CN110045610A - 逆变器改进型多步模型预测控制方法、设备及存储设备 - Google Patents
逆变器改进型多步模型预测控制方法、设备及存储设备 Download PDFInfo
- Publication number
- CN110045610A CN110045610A CN201910313865.6A CN201910313865A CN110045610A CN 110045610 A CN110045610 A CN 110045610A CN 201910313865 A CN201910313865 A CN 201910313865A CN 110045610 A CN110045610 A CN 110045610A
- Authority
- CN
- China
- Prior art keywords
- current
- inverter
- current value
- predictive control
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供了逆变器改进型多步模型预测控制方法、设备及存储设备,采用遍历法的形式在一个控制周期内计算所有开关组合状态分别作用下的输出电流,并根据代价函数最小时对应的开关组合状态作用下的变流器实现电流的逆变。该方法构建了确保两个周期内最优的预测开关组合状态,并在第二个周期,只选择了最优的三个矢量进行预测,在代价函数的设置中,添加的开关频率参数项,避免了传统单步模型预测的局限性,既减少了计算量也保留了其他开关函数组合所包含的最优信息。本发明的有益效果是:有效改善了电流的跟踪精度,提高了输出电能的质量,并且减少开关器件组合的开关次数,提高开关器件的平均使用寿命。
Description
技术领域
本发明涉及逆变器控制领域,尤其涉及逆变器改进型多步模型预测控制方法、设备及存储设备。
背景技术
逆变器是光伏发电系统的重要接口,将太阳能转换为与电网电压同频、同相的交流电,并网电能质量取决于逆变器的电流控制策略,输出的逆变电流质量是其重要指标,并网逆变器通常采用的电流控制有滞环控制、比例积分控制、传统预测控制等。其中滞环控制动态响应快,但是开关频率不固定,导致电流谐波大;比例积分控制控制简单,但动态响应慢,容易超调;传统模型预测因计算量大,导致延时存在。
预测控制是近年来发展起来的一类控制算法,它采用多步测试、滚动优化以及反馈校正等控制策略,具有鲁棒性高、动态性能好等优点。传统的变流器有限控制集模型预测控制(finite control set model predictive control,FCS-MPC)算法是一种变流器优化控制算法。该传统的FS-MPC通过考虑空间矢量图上的所有电压矢量,具有动态响应快、处理系统约束灵活且无需PWM调制器和相关参数设计等优点,但在线运算量过大,耗时过长,仅可确保所选开关函数组合在一个控制周期内的最优,而未考虑其在未来两个或多个控制周期内的最优性;仅考虑了各控制时刻变流器最优开关函数组合的最优性,而未考虑次优或其他开关函数组合可能包含的最优信息。
发明内容
为了解决上述问题,本发明提供了一种逆变器改进型多步模型预测控制方法,主要包括以下步骤:
S101:将电网中的逆变器中的6个开关器件组合成8种开关组合状态,且得到每种开关组合状态时逆变侧对应输出的电压矢量,并得到当前时刻逆变侧三相电网电压的电流值;
S102:根据当前时刻逆变侧三相电网电压的电流值,得到当前时刻的开关组合状态,再通过模型预测控制算法,得到下一时刻的预测开关组合状态,将下一时刻的预测开关组合状态应用到逆变器的开关器件组合中,得到后一时刻逆变侧三相电网电压的预测电流值;
S103:根据基尔霍夫定律,并进行转化处理和离散化处理,得到电流预测模型;将8种开关组合状态下的电压矢量输入到电流预测模型中,得到对应的8个预测电流值;通过代价函数,将所述8个预测电流值及步骤S102中得到的后一时刻的预测电流值与预设电流值进行对比,得到最优的n个预测电流值;所述最优是指预测电流值与预设电流值最接近,n为大于等于1的正整数;
S104:通过电流预测模型,由步骤S103中得到的n个最优预测电流值与在8种开关组合状态下的电压矢量,得到8n个新的预测电流值;并通过代价函数从所述8n个新的预测电流值中确定出一个最终的最优电流值;所述最终的最优电流值是指代价函数值最小时所对应的所述8n个新的预测电流值中的一个新的预测电流值;
S105:根据步骤S104中得到的最终的最优电流值,得到后一时刻的开关组合状态,并将该开关组合状态应用在逆变器的开关器件组合中,从而得到至少两个周期内最优的逆变电流。
进一步地,8种开关组合状态分别为:000、100、110、010、011、001、101和111,逆变侧对应输出的电压矢量分别为v0=0、v1=2/3*Vdc、v2=1/3*Vdc+1j*sqrt(3)/3*Vdc、v3=-1/3*Vdc+1j*sqrt(3)/3*Vdc、v4=-2/3*Vdc、v5=-1/3*Vdc-1j*sqrt(3)/3*Vdc、v6=1/3*Vdc-1j*sqrt(3)/3*Vdc和v7=0,其中,Vdc为直流侧的电压输出值。
进一步地,电流预测模型的建立过程如下:
S301:根据基尔霍夫定律,得到三相逆变器的输出电流在三相坐标系下的数学模型,如公式(1)所示:
其中,R为滤波电阻,L为滤波电感,ia、ib和ic分别为在三相坐标系下逆变侧滤波后的电流,ea、eb和ec分别为电网电压;
