CN108334679A - 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法 - Google Patents
基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法 Download PDFInfo
- Publication number
- CN108334679A CN108334679A CN201810058667.5A CN201810058667A CN108334679A CN 108334679 A CN108334679 A CN 108334679A CN 201810058667 A CN201810058667 A CN 201810058667A CN 108334679 A CN108334679 A CN 108334679A
- Authority
- CN
- China
- Prior art keywords
- active power
- apf
- power filter
- neural networks
- fuzzy neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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]
-
- 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
- Y02E40/20—Active power filtering [APF]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,包括如下步骤:1)建立有源电力滤波器的数学模型;2)建立基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器,设计控制律,将其作为有源电力滤波器的控制输入;3)基于Lyapunov函数理论,设计自适应律,验证所述基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器的稳定性。本发明能够提高有源电力滤波器系统在存在参数摄动和外界干扰情况下的补偿电流跟踪性能和系统鲁棒性。
Description
技术领域
本发明涉及一种有源电力滤波器控制方法,尤其涉及一种基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法。
背景技术
随着现代电力电子技术的大量推广和应用,各种功率电子设备越来越多,谐波、无功、不平衡等对电力系统产生了很大的影响,严重影响了供电品质,降低了发电设备、用电设备的工作性能和使用寿命,甚至危及电力系统的安全性。目前主要采用外加滤波器的方式进行治理,滤波器分为无源滤波器和有源滤波器两种。由于无源滤波器存在只能补偿特定谐波等缺陷,所以现在对电能问题的治理研究主要集中在有源滤波器。有源滤波器能对频率和幅值都变化的谐波进行跟踪补偿,不仅能补偿各次谐波,还可抑制闪变,补偿无功,同时滤波特性不受系统阻抗的影响,因此成为了广泛研究和关注的热点。
目前有将各种先进控制方法应用到有源电力滤波器的控制当中,典型的有自适应控制和滑模控制方法。这些先进方法一方面补偿了建模误差,另一方面实现了对有源电力滤波器的补偿电流跟踪控制。但自适应控制对外界扰动的鲁棒性很低,易使系统变得不稳定。
由此可见,上述现有的有源电力滤波器在使用上,显然仍存在有不便与缺陷,而亟待加以进一步改进。为了解决现有的有源电力滤波器在使用上存在的问题,相关厂商莫不费尽心思来谋求解决之道,但长久以来一直未见适用的设计被发展完成。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,能够提高有源电力滤波器系统在存在参数摄动和外界干扰情况下的补偿电流跟踪性能和系统鲁棒性。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,包括如下步骤:
1)建立有源电力滤波器的数学模型;
2)建立基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器,设计控制律,将其作为有源电力滤波器的控制输入;
3)基于Lyapunov函数理论,设计自适应律,验证所述基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器的稳定性。
步骤1)中,所述有源电力滤波器数学模型的建立步骤如下:
将有源电力滤波器在abc坐标系下的数学模型改写成
其中:v1、v2、v3分别是公共连接点的电压,i1、i2、i3分别是有源电力滤波器的补偿电流,C是直流侧电容器,vdc是电容器C的电压,Lc是交流侧电感,Rc是等效电阻,dnk是开关状态函数,k=1,2,3;t为时间,dnk的值依赖于开关状态n和相数k,其中n=0,1,2,...,7,表示IGBT的八种开关模式;
因此,考虑未知外界干扰和参数摄动时有源电力滤波器的数学模型表示为:
其中,q1、q2、q3、q4为未知外界干扰和参数不确定性,Rc1、Lc1、C1分别为系统参数的标称值;
q1、q2、q3、q4、Rc1、Lc1、C1
外界未知扰动向量为G=[g1g2g3g4]T,其中,g1g2g3g4为外界未知扰动向量,系统参数的标称值分别为Lc1、Rc1和C1,标称值对应的参数的变化量分别为ΔL、ΔR和ΔC。
步骤(2)中,对方程(3-1)的前3个方程进行求导有
在参数对称的情况下,将多变量控制化为三个单变量控制简化为一个单变量控制问题,表示为如下形式:
其中,x代表i1或i2或i3,f(x)代表或或B代表hk代表或或并且hk有上界||hk||≤H,H为hk的上界,为正数。
步骤2)具体步骤如下:
2-1)设计全局滑模面
其中,e为跟踪误差,
e=x-yd (7)
x为有源滤波器的补偿电流,yd为有源滤波器的位置指令,为虚拟控制量,f(t)是为了达到全局滑模面而设计的函数,Cs为滑模系数;
2-2)设计基于双反馈模糊神经网络的有源电力滤波器全局滑模控制律:控制率U,使有源电力滤波器实际跟踪电流轨迹跟踪上指令电流轨迹,控制律设计为
为双反馈模糊神经网络的实际输出,W为理想权值,为实时权值,为实际高斯基函数,T表示转置,S为全局滑模面,l为理想高斯基函数,K为正数。
步骤2-1)中,f(t)满足以下3个条件:
(1)
(2)t→∞时,f(t)→0
(3)f(t)具有一阶导数
其中,e0是跟踪误差的初始值,c为常数,f(t)=f(0)e-pt,p为常数。
步骤2-2)中,采用双反馈模糊神经网络来估计有源电力滤波器系统中的不确定项f(x)=Γ(x),双反馈模糊神经网络的输出其中,为双反馈模糊神经网络的实时权值,在线不断更新;l==[l1(x),l2(x)...ln(x)]T是高斯基函数,n为神经网络输出节点的个数。
步骤3)中Lyapunov函数设计为
其中,为被估计的权值向量的误差,
c为中心向量,b为基宽,r为内层反馈增益,Wro外层反馈增益,η1,η2,η3,η4,η5是正常数,表示学习率;
自适应律设计为:
当系统收敛,W将保持为一个常数,因此,存在那么记
显然,V2是正定的标量,对它求导并代入控制律(13)得
其中,ε是双反馈模糊神经网络的网络重构误差、ε0为双反馈模糊神经网络的逼近误差;
将的泰勒展开代入上式得:
其中,Oh是一个高阶项;
令得
令得
令得
令得
令得
将自适应律(18)~(22)代入(17)得:
假设ε0,Oho分别存在上界εE,OE,即|ε0|≤εE,|Oho|≤OE,因此只要使得:
K≥ε0+Oho+H,即能保证:
的半负定性证明了基于双反馈模糊神经网络的有源电力滤波器全局滑模控制的稳定性。
与现有技术相比,本发明所达到的有益效果是:
全局滑模控制能克服传统滑模控制中到达模态不具有鲁棒性的缺点,加快系统响应,使系统在响应的全过程都具有鲁棒性;本发明的一种新型的双反馈全调节模糊神经网络由于加入了信号回归回路,能够存储更多的信息,可以任意设定中心向量及基宽的初值,中心向量及基宽的值会随着所设计的自适应算法根据不同的输入稳定到最佳值;并且模糊神经网络在它的网络结构中包含IF-THEN规则,专家知识能够成为网络中的先验知识从而提高学习速率和检测精度,优化了系统性能。
附图说明
图1为本发明有源电力滤波器的结构图;
图2为本发明双反馈模糊神经网络结构图;
图3为本发明基于双反馈模糊神经网络的有源电力滤波器全局滑模控制系统的原理图;
图4为本发明负载电流曲线;
图5为本发明电源电流曲线;
图6为本发明补偿电流跟踪曲线;
图7为本发明补偿电流跟踪误差曲线;
图8为本发明下频谱分析图;
图9为本发明基宽b的自调整图;
图10为本发明中心向量c的自调整图;
图11为本发明权值W的自调整图;
图12为本发明内层反馈r的自调整图;
图13为本发明外层反馈Wro的自调整图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1为三相三线并联电压型有源电力滤波器的基本电路拓扑结构图,vs1,vs2,vs3是电网电压,is1,is2,is3是电源电流,iL1,iL2,iL3是负载电流,v1,v2,v3为公共连接点处电压,i1,i2,i3为滤波器输出补偿电流,C为直流侧电容,vdc为直流侧电容电压,idc为直流侧电容电压,Lc为交流侧电感,Rc为等效电阻。
本发明的一种双反馈结构的全调节模糊神经网络,传统神经网络虽然能够完成对任意函数的逼近,但是需要预先设定高斯函数的中心向量及基宽这些参数。中心向量和基宽的设定一定程度上说是缺乏理论指导的,需要多次调试。本发明所设计的全调节神经网络可以任意设定中心向量及基宽的初值,中心向量及基宽的值会随着所设计的自适应算法根据不同的输入稳定到最佳值。动态双反馈模糊神经网络由于加入了信号回归回路,能够存储更多的信息,对函数逼近的精度更高。同时模糊神经网络在它的网络结构中包含IF-THEN规则,专家知识能够成为网络中的先验知识从而提高学习速率和检测精度。本发明在传统单层反馈模糊神经网络的基础上增加了输出反馈回路设计了双回路反馈模糊神经网络,并在三相有源电力滤波器模型上进行了仿真,实验结果表明,所设计的基于双反馈模糊神经网络的全局滑模控制器有着优异的跟踪性能和较小的跟踪误差。
基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,如图3所示,包括如下步骤:
1、建立有源电力滤波器动力学方程
根据电路理论和基尔霍夫电压定律可以得到有源电力滤波器在abc坐标系下的数学模型:
其中:v1、v2、v3是公共连接点的电压,i1、i2、i3是有源电力滤波器的补偿电流,C是直流侧电容器,vdc是电容器C的电压,Lc是交流侧电感,Rc是等效电阻。dnk是开关状态函数,k=1,2,3。
有源电力滤波器在实际运行中不仅会受到外界各种未知扰动的影响,并且在使用过程中注入电感和滤波电容等系统元件会逐渐老化,即参数存在摄动。为了提高系统对外界扰动和参数摄动的鲁棒性,有必要在系统模型中考虑这些影响。
因此考虑未知外界干扰和参数摄动时有源电力滤波器的数学模型可表示为:
其中:G=[g1g2g3g4]T为外界未知扰动向量,Lc1、Rc1和C1分别为系统参数的标称值,ΔL、ΔR和ΔC分别为参数的变化量。
为了便于分析,式(2)可改写成:
其中,
为设计电流跟踪控制器,考虑(3)的前3个方程:
进一步地,将(4)求导得
可以看到,虽然这是一个多输入多输出系统,但是‘1’,‘2’,‘3’三相之间并没有相互耦合项,所以在电流控制系统的设计过程中可以将此多变量控制化为三个单变量控制,而在参数对称的情况下,更可以简化为一个单变量控制问题。
为简单起见,将其表示为如下形式:
其中,x为i1、i2或i3,f(x)为或B为或hk为或u表示控制律。
2、建立基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器,设计控制律,将其作为有源电力滤波器仪的控制输入;
设位置指令为yd,则误差为
e=x-yd (7)
全局滑模面设计为:
其中,Cs是正常数,f(t)是为了达到全局滑模面而设计的函数,f(t)满足以下3个条件:
(1)
(2)t→∞时,f(t)→0
(3)f(t)具有一阶导数
e0是跟踪误差的初始值,c为常数,
对滑模面S求导得:
令得到等效控制律:
如果不确定性存在,名义模型控制器不能保证系统性能,为了消除不可测的扰动的影响,加入控制输入uh(t),使得t>0时,S(t)=0。
uh(t)被设计为:uh(t)=Ksgn(S(t)),其中:|hk|≤H
所以实际的全局滑模控制律设计为:
虽然(12)中设计的控制力能够保证系统稳定,然而控制力中需要使用系统的未知部分f(x)。考虑到模糊神经网络逼近任意函数的能力,可以使用模糊神经网络来对未知部分进行一个估计,并使用其估计值来进行控制器设计。
双反馈模糊神经网络的结构如图2所示。
其中,x是双反馈模糊神经网络的输入,Y是双反馈模糊神经网络的输出,W=[W1,W2...Wn]T为权重向量,l(x)=[l1(x),l2(x)...ln(x)]T是高斯基函数,n表示双反馈模糊神经网络输出节点的个数。
双反馈模糊神经网络控制器的输出是:
基于双反馈模糊神经网络的有源电力滤波器全局滑模控制系统结构图如图3所示。
Γ=f(x)是系统系统未知动态特性,双反馈模糊神经网络用来逼近未知函数Γ,未知函数Γ可以被参数化为一个理想的双反馈模糊神经网络输出与有界的网络重构误差函数:Γ=WTl(x)+ε,其中,W表示理想网络权值,ε为神经网络重构误差。在理想网络权值下,神经网络重构误差最小,且一致有界,|ε|≤εE,εE为很小的正数。因此,设计控制率为:
其中,为双反馈模糊神经网络的实时权值,在线不断更新。K为正常数。
3、基于lyapunov函数理论,设计自适应律,验证系统的稳定性;
定义如下李雅普诺夫函数:
其中,η1,η2,η3,η4,η5是正常数,表示学习率,估计权重向量误差,可以表示为
当系统收敛,W将保持为一个常数。因此,存在那么
记
显然,V2是正定的标量,对它求导并代入控制力(13)得
将的泰勒展开代入上式得:
令得
令得
令得
令得
令得
将自适应律(18)~(22)代入(17)得:
假设ε0,Oho分别存在上界εE,OE,即|ε0|≤εE,|Oho|≤OE,因此只要使得:
K≥ε0+Oho+H,即能保证:
的半负定性证明了基于双反馈模糊神经网络的有源电力滤波器全局滑模控制系统的稳定性。
最后,为了验证上述理论的可行性,在Matlab下进行了仿真实验。仿真结果验证了基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法的效果。仿真中选取的系统参数见下表。
有源电力滤波器双闭环反馈模糊神经网络全局滑模控制器中参数选取如下:
Cs=1000,η1=1,η2=0.01,η3=0.01,η4=10,η5=1,K=100。全局项中的p=100。
实验的结果如图4至图13所示,图4为负载电流曲线,图5为电源电流曲线,从图中可以看出电路中存在着大量的谐波,经过有源电力滤波器补偿后电源电流近似正弦波,从图8频谱分析图可知电源电流THD仅为1.91%,证明了系统具有较高的补偿性能。图6和图7分别是补偿电流跟踪曲线和跟踪误差曲线,从中也可以看出采用提出的控制方法使补偿电流很好的跟踪上指令电流,跟踪误差在合理的范围之内。仿真结果验证了本发明方法的有效性。
图9至图13分别为双反馈模糊神经网络五个全调节参数的自调节曲线,从图中可以看出,双反馈模糊神经网络的基宽,中心向量,权值,内层反馈,外层反馈最终都能够稳定在固定值,表明全调节双反馈模糊神经网络优异的自调整性能和稳定性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,包括如下步骤:
