CN109167386A - 核基对抗网络光伏离网逆变器环流抑制系统 - Google Patents
核基对抗网络光伏离网逆变器环流抑制系统 Download PDFInfo
- Publication number
- CN109167386A CN109167386A CN201811044482.5A CN201811044482A CN109167386A CN 109167386 A CN109167386 A CN 109167386A CN 201811044482 A CN201811044482 A CN 201811044482A CN 109167386 A CN109167386 A CN 109167386A
- Authority
- CN
- China
- Prior art keywords
- data
- circulation
- core base
- control
- photovoltaic
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Inverter Devices (AREA)
Abstract
本发明涉及一种光伏离网逆变器的环流抑制系统,尤其涉及一种基于数据驱动和核基对抗网络控制方法的,针对交错并联逆变器的环流抑制系统,属于电力电子技术、大数据技术与控制理论的交叉技术领域,具体为核基对抗网络光伏离网逆变器环流抑制系统,包括数据采集系统、控制器系统、执行系统;在数据采集系统中采集环流的相应数据,在控制器系统中算法根据所采集的数据进行数据分析和处理,构建核基对抗网络进行数据分析建模以及控制,并最终形成控制指令信号;在执行系统中根据控制指令信号对环流进行抑制。本发明可以有效地对光伏离网逆变器交错并联环流进行抑制,同时也在一定程度上提高了光伏系统的效率,降低了电网公害。
Description
技术领域
本发明涉及一种光伏离网逆变器的环流抑制系统,尤其涉及一种基于数据驱动和核基对抗网络控制方法的,针对交错并联逆变器的环流抑制系统,属于电力电子技术、大数据技术与控制理论的交叉技术领域,具体为核基对抗网络光伏离网逆变器环流抑制系统。
背景技术
在光伏离网逆变器中通常使用多个逆变器交错并联,用来提高其输出功率。然而,由于功率器件本身存在的触发延时差异及死区控制等因素,在逆变器并联系统中,很难得到同步输出电压,因此存在环流。现有的环流抑制技术通常通过滤波器和钳位技术进行的。这种技术具有拓扑、控制简单,控制方案成熟,但是受器件本身的限制,往往很难做到动态适应,在对环流抑制要求较高的场合不能满足要求。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种光伏离网逆变器交错并联工作时,对环流进行动态抑制的系统。旨在提高离网型光伏逆变器交错并联环流的抑制能力,并使之能够克服逆变器及电力电子器件本身的限制,具有更为普遍的自适应、自调整能力。
为实现上述目的,本发明提供了核基对抗网络光伏离网逆变器环流抑制系统,包括环流数据采集系统、控制器系统和执行系统;
其中,环流数据采集系统包括环流方向、数值采集模块和数据记录模块;环流方向、数值采集模块采集环流的电压幅值、频率、相角和环流的电流幅值、频率、相角,采集的环流数据有六种,即六维数据,数据记录模块将所采集的所有数据进行存储,用于离线分析,并提供给用户;
控制器系统运行基于数据分析、核基对抗网络建模和EM迭代控制的闭环控制方法;运行的闭环控制方法包括以下步骤:
六维数据送到控制器系统后,首先进行数据分析,数据分析方法采用多元统计分析方法中的主成分分析或同时采用主成分分析和因子分析进行降维,得到影响环流的最主要的两个因素,将原来的六维数据降成两维数据;
在得出对于环流影响的主成分两维数据后,利用该两维数据进行建模,模型设定为神经网络模型,神经网络模型为三层结构,即输入层、隐含层、输出层,各层中每个神经元节点的计算公式如下: yi=f(kixi+bi),其中,yi为各个神经元节点的输出,xi为各个神经元节点的输入,ki为各个神经元节点的权值,bi为各个神经元节点的阈值,f指定为Sigmoid函数,i为神经元节点的序号;
对神经网络模型的权、阈值采用核基对抗网络进行修正,判别函数采用核基函数,如果判别结果符合核基函数要求,则输出神经网络中各神经元节点的权、阈值;如果判别结果不符合要求,则进行循环迭代,修正对抗模型,直至符合核基函数的要求为止;各神经元节点的权、阈值确定后即得出环流的神经网络模型;
得出环流的神经网络模型后,可以进行EM迭代控制;将建立好的神经网络模型隐含层节点j的两个输入x1j、x2j,输出yj,以及输入输出联合概率密度分布zj,分布参数θ构成三元数组集合{Xj;zj;θ},其中,Xj包括输入输出三组数据,根据参数的初始值或上次的模型参数来计算出zj的后验概率Qj(zj)=p(zj|Xj,θ),将概率密度函数的似然函数最大化,并进行如下迭代:
控制两次迭代所得结果相对误差不超过1‰FS,从而获得参数值θ;
得出分布参数θ后,将其固化为输入输出联合概率密度分布zj的参数,然后利用概率密度函数p(·),计算出当前控制输出量的概率最大值,控制输出量作为执行系统中电力电子器件PWM的占空比,对电力电子器件进行控制;
执行系统包括与离网逆变器中逆变桥并联的补偿逆变桥,补偿逆变桥接收控制器系统输出的PWM。
补偿逆变桥功率器件针对环流进行“补偿控制”。检测到环流的数据后,经过本发明所述的数据分析和控制算法,给出相应的控制电流或电压:例如,环流出现后,电压幅值为主成分,则给相应的反相电压,从而“堵住”环流的产生;如果电流“相位”为主成分,则调整功率器件的开启时间,使得控制输出的相位与环流的相位相反,抑制环流的产生:如果电压的“频率”为主成分,则调整控制器件的开关频率,使其与环流同频反相,从而抑制环流。
