CN110429835B - 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法 - Google Patents

一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法 Download PDF

Info

Publication number
CN110429835B
CN110429835B CN201910629356.4A CN201910629356A CN110429835B CN 110429835 B CN110429835 B CN 110429835B CN 201910629356 A CN201910629356 A CN 201910629356A CN 110429835 B CN110429835 B CN 110429835B
Authority
CN
China
Prior art keywords
current
phase
voltage
control
rbfnn
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
CN201910629356.4A
Other languages
English (en)
Other versions
CN110429835A (zh
Inventor
高维士
严运兵
马强
瞿红玲
于俊飞
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201910629356.4A priority Critical patent/CN110429835B/zh
Publication of CN110429835A publication Critical patent/CN110429835A/zh
Application granted granted Critical
Publication of CN110429835B publication Critical patent/CN110429835B/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
    • H02M1/12—Arrangements for reducing harmonics from ac input or output
    • H02M1/126—Arrangements for reducing harmonics from ac input or output using passive filters
    • 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
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/02—Conversion of ac power input into dc power output without possibility of reversal
    • H02M7/04—Conversion of ac power input into dc power output without possibility of reversal by static converters
    • H02M7/12—Conversion of ac power input into dc power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/21—Conversion of ac power input into dc power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/217—Conversion of ac power input into dc power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only
    • H02M7/219—Conversion of ac power input into dc power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only in a bridge configuration

Landscapes

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

Abstract

发明提出了一种基于LCL滤波的RBFNN分段在线优化无源控制系统及方法。通过三相电压、电流信号传感器分别采集电网侧三相电压、电流信号，并进行坐标变换；根据坐标轴电压、电流构建基于IDA‑PBC算法的无源控制哈密顿模型，并构建改进的d、q轴开关函数；通过PSO对不同负载电阻下包含RBFNN学习率、动量因子等参数的粒子进行离线优化，以获得最优粒子集合；以直流侧电压、电流传感器信号计算出的负载电阻，作为分段触发条件，通过最优粒子构建RBF‑PID模型，运用控制器模块来实现分段优化控制；将参数优化后的RBF‑PID，用于对稳定运行时的Im进行优化求解；根据优化的Im，结合d、q轴开关函数进行控制，由SVPWM生成IGBT控制信号，实现整流控制。本发明控制精度更高，鲁棒性更好。

Description

一种基于LCL滤波的RBFNN分段在线优化无源控制系统及方法
技术领域
本发明属于电力电子以及非线性控制领域，尤其涉及一种基于LCL滤波的RBFNN分段在线优化无源控制系统及方法。
背景技术
随着电力控制技术的发展，以LCL滤波的电压型PWM整流器(Voltage Source PWMRectifier,VSR)即LCL-VSR，因其对高次谐波具有更好的滤除效果，不仅开关工作频率低，电感值小，同时能够有效降低入网电流波形总谐波畸变率(Total Harmonic Distortion,THD)，而越来越多受到研究人员的重视。
LCL滤波器虽能降低入网电流波形总谐波畸变率，但又由于滤波电容的引入增加了谐振现象，导致系统不稳定。如不能有效解决谐振现象，则会进一步增加THD，网侧高次谐波的含量也会进一步增加。对此一些新的控制策略应运而生。例如无阻尼控制策略、滑模控制理论、有源阻尼控制策略、直接功率控制策略等。现有技术以电流和相关频率响应有关的传递函数为集中点，寻找设计条件并构思设计方法，重点介绍了具有阻尼电阻的LCL滤波器，旨在将有源直流牵引变电站的并联有源电力滤波器连接到与输电网的公共耦合点。该设计方法的数学基础是基于满足与高频开关电流的显着衰减相关的要求，同时满足需要通过有源滤波补偿的电流流动。为了通过在补偿的最高谐波频率和开关频率上施加幅度响应来量化要补偿的谐波程度，定义了性能指标。作为附加设计标准，考虑阻尼功率损耗。现有技术还有通过分析带有漏感时的共模变压器等效电路,提出了一种新型的CLC型逆变器端无源滤波器。利用漏感代替差模电感来抑制差模电压dv/dt,在减小谐波含量同时对共模电压也有着很好的抑制作用。现有技术还有为了抑制LCL滤波器的固有谐振,在基于同步旋转坐标系的LCL-VSR控制中,通过在电流环中增加陷波滤波器的方法实现了LCL滤波器的有源阻尼。
发明内容
针对非线性负载入网电流波形总畸变率过高，加入LCL滤波器后可能存在谐振现象，提出无源控制思想，即基于互联和阻尼分配无源控制(Interconnection and DampingAssignment Passivity-based Control,IDA-PBC)算法的无源控制策略。同时由于无源控制中的注入阻尼为定值，这将导致在非额定负载下的动、静态性能有所降低，而使用PI调节无源控制则会造成非额定负载下初始状态偏差太大，进入稳定时间过长等不足。所以提出一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的分段在线优化无源控制策略，同时使用粒子群优化算法(Particle Swarm Optimization,PSO)对初始注入阻尼及RBFNN的学习率、动量因子及RBFNN饱和函数的饱和值等参数值进行离线优化。以无源控制LCL滤波的电压型PWM整流器为载体，以负载电阻值作为RBFNN分段优化触发条件，根据负载变化使用PSO离线优化值进行分段在线优化RBF-PID参数，实现最优动态调整，达到控制系统的鲁棒性好、稳定性高等优点，满足整流器的高精度、智能化需要。
本发明以三相LCL-VSR为研究对象，提出了一种基于RBFNN的分段优化无源控制策略，该策略结合PS0算法离线优化的优点。首先构建了皆在于降低入网电流波形THD和提高系统精确度及鲁棒性的基于参数优化IDA-PBC算法的无源控制器。其次通过PS0算法对RBFNN中学习率、动量因子及RBFNN饱和函数的饱和值等参数进行离线优化，以寻找适应不同负载的最佳收敛速度参数值。再次根据PS0算法离线优化参数值运用RBFNN智能算法来实现分段在线优化PID参数，能够充分发挥其最佳逼近性能和全局最优特性等优点。发明了一种基于LCL滤波的RBFNN分段在线优化无源控制系统及方法。
本发明系统的技术方案为：一种基于LCL滤波的RBFNN分段在线优化无源控制系统，其特征在于，包括：
交流电源模块、整流桥功率开关管、直流电源、交流电压信号采集传感器、锁相环、交流电流信号采集传感器、直流电压信号采集传感器、直流电流信号采集传感器、控制器模块；
所述交流电源模块与所述整流桥功率开关管通过导线连接；所述整流桥功率开关管与所述直流电源通过导线连接；所述交流电源模块与所述交流电压信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述锁相环通过导线连接；所述交流电源模块与所述交流电流信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述控制器模块通过导线连接；所述锁相环与所述控制器模块通过导线连接；所述交流电流信号采集传感器与所述控制器模块通过导线连接；所述控制器模块与所述整流桥功率开关管通过导线连接；所述直流电压信号采集传感器与直流电源通过导线连接；所述直流电压信号采集传感器与所述控制器模块通过导线连接；所述直流电流信号采集传感器与直流电源通过导线连接；所述直流电流信号采集传感器与所述控制器模块通过导线连接。
交流电源模块用于提供三相交流电并由交流电网直接提供；
交流电压信号采集传感器用于采集电网侧三相交流电的电压信号；
直流电压信号采集传感器用于采集直流输出侧电压信号；
锁相环根据瞬时电网侧三相交流电的电压信号生成角度信号并传输至控制器模块；
交流电流信号采集传感器用于采集整流器侧三相交流电的电流信号；
直流电流信号采集传感器用于采集直流输出侧电流信号；
控制器模块用于对三相交流电的电压信号以及电流信号进行坐标变化，根据直流侧电压、电流传感器采集信号计算出负载电阻，并进行基于RBFNN分段在线优化无源控制LCL型三相VSR的空间矢量脉宽调制算法控制；
整流桥功率开关管根据所述控制器模块控制将三相交流电整流成直流电；
直流电源提供直流输出电源；
一种基于LCL滤波的RBF神经网络分段在线优化无源控制方法，其特征在于，包括以下步骤：
步骤1：通过电压信号采集传感器采集电网侧三相电压，通过电流信号采集传感器采集整流器侧三相电流，根据坐标变换计算坐标轴电压以及电流；
步骤2：根据坐标轴电压以及电流构建基于IDA-PBC算法的无源控制哈密顿数学模型，并对其进行改进，以构建d轴开关函数以及q轴开关函数；
步骤3：通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解，优化得到最优RBFNN控制参数集合；
步骤4：根据直流侧电压、电流传感器采集信号计算出负载电阻，并作为分段触发条件，通过最优粒子构建RBF模型，运用控制器模块来实现分段优化控制；将参数优化后RBF-PID，用于对稳定运行时交流相电流幅值进行优化求解；
步骤5：根据优化后稳定运行时交流相电流幅值，结合d轴开关函数以及q轴开关函数进行控制，由空间矢量脉宽调制(Space Vector Pulse Width Modulation，SVPWM)对所述整流桥功率开关管进行控制，将所述交流电源模块输出的交流电整流为直流电；
作为优选，步骤1中所述通过电压信号采集传感器采集三相电压为：
A相电压ea，B相电压eb，C相电压ec；
步骤1中所述通过电流信号采集传感器采集三相电流为：
A相电流ia，B相电流ib，C相电流ic；
步骤1中所述根据坐标变换计算坐标轴电压以及电流：
A相电压ea，B相电压eb，C相电压ec通过dq坐标变换转换为d轴电压ed，q轴电压eq；
A相电流ia，B相电流ib，C相电流ic通过dq坐标变换转换为d轴电流id，q轴电流iq。
作为优选，步骤2中所述基于IDA-PBC算法的无源控制哈密顿数学模型为：
Figure BDA0002128228730000041
其中，J＝-JT，JT表示系统内部互联矩阵，Rd＝Rd T≥0，Rd表示系统的耗散矩阵，Ra(x)表示阻尼注入矩阵，Ra(x)＝diag{ra1ra2ra3ra4ra5ra6 1/ra7}，x1＝Lgigd，x2＝Lgigq，x3＝Lid，x4＝Liq，x5＝Cfucd，x6＝Cfucq，x7＝Cudc，
Figure BDA0002128228730000042
则可得三相VSR无源控制方程为：
Figure BDA0002128228730000043
其中，ea是a相幅值为Um的交流电网电动势，eb为b相幅值为Um的交流电网电动势，ec为b相幅值为Um的交流电网电动势，O为中性点，Lg为电网侧等效电感，d轴电压ed，q轴电压eq，L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和，输出电压为udc，电阻RL为等效负载，直流电容为C，ω为交流电源变换角速度，Sd为d轴开关函数，Sq为q轴开关函数；
由于取决于部分变量的控制律，其控制效果不如取决于全部控制变量的控制算法；
定义k1＝k1(x1)，k2＝k2(x2)，k3＝k3(x3)，K4＝k4(x4)，k5＝k5(x5)，k6＝k6(x6)，k7＝k7(x7)，依据可积性和IDA-PBC控制理论的条件则有：
Figure BDA0002128228730000051
其中，α1、α2、α3、α4、α5、α6、α7为改进参数，且大于零；
则d轴开关函数以及q轴开关函数为：
Figure BDA0002128228730000052
其中，Sd为d轴开关函数，Sq为q轴开关函数；α3为第三改进参数；α4为第四改进参数；α5为第五改进参数；α7为第七改进参数；ra3为第三注入阻尼；ra4为第四注入阻尼；ra7为第七注入阻尼；L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和；直流电容为C，ω为交流电源变换角速度；输出电压为udc，udcr为期望直流电源电压，id为d轴电流，iq为q轴电流，ed为d轴电压，eq为q轴电压；Im为稳定运行时交流相电流的幅值，Um相电压幅值；
作为优选，步骤3中所述通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解为：
PSO初始化为一群随机粒子，用位置、速度和适应度值作为粒子特征指标，适应度值由其输出性能指标而得，用以表示粒子的优劣，然后通过迭代找到最优解；
输出性能指标函数为：
Figure BDA0002128228730000061
在每一次迭代中，粒子通过跟踪局部最优解以及全局最优解来更新自己，第一个就是粒子本身所找到的最优解，即局部最优解pbest。另一个极值是整个种群目前找到的最优解，即全局最优解gbest；
在一个D维空间，有n个粒子的种群中，每个粒子为由学习率、动量因子及RBFNN饱和函数的饱和值构建的三维向量；
粒子根据如下的公式来更新自己的速度和新的位置：
Figure BDA0002128228730000062
Figure BDA0002128228730000063
其中，ω为惯性权重；d＝1,…,D；i＝1,…,n；k为当前迭代次数；Vid为粒子的速度；
Figure BDA0002128228730000064
为当前粒子的位置；r1、r2为介于[0，1]之间的随机数；c1、c2为非负常数加速度因子；
在上述的PSO寻优的初始化粒子p即为包含学习率、动量因子及RBFNN饱和函数的饱和值的一组3维向量的一个粒子。通过以上更新当适应度值与给出的最小适应度值进行比对，满足所设定的性能指标时，即终止寻优，得到gbest。针对不同负载条件可得到多组最优的学习率、动量因子及RBFNN饱和函数的饱和值等值，来实现RBFNN的分段优化控制；
如共进行W个电阻值的离线优化，则第m个电阻值的粒子寻优时负载电阻为RLm对应最优粒子为gbestm，m＝1,…,w；
作为优选，步骤4中所述运用控制器模块来实现分段优化控制为；
步骤4中所述RBFNN分段在线优化中的分段的实现，由通过传感器采集的直流输出侧电压、电流数据计算出负载电阻值作为分段优化控制的触发条件，以控制器模块来实现分段优化控制；
以标准负载RL1时的优化所得gbest1作为RBF-PID初始值，当检测到电阻值变化到RLm，迅速调用对应RLm优化所得的gbestm实现RBF-PID在线最优控制；
在上述的基于LCL滤波的RBFNN分段在线优化无源控制VSR控制方法，步骤4中所述Im的实现由udcr与udc差值，udcr为给定值，udc由直流电压信号采集传感器，经过PID调节后得到，为了达到更好的控制效果需对PID参数在线优化，分段后的RBFNN具有在线优化PID参数能力，可实现RBF-PID参数在线优化；
RBF-PID参数在线优化是通过节点中心向量cj及节点基宽bj不断迭代算法实现的具体如下：
RBFNN性能指标函数为：
J＝1/2(y(t)-ym(t))2
其中，y(t)为非线性系统输出；为RBFNN输出。
输出权值ωj：
ωj(t)＝ωj(t-1)+η(y(t)-ym(t))hj+α(ωj(t-1)-ωj(t-2))
其中，η为学习率；α为动量因子。
节点中心cj：
Figure BDA0002128228730000071
cji(t)＝cji(t-1)+ηΔcji+α(cji(t-1)-cji(t-2))
节点基宽bj：
Figure BDA0002128228730000072
bj(t)＝bj(t-1)+ηΔbj+α(bj(t-1)-bj(t-2))
PID参数调整：
控制误差为：
error(t)＝r(t)-y(t)
其中，r(t)为给定期望值。
PID控制器的输入为：
xc(1)＝error(t)-error(t-1)
xc(2)＝error(t)
xc(3)＝error(t)-2error(t-1)+error(t-2)
控制算法为：
u(t)＝u(t-1)+Δu(t)
Δu(t)＝kp(error(t)-error(t-1))+kierror(t)+kd(error(t)-2error(t-1)+error(t-2))其中，u(t)为控制输入；kp为比例系数；ki为积分系数；kd为微分系数。
RBF-PID网络指标函数：
E(t)＝1/2error2(t)
由梯度下降法，可得kp,ki,kd的调整量为：
Figure BDA0002128228730000081
Figure BDA0002128228730000082
Figure BDA0002128228730000083
其中，为被
Figure BDA0002128228730000084
控对象的雅克比矩阵，通过RBFNN进行控制后可得：
Figure BDA0002128228730000085
其中，xi为控制输入u(t)。
作为优选，步骤5中所述电压控制信号为uα、uβ，Sd为d轴开关函数，Sq为q轴开关函数通过下式计算得ucd、ucq并通过坐标转换为uα、uβ；
Figure BDA0002128228730000086
Figure BDA0002128228730000087
控制器模块接收到Sd、Sq信号后经过转化生成uα、uβ信号，然后根据uα、uβ信号通过SVPWM生成绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor，IGBT)控制脉冲信号，并传递给功率开关管可控整流桥；
功率开关管可控整流桥根据接收的IGBT控制脉冲信号控制通断，以达到将交流电源模块输送来的交流电转化为期望值的直流电，并将整流后的直流电传递给直流电源。
本发明优点在于，提出了一种基于RBFNN的分段优化无源控制策略，该策略结合粒子群优化算法(particle swarm optimization,PS0)离线优化的优点。首先构建了皆在于降低入网电流波形THD和提高系统精确度及鲁棒性的基于参数优化IDA-PBC算法的无源控制器。其次通过PS0算法对RBFNN中学习率、动量因子等参数进行离线优化，以寻找适应不同负载的最佳收敛速度参数值。再次根据PS0算法离线优化参数值运用RBFNN智能算法来实现分段在线优化PID参数，能够充分发挥其最佳逼近性能和全局最优特性等优点。此策略与其他控制策略相比，如模糊控制，控制精度更高，鲁棒性更好。
附图说明
图1：是本发明系统框图。
图2：是基于LCL滤波的RBF神经网络分段在线优化无源控制系统框图。
图3：是本发明方法流程图。
图4：是RBF-PID神经网络在线优化流程图。
图5：是PSO离线优化流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
本发明系统框图如图1所述，本实施例系统的技术方案为一种基于LCL滤波的RBFNN分段在线优化无源控制系统及方法，其特征在于，包括交流电源模块、交流电压信号采集传感器、直流电压信号采集传感器、锁相环、交流电流信号采集传感器、直流电流信号采集传感器、控制器模块、整流桥功率开关管、直流电源；
所述交流电源模块与所述整流桥功率开关管通过导线连接；所述整流桥功率开关管与所述直流电源通过导线连接；所述交流电源模块与所述交流电压信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述锁相环通过导线连接；所述交流电源模块与所述交流电流信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述控制器模块通过导线连接；所述锁相环与所述控制器模块通过导线连接；所述交流电流信号采集传感器与所述控制器模块通过导线连接；所述控制器模块与所述整流桥功率开关管通过导线连接；所述直流电压信号采集传感器与直流电源通过导线连接；所述直流电压信号采集传感器与所述控制器模块通过导线连接；所述直流电流信号采集传感器与直流电源通过导线连接；所述直流电流信号采集传感器与所述控制器模块通过导线连接。
所述交流电源模块用于提供三相交流电并由交流电网直接提供；所述交流电压信号采集传感器用于采集电网侧三相交流电的电压信号；所述锁相环根据瞬时电网侧三相交流电的电压信号生成角度信号并传输至控制器模块；所述交流电流信号采集传感器用于采集整流器侧三相交流电的电流信号；所述直流电压信号采集传感器用于采集直流电源压信号；所述直流电流信号采集传感器用于采集直流电源流信号；所述控制器模块用于对三相交流电的电压信号以及电流信号进行坐标变化，同时用于根据直流输出侧电压、电流数据计算出负载电阻值，并进行基于LCL滤波的RBF神经网络分段在线优化无源控制VSR的空间矢量脉宽调制控制；所述整流桥功率开关管根据所述控制器模块控制将三相交流电整流成直流电；所述用于直流电源提供直流输出电源。
所述交流电源模块为额定相电压220V的三相交流电；所述电网侧电压信号采集传感器型号为LEM公司的LV系列；所述锁相环型号为TI公司的PLL1707DBQR；所述整流器侧电流信号采集传感器型号为LEM公司的LxSR系列；所述控制器模块为博通BCM2837B0处理器；所述整流桥功率开关管型号为TOSHIBA公司的GT60N321；所述直流电源为600V直流电流电源。
下面结合图1至图3介绍本发明的具体实施方式，本发明具体实施方式为基于LCL滤波的RBF神经网络分段在线优化无源控制方法，具体包括以下步骤：
步骤1：通过电压信号采集传感器采集电网侧三相电压，通过电流信号采集传感器采集整流器侧三相电流，根据坐标变换计算坐标轴电压以及电流；
步骤1中所述通过电压信号采集传感器采集电网侧三相电压为A相电压ea，B相电压eb，C相电压ec；
步骤1中所述通过电流信号采集传感器采集整流器侧三相电流为A相电流ia，B相电流ib，C相电流ic；
步骤1中所述根据坐标变换计算坐标轴电压以及电流：
A相电压ea，B相电压eb，C相电压ec通过dq坐标变换转换为d轴电压ed，q轴电压eq；
A相电流ia，B相电流ib，C相电流ic通过dq坐标变换转换为d轴电流id，q轴电流iq；
步骤2：根据坐标轴电压以及电流构建基于IDA-PBC算法的无源控制哈密顿数学模型，并对其进行改进；
在上述的基于LCL滤波的RBFNN分段在线优化无源控制VSR控制方法，步骤2中所述基于IDA-PBC算法的无源控制哈密顿数学模型为：
Figure BDA0002128228730000111
其中，J＝-JT，JT表示系统内部互联矩阵，Rd＝Rd T≥0，Rd表示系统的耗散矩阵，Ra(x)表示阻尼注入矩阵，Ra(x)＝diag{ra1ra2ra3ra4ra5ra6 1/ra7}，x1＝Lgigd，x2＝Lgigq，x3＝Lid，x4＝Liq，x5＝Cfucd，x6＝Cfucq，x7＝Cudc，
Figure BDA0002128228730000112
则可得三相VSR无源控制方程为：
Figure BDA0002128228730000113
其中，ea是a相幅值为Um的交流电网电动势，eb为b相幅值为Um的交流电网电动势，ec为b相幅值为Um的交流电网电动势，O为中性点，Lg为电网侧等效电感，d轴电压ed，q轴电压eq，L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和，输出电压为udc，电阻RL为等效负载，直流电容为C，ω为交流电源变换角速度，Sd为d轴开关函数，Sq为q轴开关函数；
由于取决于部分变量的控制律，其控制效果不如取决于全部控制变量的控制算法；
定义k1＝k1(x1)，k2＝k2(x2)，k3＝k3(x3)，K4＝k4(x4)，k5＝k5(x5)，k6＝k6(x6)，k7＝k7(x7)，依据可积性和IDA-PBC控制理论的条件则有：
Figure BDA0002128228730000121
其中，α1、α2、α3、α4、α5、α6、α7为改进参数，且大于零；
则d轴开关函数以及q轴开关函数为：
Figure BDA0002128228730000122
其中，Sd为d轴开关函数，Sq为q轴开关函数；α3为第三改进参数；α4为第四改进参数；α5为第五改进参数；α7为第七改进参数；ra3为第三注入阻尼；ra4为第四注入阻尼；ra7为第七注入阻尼；L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和；直流电容为C，ω为交流电源变换角速度；输出电压为udc，udcr为期望直流电源电压，id为d轴电流，iq为q轴电流，ed为d轴电压，eq为q轴电压；Im为稳定运行时交流相电流的幅值，Um相电压幅值；
通过改进后的开关函数来实现开关控制，其效果更优；
步骤3：通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解，优化得到最优RBFNN控制参数集合；
在上述的基于LCL滤波的RBFNN分段在线优化无源控制VSR控制方法，步骤3中所述通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解为：
PSO初始化为一群随机粒子，用位置、速度和适应度值作为粒子特征指标，适应度值由其输出性能指标而得，用以表示粒子的优劣，然后通过迭代找到最优解；
输出性能指标函数为：
Figure BDA0002128228730000131
在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，第一个就是粒子本身所找到的最优解，即个体极值pbest。另一个极值是整个种群目前找到的最优解，即群体极值gbest；
在一个D维空间，有n个粒子的种群中，寻找这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：
Figure BDA0002128228730000132
Figure BDA0002128228730000133
其中，ω为惯性权重；d＝1,…,D；i＝1,…,n；k为当前迭代次数；Vid为粒子的速度；
Figure BDA0002128228730000134
为当前粒子的位置；r1、r2为介于[0，1]之间的随机数；c1、c2为非负常数加速度因子；
在上述的PSO寻优的初始化粒子p即为包含学习率、动量因子及RBFNN饱和函数的饱和值的一组3维向量的一个粒子。通过以上更新当适应度值与给出的最小适应度值进行比对，满足所设定的性能指标时，即终止寻优，得到gbest。针对不同负载条件可得到多组最优的学习率、动量因子及RBFNN饱和函数的饱和值等值，来实现RBFNN的分段优化控制；
如共进行w个电阻值的离线优化，则第m个电阻值的粒子寻优时负载电阻为RLm对应最优粒子为gbestm，m＝1,…,w。
为了使RBFNN中的学习率、动量因子及RBFNN饱和函数的饱和值等满足不同收敛速度需要，针对不同负载情况对其进行离线优化。惯性权重ω取0.6，加速度因子c1、c2均取2，最大迭代次数1600，粒子群规模取100，最小适应度值为0.0003等；
经过优化后由RLm可得对应gbestm：
RL1＝50Ω,η＝0.2004,α＝0.9286,U_m＝19.14；
RLi＝100Ω,η＝0.0657,α＝0.7478,U_m＝9.56；
RLw＝25Ω,η＝1.0823,α＝0.1105,U_m＝38.55；
其中，RLi为负载阻值；U_m为RBFNN对应饱和函数的饱和值。
由不同负载阻值得到PSO优化后的学习率、动量因子及饱和函数的饱和值，通过对负载进行适当范围取值就可得到分段优化值，可得：
如果RL1>＝49且u<＝51，则η＝0.2004,α＝0.9286,U_m＝19.14；
如果RLi>＝99且u<＝101，则η＝0.0657,α＝0.7478,U_m＝9.56；
如果RLw>＝24且u<＝26，则η＝1.0823,α＝0.1105,U_m＝38.55；
通过PSO离线参数优化，分段设计及RBFNN-PID参数在线优化可实现控制器实时在线控制，实现不同负载条件下直流侧电压输出稳定，响应速度和鲁棒性得到改善。
步骤4：根据直流侧电压、电流传感器采集信号计算出负载电阻，并作为分段触发条件，通过步骤3 gbestm构建RBF模型，运用控制器模块来实现分段优化控制。将参数优化后RBF-PID，用于对步骤2中的稳定运行时交流相电流幅值进行优化计算；
步骤4中所述运用控制器模块来实现分段优化控制为；
步骤4中所述RBFNN分段在线优化中的分段的实现，由通过传感器采集的直流输出侧电压、电流数据计算出负载电阻值作为分段优化控制的触发条件，以控制器模块来实现分段优化控制；
以标准负载RL1时的优化所得gbest1作为RBF-PID初始值，当检测到电阻值变化到RLm，迅速调用对应RLm优化所得的gbestm实现RBF-PID在线最优控制；
在上述的基于LCL滤波的RBFNN分段在线优化无源控制VSR控制方法，步骤4中所述Im的实现由udcr与udc差值经过PID调节后得到，为了达到更好的控制效果需对PID参数在线优化，分段后的RBFNN具有在线优化PID参数能力，可实现RBF-PID参数在线优化；
RBF-PID参数在线优化是通过节点中心向量cj及节点基宽bj不断迭代算法实现的具体如下：
RBFNN性能指标函数为：
J＝1/2(y(t)-ym(t))2
其中，y(t)为非线性系统输出；为RBFNN输出。
输出权值ωj：
ωj(t)＝ωj(t-1)+η(y(t)-ym(t))hj+α(ωj(t-1)-ωj(t-2))
其中，η为学习率；α为动量因子。
节点中心cj：
Figure BDA0002128228730000151
cji(t)＝cji(t-1)+ηΔcji+α(cji(t-1)-cji(t-2))
节点基宽bj：
Figure BDA0002128228730000152
bj(t)＝bj(t-1)+ηΔbj+α(bj(t-1)-bj(t-2))
PID参数调整：
控制误差为：
error(t)＝r(t)-y(t)
其中，r(t)为给定期望值。
PID控制器的输入为：
xc(1)＝error(t)-error(t-1)
xc(2)＝error(t)
xc(3)＝error(t)-2error(t-1)+error(t-2)
控制算法为：
u(t)＝u(t-1)+Δu(t)
Δu(t)＝kp(e(t)-e(t-1))+kie(t)+kd(e(t)-2e(t-1)+e(t-2))
其中，u(t)为控制输入；kp为比例系数；ki为积分系数；kd为微分系数。
RBF-PID网络指标函数：
E(t)＝1/2error2(t)
由梯度下降法，可得kp,ki,kd的调整量为：
Figure BDA0002128228730000161
Figure BDA0002128228730000162
Figure BDA0002128228730000163
其中，为被
Figure BDA0002128228730000164
控对象的雅克比矩阵，通过RBFNN进行控制后可得：
Figure BDA0002128228730000165
其中，xi为控制输入u(t)。
步骤5：控制器模块根据步骤2所得d轴开关函数以及q轴开关函数通过变换得到电压控制信号，根据SVPWM对所述整流桥功率开关管进行控制，将所述交流电源模块输出的交流电整流为直流电；
作为优选，步骤5中所述电压控制信号为uα、uβ，Sd为d轴开关函数，Sq为q轴开关函数通过下式计算得ucd、ucq并通过坐标转换为uα、uβ；
Figure BDA0002128228730000171
控制器模块接收到Sd、Sq信号后经过转化生成uα、uβ信号，然后根据uα、uβ信号通过SVPWM生成IGBT控制脉冲信号，并传递给功率开关管可控整流桥；
功率开关管可控整流桥根据接收的IGBT控制脉冲信号控制通断，以达到将交流电源模块输送来的交流电转化为期望值的直流电，并将整流后的直流电传递给直流电源。
尽管本文较多地使用了交流电源模块、电压信号采集传感器、锁相环、电流信号采集传感器、控制器模块、整流桥功率开关管、直流电源等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于LCL滤波的RBFNN分段在线优化无源控制系统的控制方法，其特征在于：
所述基于LCL滤波的RBFNN分段在线优化无源控制系统包括：
交流电源模块、整流桥功率开关管、直流电源、交流电压信号采集传感器、锁相环、交流电流信号采集传感器、直流电压信号采集传感器、直流电流信号采集传感器、控制器模块；
所述交流电源模块与所述整流桥功率开关管通过导线连接；所述整流桥功率开关管与所述直流电源通过导线连接；所述交流电源模块与所述交流电压信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述锁相环通过导线连接；所述交流电源模块与所述交流电流信号采集传感器通过导线连接；所述交流电压信号采集传感器与所述控制器模块通过导线连接；所述锁相环与所述控制器模块通过导线连接；所述交流电流信号采集传感器与所述控制器模块通过导线连接；所述控制器模块与所述整流桥功率开关管通过导线连接；所述直流电压信号采集传感器与直流电源通过导线连接；所述直流电压信号采集传感器与所述控制器模块通过导线连接；所述直流电流信号采集传感器与直流电源通过导线连接；所述直流电流信号采集传感器与所述控制器模块通过导线连接；
所述交流电源模块用于提供三相交流电并由交流电网直接提供；
所述交流电压信号采集传感器用于采集电网侧三相交流电的电压信号；
所述直流电压信号采集传感器用于采集直流输出侧电压信号；
所述锁相环根据瞬时电网侧三相交流电的电压信号生成角度信号并传输至控制器模块；
所述交流电流信号采集传感器用于采集整流器侧三相交流电的电流信号；
所述直流电流信号采集传感器用于采集直流输出侧电流信号；
所述控制器模块用于对三相交流电的电压信号以及电流信号进行坐标变化，根据直流侧电压、电流传感器采集信号计算出负载电阻，并进行基于RBFNN分段在线优化无源控制LCL型三相VSR的空间矢量脉宽调制算法控制；
所述整流桥功率开关管根据所述控制器模块控制将三相交流电整流成直流电；
所述直流电源提供直流输出电源；
控制方法包括以下步骤：
步骤1：通过电压信号采集传感器采集电网侧三相电压，通过电流信号采集传感器采集整流器侧三相电流，根据坐标变换计算坐标轴电压以及电流；
步骤2：根据坐标轴电压以及电流构建基于IDA-PBC算法的无源控制哈密顿数学模型，并对其进行改进，以构建d轴开关函数以及q轴开关函数；
步骤3：通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解，优化得到最优RBFNN控制参数集合；
步骤4：根据直流侧电压、电流传感器采集信号计算出负载电阻，并作为分段触发条件，通过最优粒子构建RBF模型，运用控制器模块来实现分段优化控制；将参数优化后RBF-PID，用于对稳定运行时交流相电流幅值进行优化求解；
步骤5：根据优化后稳定运行时交流相电流幅值，结合d轴开关函数以及q轴开关函数进行控制，由SVPWM对所述整流桥功率开关管进行控制，将所述交流电源模块输出的交流电整流为直流电；
步骤3中所述通过PSO算法对不同负载电阻值下RBFNN的学习率、动量因子及饱和函数的饱和值进行离线优化求解为：
PSO初始化为一群随机粒子，用位置、速度和适应度值作为粒子特征指标，适应度值由其输出性能指标而得，用以表示粒子的优劣，然后通过迭代找到最优解；
输出性能指标函数为：
Figure FDA0002930732950000021
在每一次迭代中，粒子通过跟踪局部最优解以及全局最优解来更新自己，第一个就是粒子本身所找到的最优解，即局部最优解pbest，另一个极值是整个种群目前找到的最优解，即全局最优解gbest；
在一个D维空间，有n个粒子的种群中，每个粒子为由学习率、动量因子及RBFNN饱和函数的饱和值构建的三维向量；
粒子根据如下的公式来更新自己的速度和新的位置：
Figure FDA0002930732950000022
Figure FDA0002930732950000023
其中，ω为惯性权重；d＝1,…,D；i＝1,…,n；k为当前迭代次数；Vid为粒子的速度；
Figure FDA0002930732950000031
为当前粒子的位置；r1、r2为介于[0，1]之间的随机数；c1、c2为非负常数加速度因子；
在上述的PSO寻优的初始化粒子p即为包含学习率、动量因子及RBFNN饱和函数的饱和值的一组3维向量的一个粒子，通过以上更新当适应度值与给出的最小适应度值进行比对，满足所设定的性能指标时，即终止寻优，得到gbest，针对不同负载条件可得到多组最优的学习率、动量因子及RBFNN饱和函数的饱和值等值，来实现RBFNN的分段优化控制；
共进行W个电阻值的离线优化，则第m个电阻值的粒子寻优时负载电阻为RLm对应最优粒子为gbestm，m＝1,…,w；
步骤4中所述运用控制器模块来实现分段优化控制为：
步骤4中所述RBFNN分段在线优化中的分段的实现，由通过传感器采集的直流输出侧电压、电流数据计算出负载电阻值作为分段优化控制的触发条件，以控制器模块来实现分段优化控制；
以标准负载RL1时的优化所得gbest1作为RBF-PID初始值，当检测到电阻值变化到RLm，迅速调用对应RLm优化所得的gbestm实现RBF-PID在线最优控制；
在上述的基于LCL滤波的RBFNN分段在线优化无源控制VSR控制方法，步骤4中Im的实现由udcr与udc差值，udcr为给定值，udc由直流电压信号采集传感器，经过PID调节后得到，为了达到更好的控制效果需对PID参数在线优化，分段后的RBFNN具有在线优化PID参数能力，可实现RBF-PID参数在线优化；
RBF-PID参数在线优化是通过节点中心向量cj及节点基宽bj不断迭代算法实现的具体如下：
RBFNN性能指标函数为：
J＝1/2(y(t)-ym(t))2
其中，y(t)为非线性系统输出；ym(t)为RBFNN输出；
输出权值ωj：
ωj(t)＝ωj(t-1)+η(y(t)-ym(t))hj+α(ωj(t-1)-ωj(t-2))
其中，η为学习率；α为动量因子；
节点中心cj：
Figure FDA0002930732950000041
cji(t)＝cji(t-1)+ηΔcji+α(cji(t-1)-cji(t-2))
其中，cji为第i个节点中心cj的值；Δcji第i个节点中心cj的值的变化量；hj(x)为高斯基函数；bj为节点基宽；xj为输入参数；
节点基宽bj：
Figure FDA0002930732950000042
bj(t)＝bj(t-1)+ηΔbj+α(bj(t-1)-bj(t-2))
其中，cj为节点中心；Δbj为节点基宽的变化量；
PID参数调整：
控制误差为：
error(t)＝r(t)-y(t)
其中，r(t)为给定期望值；
PID控制器的输入为：
xc(1)＝error(t)-error(t-1)
xc(2)＝error(t)
xc(3)＝error(t)-2error(t-1)+error(t-2)
控制算法为：
u(t)＝u(t-1)+Δu(t)
Δu(t)＝kp(error(t)-error(t-1))+kierror(t)+kd(error(t)-2error(t-1)+error(t-2))
其中，u(t)为控制输入；kp为比例系数；ki为积分系数；kd为微分系数；
RBF-PID网络指标函数：
E(t)＝1/2error2(t)
由梯度下降法，可得kp,ki,kd的调整量为：
Figure FDA0002930732950000051
Figure FDA0002930732950000052
Figure FDA0002930732950000053
其中，e(t)控制误差；ηp为kp对应的学习率；ηi为ki对应的学习率；ηd为kd对应的学习率；
Figure FDA0002930732950000054
为被控对象的雅克比矩阵，通过RBFNN进行控制后可得：
Figure FDA0002930732950000055
其中，xi为控制输入u(t)；
步骤5中所述电压控制信号为uα、uβ，Sd为d轴开关函数，Sq为q轴开关函数通过下式计算得ucd、ucq并通过坐标转换为uα、uβ；
Figure FDA0002930732950000056
控制器模块接收到Sd、Sq信号后经过转化生成uα、uβ信号，然后根据uα、uβ信号通过SVPWM生成IGBT控制脉冲信号，并传递给功率开关管可控整流桥；
功率开关管可控整流桥根据接收的IGBT控制脉冲信号控制通断，以达到将交流电源模块输送来的交流电转化为期望值的直流电，并将整流后的直流电传递给直流电源。
2.根据权利要求1所述的基于LCL滤波的RBFNN分段在线优化无源控制系统的控制方法，其特征在于，步骤1中所述通过电压信号采集传感器采集三相电压为：
A相电压ea，B相电压eb，C相电压ec；
步骤1中所述通过电流信号采集传感器采集三相电流为：
A相电流ia，B相电流ib，C相电流ic；
步骤1中所述根据坐标变换计算坐标轴电压以及电流：
A相电压ea，B相电压eb，C相电压ec通过dq坐标变换转换为d轴电压ed，q轴电压eq；
A相电流ia，B相电流ib，C相电流ic通过dq坐标变换转换为d轴电流id，q轴电流iq。
3.根据权利要求1所述的基于LCL滤波的RBFNN分段在线优化无源控制系统的控制方法，其特征在于，步骤2中所述基于IDA-PBC算法的无源控制哈密顿数学模型为：
Figure FDA0002930732950000061
其中，J＝-JT，JT表示系统内部互联矩阵，Rd＝Rd T≥0，Rd表示系统的耗散矩阵，Ra(x)表示阻尼注入矩阵，Ra(x)＝diag{ra1 ra2 ra3 ra4 ra5 ra6 1/ra7}，x1＝Lgigd，x2＝Lgigq，x3＝Lid，x4＝Liq，x5＝Cfucd，x6＝Cfucq，x7＝Cudc，
Figure FDA0002930732950000062
则可得三相VSR无源控制方程为：
Figure FDA0002930732950000063
其中，ea是a相幅值为Um的交流电网电动势，eb为b相幅值为Um的交流电网电动势，ec为c相幅值为Um的交流电网电动势，O为中性点，Lg为电网侧等效电感，d轴电压ed，q轴电压eq，L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和，输出电压为udc，电阻RL为等效负载，直流电容为C，ω为交流电源变换角速度，Sd为d轴开关函数，Sq为q轴开关函数；
由于取决于部分变量的控制律，其控制效果不如取决于全部控制变量的控制算法；
定义k1＝k1(x1)，k2＝k2(x2)，k3＝k3(x3)，K4＝k4(x4)，k5＝k5(x5)，k6＝k6(x6)，k7＝k7(x7)，依据可积性和IDA-PBC控制理论的条件则有：
Figure FDA0002930732950000071
其中，α1、α2、α3、α4、α5、α6、α7为改进参数，且大于零；
则d轴开关函数以及q轴开关函数为：
Figure FDA0002930732950000072
其中，Sd为d轴开关函数，Sq为q轴开关函数；α3为第三改进参数；α4为第四改进参数；α5为第五改进参数；α7为第七改进参数；ra3为第三注入阻尼；ra4为第四注入阻尼；ra7为第七注入阻尼；L为整流器侧等效电感，电网侧等效电阻Rg为电感Lg、滤波电容Cf和电压源的等效电阻之和，整流器侧等效电阻R为电感L和开关器件的等效电阻之和；直流电容为C，ω为交流电源变换角速度；输出电压为udc，udcr为期望直流电源电压，id为d轴电流，iq为q轴电流，ed为d轴电压，eq为q轴电压；Im为稳定运行时交流相电流的幅值，Um相电压幅值。
CN201910629356.4A 2019-07-12 2019-07-12 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法 Active CN110429835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910629356.4A CN110429835B (zh) 2019-07-12 2019-07-12 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910629356.4A CN110429835B (zh) 2019-07-12 2019-07-12 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法

Publications (2)

Publication Number Publication Date
CN110429835A CN110429835A (zh) 2019-11-08
CN110429835B true CN110429835B (zh) 2021-04-16

Family

ID=68410578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910629356.4A Active CN110429835B (zh) 2019-07-12 2019-07-12 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法

Country Status (1)

Country Link
CN (1) CN110429835B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111082682A (zh) * 2019-12-23 2020-04-28 湖北文理学院 基于lcl滤波的电压型pwm整流器的协同控制系统及方法
CN113437920A (zh) * 2021-06-24 2021-09-24 国网浙江省电力有限公司双创中心 驱动电机的控制方法、装置、设备及计算机可读存储介质
CN114296489B (zh) * 2021-12-04 2022-09-20 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245571A (zh) * 2018-10-19 2019-01-18 武汉科技大学 一种基于优化参数及注入阻尼的无源控制系统及方法
CN109639162A (zh) * 2019-01-22 2019-04-16 武汉科技大学 一种基于ida-pbc算法的改进lcl型三相vsr的无源控制系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245571A (zh) * 2018-10-19 2019-01-18 武汉科技大学 一种基于优化参数及注入阻尼的无源控制系统及方法
CN109639162A (zh) * 2019-01-22 2019-04-16 武汉科技大学 一种基于ida-pbc算法的改进lcl型三相vsr的无源控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电液混合式注塑机的智能控制方法研究;罗运广;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20170415;第2-4章 *

Also Published As

Publication number Publication date
CN110429835A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
KR101512188B1 (ko) 모듈형 멀티레벨 컨버터의 구동방법 및 구동장치
CN110429835B (zh) 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法
CN106786647B (zh) 一种三相四线制并联apf双闭环非线性复合控制方法
CN110138184A (zh) 一种三相功率整流器的自适应控制方法及控制装置
CN108616132B (zh) 一种基于三矢量的模型预测直接功率控制方法
CN109787498A (zh) 全功率因数范围三电平变流器中点平衡控制方法及系统
CN103296905B (zh) 三相电压型功率因数校正变换器的自适应控制方法
CN108429286A (zh) 一种基于自抗扰控制的并网电流调节器
CN106786639B (zh) 一种有源电力滤波器改进宽频自适应谐振控制方法
CN102723885A (zh) 一种三重化线电压级联型整流器的比例谐振控制方法
CN107104447A (zh) 基于二阶广义虚拟惯性的虚拟同步发电机控制方法
CN107732915A (zh) 一种并联型有源电力滤波器的简化控制方法
CN105024392A (zh) 一种柔性直流输电系统的控制方法
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
CN111342646A (zh) 一种模块化多电平变换器的环流抑制方法及系统
CN109802433A (zh) 一种并网逆变器功率振荡抑制系统及方法
CN104300817B (zh) 能量转换系统中的t型三电平svpwm的控制方法
CN110061504A (zh) 一种基于准比例谐振复合控制的从电源功率控制方法
CN113131767A (zh) Vienna整流器RBF神经网络外环电压滑模控制方法
CN110429834B (zh) 一种基于扩张状态观测器的三相整流器滑模控制方法
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
CN109546873B (zh) 基于李雅普诺夫算法状态变量优化的均流方法
CN102946110A (zh) 电压不平衡跌落时电压型pwm整流器定频模型预测控制方法
CN110474406A (zh) 一种电动汽车充电桩前级整流器的控制方法
CN113612262B (zh) 一种抑制直流侧低频振荡的方法及系统

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