1)建立有源电力滤波器的数学模型;
2)建立基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器,设计控制律,将其作为有源电力滤波器的控制输入;
3)基于Lyapunov函数理论,设计自适应律,验证所述基于双反馈模糊神经网络的有源电力滤波器全局滑模控制器的稳定性。
2.根据权利要求1所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤1)中,所述有源电力滤波器数学模型的建立步骤如下:
将有源电力滤波器在abc坐标系下的数学模型改写成
其中:v1、v2、v3分别是公共连接点的电压,i1、i2、i3分别是有源电力滤波器的补偿电流,C是直流侧电容器,vdc是电容器C的电压,Lc是交流侧电感,Rc是等效电阻,dnk是开关状态函数,k=1,2,3;t为时间,dnk的值依赖于开关状态n和相数k,其中n=0,1,2,...,7,表示IGBT的八种开关模式;
因此,考虑未知外界干扰和参数摄动时有源电力滤波器的数学模型表示为:
其中,q1、q2、q3、q4为未知外界干扰和参数不确定性,Rc1、Lc1、C1分别为系统参数的标称值;
q1、q2、q3、q4、Rc1、Lc1、C1
外界未知扰动向量为G=[g1 g2 g3 g4]T,其中,g1 g2 g3 g4为外界未知扰动向量,系统参数的标称值分别为Lc1、Rc1和C1,标称值对应的参数的变化量分别为ΔL、ΔR和ΔC。
3.根据权利要求2所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤(2)中,对方程(3-1)的前3个方程进行求导有
在参数对称的情况下,将多变量控制化为三个单变量控制简化为一个单变量控制问题,表示为如下形式:
其中,x代表i1或i2或i3,f(x)代表或或B代表hk代表或或并且hk有上界||hk||≤H,H为hk的上界,为正数。
4.根据权利要求3所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤2)具体步骤如下:
2-1)设计全局滑模面
其中,e为跟踪误差,
e=x-yd (7)
x为有源滤波器的补偿电流,yd为有源滤波器的位置指令,为虚拟控制量,f(t)是为了达到全局滑模面而设计的函数,Cs为滑模系数;
2-2)设计基于双反馈模糊神经网络的有源电力滤波器全局滑模控制律:控制率U,使有源电力滤波器实际跟踪电流轨迹跟踪上指令电流轨迹,控制律设计为
为双反馈模糊神经网络的实际输出,W为理想权值,为实时权值,为实际高斯基函数,T表示转置,S为全局滑模面,l为理想高斯基函数,K为正数。
5.根据权利要求4所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤2-1)中,f(t)满足以下3个条件:
(1)
(2)t→∞时,f(t)→0
(3)f(t)具有一阶导数
其中,e0是跟踪误差的初始值,c为常数,f(t)=f(0)e-pt,p为常数。
6.根据权利要求4所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤2-2)中,采用双反馈模糊神经网络来估计有源电力滤波器系统中的不确定项f(x)=Γ(x),双反馈模糊神经网络的输出其中,为双反馈模糊神经网络的实时权值,在线不断更新;l==[l1(x),l2(x)...ln(x)]T是高斯基函数,n为神经网络输出节点的个数。
7.根据权利要求6所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,步骤3)中Lyapunov函数设计为
其中,为被估计的权值向量的误差,
c为中心向量,b为基宽,r为内层反馈增益,Wro外层反馈增益,η1,η2,η3,η4,η5是正常数,表示学习率;
自适应律设计为:
8.根据权利要求7所述的基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法,其特征在于,当系统收敛,W将保持为一个常数,因此,存在那么
记
显然,V2是正定的标量,对它求导并代入控制律(13)得
其中,ε是双反馈模糊神经网络的网络重构误差、ε0为双反馈模糊神经网络的逼近误差;
将的泰勒展开代入上式得:
其中,Oh是一个高阶项;
令得
令得
令得
令得
令得
将自适应律(18)~(22)代入(17)得:
假设ε0,Oho分别存在上界εE,OE,即|ε0|≤εE,|Oho|≤OE,因此只要使得:K≥ε0+Oho+H,即能保证:
的半负定性证明了基于双反馈模糊神经网络的有源电力滤波器全局滑模控制的稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058667.5A CN108334679B (zh) | 2018-01-22 | 2018-01-22 | 有源电力滤波器全局滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058667.5A CN108334679B (zh) | 2018-01-22 | 2018-01-22 | 有源电力滤波器全局滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108334679A true CN108334679A (zh) | 2018-07-27 |
CN108334679B CN108334679B (zh) | 2021-07-13 |
Family
ID=62926337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810058667.5A Active CN108334679B (zh) | 2018-01-22 | 2018-01-22 | 有源电力滤波器全局滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334679B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828961A (zh) * | 2018-09-18 | 2018-11-16 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 |
CN108900107A (zh) * | 2018-08-28 | 2018-11-27 | 东北大学 | 一种用于单Buck-Boost逆变器的全局滑模电流控制方法 |
CN109100937A (zh) * | 2018-08-13 | 2018-12-28 | 河海大学常州校区 | 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法 |
CN109560551A (zh) * | 2018-11-22 | 2019-04-02 | 河海大学常州校区 | 一种基于回归神经网络的有源电力滤波器分数阶全局滑模控制方法 |
CN112103960A (zh) * | 2020-09-12 | 2020-12-18 | 河海大学常州校区 | 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质 |
CN112257338A (zh) * | 2020-10-15 | 2021-01-22 | 河海大学常州校区 | 有源滤波器的自反馈递归模糊神经网络预测控制方法 |
CN112271729A (zh) * | 2020-10-15 | 2021-01-26 | 河海大学常州校区 | 有源电力滤波器的长短时记忆模糊神经网络滑模控制方法 |
CN113359885A (zh) * | 2021-04-08 | 2021-09-07 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于高精度离心加速度系统的转速测量与控制方法 |
CN114371623A (zh) * | 2022-01-10 | 2022-04-19 | 南京工业大学 | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073932A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining signal-to-noise information from a physiological signal |
US20160329714A1 (en) * | 2015-05-08 | 2016-11-10 | The Board Of Trustees Of The University Of Alabama | Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter |
CN106169754A (zh) * | 2016-09-21 | 2016-11-30 | 河海大学常州校区 | 有源电力滤波器神经网络动态pid全局滑模控制方法 |
CN107453362A (zh) * | 2017-09-19 | 2017-12-08 | 河海大学常州校区 | 基于神经网络的有源电力滤波器反演全局滑模模糊控制法 |
-
2018
- 2018-01-22 CN CN201810058667.5A patent/CN108334679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073932A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining signal-to-noise information from a physiological signal |
US20160329714A1 (en) * | 2015-05-08 | 2016-11-10 | The Board Of Trustees Of The University Of Alabama | Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter |
CN106169754A (zh) * | 2016-09-21 | 2016-11-30 | 河海大学常州校区 | 有源电力滤波器神经网络动态pid全局滑模控制方法 |
CN107453362A (zh) * | 2017-09-19 | 2017-12-08 | 河海大学常州校区 | 基于神经网络的有源电力滤波器反演全局滑模模糊控制法 |
Non-Patent Citations (2)
Title |
---|
WENJIN DAI 等: "Active Power Filter of Three-Phase Based on Neural Network", 《2008 FOURTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
谭兴国 等: "兼顾有源滤波的三相四开关光伏并网逆变器", 《高电压技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100937A (zh) * | 2018-08-13 | 2018-12-28 | 河海大学常州校区 | 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法 |
CN109100937B (zh) * | 2018-08-13 | 2022-04-01 | 河海大学常州校区 | 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法 |
CN108900107A (zh) * | 2018-08-28 | 2018-11-27 | 东北大学 | 一种用于单Buck-Boost逆变器的全局滑模电流控制方法 |
CN108828961B (zh) * | 2018-09-18 | 2021-07-30 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 |
CN108828961A (zh) * | 2018-09-18 | 2018-11-16 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 |
CN109560551A (zh) * | 2018-11-22 | 2019-04-02 | 河海大学常州校区 | 一种基于回归神经网络的有源电力滤波器分数阶全局滑模控制方法 |
CN112103960A (zh) * | 2020-09-12 | 2020-12-18 | 河海大学常州校区 | 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质 |
CN112103960B (zh) * | 2020-09-12 | 2022-07-19 | 河海大学常州校区 | 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质 |
CN112271729A (zh) * | 2020-10-15 | 2021-01-26 | 河海大学常州校区 | 有源电力滤波器的长短时记忆模糊神经网络滑模控制方法 |
CN112257338A (zh) * | 2020-10-15 | 2021-01-22 | 河海大学常州校区 | 有源滤波器的自反馈递归模糊神经网络预测控制方法 |
CN112271729B (zh) * | 2020-10-15 | 2022-08-19 | 河海大学常州校区 | 有源电力滤波器的长短时记忆模糊神经网络滑模控制方法 |
CN112257338B (zh) * | 2020-10-15 | 2022-11-04 | 河海大学常州校区 | 有源滤波器的自反馈递归模糊神经网络预测控制方法 |
CN113359885A (zh) * | 2021-04-08 | 2021-09-07 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于高精度离心加速度系统的转速测量与控制方法 |
CN113359885B (zh) * | 2021-04-08 | 2022-07-05 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于高精度离心加速度系统的转速测量与控制方法 |
CN114371623A (zh) * | 2022-01-10 | 2022-04-19 | 南京工业大学 | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108334679B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334679A (zh) | 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法 | |
Fei et al. | Dynamic terminal sliding-mode control for single-phase active power filter using new feedback recurrent neural network | |
CN106169754B (zh) | 有源电力滤波器神经网络动态pid全局滑模控制方法 | |
CN110112940B (zh) | 一种基于αβ坐标系下的PWM整流器自适应滑模QPIR控制方法 | |
CN109100937A (zh) | 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法 | |
CN107453362A (zh) | 基于神经网络的有源电力滤波器反演全局滑模模糊控制法 | |
Behera et al. | An improved voltage and frequency control for islanded microgrid using BPF based droop control and optimal third harmonic injection PWM scheme | |
CN108828961B (zh) | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 | |
Fei et al. | A backstepping neural global sliding mode control using fuzzy approximator for three-phase active power filter | |
CN109103884A (zh) | 基于元认知模糊神经网络的有源电力滤波器反演控制方法 | |
Barzegar-Kalashani et al. | Robust nonlinear sliding mode controllers for single-phase inverter interfaced distributed energy resources based on super twisting algorithms | |
CN103441499B (zh) | 三相并联型有源滤波器的线性化反馈神经滑模控制方法 | |
CN104037766B (zh) | 三相并联型有源滤波器的自适应神经反演控制方法 | |
Wang et al. | Nonsingular terminal sliding mode control for active power filter using recurrent neural network | |
CN105990853A (zh) | 一种基于模糊控制的并网逆变器控制方法 | |
Khefifi et al. | Robust IDA-PBC based load voltage controller for power quality enhancement of standalone microgrids | |
Zhang et al. | Adaptive RBF neural network based on sliding mode controller for active power filter | |
Abouelmahjoub et al. | Adaptive nonlinear control of reduced‐part three‐phase shunt active power filters | |
Abouelmahjoub et al. | Nonlinear control strategy of single-phase unified power flow controller | |
Fu et al. | Finite-time adaptive fuzzy control for three-phase PWM rectifiers with improved output performance | |
CHENNAI | Unified Power Quality Conditioner Performance based on Multi-level Inverter Topologies using Intelligent Controllers | |
Hou et al. | Adaptive fuzzy-neural control of active power filter using nonsingular terminal sliding mode controller | |
CN109103885A (zh) | 有源电力滤波器元认知模糊神经网络控制方法 | |
Abed | A three phase photovoltaic grid tied inverter system control based on TS Fuzzy equalization | |
Tamrakar et al. | Design of online supplementary adaptive dynamic programming for current control in power electronic systems |
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 |