CN109149923B - 一种在线估计控制率的apfc控制系统 - Google Patents

一种在线估计控制率的apfc控制系统 Download PDF

Info

Publication number
CN109149923B
CN109149923B CN201811168462.9A CN201811168462A CN109149923B CN 109149923 B CN109149923 B CN 109149923B CN 201811168462 A CN201811168462 A CN 201811168462A CN 109149923 B CN109149923 B CN 109149923B
Authority
CN
China
Prior art keywords
sliding mode
module
value
neural network
control
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.)
Active
Application number
CN201811168462.9A
Other languages
English (en)
Other versions
CN109149923A (zh
Inventor
倪伟
陈语嫣
王业琴
唐中一
夏奥运
郭畅
刘璐
王星月
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201811168462.9A priority Critical patent/CN109149923B/zh
Publication of CN109149923A publication Critical patent/CN109149923A/zh
Application granted granted Critical
Publication of CN109149923B publication Critical patent/CN109149923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/42—Circuits or arrangements for compensating for or adjusting power factor in converters or inverters
    • H02M1/4208—Arrangements for improving power factor of AC input
    • H02M1/4225—Arrangements for improving power factor of AC input using a non-isolated boost converter
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/0003—Details of control, feedback or regulation circuits
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/10—Technologies improving the efficiency by using switched-mode power supplies [SMPS], i.e. efficient power electronics conversion e.g. power factor correction or reduction of losses in power supplies or efficient standby modes

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Rectifiers (AREA)

Abstract

本发明公开了一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从Boost APFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；本发明有效解决了现有的DC‑DC变换器采用传统滑模控制，导致滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法完成的问题。