S302:对公式(1)进行αβ两相静止坐标系下的数学模型的转化处理,得到公式(2):
其中,R为滤波电阻,L为滤波电感,iα、iβ、eα、eβ、uα和uβ为在αβ两相静止坐标系下桥臂侧输出电流、电网电压、桥臂侧输出电压分别在α轴和β轴上的分量;
S303:对公式(2)所示的数学模型进行离散化处理,得到电流预测模型,如公式(3)所示:
其中,和为下一时刻tk+1时的电流预测值,iα(k)和iβ(k)为当前时刻tk时的电流值,Ts为采样频率,当前时刻tk时的电网电压e(k):其中,e(k-1)为前一时刻电网电压,u(k-1)为前一时刻tk-1时的输出电压,i(k)和i(k-1)分别为当前时刻tk和下一时刻tk+1时的电流;R为滤波电阻,L为滤波电感,Ts为采样频率。
进一步地,所述代价函数fg如公式(4)所示:
其中,λ为权重因子且大于0,N为代价函数g中的开关器件组合中的开关频率项,N=abs(Sa(k)-Sa(k-1))+abs(Sb(k)-Sb(k-1))+abs(Sc(k)-Sc(k-1)),Sa(k)、Sb(k)和Sc(k)分别代表当前时刻的开关器件组合的开关状态,Sa(k-1)、Sb(k-1)和Sc(k-1)分别代表前一时刻的开关器件组合的开关状态。
进一步地,步骤S103和步骤S104的n可取值为3。
一种存储设备,所述存储设备存储指令及数据用于实现一种逆变器改进型多步模型预测控制方法。
一种逆变器改进型多步模型预测控制设备,包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现一种逆变器改进型多步模型预测控制方法。
本发明提供的技术方案带来的有益效果是:有效改善了电流的跟踪精度,提高了输出电能的质量,并且减少开关器件组合的开关次数,提高开关器件的平均寿命。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种逆变器改进型多步模型预测控制方法的流程图;
图2是本发明实施例中逆变系统拓扑结构图;
图3是本发明实施例中模型预测的系统结构框图;
图4是本发明实施例中改进模型预测原理图;
图5是本发明实施例中模型预测电流跟随图;
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了逆变器改进型多步模型预测控制方法、设备及存储设备。
请参考图1和图4,图1是本发明实施例中一种逆变器改进型多步模型预测控制方法的流程图,图4是本发明实施例中改进模型预测原理图,具体包括如下步骤:
S101:将电网中的逆变器中的6个开关器件组合成8种开关组合状态,且得到每种开关组合状态时逆变侧对应输出的电压矢量,并得到当前时刻逆变侧三相电网电压的电流值;所述8种开关组合状态(SaSbSc)分别为:000、100、110、010、011、001、101和111,逆变侧对应输出的电压矢量分别为v0=0、v1=2/3*Vdc、v2=1/3*Vdc+1j*sqrt(3)/3*Vdc、v3=-1/3*Vdc+1j*sqrt(3)/3*Vdc、v4=-2/3*Vdc、v5=-1/3*Vdc-1j*sqrt(3)/3*Vdc、v6=1/3*Vdc-1j*sqrt(3)/3*Vdc和v7=0,其中,Vdc为直流侧的电压输出值。在本实施例中,Vdc为直流侧的电压预设值的取值为800V,8种开关组合状态SaSbSc分别代表图2中S1S2S3三个虚线框中所示的的开关器件组合,0代表上开关器件导通,下开关器件关闭,1代表上开关器件关闭,下开关器件导通。
S102:根据当前时刻逆变侧三相电网电压的电流值,得到当前时刻的开关组合状态,再通过模型预测控制算法,得到下一时刻的预测开关组合状态,将下一时刻的预测开关组合状态应用到逆变器的开关器件组合中,得到后一时刻逆变侧三相电网电压的预测电流值;
S103:根据基尔霍夫定律,并通过转化处理和离散化处理,得到电流预测模型;将8种开关组合状态下的电压矢量输入到电流预测模型中,得到对应的8个预测电流值;通过代价函数,将所述8个预测电流值及步骤S102中得到的后一时刻的预测电流值与预设电流值进行对比,得到最优的3个预测电流值;所述最优是指预测电流值与预设电流值最接近;电流预测模型的建立过程如下:
S301:根据基尔霍夫定律,得到三相逆变器的输出电流在三相坐标系下的数学模型,如公式(1)所示:
其中,R为滤波电阻,L为滤波电感,ia、ib和ic分别为在三相坐标系下逆变侧滤波后的电流,ea、eb和ec分别为电网电压,在本实施例中电网电压的取值均为幅值为120V,频率为50Hz;
S302:对公式(1)进行αβ两相静止坐标系下的数学模型的转化处理,得到公式(2):
其中,R为滤波电阻,L为滤波电感,iα、iβ、eα、eβ、uα和uβ为在αβ两相静止坐标系下桥臂侧输出电流、电网电压、桥臂侧输出电压分别在α轴和β轴上的分量;
S303:对公式(2)所示的数学模型进行离散化处理,得到电流预测模型,如公式(3)所示:
其中,和为下一时刻tk+1时的电流预测值,iα(k)和iβ(k)为当前时刻tk时的电流值,Ts为采样频率,当前时刻tk时的电网电压e(k):其中,e(k-1)为前一时刻电网电压,u(k-1)为前一时刻tk-1时的输出电压,i(k)和i(k-1)分别为当前时刻tk和下一时刻tk+1时的电流;R为滤波电阻,L为滤波电感,Ts为采样频率,在本实施例中,Ts的取值为40kHz,R的取值为10Ω,L的取值为50e-3H;