上述的核基对抗网络光伏离网逆变器环流抑制系统,闭环控制方法数据分析过程中采用动态数据分析,即构建一个数据窗,进行时间滑动,在线处理。动态数据处理的优点在于:(1)节省数据存储空间。在静态数据处理中,往往将大量数据存储,这样一来往往影响了芯片的计算效率,甚至影响到芯片的耗能。而动态数据处理的数据量较小,避免了上述问题的发生;(2)动态数据处理具有实时性的优点。静态数据在很大程度上存储了历史数据,而不能反映当前状态。动态数据处理使用滑动数据窗,可以实时反映当前状态的变化。
上述的核基对抗网络光伏离网逆变器环流抑制系统,对抗网络的数据样本为各个神经元节点的输入数据,先验对抗模型为:根据先前的环流分析数据所预先设定的各个神经元节点权、阈值。在当前的对抗网络方法中,有一种“生成对抗网络”。同样是进行“对抗”训练,但其训练的样本是由计算机生成的。而本发明训练的样本是由数据采集后,经过降维分析得到的。计算机生成的样本虽然也有一定的实际工程意义,但是其真实性远没有实际采样的数据样本能够真实地反映实际情况。在训练过程中,不是训练时间较长,就是训练结果与实际偏差较大。与其相比,本发明采用实际采样数据,经降维处理,保证了数据的真实性,既节省了训练的时间,又与实际工程情况相互吻合。
本发明的系统结构是一种独立于光伏逆变器系统的闭环控制结构。具有数据采集、实时反馈、大数据分析、数据驱动建模、核基对抗网络模型、离散信号驱动等功能。其中,闭环控制结构在环流抑制的精度上有了结构性的保证;大数据分析及核基对抗网络模型建模摒弃了传统机理建模存在的模型参数失配等问题,与实际的环流情况吻合程度大大提高,并最终可以抑制光伏离网逆变器交错并联情况的环流。因此,本发明可以有效地对光伏离网逆变器交错并联环流进行抑制,同时也在一定程度上提高了光伏系统的效率,降低了电网公害。
附图说明
图1为本发明的基本结构图。
图2为本发明的控制结构图。
图3为神经网络模型的示意图。
图4为核基对抗网络模型建模算法示意图。
图5为本发明的算法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的核基对抗网络光伏离网逆变器环流抑制系统包括环流数据采集系统,该环流数据采集系统用于采集在各个逆变器之间存在的环流,然后将其送至控制器中,在控制器中进行建模与控制,最终驱动本发明执行系统中电力电子器件对环流进行抑制。其基本结构如图1所示。控制流程及控制结构图如图2所示。
环流数据采集系统所采集的数据包括环流的电压幅值、频率、相角和环流的电流幅值、频率、相角;环流数据采集系统将所采集的数据反馈至控制器中。在本发明实施例中,各逆变器间的环流数据采集系统具有相同的结构,其结构为电压/电流检测传感器。两种传感器的数据将送至控制器中进行数据融合处理。
在本发明实施例中,算法在控制器上运行。控制器为硬件基础,算法为系统软件核心。控制器的硬件应为ARM嵌入式系统或DSP 系统(但不限于此),在其上能够进行较大规模的在线数据处理。算法是一种基于数据分析、核基对抗网络建模和EM迭代控制的闭环控制方法,包括数据分析、建模和EM迭代控制方法。
环流数据的分析
所采集的环流数据有六种,即六维数据。数据分析方法采用多元统计分析方法中的主成分分析或同时采用主成分分析和因子分析进行降维,得到影响环流的最主要的两个因素,将原来的六维数据降成两维数据。
在数据分析过程中采用动态数据分析。即,构建一个数据窗(以 5秒数据为窗格),进行时间滑动,在线处理。具体方法可参考:《实用多元统计分析》清华大学出版社作者:Richard A.Johnson,Dean W.Wichern译者:陆璇.2008,该文献只提供了离线数据静态处理,本发明将其扩展为在线数据滑动处理。
核基对抗网络与数据建模
在得出对于环流影响的主成分两维数据后,即可利用该数据进行建模。首先模型设定为神经网络模型,其结构如图3所示。
该神经网络模型为三层结构:即输入层、隐含层、输出层。
输入层神经元节点个数为2,即经降维后的环流两维数据;隐含层神经元节点个数为10;输出层神经元节点个数为1,即输出控制量。
各层神经元节点的计算公式如下:yi=f(kixi+bi),其中,yi为各个神经元节点的输出,xi为各个神经元节点的输入;ki为各个神经元节点的权值,bi为各个神经元节点的阈值;f指定为Sigmoid函数, i为神经元节点的序号。
与传统神经网络进行权、阈值修正的方法不同,本发明的权、阈值修正方法采用核基对抗网络进行,其基本的算法结构如图4所示。
图中,数据样本为各个神经元节点的输入数据,先验对抗模型为:根据先前的环流分析数据所预先设定的各个神经元节点权、阈值;
将此两类数据送至判别准则进行判别。在判别过程中需要强调的两点是:1、网络为对抗型网络;2、判别函数为核基函数。
关于对抗网络的说明,存在两个输入:一个是输入数据模型G,用来输入数据分布,一个判别模型D,用来估计来自输入数据而不是模型G中的样本的可能性。关于模型G的训练程序是最大化模型D 犯错的可能性。这个框架与极大极小双方博弈相关。在任意函数G 和D的距离内,存在一个唯一的解决方法,G恢复训练数据的分布, D在任何地方都等于1/2。在整个训练和样本输入阶段,不需要任何的马尔科夫链或者展开的近似推理网络。以上方法可参考Goodfellow I J,Pouget-Abadie J,Mirza M,et al.Generative adversarialnets[C]// International Conference on Neural Information Processing Systems.MIT Press,2014:2672-2680。与文献的方法不同的是:1、样本不是生成的,而是经过数据采集和分析后得到的降维结果数据;2、判别函数采用核基函数进行判别。
如果判别结果符合核基函数要求,则输出模型,即图3所示神经网络中各个神经元节点的权、阈值;如果判别结果不符合要求,则进行循环迭代,修正对抗模型,直至符合核基函数的要求为止。
EM迭代控制
在得出环流的神经网络模型后,可以进行EM(Expectation Maximization期望最大化算法)迭代控制。
该方法分为两个步骤:
一、计算后验概率期望(E步骤)
将建立好的神经网络中隐含层节点j两个输入x1j,x2j,输出yj;以及输入输出联合概率密度分布zj,分布参数θ构成三元数组集合{Xj; zj;θ}。其中,Xj包括输入输出三组数据,j为神经元隐含层节点的序号。
根据参数的初始值或上次的模型参数来计算出zj的后验概率:
Qj(zj)=p(zj|Xj,θ)
该概率密度函数p(·)指定为服从t-分布的概率密度函数。
二、期望最大化(M步骤)
将上述概率密度函数的似然函数最大化,并进行如下迭代:
控制两次迭代所得结果误差不超过1‰,从而获得参数值θ。
控制实施
得出参数值θ后,将其固化为输入输出联合概率密度分布zj的参数。然后利用概率密度函数p(·),计算出当前控制输出量的概率最大值,然后将此控制输出量送至控制端。此时控制输出量是一个归一化的分数(或小数值),将此归一化的分数(或小数值)作为执行系统中电力电子器件PWM的占空比,对电力电子器件进行控制,从而达到对环流的消除。
在本发明中执行分系统根据算法分系统所给出的执行指令对逆变器交错并联环流进行抑制,其执行分系统的器件主要是能够对环流进行抑制的较大功率电力电子器件。通过本发明所提出的控制结构达到抑制乃至消除环流。执行系统由与逆变器功率相互匹配的电力电子器件组成。执行系统接收控制指令信号,用来抵消在各逆变器之间的环流,从而达到对其进行抑制的目的。
执行系统由电力电子器件组成。其工作过程为:
(1)接收到控制指令后对功率器件(如IGBT等)操作;
(2)功率器件针对环流进行“补偿控制”。检测到环流的数据后,经过本发明所述的数据分析和控制算法,给出相应的控制电流或电压:
例如,环流出现后,电压幅值为主成分,则给相应的反相电压,从而“堵住”环流的产生;
如果电流“相位”为主成分,则调整功率器件的开启时间,使得控制输出的相位与环流的相位相反,抑制环流的产生:
如果电压的“频率”为主成分,则调整控制器件的开关频率,使其与环流同频反相,从而抑制环流。
所描述的实例仅仅是本发明的部分实例,而不是全部的实施例。基于本发明中的实施例本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护范围。
Claims (3)
1.核基对抗网络光伏离网逆变器环流抑制系统,其特征在于包括环流数据采集系统、控制器系统和执行系统;
其中,环流数据采集系统包括环流方向、数值采集模块和数据记录模块;环流方向、数值采集模块采集环流的电压幅值、频率、相角和环流的电流幅值、频率、相角,采集的环流数据有六种,即六维数据,数据记录模块将所采集的所有数据进行存储,用于离线分析,并提供给用户;
控制器系统运行基于数据分析、核基对抗网络建模和EM迭代控制的闭环控制方法;运行的闭环控制方法包括以下步骤:
六维数据送到控制器系统后,首先进行数据分析,数据分析方法采用多元统计分析方法中的主成分分析或同时采用主成分分析和因子分析进行降维,得到影响环流的最主要的两个因素,将原来的六维数据降成两维数据;
在得出对于环流影响的主成分两维数据后,利用该两维数据进行建模,模型设定为神经网络模型,神经网络模型为三层结构,即输入层、隐含层、输出层;
对神经网络模型的权、阈值采用核基对抗网络进行修正,判别函数采用核基函数,如果判别结果符合核基函数要求,则输出神经网络中各神经元节点的权、阈值;如果判别结果不符合要求,则进行循环迭代,修正对抗模型,直至符合核基函数的要求为止;各神经元节点的权、阈值确定后即得出环流的神经网络模型;
得出环流的神经网络模型后,可以进行EM迭代控制;将建立好的神经网络模型隐含层节点j的两个输入x1j、x2j,输出yj,以及输入输出联合概率密度分布zj,分布参数θ构成三元数组集合{Xj;zj;θ},其中,Xj包括输入输出三组数据,根据参数的初始值或上次的模型参数来计算出zj的后验概率Qj(zj)=p(zj|Xj,θ),将概率密度函数的似然函数最大化,并进行如下迭代:控制两次迭代所得结果相对误差不超过1‰FS,从而获得参数值θ;
得出分布参数θ后,将其固化为输入输出联合概率密度分布zj的参数,然后利用概率密度函数p(·),计算出当前控制输出量的概率最大值,控制输出量作为执行系统中电力电子器件PWM的占空比,对电力电子器件进行控制;
执行系统包括与离网逆变器中逆变桥并联的补偿逆变桥,补偿逆变桥接收控制器系统输出的控制指令。
2.根据权利要求1所述的核基对抗网络光伏离网逆变器环流抑制系统,其特征在于闭环控制方法数据分析过程中采用动态数据分析,即构建一个数据窗,进行时间滑动,在线处理。
3.根据权利要求1或2所述的核基对抗网络光伏离网逆变器环流抑制系统,其特征在于对抗网络的数据样本为各个神经元节点的输入数据,先验对抗模型为:根据先前的环流分析数据所预先设定的各个神经元节点权、阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044482.5A CN109167386B (zh) | 2018-09-07 | 2018-09-07 | 核基对抗网络光伏离网逆变器环流抑制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044482.5A CN109167386B (zh) | 2018-09-07 | 2018-09-07 | 核基对抗网络光伏离网逆变器环流抑制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109167386A true CN109167386A (zh) | 2019-01-08 |
CN109167386B CN109167386B (zh) | 2021-06-25 |
Family
ID=64894345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811044482.5A Active CN109167386B (zh) | 2018-09-07 | 2018-09-07 | 核基对抗网络光伏离网逆变器环流抑制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109167386B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901659A (zh) * | 2019-03-01 | 2019-06-18 | 湖南诺诚光伏能源有限公司 | 一种光伏离网逆变器mppt控制系统 |
CN109960307A (zh) * | 2019-03-01 | 2019-07-02 | 湖南诺诚光伏能源有限公司 | 一种光伏离网逆变器mppt自抗扰控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697421A (zh) * | 2009-10-23 | 2010-04-21 | 湖南大学 | 微电网光伏微电源控制系统 |
EP1555746B1 (en) * | 2004-01-13 | 2010-06-23 | Sanyo Electric Co. Ltd | System interconnection inverter device |
CN103441531A (zh) * | 2013-09-10 | 2013-12-11 | 上海电力学院 | 一种区域高渗透率光伏储能系统及其能量管理方法 |
CN105226702A (zh) * | 2015-09-02 | 2016-01-06 | 山东大学 | 一种交直流混合微电网动态架构及其重组方法 |
-
2018
- 2018-09-07 CN CN201811044482.5A patent/CN109167386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1555746B1 (en) * | 2004-01-13 | 2010-06-23 | Sanyo Electric Co. Ltd | System interconnection inverter device |
CN101697421A (zh) * | 2009-10-23 | 2010-04-21 | 湖南大学 | 微电网光伏微电源控制系统 |
CN103441531A (zh) * | 2013-09-10 | 2013-12-11 | 上海电力学院 | 一种区域高渗透率光伏储能系统及其能量管理方法 |
CN105226702A (zh) * | 2015-09-02 | 2016-01-06 | 山东大学 | 一种交直流混合微电网动态架构及其重组方法 |
Non-Patent Citations (1)
Title |
---|
刘建锋 等: "适用于提高T 型三电平储能变流器功率响应特性的模型预测控制算法", 《电力建设》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901659A (zh) * | 2019-03-01 | 2019-06-18 | 湖南诺诚光伏能源有限公司 | 一种光伏离网逆变器mppt控制系统 |
CN109960307A (zh) * | 2019-03-01 | 2019-07-02 | 湖南诺诚光伏能源有限公司 | 一种光伏离网逆变器mppt自抗扰控制方法 |
CN109901659B (zh) * | 2019-03-01 | 2021-09-07 | 湖南诺诚光伏能源有限公司 | 一种光伏离网逆变器mppt控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109167386B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Event-based sliding-mode synchronization of delayed memristive neural networks via continuous/periodic sampling algorithm | |
Won et al. | Up by their bootstraps: Online learning in artificial neural networks for CMP uncore power management | |
Qin et al. | Adaptive inertia weight particle swarm optimization | |
Premkumar et al. | A novel salp swarm assisted hybrid maximum power point tracking algorithm for the solar photovoltaic power generation systems | |
CN106873558A (zh) | 一种非线性系统的模糊重复输出控制器及其控制方法 | |
CN109167386A (zh) | 核基对抗网络光伏离网逆变器环流抑制系统 | |
Matsushita et al. | Application of particle swarm optimization to parameter search in dynamical systems | |
Gao et al. | An intelligent adaptive control scheme for postsurgical blood pressure regulation | |
CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
Duan et al. | Parameters identification of UCAV flight control system based on predator-prey particle swarm optimization | |
Abderrezek et al. | Modified PSO-based nonlinear controllers applied to a DC-DC converter | |
Sanfelice | Hybrid model predictive control | |
CN111799808A (zh) | 一种电网无功电压分布式控制方法及系统 | |
Tahiliani et al. | A multilayer perceptron approach to track maximum power in wind power generation systems | |
Wu et al. | Transient stability analysis of large-scale power systems: A survey | |
Mufa’ary et al. | Comparison of FLC and ANFIS Methods to Keep Constant Power Based on Zeta Converter | |
Atig et al. | A new neural adaptive control based on neural emulation of complex square MIMO systems | |
Prokhorov et al. | The plasma shape control system in the tokamak with the artificial neural network as a plasma equilibrium reconstruction algorithm | |
Cai et al. | Design and simulation of intelligent PID controller based on particle swarm optimization | |
Gao et al. | An optimization method of hidden nodes for neural network | |
Yang et al. | Power system transient stability assessment method based on convolutional neural network | |
CN109901659A (zh) | 一种光伏离网逆变器mppt控制系统 | |
Li et al. | The application of the equipment fault diagnosis based on modified Elman neural network | |
Huys et al. | Human trajectory formation: Taxonomy of movement based on phase flow topology | |
Zhang et al. | A new artificial glowworm swarm optimization algorithm based on chaos method |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230728 Address after: Room 401, Building 1, No. 138 Xinjun Ring Road, Minhang District, Shanghai, 201114 Patentee after: ENWO New Energy Technology (Shanghai) Co.,Ltd. Address before: 030051, Xueyuan Road, Shanxi Province, Taiyuan Province, No. 3 Patentee before: NORTH University OF CHINA |
|
TR01 | Transfer of patent right |