Description

一种在线估计控制率的APFC控制系统
技术领域
本发明涉及电力控制设备技术领域，具体涉及一种在线估计控制率的APFC控制系统。
背景技术
电动汽车充电装置中的AC/DC变换器多采用升压式有源功率因数校正(BoostAPFC)电路，交流输入电源经整流、滤波后，输入电流含有大量谐波分量，使得输入电流产生畸变，功率因素低。
APFC电路中包含非线性元器件，使得传统的线性控制方法较难达到满意的控制效果，且未考虑系统参数扰动的影响。滑模控制(SMC)可以不断调整控制量使系统状态到达设定的滑模面并沿该轨迹运动，可以实现非线性系统的有效控制，在DC-DC变换器中已得到成功应用。然而传统SMC中，滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法完成
发明内容
本发明提供了一种在线估计控制率的APFC控制系统，本发明有效解决了现有的DC-DC变换器采用传统滑模控制，导致滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法控制的问题。
本发明通过以下技术方案实现：
一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从BoostAPFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压。
本发明进一步技术改进方案是：
所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；
所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；
所述滑模面模块用于构成滑模控制器的滑模面；
所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；
所述滑模控制模块用于接收滑模面模块得到的滑模面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；
所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；
所述驱动电路模块用于驱动Boost APFC主电路功率开关管的开通与关断。
本发明进一步技术改进方案是：
所述电压外环PI控制模块包括PI控制器、乘法器，PI控制器用于对直流输出电压与参考电压的误差进行比例积分控制以使直流输出电压跟踪参考电压，乘法器用于接收PI控制器的输出量，并将输出量与电网电压单位正弦半波相乘产生参考电流。
本发明进一步技术改进方案是：
所述滑模面模块用于计算参考电流与Boost APFC主电路模块的电感电流的误差，构成滑模控制器的滑模面。
本发明进一步技术改进方案是：
所述遗传算法模块对RBF神经网络权值进行优化包括如下步骤：
步骤1：编码：采取二进制、或为十进制编码方式对每个初始网络权值进行编码；
步骤2：初始化种群：随机产生一组权值编码串；
步骤3：计算适应度函数：根据RBF神经网络训练得到的误差，确定每个个体的适应度函数值，误差越大适应度值越小；
步骤4：选择：选择若干适应度函数值大的个体直接遗传给下一代，其余按每个个体的相对适应度Ffit/∑Ffit，即该个体适应度占所有个体适应度之和的比例，计算得到的概率遗传给下一代；
步骤5：交叉、变异：对当前种群进行交叉、变异操作，产生新的编码串，即下一代种群；
步骤6：判断是否满足要求“达到最大迭代次数”：若不满足则返回步骤4，若满足则进行步骤7，在设定迭代次数内重复步骤4、5，直到获得满意解；
步骤7：解码：将权值编码串解码得到权值参数，构成新神经网络。
本发明进一步技术改进方案是：
所述RBF神经网络算法模块输出不确定上界估计值包括如下步骤：
步骤1)：初始化神经网络权值、中心值和基宽值；
步骤2)：根据中心值和基宽值的初始值获取最优中心值和基宽值，最优即初始；通过所述遗传算法获取最优权值；
步骤3)：计算输出误差；
步骤4)：根据学习算法对神经网络权值、中心值和基宽值依据进行更新；
步骤5)：判断是否满足要求，满足优化条件或达到最大迭代次数，若是，则训练结束，得到不确定上界估计值，若否，则回到步骤3重新计算误差。
本发明与现有技术相比，具有以下明显优点：
1)本发明滑模控制时加入参数对应的变化量，提高了系统参数变化时的鲁棒性；
2)本发明采用RBF神经网络在线估计不确定上限，以减小系统抖振，提高系统性能，通过调整权值使滑模面函数更快趋近于零，提高电路功率因数；
3)本发明采用遗传算法实现RBF神经网络权值的在线优化，改善了神经网络根据梯度下降法设计的学习算法训练神经网络权值时，收敛速度慢，易陷入局部极值的不足。
附图说明
图1为Boost APFC主电路拓扑及电流通路示意图；
图2为RBF神经网络结构图；
图3为GA优化RBF神经网络权值的流程图；
图4为Boost APFC控制系统框架图。
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所述，Boost APFC主电路拓扑及电流通路：
主电路采用Boost APFC拓扑结构，由单相桥式不控整流器和DC-DC Boost变换器组成，包含输入电容C1、升压电感L、开关管T、二极管D、输出电容Co和负载R。vin＝Vs·|sinωt|为不控整流桥的输出电压，Vs为电网电压的峰值；
rL为电感等效电阻，iL为电感电流，vo为直流输出电压；
当开关管T导通时，电感L储能，电容Co为负载R供电，电流通路如图1中虚线①和②所示，电容等效串联电阻忽略不计的情况下，根据KVL和KCL，得：
Figure GDA0002357572190000041
当开关管T关断时，电感L同时为电容Co和负载R供电，电流通路如图1中的虚线③所示，根据KVL和KCL可得：