所述代价函数fg如公式(4)所示:
其中,λ为权重因子且大于0,在本实施例中λ的取值为0.5N,代价函数g中的开关器件组合中的开关频率项,N=abs(Sa(k)-Sa(k-1))+abs(Sb(k)-Sb(k-1))+abs(Sc(k)-Sc(k-1)),Sa(k)、Sb(k)和Sc(k)分别代表当前时刻的开关器件组合的开关状态,Sa(k-1)、Sb(k-1)和Sc(k-1)分别代表前一时刻的开关器件组合的开关状态。
S104:通过电流预测模型,由步骤S103中得到的3个最优预测电流值与在8种开关组合状态下的电压矢量,得到24个新的预测电流值;并通过代价函数从所述24个新的预测电流值中确定出一个最终的最优电流值;所述最终的最优电流值是指代价函数值最小时所对应的所述24个新的预测电流值中的一个新的预测电流值;
S105:根据步骤S104中得到的最终的最优电流值,得到后一时刻的开关组合状态,并将该开关组合状态应用在逆变器的开关器件组合中,从而得到至少两个周期内最优的逆变电流。
请参考图2,图2是本发明实施例中逆变系统拓扑结构图,图中的MPPT+PV用于提供一个稳定的直流侧电压预设值Vdc,并检测得到当前时刻逆变侧三相电网电压的电流值,由模型预测控制算法得出当前时刻的开关状态组合(SaSbSc),即六路的占空比分别应用到6个开关器件中,得到逆变后的交流电流通过滤波电感L滤波后并入电网中。
请参考图3,图3是本发明实施例中电流预测模型的作用图,改进的并网逆变控制策略实质上是对电流的控制,由给定的电流参考信号I*(tk)与实际测量并经过模型预测控制计算得到的电流值Ipi(tk+1)经过代价函数选择最优的电流值,得出所对应的开关组合状态S(tk)作用于逆变器。
请参考图5,图5是本发明实施例中模型预测电流跟随图,电流可以很好的跟随参考信号,图5中左下角的光滑抛物线即为预设的所述参考信号,说明了电流改进后的模型预测逆变控制策略可以达到要求,并改善电能质量。
请参见图6,图6是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:一种逆变器改进型多步模型预测控制设备401、处理器402及存储设备403。
一种逆变器改进型多步模型预测控制设备401:所述一种逆变器改进型多步模型预测控制设备401实现所述一种逆变器改进型多步模型预测控制方法。
处理器402:所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种逆变器改进型多步模型预测控制方法。
存储设备403:所述存储设备403存储指令及数据;所述存储设备403用于实现所述一种逆变器改进型多步模型预测控制方法。
本发明的有益效果是:有效改善了电流的跟踪精度,提高了输出电能的质量,并且减少开关器件组合的开关次数,提高开关器件的平均寿命。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种逆变器改进型多步模型预测控制方法,其特征在于:包括以下步骤:
S101:将电网中的逆变器中的6个开关器件组合成8种开关组合状态,且得到每种开关组合状态时逆变侧对应输出的电压矢量,并得到当前时刻逆变侧三相电网电压的电流值;
S102:根据当前时刻逆变侧三相电网电压的电流值,得到当前时刻的开关组合状态,再通过模型预测控制算法,得到下一时刻的预测开关组合状态,将下一时刻的预测开关组合状态应用到逆变器的开关器件组合中,得到后一时刻逆变侧三相电网电压的预测电流值;
S103:根据基尔霍夫定律,并进行转化处理和离散化处理,得到电流预测模型;将8种开关组合状态下的电压矢量输入到电流预测模型中,得到对应的8个预测电流值;通过代价函数,将所述8个预测电流值及步骤S102中得到的后一时刻的预测电流值与预设电流值进行对比,得到最优的n个预测电流值;所述最优是指预测电流值与预设电流值最接近,n为大于等于1的正整数;
S104:通过电流预测模型,由步骤S103中得到的n个最优预测电流值与在8种开关组合状态下的电压矢量,得到8n个新的预测电流值;并通过代价函数从所述8n个新的预测电流值中确定出一个最终的最优电流值;所述最终的最优电流值是指代价函数值最小时所对应的所述8n个新的预测电流值中的一个新的预测电流值;
S105:根据步骤S104中得到的最终的最优电流值,得到后一时刻的开关组合状态,并将该开关组合状态应用在逆变器的开关器件组合中,从而得到至少两个周期内最优的逆变电流。
2.如权利要求1所述的逆变器改进型多步模型预测控制方法,其特征在于:8种开关组合状态分别为:000、100、110、010、011、001、101和111,逆变侧对应输出的电压矢量分别为v0=0、v1=2/3*Vdc、v2=1/3*Vdc+1j*sqrt(3)/3*Vdc、v3=-1/3*Vdc+1j*sqrt(3)/3*Vdc、v4=-2/3*Vdc、v5=-1/3*Vdc-1j*sqrt(3)/3*Vdc、v6=1/3*Vdc-1j*sqrt(3)/3*Vdc和v7=0,其中,Vdc为直流侧的电压输出值。
3.如权利要求1所述的逆变器改进型多步模型预测控制方法,其特征在于:电流预测模型的建立过程如下:
S301:根据基尔霍夫定律,得到三相逆变器的输出电流在三相坐标系下的数学模型,如公式(1)所示:
其中,R为滤波电阻,L为滤波电感,ia、ib和ic分别为在三相坐标系下逆变侧滤波后的电流,ea、eb和ec分别为电网电压,
S302:对公式(1)进行αβ两相静止坐标系下的数学模型的转化处理,得到公式(2):
其中,R为滤波电阻,L为滤波电感,iα、iβ、eα、eβ、uα和uβ为在αβ两相静止坐标系下桥臂侧输出电流、电网电压、桥臂侧输出电压分别在α轴和β轴上的分量;
S303:对公式(2)所示的数学模型进行离散化处理,得到电流预测模型,如公式(3)所示:
其中,和为下一时刻tk+1时的电流预测值,iα(k)和iβ(k)为当前时刻tk时的电流值,Ts为采样频率,当前时刻tk时的电网电压e(k):其中,e(k-1)为前一时刻电网电压,u(k-1)为前一时刻tk-1时的输出电压,i(k)和i(k-1)分别为当前时刻tk和下一时刻tk+1时的电流;R为滤波电阻,L为滤波电感,Ts为采样频率。
4.如权利要求1所述的逆变器改进型多步模型预测控制方法,其特征在于:所述代价函数fg如公式(4)所示:
其中,λ为权重因子且大于0,N为代价函数g中的开关器件组合中的开关频率项,N=abs(Sa(k)-Sa(k-1))+abs(Sb(k)-Sb(k-1))+abs(Sc(k)-Sc(k-1)),Sa(k)、Sb(k)和Sc(k)分别代表当前时刻的开关器件组合的开关组合状态,Sa(k-1)、Sb(k-1)和Sc(k-1)分别代表前一时刻的开关器件组合的开关组合状态。
5.如权利要求1所述的逆变器改进型多步模型预测控制方法,其特征在于:步骤S103和步骤S104的n可取值为3。
6.一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现权利要求1~5所述的任意一种逆变器改进型多步模型预测控制方法。
7.一种逆变器改进型多步模型预测控制设备,其特征在于:包括:处理器及存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~5所述的任意一种逆变器改进型多步模型预测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313865.6A CN110045610A (zh) | 2019-04-18 | 2019-04-18 | 逆变器改进型多步模型预测控制方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313865.6A CN110045610A (zh) | 2019-04-18 | 2019-04-18 | 逆变器改进型多步模型预测控制方法、设备及存储设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110045610A true CN110045610A (zh) | 2019-07-23 |
Family
ID=67277717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910313865.6A Pending CN110045610A (zh) | 2019-04-18 | 2019-04-18 | 逆变器改进型多步模型预测控制方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045610A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855166A (zh) * | 2019-11-12 | 2020-02-28 | 华南理工大学 | Pwm整流器无差拍电流预测控制方法 |
CN111561733A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于gbdt的供暖户阀调节方法、系统及设备 |
CN111682792A (zh) * | 2020-07-02 | 2020-09-18 | 湖南师范大学 | 一种多步预测的变流器模型预测控制方法 |
CN111708277A (zh) * | 2020-05-29 | 2020-09-25 | 中国科学技术大学 | 一种自适应时域的事件触发模型预测控制方法 |
CN111917130A (zh) * | 2020-08-04 | 2020-11-10 | 西安热工研究院有限公司 | 一种提高光伏发电低电压穿越能力的方法 |
CN112104244A (zh) * | 2020-11-17 | 2020-12-18 | 江苏时代新能源科技有限公司 | 并网逆变器的控制方法和装置 |
CN112288235A (zh) * | 2020-10-10 | 2021-01-29 | 国网江苏省电力有限公司泰州供电分公司 | 配电网用户接入方案的生成方法及存储介质 |
US11251720B1 (en) | 2020-11-17 | 2022-02-15 | Jiangsu Contemporary Amperex Technology Limited | Method and apparatus for controlling grid-tie inverter |
CN115133802A (zh) * | 2022-06-07 | 2022-09-30 | 深圳市京泉华科技股份有限公司 | 一种逆变器模型预测控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101377637B1 (ko) * | 2014-01-08 | 2014-03-25 | 서울과학기술대학교 산학협력단 | 정상상태 추정치와 모델예측제어 기법을 이용한 무정전 전원장치의 출력 제어장치 및 출력 제어방법 |
CN104901567A (zh) * | 2015-06-04 | 2015-09-09 | 上海电力学院 | 基于单相并网逆变器的低开关损耗模型预测控制方法 |
CN107681915A (zh) * | 2017-10-17 | 2018-02-09 | 南京理工大学 | 基于定频有限集模型预测的多电平逆变器并网方法及装置 |
-
2019
- 2019-04-18 CN CN201910313865.6A patent/CN110045610A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101377637B1 (ko) * | 2014-01-08 | 2014-03-25 | 서울과학기술대학교 산학협력단 | 정상상태 추정치와 모델예측제어 기법을 이용한 무정전 전원장치의 출력 제어장치 및 출력 제어방법 |
CN104901567A (zh) * | 2015-06-04 | 2015-09-09 | 上海电力学院 | 基于单相并网逆变器的低开关损耗模型预测控制方法 |
CN107681915A (zh) * | 2017-10-17 | 2018-02-09 | 南京理工大学 | 基于定频有限集模型预测的多电平逆变器并网方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙小燕: "适用于光伏逆变器预测控制方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
王友: "三相电压型逆变器的有限控制集模型预测控制研究及应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855166A (zh) * | 2019-11-12 | 2020-02-28 | 华南理工大学 | Pwm整流器无差拍电流预测控制方法 |
CN111561733B (zh) * | 2020-05-18 | 2021-11-12 | 瑞纳智能设备股份有限公司 | 基于gbdt的供暖户阀调节方法、系统及设备 |
CN111561733A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于gbdt的供暖户阀调节方法、系统及设备 |
CN111708277A (zh) * | 2020-05-29 | 2020-09-25 | 中国科学技术大学 | 一种自适应时域的事件触发模型预测控制方法 |
CN111682792A (zh) * | 2020-07-02 | 2020-09-18 | 湖南师范大学 | 一种多步预测的变流器模型预测控制方法 |
CN111682792B (zh) * | 2020-07-02 | 2023-07-11 | 湖南师范大学 | 一种多步预测的变流器模型预测控制方法 |
WO2022027717A1 (zh) * | 2020-08-04 | 2022-02-10 | 西安热工研究院有限公司 | 一种提高光伏发电低电压穿越能力的方法 |
CN111917130A (zh) * | 2020-08-04 | 2020-11-10 | 西安热工研究院有限公司 | 一种提高光伏发电低电压穿越能力的方法 |
CN112288235A (zh) * | 2020-10-10 | 2021-01-29 | 国网江苏省电力有限公司泰州供电分公司 | 配电网用户接入方案的生成方法及存储介质 |
CN112288235B (zh) * | 2020-10-10 | 2022-07-29 | 国网江苏省电力有限公司泰州供电分公司 | 配电网用户接入方案的生成方法及存储介质 |
CN112104244B (zh) * | 2020-11-17 | 2021-03-26 | 江苏时代新能源科技有限公司 | 并网逆变器的控制方法和装置 |
CN112104244A (zh) * | 2020-11-17 | 2020-12-18 | 江苏时代新能源科技有限公司 | 并网逆变器的控制方法和装置 |
US11251720B1 (en) | 2020-11-17 | 2022-02-15 | Jiangsu Contemporary Amperex Technology Limited | Method and apparatus for controlling grid-tie inverter |
CN115133802A (zh) * | 2022-06-07 | 2022-09-30 | 深圳市京泉华科技股份有限公司 | 一种逆变器模型预测控制方法 |
CN115133802B (zh) * | 2022-06-07 | 2023-03-24 | 深圳市京泉华科技股份有限公司 | 一种逆变器模型预测控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045610A (zh) | 逆变器改进型多步模型预测控制方法、设备及存储设备 | |
Wang et al. | Model predictive control using artificial neural network for power converters | |
Delghavi et al. | An adaptive feedforward compensation for stability enhancement in droop-controlled inverter-based microgrids | |
CN106787874A (zh) | 清洁能源发电并网逆变器有限状态模型预测控制方法 | |
CN109038673A (zh) | 光伏发电系统的模型预测优化控制方法 | |
CN105762789B (zh) | 一种无电压传感器的三相变流器模型预测控制方法 | |
Bayhan et al. | Model predictive droop control of distributed generation inverters in islanded AC microgrid | |
Bouaziz et al. | High performance of fuzzy direct power control for PWM converters | |
CN116436327A (zh) | 一种基于神经网络的变流器自适应预测控制方法及系统 | |
Jayachandra et al. | ANN based direct power control of 2-level PWM rectifier | |
Salim et al. | Shunt active filter based on three–level (NPC) Inverter using Current and DC voltage artificial neural network controllers | |
Al-suod | Modeling of an Active Reactive Power Compensator Operation in an Autonomous Electric Power System | |
Kumar et al. | ROGI with FsLMS based control technique for solar PV system under weak grid | |
Apparao et al. | Hybrid MDA-ANFIS approach based control of grid connected solar system with nine level inverter wind energy conversion | |
Hussain et al. | Machine learning based voltage regulation technique using smart rotating magnetic inverter | |
Lana | LVDC power distribution system: computational modelling | |
Wang et al. | Neural network-based model predictive control approach for modular multilevel converters | |
Gu et al. | Control Strategy of Three-Level NPC Inverter Based on Variable Coefficient Virtual Vector Model Predictive Control | |
Madhavan et al. | Unified power quality control based microgrid for power quality enhancement using various controlling techniques | |
Chen et al. | Data-driven predictive current control for active front ends with neural networks | |
CN105406492A (zh) | 一种三相电负荷自动平衡算法 | |
Boopalan et al. | Certain Investigation of Real power flow control of Artificial Neural Network based Matrix converter-Unified Power Flow Controller in IEEE 14 Bus system | |
Anjana et al. | Optimization based shunt APF controller to mitigate reactive power, burden of neutral conductor, current harmonics and improve cosφ | |
CN109936299A (zh) | 一种a相开路故障下三相四开关变换器模型预测控制方法 | |
CN109888824A (zh) | 一种基于预测控制的光伏并网逆变控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |