CN109546660B - 基于神经滑模控制策略的有源电力滤波电路和控制方法 - Google Patents
基于神经滑模控制策略的有源电力滤波电路和控制方法 Download PDFInfo
- Publication number
- CN109546660B CN109546660B CN201811398204.XA CN201811398204A CN109546660B CN 109546660 B CN109546660 B CN 109546660B CN 201811398204 A CN201811398204 A CN 201811398204A CN 109546660 B CN109546660 B CN 109546660B
- Authority
- CN
- China
- Prior art keywords
- circuit
- function
- sliding mode
- resistor
- amplifier
- 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
Links
- 230000001537 neural effect Effects 0.000 title claims abstract description 30
- 238000011217 control strategy Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 64
- 238000006243 chemical reaction Methods 0.000 claims abstract description 62
- 230000003750 conditioning effect Effects 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 239000003990 capacitor Substances 0.000 claims description 33
- 238000009795 derivation Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007789 sealing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012905 input function Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 88
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
-
- 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)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于神经滑模控制策略的有源电力滤波电路和控制方法，包括主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路，其中主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路依次连接为环状，并且FPGA逻辑运算电路与模数转换电路相连接，所述DSP数字运算电路采用神经滑模控制策略对有源电力滤波电路进行控制。本发明还公开了一种基于神经滑模控制策略的有源电力滤波电路的控制方法。本发明可用于电源接入端，具有受电网阻抗影响小、动态补偿性能优异、抗扰动、抗系统参数摄动等优点，在治理谐波污染方面发挥重要作用。
Description
技术领域
本发明属于电力电气工程领域，尤其涉及一种基于神经滑模控制策略的有源电力滤波电路和控制方法。
背景技术
近年来，随着电力需求的不断提升，大量非线性负载被广泛应用。这导致大量谐波和无功电流被注入电网，谐波泛滥威胁着电网中设备的安全和稳定运行。为提高电能质量，进一步有效抑制网侧谐波污染，电力滤波器成为人们关注的焦点。
以投切无功补偿电容器和LC谐振滤波器的方式补偿无功和谐波电流的设备称为无源电力滤波器。由于现在的电力应用中大量使用电力电子设备，因此谐波的成分更加复杂。其在对变化的无功和谐波实施补偿时，补偿效果很难做到令人满意。这促使了有源电力滤波器的发展，其通过向网侧注入补偿电流来抑制负载产生的谐波电流。
为提高有源电力滤波器的补偿精度，必须提升调理电路的工作性能。主控制板通过采样电路、调理电路和高速模数转换通道对于被测量进行采样，得到的数值作为电流环和电压环的闭环控制参数，使得被控量始终跟随给定值。而传统的设计中大多采用无源一阶的调理电路，对信号进行转换或滤波这是很难保证其精度的，会引入谐振峰值，在有源电力滤波器的补偿电流中产生高次谐波，影响有源电力滤波器性能，甚至导致整个控制系统不稳定。
影响有源电力滤波器补偿性能的因素有控制器在做算法运算和动作执行中存在延时，还有设备内部元器件老化而产生的参数摄动对于补偿效果也有一定的影响。国内外对此已有诸多的研究，主要落足于算法的改进和硬件的设计。有源电力滤波器电流内环控制方法常见的分为以下几种：比例积分控制是是最传统的控制方法，这种方法比较简单，但缺点是控制效果不理想；无差拍控制根据系统的状态方程和控制反馈以及k+1时刻参考输出计算出下一个开关周期的脉宽，但仍有滞后现象；重复控制将k-1时刻的控制误差和k时刻的误差加入到被控对象进行控制，提高了电流跟踪精度及系统的稳定性，但仍然存在控制周期之后的延时问题。
发明内容
本发明针对上述问题，设计了一种基于神经滑模控制策略的有源电力滤波电路，采用数字处理芯片和可编程逻辑器件的双核心控制方式，并将神经网络与滑模变结构控制相融合，具体结构为包括：主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路；主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路依次连接为环状，并且FPGA逻辑运算电路与模数转换电路相连接，具体连接关系如下：
一种基于神经滑模控制策略的有源电力滤波电路,包括：主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路；主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路依次连接为环状，并且FPGA逻辑运算电路与模数转换电路相连接，具体连接关系如下：
主电路包括补偿线路、被补偿线路和逆变器，逆变器并联在被补偿线路中，补偿线路为被补偿线路与逆变器之间的连接线，主电路用于滤除线路里的谐波及无功，主电路与采样电路连接；
采样电路用于从主电路采集所需参数,将主电路中的功率级参数转化为信号级参数发送给调理电路；
调理电路用于信号处理功能,将采样电路中传感器测量的参数转换为适合数字电路接收的信号；
模数转换电路用于模拟信号与数字信号的转换功能，模数转换电路从FPGA逻辑运算电路接收控制命令和采样时钟后，模数转换电路将从调理电路接收的模拟信号转换成数字信号，并发送至DSP数字运算电路；
DSP数字运算电路用于控制算法运算功能，它与FPGA逻辑运算电路连接；所述DSP数字运算电路采用神经滑模控制策略对有源电力滤波电路进行控制，DSP数字运算电路中神经滑模控制策略算法包括控制函数和RBF神经网络，其中控制函数为
所述控制函数中的系统函数f(x)通过RBF神经网络获得，u是滑模控制器的控制函数，g(x)是系统增益函数，η是趋近速度常数，sgn(s)为符号函数，符号函数中的s是滑模函数，ih是谐波电流；
FPGA逻辑运算电路从DSP接收控制命令后用于控制命令的执行和控制异常封波，所述FPGA逻辑运算电路与电平转换电路和模数转换电路连接，当FPGA接到采样命令后，FPGA发出模数转化所需的控制命令和采样时钟到模数转换电路，当FPGA接到SVPWM调制命令后，FPGA发出门控信号到电平转换电路；
电平转换电路用于接收到门控信号后将低压芯片的电压进行初步提升并发送至驱动电路；
驱动电路与主电路相连，用于电平转换、自举和过流过压检测。
优选的，DSP数字运算电路中神经滑模控制策略算法中所述控制函数
和所述RBF神经网络的具体设计方法如下：
1)基于基尔霍夫电压定律对电力有源滤波器进行建模，电力有源滤波器模型如下；
其中，R是交流侧电阻，L是交流侧电感，a,b,c分别表示三相有源滤波器中的一条支路，Usa、Usb和Usc分别是电网三条支路的电压，UaN、UbN和UcN为逆变器中三条支路的点电压，ica、icb和icc为逆变器中三条支路的补偿电流，Sa、Sb和Sc是开关量，Udc直流母线电压。对电力有源滤波器模型求导，并整理成微分方程式：
对微分方程式做以下设定：
ga(x)＝gb(x)＝gc(x)＝Udc
则，微分方程式转化为控制标准型函数：
电力有源滤波器模型简化为：
其中，g(x)为系统增益函数，f(x)为系统函数；
(2)基于滑模定义设计滑模控制器并对其进行稳定性分析
根据瞬时无功算法提取在负载电流中的谐波及无功值作为控制目标值ih(t)与补偿电流值ic(t)做差得到跟踪误差e(t)：
e(t)＝ih(t)-ic(t)
定义滑模面：
s(t)＝ce(t)
其中，c是滑模系数，e(t)为跟踪误差，s(t)为滑模函数。
根据滑模定义
设计控制函数为：
其中，u是滑模控制器的控制函数，g(x)是系统增益函数，f(x)是系统函数，η是趋近速度常数，sgn(s)为符号函数，符号函数中的s是滑模函数，ih是谐波电流。
根据李雅普诺夫判稳定理建立李雅普诺夫函数：
其中，V1为李雅普诺夫函数,
最后，根据李雅普诺夫判稳定理对V1李雅普诺夫函数导数
其中，
是李雅普诺夫函数的导数,s是滑模函数,
是滑模函数的导数，c是滑模系数,η是趋近速度常数，sgn(s)为符号函数,
由于
可以判定控制函数稳定，控制函数u成立；
(3)基于RBF神经网络建立网络结构并应用李雅普诺夫判稳原理设计权值修正式；
RBF神经网络由输入层、隐藏层和输出层组成。首先要建立隐藏层函数h(x)，神经网络的输出函数f(x)为权值w和隐藏层函数h(x)的积，如下式：
f(x)＝wTh(x)
其中，x为神经网络输入函数,h(x)为隐藏层函数，w为神经网络的权值，f(x)为输出函数，l为中心向量,r为高斯偏置宽度。
根据李雅普诺夫定理建立李雅普诺夫函数
其中，V2为李雅普诺夫函数，λ为自适应常数。
将V2求导
其中，θ为最小逼近误差，c为滑模系数，h(x)为隐藏层函数。
若使系统稳定必须使
所以令
得到
当
时，有
故控制函数稳定，神经网络收敛。
优选的，调理电路为电流采样型调理电路，包括：电阻R1-R8，放大器A1-A5，电容C1-C3，连接关系如下：
电阻R3第一端接地，电阻R3第二端分别连接电阻R1和R2的第一端，R1第二端与电流型传感器输出端并联后，连接到放大器A1的反相输入端，放大器A1的正相输入端接地，放大器A1的输出分别连接到电阻R2的第二端和放大器A2的正相输入端，放大器A2的输出分别连接到放大器A2的反相输入端和电阻R4第一端，电阻R4第二端分别连接到放大器A3的反相输入端和电阻R5第一端，放大器A3的正相输入端接地，电阻R5第二端分别连接放大器A3的输出和电阻R6第一端，电阻R6第二端分别连接放大器A4的正相输入端和电容C1第一端，电容C1第二端接地，放大器A4的输出分别连接到放大器A4的反相输入端和电阻R7的第一端，电阻R7的第二端分别连接电阻R8第一端和电容C3第一端，电阻R8第二端分别连接电容C2第一端和放大器A5的反相输入端，电容C2第二端接地，电容C3第二端连接放大器A5的正相输入端接地，放大器A5的输出端输出电压。
优选的，调理电路为电压采样型调理电路，包括电阻R1-R14，放大器A1-A8，电容C1-C3，连接关系如下：
电阻R1第一端连接电压型传感器输出端，电阻R1第二端分别连接电阻R2第二端、电阻R3第一端和放大器A1的反相输入端，电阻R2第一端连接偏执电压，放大器A1的正相输入端接地，放大器A1的输出分别连接电阻R3第二端和电阻R6第一端，电阻R6第二端分别连接电阻R7第一端和放大器A2的反相输入端，放大器A2的正相输入端分别连接电阻R4第一端和电阻R5第一端，电阻R4第二端接地，电阻R5第二端分别连接放大器A3的输出端和放大器A3的反相输入端，电阻R7第二端分别连接放大器A2的输出和电阻R8第一端，电阻R8第二端分别连接放大器A3的正相输入端、放大器A4的反相输入端和电阻R9第一端，放大器A4的正相输入端接地，电阻R9第二端分别连接放大器A4的输出和放大器A5的正相输入端，放大器A5的输出端分别连接放大器A4的反相输入端和电阻R10第一端，电阻R10第二端分别连接电阻R11第一端和放大器A6的反相输入端，放大器A6的正相输入端接地，电阻R11第二端分别连接放大器A6的输出和电阻R12第一端，电阻R12第二端分别连接电容C1第一端和放大器A7的正相输入端，电容C1第二端接地，放大器A7的输出端分别连接放大器A7的反相输入端和电阻R13第一端，电阻R13第二端分别连接电阻R14第一端和电容C3第一端，电阻R14第二端分别连接电容C2第一端和放大器A8的反相输入端，电容C2第二端接地，放大器A8的输出连接电容C3第二端以及放大器A8的正相输入端，三者的交点处电压为输出电压。
优选的，基于神经滑模控制策略的有源电力滤波电路的控制方法，执行以下步骤：
步骤1：初始化DSP的寄存器，再初始化变量；
步骤2：DSP执行信号采样，触发DSP的ePWM模块中断进入中断服务程序，中断服务程序发出采样命令给FPGA；
步骤3：FPGA处于等待外部触发状态，当FPGA接到采样命令后，FPGA触发成功；
步骤4：FPGA发出模数转化所需的控制命令和采样时钟到模数转换电路；
步骤5：采样电路对主电路进行采样后经过调理电路到模数转换电路，模数转换电路对采样信号进行处理后，将采样信号发送至DSP；
步骤6：DSP获取采样信号成功，DSP执行控制算法，应用PI控制电压外环，然后经锁相环(PLL)对电源电压进行锁相，获取内环控制算法所需的角度参数，DSP将获取的参数代入根据神经滑模控制策略算法所获到的控制函数
参数包括：通过采样得到直流母线电压Udc，即g(x)值；采样得到电源电压UsaUsb和Usc和负载侧电流iL经PLL和瞬时无功提取谐波电流ih；采样得到补偿电流ic，与谐波电流ih做差得到跟踪误差e,从而到滑模函数s,由跟踪误差e代入神经网络得到系统函数f(x)；
步骤7：根据神经滑模控制算法对电流进行跟踪控制，得到主电路中逆变器交流侧电压；
步骤8,：DSP通过SVPWM调制交流侧电压得到门控信号，将门控信号发送给FPGA；
步骤9：当FPGA接到门控信号后，FPGA触发成功，FPGA判断信号是否为正常的门控信号，如果是FPGA将门控信号传递给驱动电路，如果出现过压或过流错误信号，FPGA执行控制异常封波功能，将DSP发来的门控信号拦截，并强行关闭逆变器，实现硬件保护功能。
本申请的优点是：
1、将硬件的通信、采样、故障检测、脉冲生成等运动控制与算法运算单元分开，充分利用内部资源、极大的提高处理速度、增强扩展性和兼容性。使处理器各司其职，专片专用提高系统的稳定性、减少实施难度以及给人工智能算法与工控算法融合开辟道路。
2、本发明为了使信号的无损传送，保证信号的准确性。将信号都均转换成电流形式发出，在传输的路径中不会因为线阻和外界扰动而产生电平损失；本发明采用三阶滤波器通带范围内具有与均匀而稳定的增益，在阻频带增益衰减斜率大。
3、将神经网络与滑模变结构控制相融合，最大限度上消除抖振现象，也克服了智能算法的缺陷。不仅在抗干扰方面表现优异，而且因其具备的学习能力使其对于参数的摄动具有很强的修复能力，从而提高了补偿精度。
附图说明
图1为基于神经滑模控制策略的有源电力滤波电路的结构示意图；
图2为电流采样型调理电路图；
图3为电流采样型调理电路原理图；
图4为电压采样型调理电路图；
图5为电压采样型调理电路原理图；
图6为主电路电路图；
图7为算法框图；
图8为程序框架图；
图9为电流跟踪图；
图10为滤波效果图。
具体实施方式
本申请采用将神经网络与滑模变结构控制相融合的方法,来实现对电流的快速跟踪。目前滑模变结构控制应用于非线性系统的控制，其优异的鲁棒性是其亮点，但滑模变控制也存在着抖振缺陷。将神经网络与滑模变结构控制相融合在最大限度上消除滑模变结构控制的抖振现象，并且同时也克服了智能算法的缺陷，不仅在抗干扰方面表现优异，而且因其具备的学习能力使其对于参数的摄动具有很强的修复能力，从而提高了补偿精度。
基于神经滑模控制策略的有源电力滤波电路包括：主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路，其中，主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路依次连接为环状，并且FPGA逻辑运算电路与模数转换电路相连接。调理电路为电流采样型调理电路或电压采样型调理电路，DSP数字运算电路采用神经滑模控制策略对有源电力滤波电路进行控制，下面结合具体实施方式来进行详细说明。
主电路由补偿线路、被补偿线路和逆变器组成，逆变器是电力滤波器的执行器直接并联在被补偿线路中，补偿线路为被补偿线路与逆变器之间的连接线。主电路用于滤除被补偿线路里的谐波及无功，主电路与采样电路连接；
采样电路主要由传感器组成，用于从主电路采集所需参数,将主电路中的功率级参数转化为信号级参数发送给调理电路；
调理电路用于信号处理功能,将采样电路中传感器测量的参数转换为适合数字电路接收的信号,调理电路包含加法电路、反向放大电路、跟随电路、电流泵、跨阻电路和滤波器,调理电路与模数转换电路进行连接；
调理电路的功能具体包括：1、电压型信号与电流型信号的相互转换；2、提供较大的输入阻抗提高接收信号的能力和提供较小的输出电阻提高驱动能力；3、对采集的信号进行滤波，滤除高频谐波分量和扰动分量；4、改变信号的方向、调节信号的零点位置及对信号的幅值进行放大或缩小。在实际工程应用中，采集信号的精度，利用电压信号传输时会造成如下问题：1)传感器释放的信号功率低，在传输过程中出现电压跌了造成接收机读取错误信息；2)在复杂环境中，电压信号极易受到噪声的干扰。所以本发明中设计的两个调理电路都使用电流信号，电流信号的优势在于电流信号对于噪声不敏感，在使用过程中不易受到外界干扰，也不存在跌落失真的现象。由于目前传感器主要分为电流型传感器和电压型传感器，因此针对这两种不同的传感器，分别设计了电流采样型调理电路和电压采样型调理电路，下面分别进行说明。
参考图2，电流采样型调理电路包括电阻R1-R8，放大器A1-A5，电容C1-C3，连接关系如下：电阻R3第一端接地，电阻R3第二端分别连接电阻R1和R2的第一端，R1第二端与电流型传感器输出端并联后，连接到放大器A1的反相输入端，放大器A1的正相输入端接地，放大器A1的输出分别连接到电阻R2的第二端和放大器A2的正相输入端，放大器A2的输出分别连接到放大器A2的反相输入端和电阻R4第一端，电阻R4第二端分别连接到放大器A3的反相输入端和电阻R5第一端，放大器A3的正相输入端接地，电阻R5第二端分别连接放大器A3的输出和电阻R6第一端，电阻R6第二端分别连接放大器A4的正相输入端和电容C1第一端，电容C1第二端接地，放大器A4的输出分别连接到放大器A4的反相输入端和电阻R7的第一端，电阻R7的第二端分别连接电阻R8第一端和电容C3第一端，电阻R8第二端分别连接电容C2第一端和放大器A5的反相输入端，电容C2第二端接地，电容C3第二端连接放大器A5的正相输入端接地，放大器A5的输出端输出电压。
参考图3，电流采样型调理电路是针对电流型传感器设计的调理电路，由放大器A1和电阻R1、R2与R3组成跨阻电路实现电流-电压转化，电流型传感器输出端的电流信号从放大器A1的反相输入端输入，电阻R1、R2与R3为增益电阻，此电阻组合解决了不切实际的高电阻阻值(灵敏度)需求，这个电阻组合可以满足工程应用中的阻值要求。由于信号进入反向输入端，所以这个电路输出的电压信号与实际信号符号相反。由放大器A2构成电压跟随器做电路缓冲及隔离，前级电路输出的电压信号并非理想信号源信号，本电路起到承上启下的作用，将上一级的信号无损的接受并传递出去。由放大器A3和电阻R4与R5构成反向放大电路，本电路解决两个问题：1)第一级电路输出电压信号与实际信号相反，本电路将信号还原成与实际信号方向相同的信号；2)后级电路所需电压大小可以用R4和R5的电阻组合来调整。本发明设计高阶滤波器达到理想的衰减量，本电路利用一阶有源阻容滤波电路与二阶Sallen-Key电路级联方式实现三阶低通滤波电路设计，由放大器A4、A5、电阻R6、R7、R8和电容C1、C2、C3组成，低通滤波器的截止频率为10KHz，响应形式为巴特沃斯型，利用电压反馈运放及RC电路组合构成，优点在于极点稳定且精确，极点角频率与品质因数独立可调，低无源灵敏度，截止频点衰减率大。
参考图4，电压采样型调理电路包括电阻R1-R14，放大器A1-A8，电容C1-C3，连接关系如下：电阻R1第一端连接电压型传感器输出端，电阻R1第二端分别连接电阻R2第二端、电阻R3第一端和放大器A1的反相输入端，电阻R2第一端连接偏执电压，放大器A1的正相输入端接地，放大器A1的输出分别连接电阻R3第二端和电阻R6第一端，电阻R6第二端分别连接电阻R7第一端和放大器A2的反相输入端，放大器A2的正相输入端分别连接电阻R4第一端和电阻R5第一端，电阻R4第二端接地，电阻R5第二端分别连接放大器A3的输出端和放大器A3的反相输入端，电阻R7第二端分别连接放大器A2的输出和电阻R8第一端，电阻R8第二端分别连接放大器A3的正相输入端、放大器A4的反相输入端和电阻R9第一端，放大器A4的正相输入端接地，电阻R9第二端分别连接放大器A4的输出和放大器A5的正相输入端，放大器A5的输出端分别连接放大器A5的反相输入端和电阻R10第一端，电阻R10第二端分别连接电阻R11第一端和放大器A6的反相输入端，放大器A6的正相输入端接地，电阻R11第二端分别连接放大器A6的输出和电阻R12第一端，电阻R12第二端分别连接电容C1第一端和放大器A7的正相输入端，电容C1第二端接地，放大器A7的输出端分别连接放大器A7的反相输入端和电阻R13第一端，电阻R13第二端分别连接电阻R14第一端和电容C3第一端，电阻R14第二端分别连接电容C2第一端和放大器A8的反相输入端，电容C2第二端接地，放大器A8的输出连接电容C3第二端以及放大器A8的正相输入端，三者的交点处电压为输出电压。
参考图5，电压采样型调理电路是针对电压型传感器设计的调理电路，电压型传感器讲所测的物理量数值转化为电压信号输出，但是电压信号在传输过程中容易受到外界的干扰或因传输介质存在杂散电阻造成电压跌落，所以本发明中将电压信号先转变化成电流信号传输,到控制板后再将其转化成电压信号传输。偏置电路由放大器A1和电阻R1～R3组成，本发明中偏置电路给电流泵提供其所需电压，Usignal为传感器的电压信号，电压信号的幅值大小根据不同的传感器由不同的幅值，有多个不同的信号需要采集时信号不容易处理，有的信号的电压值很小造成电压-电流转化时电流值过小，所以用一个偏执电压Ubias将信号电压调整到需要的电压范围内；由放大器A2～A3和电阻R4～R8构成电流泵，此电路的功能是将电压信号转换成电流信号，为了减小功率损耗增加了电阻R5调整因负载而产生未被利用的回流电流，从而降低了系统的负担和多余的损耗。在电流泵电路中既使用了正反馈由使用了负反馈，所以在某些条件下他们可能造成系统震荡，A3跟随电路可以有效防止电流反向流动，电流只通过A2的输出端向后流而不会流向A3的正向输入端，从而使电路更加的稳定可靠。此电路电阻R4＝R6，R5＝R7。将电压信号转换成电流信号,在通过导线进行传输,使用电流传输可以避免电压传输的很多问题,并可以长距离传输信号而保证信号的精确。由放大器A3和电阻R9构成跨阻电路，跨阻电路将电流信号转化成电压信号，A5是电压信号跟随电路，此电路起到阻抗变换器的作用，将前一个电路的电压信号无缩减的全部采集过来，在整个电路中起着缓冲器的作用。由放大器A6和电阻R10与R11构成反向放大电路，本电路由放大器A7～A8、电阻R12～R14和电容C1～C3组成，低通滤波器的截止频率为10KHz。
模数转换电路用于模拟信号与数字信号的转换功能，模数转换电路将从调理电路接收的模拟信号转换成数字信号，并发送至DSP数字运算电路；
DSP数字运算电路用于控制算法运算功能，它与FPGA逻辑运算电路连接；本实施例中的DSP数字运算电路采用数字处理芯片TMS320F28335实现。DSP数字运算电路采用神经滑模控制策略对有源电力滤波电路进行控制。考虑到工控环境下控制必须在线进行，不可在线下进行学习所以本申请神经网络控制选用了RBF神经网络，其局部收敛特性满足快速学习快速收敛的特性，在与滑模控制相融合的过程中不会出现因延时而产生的错误或误差，提高电流内环的跟踪效果。DSP数字运算电路中神经滑模控制策略需要控制函数和RBF神经网络，其中控制函数为
控制函数中的f(x)通过RBF神经网络获得。神经滑模控制策略中RBF神经网络自适应的控制函数具体设计方法如下：
1)基于基尔霍夫电压定律对电力有源滤波器进行建模，电力有源滤波器模型如下；
其中，R是交流侧电阻，L是交流侧电感，a、b、c分别表示三相有源滤波器中的一条支路，Usa、Usb和Usc分别是电网三条支路的电压，UaN、UbN和UcN为逆变器中三条支路的点电压，ica、icb和icc为逆变器中三条支路的补偿电流，Sa、Sb和Sc是开关量，Udc直流母线电压。对电力有源滤波器模型求导，并整理成微分方程式：
对微分方程式做以下设定：
ga(x)＝gb(x)＝gc(x)＝Udc
则，微分方程式转化为控制标准型函数：
电力有源滤波器模型简化为：
其中，g(x)为系统增益函数，f(x)为系统函数；
(2)基于滑模定义设计滑模控制器并对其进行稳定性分析
根据瞬时无功算法提取在负载电流中的谐波及无功值作为控制目标值ih(t)与补偿电流值ic(t)做差得到跟踪误差e(t)：
e(t)＝ih(t)-ic(t)
定义滑模面：
s(t)＝ce(t)
其中，c是滑模系数，e(t)为跟踪误差，s(t)为滑模函数。
根据滑模定义
设计控制函数为：
其中，u是滑模控制器的控制函数，g(x)是系统增益函数，f(x)是系统函数，η是趋近速度常数，sgn(s)是符号函数，s是滑模函数，ih谐波电流，所述谐波电流即上述的控制目标值。
根据李雅普诺夫判稳定理建立李雅普诺夫函数：
其中，V1为李雅普诺夫函数,。
最后，根据李雅普诺夫判稳定理对V1李雅普诺夫函数导数
其中，
是李雅普诺夫函数的导数,s是滑模函数，
是滑模函数的导数，c是滑模系数,η是趋近速度常数，sgn(s)为符号函数,
由于V1≥0,
可以判定控制函数稳定，控制函数u成立。
(3)基于RBF神经网络建立网络结构并应用李雅普诺夫判稳原理设计权值修正式；
RBF神经网络由输入层、隐藏层和输出层组成。首先要建立隐藏层函数h(x)，神经网络的输出函数f(x)为权值w和隐藏层函数h(x)的积，如下式：
f(x)＝wTh(x)
其中，x为神经网络输入函数,h(x)为隐藏层函数，w为神经网络的权值，f(x)为输出函数，l为中心向量,r为高斯偏置宽度。
根据李雅普诺夫定理建立李雅普诺夫函数
其中，V2为李雅普诺夫函数，λ为自适应常数。
将V2求导
其中，θ为最小逼近误差，c为滑模系数，h(x)为隐藏层函数。
若使系统稳定必须使
所以令
得到
当
时，有
故控制函数稳定，神经网络收敛。
FPGA逻辑运算电路从DSP接收控制命令后，用于控制命令的执行和控制异常封波，它与电平转换电路和采样电路连接；本实施例中采用的可编程逻辑器件为EP2C5Q208C8N。FPGA逻辑运算电路循环处于等待外部触发状态：当FPGA接到采样命令后，FPGA发出模数转化所需的控制命令和采样时钟到模数转换电路，当FPGA接到SVPWM调制命令后，FPGA发出门控信号；
电平转换电路接收FPGA发出门控信号，并将门控信号的电压进行提升并发送至驱动电路；
驱动电路与主电路相连，用于电平转换、自举和过流过压检测的功能。
本申请基于神经滑模控制策略的有源电力滤波电路，使用时具体流程包括如下步骤，主要步骤参考图8：
步骤1：初始化DSP的寄存器，再初始化变量；
步骤2：DSP执行信号采样，触发DSP的ePWM模块中断进入中断服务程序，中断服务程序发出采样命令给FPGA；
步骤3：FPGA处于等待外部触发状态，当FPGA接到采样命令后，FPGA触发成功；
步骤4：FPGA发出模数转化所需的控制命令和采样时钟到模数转换电路；
步骤5：采样电路对主电路进行采样后经过调理电路到模数转换电路，模数转换电路对采样信号进行处理后，将采样信号发送至DSP；
步骤6：DSP获取采样信号成功，DSP执行控制算法，应用PI控制电压外环，然后经锁相环(PLL)对电源电压进行锁相，获取内环控制算法所需的角度参数，PI及锁相环为普通技术人员常见方法并非本发明保护技术不做赘述，DSP将获取的参数代入根据神经滑模控制算法的控制函数
中，参数包括：通过采样得到直流母线电压Udc，即g(x)值；采样得到电源电压UsaUsb和Usc和负载侧电流iL经PLL和瞬时无功提取谐波电流ih；采样得到补偿电流ic并与谐波电流ih做差得到跟踪误差e,从而到滑模函数s；由跟踪误差e代入神经网络得到系统函数f(x)。
步骤7：根据神经滑模控制算法对谐波电流进行跟踪控制，得到主电路中逆变器交流侧电压；
步骤8,：DSP通过SVPWM(Space Vector Pulse Width Modulation)调制交流侧电压得到门控信号，将门控信号发送给FPGA；
步骤9：当FPGA接到门控信号后，FPGA触发成功，FPGA判断信号是否为正常的门控信号，如果是FPGA将门控信号传递给驱动电路，如果出现过压，过流等错误信号，FPGA执行控制异常封波功能，将DSP发来的门控信号拦截，并强行关闭逆变器，实现硬件保护功能。
图9是使用基于神经滑模控制策略的有源电力滤波电路后的电流跟踪图，其中的两个波形一条是有瞬时无功提取出来的目标电流，另一条是逆变器输出的补偿电流，从图中可以看到在接近0.04s的时候两条线完全重合，从图中可知此控制方法具有优异的动态响应特性和很小的稳态误差。
图10是使用基于神经滑模控制策略的有源电力滤波电路后的波形图，此图为有源电力滤波器原型机实验波形，本发明中提出的方案已经得到实物验证。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于神经滑模控制策略的有源电力滤波电路,其特征在于：包括：主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路；主电路、采样电路、调理电路、模数转换电路、DSP数字运算电路、FPGA逻辑运算电路和电平转换电路依次连接为环状，并且FPGA逻辑运算电路与模数转换电路相连接，具体连接关系如下：
主电路包括补偿线路、被补偿线路和逆变器，逆变器并联在被补偿线路中，补偿线路为被补偿线路与逆变器之间的连接线，主电路用于滤除线路里的谐波及无功，主电路与采样电路连接；
采样电路用于从主电路采集所需参数,将主电路中的功率级参数转化为信号级参数发送给调理电路；
调理电路用于信号处理,将采样电路中传感器测量的参数转换为适合数字电路接收的信号；所述调理电路为电压采样型调理电路，包括电阻R1-R14，放大器A1-A8，电容C1-C3，连接关系如下：电阻R1第一端连接电压型传感器输出端，电阻R1第二端分别连接电阻R2第二端、电阻R3第一端和放大器A1的反相输入端，电阻R2第一端连接偏执电压，放大器A1的正相输入端接地，放大器A1的输出分别连接电阻R3第二端和电阻R6第一端，电阻R6第二端分别连接电阻R7第一端和放大器A2的反相输入端，放大器A2的正相输入端分别连接电阻R4第一端和电阻R5第一端，电阻R4第二端接地，电阻R5第二端分别连接放大器A3的输出端和放大器A3的反相输入端，电阻R7第二端分别连接放大器A2的输出和电阻R8第一端，电阻R8第二端分别连接放大器A3的正相输入端、放大器A4的反相输入端和电阻R9第一端，放大器A4的正相输入端接地，电阻R9第二端分别连接放大器A4的输出和放大器A5的正相输入端，放大器A5的输出端分别连接放大器A5的反相输入端和电阻R10第一端，电阻R10第二端分别连接电阻R11第一端和放大器A6的反相输入端，放大器A6的正相输入端接地，电阻R11第二端分别连接放大器A6的输出和电阻R12第一端，电阻R12第二端分别连接电容C1第一端和放大器A7的正相输入端，电容C1第二端接地，放大器A7的输出端分别连接放大器A7的反相输入端和电阻R13第一端，电阻R13第二端分别连接电阻R14第一端和电容C3第一端，电阻R14第二端分别连接电容C2第一端和放大器A8的反相输入端，电容C2第二端接地，放大器A8的输出连接电容C3第二端以及放大器A8的正相输入端，放大器A8的输出端线路电压为电压采样型调理电路的输出电压；
模数转换电路用于模拟信号与数字信号的转换，模数转换电路从FPGA逻辑运算电路接收控制命令和采样时钟后，模数转换电路将从调理电路接收的模拟信号转换成数字信号，并发送至DSP数字运算电路；
DSP数字运算电路与FPGA逻辑运算电路连接；所述DSP数字运算电路采用神经滑模控制策略对有源电力滤波电路进行控制，DSP数字运算电路中神经滑模控制策略包括滑模控制和RBF神经网络自适应控制，其中滑模控制函数为
所述滑模控制函数中的系统函数f(x)通过RBF神经网络自适应控制获得，u是滑模控制函数，g(x)是系统增益函数，η是趋近速度常数，sgn(s)为符号函数，符号函数中的s是滑模函数，ih是谐波电流；
FPGA逻辑运算电路从DSP数字运算电路接收控制命令后用于控制命令的执行和控制异常封波，所述FPGA逻辑运算电路与电平转换电路和模数转换电路连接，当FPGA逻辑运算电路接到采样命令后，FPGA逻辑运算电路发出模数转化所需的控制命令和采样时钟到模数转换电路，当FPGA逻辑运算电路接到SVPWM调制命令后，FPGA逻辑运算电路发出门控信号到电平转换电路；
电平转换电路用于接收到门控信号后将低压芯片的电压进行初步提升并发送至驱动电路；
驱动电路与主电路相连，用于电平转换、自举和过流过压检测。
2.根据权利要求1所述的基于神经滑模控制策略的有源电力滤波电路,其特征在于：所述DSP数字运算电路中神经滑模控制策略中所述滑模控制函数
和所述RBF神经网络的具体设计方法如下：
1)基于基尔霍夫电压定律对有源电力滤波电路进行建模，有源电力滤波电路模型如下：
其中，R是交流侧电阻，L是交流侧电感，a,b,c分别表示三相有源电力滤波电路中的一条支路，Usa、Usb和Usc分别是电网三条支路的电压，UaN、UbN和UcN为逆变器中三条支路的点电压，ica、icb和icc为逆变器中三条支路的补偿电流，Sa、Sb和Sc是开关量，Udc为直流母线电压，对有源电力滤波电路模型求导，并整理成微分方程式：
对微分方程式做以下设定：
ga(x)＝gb(x)＝gc(x)＝Udc
则，微分方程式转化为控制标准型函数：
进一步，将有源电力滤波电路模型统一简化为：
其中，g(x)为系统增益函数，f(x)为系统函数；
(2)基于滑模定义设计滑模控制器并对其进行稳定性分析：
根据瞬时无功算法提取在负载电流中的谐波及无功值作为控制目标值ih(t)与补偿电流值ic(t)做差得到跟踪误差e(t)：
e(t)＝ih(t)-ic(t)
定义滑模面：
s(t)＝ce(t)
其中，c是滑模系数，e(t)为跟踪误差，s(t)为滑模函数；
则根据滑模定义
获得设计滑模控制函数为：
其中，u是滑模控制函数，g(x)是系统增益函数，f(x)是系统函数，η是趋近速度常数，sgn(s)为符号函数，符号函数中的s是滑模函数，ih是谐波电流；
对滑模控制函数进行稳定性分析，首先根据李雅普诺夫判稳原理建立李雅普诺夫函数：
其中，V1为李雅普诺夫函数,s是滑模函数；
再根据李雅普诺夫判稳原理对V1李雅普诺夫函数求导
其中，
是李雅普诺夫函数的导数,s是滑模函数,
是滑模函数的导数，c是滑模系数,η是趋近速度常数，sgn(s)为符号函数；
由于V1≥0,
可以判定滑模控制函数稳定，因此证明滑模控制函数u成立，可用于DSP数字运算电路中；
(3)基于RBF神经网络建立网络结构并应用李雅普诺夫判稳原理设计权值修正式：
RBF神经网络由输入层、隐藏层和输出层组成，首先要建立隐藏层函数h(x)，神经网络的输出函数f′(x)为权值w和隐藏层函数h(x)的积，如下式：
f′(x)＝wTh(x)
其中，x为神经网络输入函数,h(x)为隐藏层函数，w为神经网络的权值，f′(x)为神经网络输出函数，l为中心向量,r为高斯偏置宽度；
根据李雅普诺夫判稳原理建立李雅普诺夫函数
其中，V2为李雅普诺夫函数，λ为自适应常数；
将V2求导
其中，θ为最小逼近误差，c为滑模系数，h(x)为隐藏层函数；
若使系统稳定必须使
所以令
得到
当
时，有
因此滑模控制函数稳定，神经网络收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811398204.XA CN109546660B (zh) | 2018-11-22 | 2018-11-22 | 基于神经滑模控制策略的有源电力滤波电路和控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811398204.XA CN109546660B (zh) | 2018-11-22 | 2018-11-22 | 基于神经滑模控制策略的有源电力滤波电路和控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109546660A CN109546660A (zh) | 2019-03-29 |
| CN109546660B true CN109546660B (zh) | 2021-03-02 |
Family
ID=65849504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811398204.XA Active CN109546660B (zh) | 2018-11-22 | 2018-11-22 | 基于神经滑模控制策略的有源电力滤波电路和控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109546660B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109976442B (zh) * | 2019-04-30 | 2020-07-28 | 北京邮电大学 | 一种从时钟信息优化方法、装置、电子设备及存储介质 |
| CN111404491A (zh) * | 2020-03-25 | 2020-07-10 | 杭州顾宸科技有限公司 | 一种电压自动补偿的t型电阻网络跨阻放大电路 |
| CN112003481A (zh) * | 2020-08-18 | 2020-11-27 | 中广核研究院有限公司北京分公司 | 一种4-20mA电流隔离输出电路 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000014007A (ja) * | 1998-06-22 | 2000-01-14 | Kansai Electric Power Co Inc:The | アクティブフィルタの制御方法 |
| CN103151781A (zh) * | 2013-03-19 | 2013-06-12 | 河海大学常州校区 | 基于反馈线性化的有源电力滤波器自适应模糊控制方法 |
| CN103269073A (zh) * | 2013-05-27 | 2013-08-28 | 国家电网公司 | 一种基于dsp和fpga的apf控制器 |
| CN103441499A (zh) * | 2013-07-24 | 2013-12-11 | 河海大学常州校区 | 三相并联型有源滤波器的线性化反馈神经滑模控制方法 |
| CN205226891U (zh) * | 2015-12-28 | 2016-05-11 | 安阳师范学院 | 燃气管网泄漏瞬变压力波调理电路 |
-
2018
- 2018-11-22 CN CN201811398204.XA patent/CN109546660B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000014007A (ja) * | 1998-06-22 | 2000-01-14 | Kansai Electric Power Co Inc:The | アクティブフィルタの制御方法 |
| CN103151781A (zh) * | 2013-03-19 | 2013-06-12 | 河海大学常州校区 | 基于反馈线性化的有源电力滤波器自适应模糊控制方法 |
| CN103269073A (zh) * | 2013-05-27 | 2013-08-28 | 国家电网公司 | 一种基于dsp和fpga的apf控制器 |
| CN103441499A (zh) * | 2013-07-24 | 2013-12-11 | 河海大学常州校区 | 三相并联型有源滤波器的线性化反馈神经滑模控制方法 |
| CN205226891U (zh) * | 2015-12-28 | 2016-05-11 | 安阳师范学院 | 燃气管网泄漏瞬变压力波调理电路 |
Non-Patent Citations (2)
| Title |
|---|
| 张慧岳.电力有源滤波器快速跟踪算法的研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》》.2018, * |
| 电力有源滤波器快速跟踪算法的研究;张慧岳;《中国优秀硕士学位论文全文数据库 工程科技II辑》》;20180815;第7-86页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109546660A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109546660B (zh) | 基于神经滑模控制策略的有源电力滤波电路和控制方法 | |
| Wang et al. | Linear ADRC direct current control of grid‐connected inverter with LCL filter for both active damping and grid voltage induced current distortion suppression | |
| CN108039706B (zh) | 一种有源电力滤波器抗饱和频率自适应谐振控制方法 | |
| CN106786647A (zh) | 一种三相四线制并联apf双闭环非线性复合控制方法 | |
| CN111064225B (zh) | 一种基于线性自抗扰控制的并网逆变器电流环控制装置 | |
| CN108551271A (zh) | 基于自抗扰控制的ups三相pwm电压源逆变器及控制方法 | |
| CN105406741B (zh) | 一种三相电网电压不平衡时pwm整流器模糊滑模变结构控制方法 | |
| CN107069723B (zh) | 有源电力滤波器分数阶PIλ及自抗扰混合控制方法 | |
| CN109327048B (zh) | 一种并网变流器鲁棒锁相系统及方法 | |
| CN109039035B (zh) | 适应电网电抗变化的并网逆变器滤波器参数设计方法 | |
| CN103424621A (zh) | 一种谐波电流的人工神经网络检测方法 | |
| CN109802433A (zh) | 一种并网逆变器功率振荡抑制系统及方法 | |
| CN116979535A (zh) | 一种用于有源电力滤波器的双重谐波电流检测方法 | |
| Djerboub et al. | Particle swarm optimization trained artificial neural network to control shunt active power filter based on multilevel flying capacitor inverter | |
| CN108565896B (zh) | 一种考虑功率控制影响的光伏发电系统稳定性分析方法 | |
| Li et al. | An equivalent differential method for active damping of LCL type grid-connected inverters with grid-side inductor voltage feedback | |
| CN107968406B (zh) | 一种有源电力滤波器抗饱和频率自适应重复控制方法 | |
| CN106099988A (zh) | Lcl型光伏并网逆变器自适应控制系统及控制方法 | |
| CN109599867A (zh) | 基于双环结构的三相并网变流器电流环干扰抑制控制方法 | |
| CN106253276B (zh) | 一种融合抗扰动技术的三相三电平有源滤波器控制方法 | |
| CN113014250A (zh) | 一种可消除直流偏移电压的锁相环及其锁相控制方法 | |
| CN105403771A (zh) | 一种改进的自适应原理谐波检测方法 | |
| Chu et al. | Exponential stability, semistability, and boundedness of a multi-ANF system | |
| CN110286594A (zh) | 一种有源电力滤波器自适应动态终端滑模控制方法 | |
| Fei et al. | Adaptive backstepping neural control of active power filter using complementary sliding mode approach |
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 |