Figure GDA0002357572190000042
用u表示开关T的状态，T导通时，u＝1；T关断时，u＝0。则公式(4)和(5)可以简化为：
Figure GDA0002357572190000043
对于公式(3)中的电流表达式，在理想情况下L、rL、vin均为定值，然而考虑到实际应用中存在未知的参数变化，将其表示为标称值加变化量的形式：
Figure GDA0002357572190000051
为了便于分析，可将上式简化为：
Figure GDA0002357572190000052
其中，Ln、rLn为标称值，ΔL、ΔrLn、Δvin为变化量，ρ为系统内未知项，包含了系统参数扰动的不确定性。假设ρ的边界给定，则|ρ|<γ，γ为不确定性向量ρ的正界值。
滑模控制器：
PFC电流滑模控制的目的在于使电感电流iL跟踪参考电流iref，故定义电感电流跟踪误差为ei＝iref-iL，则ei的导数可以表示为：
Figure GDA0002357572190000053
其中ev＝vref-vo表示输出电压跟踪误差，vref为输出电压参考，
Figure GDA0002357572190000054
Figure GDA0002357572190000055
积分型滑模面为：
Figure GDA0002357572190000056
其中，z(ei)的设计需满足
Figure GDA0002357572190000061
λ为非零正常数。要使系统达到理想的滑模控制，即要使
Figure GDA0002357572190000062
而在无外加干扰的情况下(ρ＝0)，如果当
Figure GDA0002357572190000063
时u的解存在，则该解称为系统在滑动模态区的等效控制ueq。
Figure GDA0002357572190000064
令
Figure GDA0002357572190000065
由公式(8)得：
Figure GDA0002357572190000066
对于存在不确定性和外部干扰的系统，所采用的控制率一般在等效控制ueq的基础上再加上切换控制uvss，以实现对系统的鲁棒控制。则系统控制率ucon设计如下：
Figure GDA0002357572190000067
其中，
Figure GDA0002357572190000068
sgn(s)表示符号函数。将公式(10)代入公式(6)，可得
Figure GDA0002357572190000069
滑模运动启动的前提是滑动模态存在且可达，滑动模态存在的充要条件为
Figure GDA00023575721900000610
且
Figure GDA00023575721900000611
则到达条件的等价形式为
Figure GDA00023575721900000612
将其用李雅普诺夫函数表示，可将到达条件改写为：
Figure GDA00023575721900000613
且
Figure GDA00023575721900000614
根据(8)和(11)，V的导数为：
Figure GDA0002357572190000071
由于
Figure GDA0002357572190000072
s≥0，在满足γ>|ρ|的情况下，
Figure GDA0002357572190000073
即
Figure GDA0002357572190000074
是负定函数。根据李雅普诺夫定理可知，电感电流跟踪误差ei渐进趋于零，无论是否存在系统不确定性，该滑模控制系统的渐进稳定性以及整个控制周期中的滑模运动均能得到保证。
RBF神经网络：
|ρ|<γ，γ为不确定向量ρ的正界值。
γ越大系统响应越快，但太大会破坏系统性能，产生抖振；γ越小，系统鲁棒性越差。通过RBF神经网络的在线学习能力对不确定上限γ实时估计，以减小系统抖振，提高系统性能。
RBF神经网络结构：
该结构如图2所示，是一种三层前馈式神经网络。输入为
Figure GDA0002357572190000075
输出为不确定正界
Figure GDA0002357572190000076
可表示为：
Figure GDA0002357572190000077
其中，W＝(ω1,ω2,…,ωn)是隐含层到输出层的权值矢量，
Figure GDA0002357572190000078
是径向基函数矢量，n表示隐含层的神经元(节点)个数。输出节点表示为对隐含层节点输出所进行的线性加权，以实现输入到输出之间映射关系。通常取高斯函数作为网络的基函数，该函数对输入矢量能够产生局部响应，高斯基函数可表示为：
Figure GDA0002357572190000079
其中，ci为第i个神经元的中心位置，σi为第i个节点的基宽，即高斯函数的中心和宽度；||·||表示欧式范数。为实现系统状态在滑模面上沿其运动的目标，需在线调整神经网络权值使s趋近于零。性能指标函数定义为：
Figure GDA0002357572190000081
根据梯度下降法，神经网络权值ω、中心值c和基宽值σ遵从学习算法进行循环训练，不断更新参数值，直到满足要求。
学习算法：
Figure GDA0002357572190000082
ωi(k)＝ωi(k-1)+ηΔωi+α[ωi(k-1)-ωi(k-2)]
Figure GDA0002357572190000083
σi(k)＝σi(k-1)+ηΔσi+α[σi(k-1)-σi(k-2)]
Figure GDA0002357572190000084
ci(k)＝ci(k-1)+ηΔci+α[ci(k-1)-ci(k-2)]
其中，Δωi、Δσi、Δcij分别为神经网络权值、基宽值、中心值的修正量，i＝1,2,…,n，对应隐含层的节点数，j＝1,2,…,m，对应输入层的节点数；η为学习速率；α为惯性系数；
遗传算法：
当采用根据梯度下降法设计的学习算法训练神经网络权值ω、中心值c、基宽值σ时，收敛速度慢，易陷入局部极值。为改善此不足，采用遗传算法(GA)实现RBF神经网络权值的在线优化。
遗传算法优化如图3所示，包括如下步骤：
步骤1：编码(采取一种编码方式对每个权值进行编码，如二进制或十进制)；
步骤2：初始化种群(随机产生一组权值编码串)；
步骤3：计算适应度函数(根据RBF神经网络训练得到的误差，确定每个个体的适应度函数值Ffit(i)，误差越大适应度值越小)；
步骤4：选择(选择若干适应度函数值大的个体直接遗传给下一代，其余按每个个体的相对适应度Ffit/∑Ffit计算得到的概率遗传给下一代)；
步骤5：交叉、变异(对当前种群进行交叉、变异操作，产生新的编码串，即下一代种群)；
步骤6：判断是否满足要求，若不满足则返回步骤4，若满足则进行下一步(在设定迭代次数内重复步骤4、5，直到获得满意解)；
步骤7：解码(将权值编码串解码得到权值参数，构成新神经网络)。
如图4所示，系统整体控制过程如下：
对直流输出电压vo与参考电压vref的误差ev进行比例积分控制以使vo跟踪vref，PI控制模块的输出量m与电网电压单位正弦半波(|vs|/vs(pk)，|vs|为电网电压正半波，vs(pk)为电网电压峰值)相乘，产生的参考电流iref与采集的电感电流iL的误差ei构成了滑模控制的滑模面s。采用RBF神经网络在线估计不确定上界γ，采用遗传算法优化RBF神经网络权值，所得到的不确定上界估计值
Figure GDA0002357572190000091
代入滑模控制器，控制器输出的滑模控制率ucon与三角载波信号vΔ比较后产生PWM信号以驱动功率开关管T的导通与关断。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从BoostAPFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，其特征在于：所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块和滑模控制模块；
所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；
所述滑模面模块用于构成滑模控制器的滑模面；
所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；
所述滑模控制模块用于接收滑模面模块得到的滑模面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；
所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；
所述驱动电路模块用于驱动Boost APFC主电路功率开关管的开通与关断。
2.根据权利要求1所述的一种在线估计控制率的APFC控制系统，其特征在于：所述电压外环PI控制模块包括PI控制器、乘法器， PI控制器用于对直流输出电压与参考电压的误差进行比例积分控制以使直流输出电压跟踪参考电压，乘法器用于接收PI控制器的输出量，并将输出量与电网电压单位正弦半波相乘产生参考电流。
3.根据权利要求1或2所述的一种在线估计控制率的APFC控制系统，其特征在于：所述滑模面模块用于计算参考电流与Boost APFC主电路模块的电感电流的误差，构成滑模控制器的滑模面。
4.根据权利要求1所述的一种在线估计控制率的APFC控制系统，其特征在于所述遗传算法模块对RBF神经网络权值进行优化包括如下步骤：
步骤1：编码：采取二进制、或十进制编码方式对每个初始网络权值进行编码；
步骤2：初始化种群：随机产生一组权值编码串；
步骤3：计算适应度函数值：根据RBF神经网络训练得到的误差，确定每个个体的适应度函数值，误差越大适应度函数值越小；
步骤4：选择：选择若干适应度函数值大的个体直接遗传给下一代，其余按每个个体的相对适应度计算得到的概率遗传给下一代，其中每个个体的相对适应度为F fit /∑F fit ，即除了适应度函数值大的个体，其余剩下的中的某一个个体的适应度函数值占所有个体的适应度函数值之和的比例；
步骤5：交叉、变异：对当前种群进行交叉、变异操作，产生新的编码串，即下一代种群；
步骤6：判断是否满足要求“达到最大迭代次数”：若不满足则返回步骤4，若满足则进行步骤7，在设定迭代次数内重复步骤4、5，直到获得满意解；
步骤7：解码：将权值编码串解码得到权值参数，构成新神经网络。
5.根据权利要求1或4所述的一种在线估计控制率的APFC控制系统，其特征是，所述RBF神经网络算法模块输出不确定上界估计值包括如下步骤：
步骤1）：初始化神经网络权值、中心值和基宽值；
步骤2）：根据中心值和基宽值的初始值获取最优中心值和基宽值，最优即初始；通过遗传算法获取最优权值；
步骤3）：计算输出误差；
步骤4）：根据学习算法训练神经网络权值、中心值和基宽值；
步骤5）：判断是否满足要求，满足优化条件或达到最大迭代次数，若是，则训练结束，得到不确定上界估计值，若否，则回到步骤3）重新计算误差。
CN201811168462.9A 2018-10-08 2018-10-08 一种在线估计控制率的apfc控制系统 Active CN109149923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811168462.9A CN109149923B (zh) 2018-10-08 2018-10-08 一种在线估计控制率的apfc控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811168462.9A CN109149923B (zh) 2018-10-08 2018-10-08 一种在线估计控制率的apfc控制系统

