子的适应度函数值,直到找到满足最小的适应度函数值小于设定值的粒子为止。
进一步,所述设定值为全局搜索空间的最佳位置的适应度值。
进一步,当所述最小的适应度函值数大于或等于设定值时,更新所述全局搜索空间的最佳位置,包括以下子步骤:对每个粒子的适应度函数值和更新前的全局搜索空间的最佳位置的适应度函数值作差比较,将作差后得到的最小差值对应的粒子设为更新后的全搜索空间的最佳位置。
进一步,步骤1)包括以下子步骤:建立敏感负载的电压暂降的隶属度函数,及敏感负载的电压总谐波失真的隶属度函数,根据所述电压暂降的隶属度函数值和电压总谐波失真的隶属度函数值的加权组合,建立适应度函数。
为解决上述问题,本发明还提出一种基于模糊粒子群算法的动态电压恢复器控制装置,该装置包括调节器参数优化模块,用于调节该装置中的PI调节器的参数,所述调节器参数优化模块包括以下单元:
适应度函数建立单元:用于建立适应度函数;
判断单元:用于计算每个粒子的适应度函数值,经过比较适应度函数找到最小适应度函数值的粒子,当所述最小的适应度函数值小于设定值时,将所述最小的适应度函数值对应的粒子的参数作为优化所述动态电压恢复器中调节器的参数;
当所述最小的适应度函数大于或等于设定值时,利用混沌序列发生器计算加速系数,用加速的粒子群算法计算粒子速度,更新粒子位置后,重新计算并比较每个粒子的适应度函数值,直到找到满足最小的适应度函数值小于设定值的粒子为止。
进一步,所述判断单元中的设定值为全局搜索空间的最佳位置的适应度值。
进一步,所述判断单元还用于在所述最小的适应度函值数大于或等于设定值时,更新所述全局搜索空间的最佳位置,包括以下子步骤:对每个粒子的适应度函数值和更新前的全局搜索空间的最佳位置的适应度函数值作差比较,将作差后得到的最小差值对应的粒子设为更新后的全搜索空间的最佳位置。
进一步,所述适应度函数建立单元还用于建立敏感负载的电压暂降的隶属度函数,及敏感负载的电压总谐波失真的隶属度函数,根据所述电压暂降的隶属度函数值和电压总谐波失真的隶属度函数值的加权组合,建立适应度函数。
本发明的有益效果是:本发明在动态电压恢复器控制优化方面,通过判断所有粒子的适应度函数值和设定值的大小,确定动态电压恢复器中PI调节器的参数,能够在电网发生故障时对电压暂降进行补偿。同时,本发明增加了粒子加速项,忽略了个体极值,利用全局极值来加快算法的收敛;为了避免收敛于局部最小,维护群体多样性,引入了混沌发生器来改善全局收敛,解决了经典PI控制器因带宽限制而无法获高精度的问题。
另外,本发明综合考虑了电压暂将与电压总谐波失真这两项电能质量指标,对电压暂降和电压谐波分量模糊化,然后进行加权组合获得适应度函数,能同时实现电压暂降和谐波失真的补偿。
附图说明
图1是DVR工作原理示意图;
图2是典型DVR结构图;
图3是本发明的动态电压恢复器控制方法的控制结构图;
图4是采用动态电压恢复器控制方法进行优化PI参数的流程图;
图5是采用本发明动态电压恢复器控制方法的应用实例图;
图6是标准粒子群算法的单目标仿真结果图;
图7是采用本发明动态电压恢复器控制方法的仿真结果图;
图8是标准粒子群算法的谐波频谱图;
图9是混沌加速粒子群算法的谐波频谱图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
本发明的基于模糊粒子群算法的动态电压恢复器控制方法的实施例:
如图5所示的动态电压恢复器,主要回路包括:变压器、电压源逆变器、能量存储设备、无源滤波器、控制系统五部分,其串联在电网与敏感负载之间。控制系统是以DSP芯片为核心接口板电路,能实现三相电压测量信号,输出PWM控制信号,运行控制算法。
本发明的动态电压恢复器的控制方法如图3所示,包括如下步骤:
步骤1:检测敏感负载的三相电压,对该三相电压进行PARK变换,将三相电压变换为两相直流分量电压,分别为d轴直流电压Vd、q轴直流电压Vq。
步骤2:将Vd、Vq分别与设定的参考电压Vdref、Vqref进行比较,得到的d轴电压分量偏差和q轴电压分量偏差,分别送给PI控制器。
步骤3:该PI控制器采用混沌加速粒子群算法优化d轴比例参数Kdp、d轴积分参数Kdi、q轴比例参数Kqp和q轴积分参数Kqi。
具体为:定义隶属度函数,并选择算法变量,电压暂降与电压总谐波失真的隶属度函数分别采用如下定义:
上式中,μT为敏感负载电压总谐波失真的隶属度函数,μD为敏感负载电压暂降的隶属度函数,D为敏感负载节点基极电压与敏感负载电压的偏差,T为电网电压基波分量有效值与敏感负载侧所有谐波分量有效值之间的偏差,确定维度为4,分别由d轴电压分量和q轴电压分量对应的PI控制器的参数表示,即[Kdp,Kdi,Kqp,Kqi]。
初始化种群,每个粒子随机产生初始位置和速度;计算每个粒子的适应度函数值,其中,对每个粒子建立如下公式所示的适应度函数:
F=-(w1μT+w2μD)
式中,F为每个粒子对应的适应度函数,w1和w2分别为两个目标的权重因子,w1+w2=1,本实施例中采用w1=w2=0.5。
对每个粒子将其适应度值和其全局搜索空间的最佳位置Gbest的适应度值进行比较,若最小,则将其设为全搜索空间最佳位置。判断适应度函数值是否最小,若最小则将得到的值设置为PI参数的最优值;反之利用混沌序列发生器计算加速系数,并评估全局极值,用加速的粒子群算法计算粒子速度,并更新粒子位置后返回重新计算每个粒子的适应度函数值,重复以上步骤,直到适应度函数值达到最小或达到优化代数。其中,速度矢量的生成的计算式如下:
式中,ε为随机因子,β为学习因子;混沌序列发生器更新加速系数的计算式如下:
ωnew=fk·ω
步骤4:最后更新d轴电压PI控制器和q轴电压PI控制器的比例、积分参数,两控制器输出经PARK反变换成三相补偿电压参考信号。
步骤5:三相电压经PWM调制,以此来驱动逆变器中功率元件开通与关断,逆变器将电池储能的直流电转为需要补偿的交流电,经LC滤波器滤波,产生注入电网电压。
本发明的动态电压恢复器的控制过程如图3、图4所示,现对该控制过程进行实例应用,在Matlab/Simulink环境下对如图5所示的动态电压恢复器进行仿真,对靠近敏感负载的故障,模拟第一个短路故障1发生在A、B相,故障周期为0.025s到0.085s期间,第二个短路故障2发生在A、B、C相之间,故障周期为0.12s到0.16s之间。
用标准粒子群算法对单目标优化调节的PI控制器进行仿真,解决由于故障引起的电压暂降的优化问题。算法的维度为4,分别由d轴电压分量和q轴电压分量对应的PI控制器的参数表示,每个PI控制器有比例增益和积分增益两个系数。标准粒子群算法进行80次迭代,仿真结果如图6所示,故障周期间,公共耦合点(PCC)电压、敏感负荷电压,动态电压恢复器的注入电压均与基准电压产生偏差。经控制优化敏感负载的电压暂降得到了优化,但是电压总谐波含量没有明显改善。
本发明采用多目标优化算法,将电压总谐波失真作为第二目标。仿真结果如图7所示。将标准粒子群算法和模糊混沌加速粒子群算法的适应性函数的最大、最小和平均值进行比较,标准粒子群算法的平均值为-0.6767,混沌加速粒子群算法平均值为-0.6869,模糊混沌加速粒子群算法具有更好的响应。两个算法的谐波频谱如图8和图9所示。模糊混沌粒子群算法的谐波相对标准粒子群算法有明显改善。
应用实例证明,经模糊混沌加速粒子群算法得获得的电压暂将与电压总谐波失真这两项电能质量指标均明显得到了改善。多目标模糊混沌加速粒子群算法优于标准粒子群优化算法,电压暂降相对于标准粒子群算法降低10.15%,电压总谐波降低3.27%。且该方法具有鲁棒性,具有很好的收敛性、快速性,准确的搜索最优值。
本发明在动态电压恢复器控制优化方面,采用了多目标模糊混沌加速粒子群算法,将电压暂降与电压总谐波失真同时作为优化目标,能够在电网发生故障时对电压暂降进行补偿,还能减少谐波量;针对全局极值实现的随机性,增加了加速度,忽略了个体极值,利用全局极值来加快算法的收敛;为了避免收敛于局部最小,维护群体多样性,引入了混沌发生器的随机和不规则的性质,以此来改善全局收敛。
本发明以电压暂降为第一目标、电压总谐波失真为第二个目标,通过对两个目标进行模糊化,构建合适的适应性函数,由模糊混沌加速粒子群算法优化动态电压恢复器的控制参数,本发明应用于补偿电网的电能质量指标,其主要功能是在电网发生故障时对电压暂降进行补偿,同时减少谐波发生。
本发明的基于模糊粒子群算法的动态电压恢复器控制装置的实施例:
该装置包括调节器参数优化模块,用于调节该装置中的PI调节器的参数,调节器参数优化模块包括以下单元:
适应度函数建立单元:用于建立适应度函数;
判断单元:用于计算每个粒子的适应度函数值,经过比较适应度函数找到最小适应度函数值的粒子,当最小的适应度函数值小于设定值时,将最小的适应度函数值对应的粒子的参数作为优化动态电压恢复器中调节器的参数;
用于当最小的适应度函数大于或等于设定值时,利用混沌序列发生器计算加速系数,用加速的粒子群算法计算粒子速度,更新粒子位置后,重新计算并比较每个粒子的适应度函数值,直到找到满足最小的适应度函数值小于设定值的粒子为止。
本发明的动态电压恢复器控制装置,实际上是基于本发明方法流程的一种计算机解决方案,即一种软件构架,可以应用到动态电压恢复器的控制器中,上述装置是与动态电压恢复器控制方法相对应的处理进程。由于对上述方法的介绍已经足够清楚完整,故不再进行描述。
以上给出了本发明具体的实施方案,但本发明不局限于所描述的事实方案,在本发明给出的思路下,采用本领域技术人员而言容易想到的方式对上述实施实例中的技术手段进行变换、替代、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形式的技术方案是对上述实施实例进行微调形成的,这种技术方案仍落入本发明的保护范围。
Claims (6)
1.一种基于模糊粒子群算法的动态电压恢复器控制方法,其特征在于,采用模糊粒子群算法优化所述动态电压恢复器中PI调节器的参数,包括以下步骤:
1)建立如下敏感负载的电压暂降的隶属度函数,及敏感负载的电压总谐波失真的隶属度函数:
上式中,μT为敏感负载的电压总谐波失真的隶属度函数,μD为敏感负载的电压暂降的隶属度函数,D为敏感负载节点基极电压与敏感负载电压的偏差,T为电网电压基波分量有效值与敏感负载侧所有谐波分量有效值之间的偏差;
根据所述电压暂降的隶属度函数值和电压总谐波失真的隶属度函数值的加权组合,建立如下适应度函数:
F=-(w1μT+w2μD)
式中,F为每个粒子对应的适应度函数,w1和w2分别为两个目标的权重因子,w1+w2=1;
计算每个粒子的适应度函数值,经过比较适应度函数找到最小适应度函数值的粒子,当所述最小的适应度函数值小于设定值时,将所述最小的适应度函数值对应的粒子的参数作为优化所述动态电压恢复器中PI调节器的参数;
2)当所述最小的适应度函数值大于或等于设定值时,利用混沌序列发生器计算加速系数,用加速的粒子群算法计算粒子速度,更新粒子位置后,重新计算并比较每个粒子的适应度函数值,直到找到满足最小的适应度函数值小于设定值的粒子为止。
2.根据权利要求1所述的基于模糊粒子群算法的动态电压恢复器控制方法,其特征在于,所述设定值为全局搜索空间的最佳位置的适应度值。
3.根据权利要求2所述的基于模糊粒子群算法的动态电压恢复器控制方法,其特征在于,当所述最小的适应度函值数大于或等于设定值时,更新所述全局搜索空间的最佳位置,包括以下子步骤:对每个粒子的适应度函数值和更新前的全局搜索空间的最佳位置的适应度函数值作差比较,将作差后得到的最小差值对应的粒子设为更新后的全搜索空间的最佳位置。
4.一种基于模糊粒子群算法的动态电压恢复器控制装置,其特征在于,该装置包括调节器参数优化模块,用于修正该装置中的PI调节器的参数,所述调节器参数优化模块包括以下单元:
适应度函数建立单元:用于建立如下敏感负载的电压暂降的隶属度函数,及敏感负载的电压总谐波失真的隶属度函数:
上式中,μT为敏感负载的电压总谐波失真的隶属度函数,μD为敏感负载的电压暂降的隶属度函数,D为敏感负载节点基极电压与敏感负载电压的偏差,T为电网电压基波分量有效值与敏感负载侧所有谐波分量有效值之间的偏差;
根据所述电压暂降的隶属度函数值和电压总谐波失真的隶属度函数值的加权组合,用于建立如下适应度函数:
F=-(w1μT+w2μD)
式中,F为每个粒子对应的适应度函数,w1和w2分别为两个目标的权重因子,w1+w2=1;
判断单元:用于计算每个粒子的适应度函数值,经过比较适应度函数找到最小适应度函数值的粒子,当所述最小的适应度函数值小于设定值时,将所述最小的适应度函数值对应的粒子的参数作为优化所述动态电压恢复器中调节器的参数;
当所述最小的适应度函数大于或等于设定值时,利用混沌序列发生器计算加速系数,用加速的粒子群算法计算粒子速度,更新粒子位置后,重新计算并比较每个粒子的适应度函数值,直到找到满足最小的适应度函数值小于设定值的粒子为止。
5.根据权利要求4所述的基于模糊粒子群算法的动态电压恢复器控制装置,其特征在于,所述判断单元中的设定值为全局搜索空间的最佳位置的适应度值。
6.根据权利要求5所述的基于模糊粒子群算法的动态电压恢复器控制装置,其特征在于,所述判断单元还用于在所述最小的适应度函值数大于或等于设定值时,更新所述全局搜索空间的最佳位置,包括以下子步骤:对每个粒子的适应度函数值和更新前的全局搜索空间的最佳位置的适应度函数值作差比较,将作差后得到的最小差值对应的粒子设为更新后的全搜索空间的最佳位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351018.XA CN107123991B (zh) | 2017-05-17 | 2017-05-17 | 基于模糊粒子群算法的动态电压恢复器控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351018.XA CN107123991B (zh) | 2017-05-17 | 2017-05-17 | 基于模糊粒子群算法的动态电压恢复器控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123991A CN107123991A (zh) | 2017-09-01 |
CN107123991B true CN107123991B (zh) | 2020-02-14 |
Family
ID=59728166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351018.XA Expired - Fee Related CN107123991B (zh) | 2017-05-17 | 2017-05-17 | 基于模糊粒子群算法的动态电压恢复器控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123991B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109510191B (zh) * | 2018-11-14 | 2024-04-05 | 珠海格力电器股份有限公司 | 一种电网质量评价方法及装置 |
CN109510211A (zh) * | 2018-12-05 | 2019-03-22 | 广西大学 | 一种动态电压恢复装置 |
CN112632615B (zh) * | 2020-12-30 | 2023-10-31 | 福州大学 | 基于混合云环境的科学工作流数据布局方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441526A (zh) * | 2013-08-14 | 2013-12-11 | 华北电力大学(保定) | 一种并网不上网的小型光伏发电系统及控制方法 |
CN103972908A (zh) * | 2014-05-23 | 2014-08-06 | 国家电网公司 | 一种基于自适应混沌粒子群算法的多目标无功优化方法 |
CN105717422A (zh) * | 2015-12-04 | 2016-06-29 | 国家电网公司 | 一种高压电力设备局部放电特征提取方法和装置 |
CN105740974A (zh) * | 2016-01-25 | 2016-07-06 | 许继集团有限公司 | 一种电网用户侧能效优化调度方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
-
2017
- 2017-05-17 CN CN201710351018.XA patent/CN107123991B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441526A (zh) * | 2013-08-14 | 2013-12-11 | 华北电力大学(保定) | 一种并网不上网的小型光伏发电系统及控制方法 |
CN103972908A (zh) * | 2014-05-23 | 2014-08-06 | 国家电网公司 | 一种基于自适应混沌粒子群算法的多目标无功优化方法 |
CN105717422A (zh) * | 2015-12-04 | 2016-06-29 | 国家电网公司 | 一种高压电力设备局部放电特征提取方法和装置 |
CN105740974A (zh) * | 2016-01-25 | 2016-07-06 | 许继集团有限公司 | 一种电网用户侧能效优化调度方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107123991A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Double-stage three-phase grid-integrated solar PV system with fast zero attracting normalized least mean fourth based adaptive control | |
Chebabhi et al. | Comparative study of reference currents and DC bus voltage control for Three-Phase Four-Wire Four-Leg SAPF to compensate harmonics and reactive power with 3D SVM | |
CN108964040B (zh) | 电网不平衡下虚拟同步发电机功率-电流协调控制方法 | |
Xiao et al. | Virtual flux direct power control for PWM rectifiers based on an adaptive sliding mode observer | |
Rodríguez-Cabero et al. | Full-state feedback control of back-to-back converters based on differential and common power concepts | |
CN107123991B (zh) | 基于模糊粒子群算法的动态电压恢复器控制方法及装置 | |
CN109617082B (zh) | 一种抑制微电网电压频率越限的暂态稳定控制方法 | |
JP2016185018A (ja) | 系統電圧抑制制御装置及び系統電圧抑制制御方法 | |
CN112383237A (zh) | 一种并网逆变器的模型预测控制方法 | |
Singh et al. | Implementation of grid interfaced photovoltaic system with active power filter capabilities | |
Mishra et al. | dPLL‐based control of a hybrid wind–solar grid connected inverter in the distribution system | |
Sivakumar et al. | Mitigation of PQ issues using an enhanced UPQC-based ANN approach | |
Verma et al. | Smooth LMS‐based adaptive control of SPV system tied to grid for enhanced power quality | |
Soliman et al. | Robust artificial NN-based tracking control implementation of grid-connected AC-DC rectifier for DC microgrids performance enhancement | |
Mittal et al. | Design and development of leaky least mean fourth control algorithm for single‐phase grid‐connected multilevel inverter | |
CN113131767A (zh) | Vienna整流器RBF神经网络外环电压滑模控制方法 | |
Fallah et al. | Compensation of distortions in VSC-based DC–AC power systems using a modified vector control method | |
Sharma et al. | Supercapacitor utilization for power smoothening and stability improvement of ahybrid energy system in a weak grid environment | |
Soliman et al. | Intelligent Control Design for Grid-Connected Voltage Source Power Converters Based on Data-Driven Approach for DC Microgrid Applications | |
Zhou et al. | Dynamic Improvement of Sub-Resonant Frequency Control for Inductive Power Transfer Systems by Coupling Estimation and Sending-Side Gain-Scheduled Control | |
Kandasamy et al. | Artificial neural network based intelligent controller design for grid-tied inverters of microgrid under load variation and disturbance | |
Li et al. | A torque control method based on I-MR controller for IPMSM drive with small DC-link capacitor | |
Gawande et al. | State feedback‐based capacitor voltage equalisation scheme in distribution static compensator for load compensation | |
Lakshmi et al. | Investigation of distribution static compensator formitigation of nonlinear loads | |
Wang et al. | Three‐Vector‐Based Low Complexity Model Predictive Control for Soft Open Point |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20200214 Termination date: 20210517 |