Publications (2)

Publication Number Publication Date
CN109149923A CN109149923A (zh) 2019-01-04
CN109149923B true CN109149923B (zh) 2020-05-26

Family

ID=64810484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811168462.9A Active CN109149923B (zh) 2018-10-08 2018-10-08 一种在线估计控制率的apfc控制系统

Country Status (1)

Country Link
CN (1) CN109149923B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429807A (zh) * 2019-08-12 2019-11-08 华北电力大学（保定） 电压暂降抑制方法、装置及终端设备
CN110712539A (zh) * 2019-10-12 2020-01-21 南通大学 一种电动汽车用电驱重构型充电机滑模控制方法
CN111478592A (zh) * 2020-05-09 2020-07-31 哈尔滨理工大学 一种双主动全桥dc-dc变换器的滑模控制方法
CN113131767B (zh) * 2021-03-19 2022-11-04 上海电力大学 Vienna整流器RBF神经网络外环电压滑模控制方法
EP4175155A1 (de) * 2021-10-29 2023-05-03 Siemens Aktiengesellschaft Verfahren zum konfigurieren und steuern eines elektrischen konverters sowie konvertersteuerung und konverter

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602006009643D1 (de) * 2006-08-03 2009-11-19 St Microelectronics Srl Verfahren zur Zustandsschätzung eines Systems und eine zugehörige Vorrichtung zur Ermittlung der Position und der Drehzahl eines bürstenlosen Motors
US9077243B2 (en) * 2012-01-31 2015-07-07 Analog Devices, Inc. Current-balancing in interleaved circuit phases using a parameter common to the phases
CN103701396B (zh) * 2013-12-13 2016-01-20 天津大学 一种基于自适应模糊神经网络的电机转速跟踪控制方法
CN104218788B (zh) * 2014-09-18 2017-01-11 广东省自动化研究所 一种矩阵整流器的网侧功率因数滑模自适应控制方法
CN106786578A (zh) * 2016-12-05 2017-05-31 浙江工业大学 一种适用于微电网双向变流器的复合控制方法
CN108566086B (zh) * 2018-04-13 2019-09-17 杭州电子科技大学 双闭环rbf神经网络滑模变结构自适应控制系统
CN108512411A (zh) * 2018-04-13 2018-09-07 贵州师范大学 基于双重积分滑模控制的数字式大功率图腾柱pfc

Also Published As

Publication number Publication date
CN109149923A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109149923B (zh) 一种在线估计控制率的apfc控制系统
CN103701396B (zh) 一种基于自适应模糊神经网络的电机转速跟踪控制方法
CN106953535B (zh) 一种pfc ac/dc变换器的无模型功率控制方法
CN104378038B (zh) 基于人工神经网络的永磁同步电机参数辨识方法
CN108512452B (zh) 一种直流微电网并网变换器电流的控制系统及控制方法
CN104085265B (zh) 一种馈能悬架自适应离线神经网络逆控制系统及方法
CN111917134B (zh) 一种基于数据驱动的配电网动态自主重构方法及系统
CN105262358A (zh) 双向并网逆变器
Meng et al. A novel intelligent nonlinear controller for dual active bridge converter with constant power loads
CN106779175B (zh) 一种考虑分时段的非线性光伏出力预测方法
CN111258211A (zh) 一种基于模糊神经元pid的微电网频率控制系统及方法
CN116914751B (zh) 一种智能配电控制系统
CN107294372A (zh) 基于扰动估计的模型预测控制的高铁低频振荡抑制方法
Liu et al. Predictor-based data-driven model-free adaptive predictive control of power converters using machine learning
CN109217651B (zh) 一种在线补偿控制率的apfc控制系统
CN107221935B (zh) 基于置信度变换的交直流混联输电系统区间潮流方法
Anu Shalini et al. Hybrid power generation forecasting using CNN based BILSTM method for renewable energy systems
CN113131767B (zh) Vienna整流器RBF神经网络外环电压滑模控制方法
CN112072893B (zh) 一种合成变量反馈的电力电子变换器控制方法
CN110518625B (zh) 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN115987086A (zh) 基于神经网络的单开关直流-直流变换器在线控制方法
Anu Shalini et al. Power generation forecasting using deep learning CNN-based BILSTM technique for renewable energy systems
Muneer et al. Optimal machine-learning-based controller for shunt active power filter by auto machine learning
Patino et al. A predictive control approach for dc-dc power converters and cyclic switched systems
Benmabrouk et al. Speed control of DC machine using adaptive neural IMC controller based on recurrent neural network

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
TA01 Transfer of patent application right

Effective date of registration: 20200423

Address after: 223005 Huaian city of Jiangsu Province, Mei Cheng Road No. 1

Applicant after: HUAIYIN INSTITUTE OF TECHNOLOGY

Address before: 211899 No. 30 South Pearl Road, Pukou District, Jiangsu, Nanjing

Applicant before: NANJING TECH University

Applicant before: HUAIYIN INSTITUTE OF TECHNOLOGY

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant