CN111262269A - 一种基于模糊神经元pid的微电网电压控制系统及方法 - Google Patents
一种基于模糊神经元pid的微电网电压控制系统及方法 Download PDFInfo
- Publication number
- CN111262269A CN111262269A CN201911040484.1A CN201911040484A CN111262269A CN 111262269 A CN111262269 A CN 111262269A CN 201911040484 A CN201911040484 A CN 201911040484A CN 111262269 A CN111262269 A CN 111262269A
- Authority
- CN
- China
- Prior art keywords
- voltage
- neuron
- microgrid
- deviation
- control system
- 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
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊神经元PID的微电网电压控制系统及方法,其中,控制系统包括:采集模块,用于实时采集微电网的电压、无功功率;单神经元PID控制模块,用于当所述电压与标准电压的偏差大于或等于预设阈值时,通过单神经元调整PID的比例、积分、微分系数,对所述电压进行校正;模糊控制模块,用于调整所述单神经元的神经元比例系数。本发明能够在微电网电压超出阈值时实现电压快速恢复到标准值。同时利用内置的学习算法更新神经元比例系数和PID控制器的参数值,使控制系统对复杂多变的微电网环境具有更强的适应力。
Description
技术领域
本发明涉及微电网技术领域,具体涉及一种基于模糊神经元PID的微电网电压控制系统及方法。
背景技术
近年来人类对于能源的消耗量,特别是用于发电的能源总量正在飞速增长,根据2018年BP世界能源统计年鉴的数据显示,2017年中国全年发电量为6800TWH左右,占全球总发电量的26%,其中煤炭发电量接近60%。全球化石燃料的储量是有限的,按照目前的开采和消耗速度,不足百年一些化石燃料就会被人类全部消耗,此外大量燃烧化石燃料也会带来一系列环境问题,不符合可持续发展的要求,由此可见以化石燃料为主的能源消耗体系注定无法长久维持下去。为了减少二氧化碳的排放同时建立起可持续发展的经济体系,使用可再生能源发电的技术受到大家广泛关注。目前来看,世界发电能耗的总趋势是化石燃料使用占比下降,而可再生能源发电量正在上升,据统计2017年全球可再生能源发电占比已接近全球总发电量的10%,相比于2011年增长了一倍,并且仍然保持较快增长速率,在未来有望成为最主要的能源。
随着化石能源日渐枯竭,如风能、太阳能等可再生能源开始受到人们重视,在电力行业中,风力发电和光伏发电成为了分布式电源的主力,以分布式发电为基础的微电网技术得到发展。由于风电、光伏发电存在随机性和间歇性,需要采取相应的控制手段才能使微电网提供幅值稳定的电压。常用的微电网控制结构包括对等控制、主从控制和分层控制。
目前常见的大多数微电网以分层控制结构为主,分层控制一般包含3个控制层:一层控制是直接控制微源并网逆变器的控制层,通过脉宽调制(Pulse Width Modulation,PWM)信号直接影响并网逆变器的输出电压,完成电压的一次调节;二层控制主要完成电压的修正量计算,控制微电网的模式切换等;三层控制主要是微电网的能量管理,优化微电网参数,实现微电网经济运行。
申请号为CN201811175117.8的专利申请公开了一种基于“虚拟复阻抗”的低压微电网控制策略,包括首先分析传统虚拟阻抗引入会造成较大的电压跌落现象,提出带有阻感比的下垂控制通用表达式,设计虚拟复阻抗,构造虚拟复阻抗的表达式,得到与阻感比r有关的虚拟复阻抗表达式,建立带有虚拟复阻抗的光伏并网逆变器数学模型,求出逆变器输出电压和等效输出阻抗,再根据系统总压降设置虚拟阻抗值,再求得逆变器新的电压值。本控制策略采用自适应虚拟阻抗调节微电网并联逆变器的等效输出阻抗,使阻抗趋于感性状态,虚拟阻抗可自适应调整取值,不仅减少了电压的跌落,也较好的实现了功率的均衡控制,降低了功率耦合,提高了微源运行时的电能质量。然而,其“虚拟复阻抗”仍然会使线路发生电压跌落的现象,而且专利中提出的方法没有涉及到发生电压下垂后如何进行恢复控制的方法,难以构成完整的微电网控制策略。
因此,现有技术中开始引入PID控制微电网,以使微电网的电压维持在合理的范围内。然而,传统PID算法实现的电压控制中PID参数固定,存在无法适应复杂多变的微电网环境这一问题。
故,针对现有技术的缺陷,如何实现微电网电压的有效控制,以适应复杂多变的微电网环境是本领域亟待解决的问题。
发明内容
本发明针对传统PID实现的电压控制中PID参数固定,可能无法适应复杂多变的微电网环境这一问题。本发明提供的系统及方法能够利用神经网络实现PID参数自适应调节,同时使用模糊控制器优化神经元比例系数,通过这样的方法实现控制系统参数针对微电网实时量测数据的自适应调节,选择优化的控制参数,能够增强微电网遭到大型冲击时控制系统的稳定性,加快微电网电压恢复到标准值的速率。
为了实现以上目的,本发明采用以下技术方案:
一种基于模糊神经元PID的微电网电压控制系统,包括:
采集模块,用于实时采集微电网的电压、无功功率;
单神经元PID控制模块,用于当所述电压与标准电压的偏差大于或等于预设阈值时,通过单神经元调整PID的比例、积分、微分系数,对所述电压进行校正;
模糊控制模块,用于调整所述单神经元的神经元比例系数。
进一步地,所述单神经元PID控制模块包括:
转换模块,用于计算所述电压与标准电压间的偏差、差分量、二阶差分量;
求和模块,用于求取所述偏差、差分量、二阶差分量的加权和;
比例模块,用于求取所述加权和、神经元比例系数的乘积;
延时模块,用于将所述乘积累加到前一次电压上获得电压校正量。
进一步地,所述模糊控制模块具体为:
模糊化处理所述偏差和差分量;
通过隶属度函数和模糊规则表经模糊推理得到所述神经元比例系数的模糊量;
使用重心法解模糊得到所述神经元比例系数的精确量。
进一步地,所述偏差为:
e(t)=E(t)-E*
其中,E(t)为t时刻采集的微电网电压,E*为标准电压;
所述差分量为:
Δe(t)=e(t)-e(t-1)
所述二阶差分量为:
Δ2e(t)=e(t)-2e(t-1)+e(t-2)。
进一步地,所述电压校正量为:
其中,E'(t)、E'(t-1)分别为t时刻和t-1时刻的电压校正量,K为神经元比例系数,x1(t)=e(t),x2(t)=Δe(t),x3(t)=Δ2e(t),wi(t)为对应于xi(t)的加权系数。
进一步地,所述系统还包括:
自学习模块,用于采用有监督的Hebb学习规则学习学习加权系数。
进一步地,所述学习加权系数具体为:
w1(t+1)=w1(t)+ηIe(t)E'(t)[x1(t)+x2(t)]
w2(t+1)=w2(t)+ηPe(t)E'(t)[x1(t)+x2(t)]
w3(t+1)=w3(t)+ηDe(t)E'(t)[x1(t)+x2(t)]
其中,ηI、ηP和ηD分别表示积分、比例和微分权重的学习率;E'(t)表示通过神经元PID控制模块产生的电压校正量。
一种基于模糊神经元PID的微电网电压控制方法,应用于上述微电网电压控制系统,包括:
S1、实时采集微电网的电压、无功功率;
S2、判断所述电压与标准电压的偏差是否小于预设阈值,若否,基于所述偏差,计算差分量、二阶差分量;
S3、求取所述偏差、差分量、二阶差分量的加权和;
S4、对所述偏差、差分量进行模糊化处理,获得神经元比例系数;
S5、求取所述加权和、神经元比例系数的乘积,并将所述乘积累加到前一次电压上获得电压校正量,对所述电压进行校正。
进一步地,所述方法还包括:
采用有监督的Hebb学习规则学习学习加权系数。
进一步地,所述学习加权系数具体为:
w1(t+1)=w1(t)+ηIe(t)E'(t)[x1(t)+x2(t)]
w2(t+1)=w2(t)+ηPe(t)E'(t)[x1(t)+x2(t)]
w3(t+1)=w3(t)+ηDe(t)E'(t)[x1(t)+x2(t)]
其中,ηI、ηP和ηD分别表示积分、比例和微分权重的学习率;E'(t)表示通过神经元PID控制模块产生的电压校正量。
本发明提出的基于模糊神经元PID的微电网电压控制系统及方法,能够在微电网电压超出阈值时实现电压快速恢复到标准值。同时利用内置的学习算法更新神经元比例系数和PID控制器的参数值,使控制系统对复杂多变的微电网环境具有更强的适应力。本发明提供的系统及方法能够利用神经网络实现PID参数自适应调节,同时使用模糊控制器优化神经元比例系数,通过这样的方法实现控制系统参数针对微电网实时量测数据的自适应调节,选择优化的控制参数,能够增强微电网遭到大型冲击时控制系统的稳定性,加快微电网电压恢复到标准值的速率。
附图说明
图1是基于模糊神经元PID的微电网电压控制系统结构图;
图2是通过调节下垂特性曲线实现电压二次控制的原理图;
图3是单神经元自适应PID控制的系统结构简图;
图4是模糊规则示例图;
图5是基于模糊神经元PID的微电网电压控制方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明适用于微电网分层控制结构,基于分层控制的微电网,第一层控制策略为下垂控制,第二层为微电网中央控制器(MGCC)。下垂控制微电网系统表示提供数据的微电网系统,该微电网系统包括分布式电源、并网逆变器、微源控制器、储能设备和负载等,其中微源控制器使用下垂控制策略,实现功率在不同微源之间的比例分配。该微电网系统运行在运行过程中的实时量测数据通过通信手段发送至MGCC,MGCC解析后形成量测点信息,根据量测点信息进行分析处理。本发明所述的电压控制系统及方法运行于MGCC中。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本实施例提出了一种基于模糊神经元PID的微电网电压控制系统,包括:
采集模块,用于实时采集微电网的电压、无功功率;
传统下垂控制微电网随着接入负载增多,逆变器输出的电压会发生下降,根据相关规范,微电网在运行时电压偏差不得超出规定的范围。下垂控制的表达式为:
E=E*-np(Q*-Q)
其中,E*为参考电压、Q*为参考无功功率、Q为无功功率,nq表示下垂控制器的下垂系数。
因此,下垂控制的逆变器输出的电压与逆变器发出的无功功率以及设定的参考无功功率相关。因此可以从参考无功功率和下垂系数两个角度来实现电压恢复控制。本发明实现电压恢复控制采用的是集中控制的方式,通过采集模块采集关键节点的电压值和逆变器的无功功率值,关键节点包括逆变电源输出端、公共连接点。本发明对微电网的电压进行实时监测,以使电压值维持在一定的范围内。采用通讯手段采集微电网的实时测量的电压值,通讯手段基于工控机支持的通信接口,采用串口通信或者TCP/IP通信。采集模块将接收到的数据存入内存和后台数据库中。
单神经元PID控制模块,用于当所述电压与标准电压的偏差大于或等于预设阈值时,通过单神经元调整PID的比例、积分、微分系数,对所述电压进行校正;
具体地,单神经元PID控制模块包括转换模块、求和模块、比例模块、延时模块。
本发明单神经元PID控制模块从内存中获取采集的电压值,转换模块将采集的电压值与标准的电压值进行比较,当其偏差超过了预设的阈值时,表明微电网运行的电压偏差超过了预定的范围,因此需要对电压进行校正,启动微电网电压控制,使其维持在一定的范围内。当其偏差不超过预设的阈值时,表明微电网的电压符合相关的规定,不需要进行电压修正,继续采集微电网的电压数据。所述偏差具体为:
e(t)=E(t)-E*
其中,E(t)为t时刻采集的微电网电压,E*为标准电压。
本发明通过单神经元PID控制模块计算得到电压的校正量,将其累加到参考无功功率值上调节逆变器的下垂控制曲线。通常在下垂特性上表现为上下平移下垂特性直线,使电压恢复到允许范围以内。
如图2所示,其中Q为功率,V为电压,当接入的负载使单台逆变器发出的功率升高时,逆变器的工作点在下垂特性上就会向右移动,这种趋势会使电压发生下降,逐渐偏离微电网的允许运行范围。本发明采取的方式是:通过单神经元PID控制模块计算出可变的校正量,在线自适应调节下垂特性,使电压逐步恢复到允许范围以内。
人工神经网络理论上可以通过调整自身参数去逼近任何函数,这种自适应的特征为PID参数的优化提供了思路,因此可以将神经网络和PID控制器结合起来产生基于神经网络的PID控制。
多层神经网络进行自适应调节需要很大的计算量,对于微电网这种需要快速反应的控制对象以及机能可能受限的设备而言,进行多层神经网络的在线学习可能无法满足实时性的要求。为了结合神经网络本身的特点同时满足快速反应的实时性要求,本发明使用单个自适应神经元的控制方式。
传统PID控制器的时域表达式可表示为:
其中,kp为比例系数;Ti为积分时间常数;Td为微分时间常数;e(t)表示实际值与设定值之间的差,电压二次控制中为微电网逆变器输出电压与标准电压的偏差;E'(t)为控制模块的控制量输出,即为电压的校正量。当采样周期Ts较短时,可以得到增量式控制器的离散方程为:
其中Δ表示差分量;Δ2为二阶差分量;kp、ki、kd分别为控制器的比例、积分、微分系数。
单神经元是一种能够在线调整参数的模型,将其与PID控制结合,把比例、积分和微分作为输入变量,就形成了单神经元自适应PID控制器。
图3为单神经元自适应PID控制的系统简图,图中转换器的输入反映被控过程及控制设定的状态,转换器中主要实现采样值到差分量的转换。如设定电压为E*,逆变电源输出电压为E,经转换器转换后成为神经元学习控制所需要的状态量xi。其中x1(t)=e(t),x2(t)=Δe(t)=e(t)-e(t-1),x3(t)=Δ2e(t)=e(t)-2e(t-1)+e(t-2),z(t)=e(t)=E(t)-E*为性能指标;wi(t)为对应于xi(t)的加权系数;K为神经元比例系数,K>0。
神经元控制器结合增量式PID控制的表达式来产生控制信号,具体为:
具体地,本发明通过转换模块计算采集的电压值与标准的电压值间的偏差x1(t)、差分量x2(t)、二阶差分量x3(t),再通过求和模块求取所述偏差、差分量、二阶差分量的加权和比例模块用于求取所述加权和、神经元比例系数的乘积。延时模块用于将比例运算的结果累加到前一次电压上获得电压校正量,即PID控制信号。进一步地,本发明还包括数据发送模块,用于向被控对象发送控制指令。
单神经元PID控制模块中最关键的部分就是加权系数wi(t)的学习。控制器通过对加权系数的调整来实现自适应、自组织功能,本发明加权系数的调整采用有监督的Hebb学习规则,它与神经元的输入、输出和输出的偏差三者的相关函数有关,具体为:
wi(t+1)=(1-c)wi(t)+ηpi(t)
pi(t)=z(t)E(t)xi(t)
其中pi被称为递进信号,是一个在递减过程中不断衰减的变量;η表示学习率;c表示常数,可以为取0。为保证上述单神经元自适应PID控制学习算法的收敛性,对其进行规范化处理后为:
神经元PID控制的比例、积分、微分系数的在线修正主要与e(t)和Δe(t)有关,因此可以对式的权重更新公式加以改进,即将递进信号表达式中的xi改为x1(t)+x2(t)。
综上所述,本发明中神经元PID控制器权重系数的更新公式可表示为:
w1(t+1)=w1(t)+ηIe(t)E'(t)[x1(t)+x2(t)]
w2(t+1)=w2(t)+ηPe(t)E'(t)[x1(t)+x2(t)]
w3(t+1)=w3(t)+ηDe(t)E'(t)[x1(t)+x2(t)]
其中ηI、ηP、ηD分别表示积分、比例和微分系数的学习率。
模糊控制模块,用于调整所述单神经元的神经元比例系数。
由此可知,在神经元PID控制器当中,神经元比例系数K对于神经元控制单元的控制效果,特别是控制量的变化速率,有直接的影响。事实上,K值通常被认为是神经元PID控制器中最敏感的参数。在实际仿真中发现,如果K的取值过大,系统会出现严重的超调甚至失控;如果K的取值过小,系统的暂态调节时间就会很长,跟随参考量的速率下降。很明显K的取值体现了PID控制的特性,实现优化控制的关键就在于如何选取数值合适的K以达到最佳的控制效果。为了使神经元比例系数K在系统运行过程中始终保持较为合适的数值,本发明使用模糊逻辑来在线调整K值。
本发明使用的模糊控制模块输入变量为实际电压与参考电压的偏差和偏差的差分量,输出变量为神经元比例系数K。模糊控制模块首先对偏差和偏差的差分量进行模糊化处理,之后通过隶属度函数和模糊规则表经模糊推理得到神经元比例系数的模糊量,最后使用重心法解模糊得到神经元比例系数的精确量。
具体地,本发明使用的隶属度函数为三角形隶属度函数,根据仿真结果进行调整,最终确定隶属度函数的具体值。根据实验和仿真结果确定模糊规则表,如图4所示。本发明使用最大-最小的方法进行模糊逻辑推理,解模糊的方法为重心法。
模糊控制模块根据控制过程中实际电压与参考电压的偏差e(t)及偏差的差分量Δe(t),在线调节神经元比例系数K,进而改善单神经元PID控制模块的控制效果,以保持控制系统具有更强的鲁棒性。
实施例二
如图5所示,本实施例提出了一种基于模糊神经元PID的微电网电压控制方法,应用于实施例一所述的微电网电压控制系统,包括:
S1、实时采集微电网的电压、无功功率;
本发明通过微电网电压控制系统中的采集模块实时采集微电网的电压、无功功率,以在对电压值进行实时监测。
S2、判断所述电压与标准电压的偏差是否小于预设阈值,若否,基于所述偏差,计算差分量、二阶差分量;
本发明通过转换模块计算电压与标准电压的偏差,当其偏差超过了预设的阈值时,表明微电网运行的电压偏差超过了预定的范围,因此需要对电压进行校正,启动微电网电压控制。
S3、求取所述偏差、差分量、二阶差分量的加权和;
本发明通过求和模块求取所述偏差、差分量、二阶差分量的加权和。其中,最关键的部分就是加权和中加权系数的学习。控制器通过对加权系数的调整来实现自适应、自组织功能,本发明加权系数的调整采用有监督的Hebb学习规则,它与神经元的输入、输出和输出的偏差三者的相关函数有关。具体的计算方法与实施例一一致,在此不再赘述。
S4、对所述偏差、差分量进行模糊化处理,获得神经元比例系数;
本发明通过模糊控制模块采用模糊逻辑来在线调整神经元比例系数,选取数值合适的神经元比例系数以达到最佳的控制效果。
S5、求取所述加权和、神经元比例系数的乘积,并将所述乘积累加到前一次电压上获得电压校正量,对所述电压进行校正。
本发明通过比例模块用于求取所述加权和、神经元比例系数的乘积。延时模块用于将比例运算的结果累加到前一次电压上获得电压校正量,即PID控制信号,向被控电压发送控制指令。
由此可知,本发明当数据采集模块采集到的电压数据与标准电压的偏差大于等于阈值时,MGCC自动启动电压恢复控制,转换器的输入变量为采集到的微源逆变器输出端电压和标准电压值,输出结果为叠加到下垂控制系统参考值上的电压校正量,电压的具体数值使用有效值。本发明能够在微电网电压超出阈值时实现电压快速恢复到标准值。同时利用内置的学习算法更新神经元比例系数和PID控制器的参数值,使控制系统对复杂多变的微电网环境具有更强的适应力。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于模糊神经元PID的微电网电压控制系统,其特征在于,包括:
采集模块,用于实时采集微电网的电压、无功功率;
单神经元PID控制模块,用于当所述电压与标准电压的偏差大于或等于预设阈值时,通过单神经元调整PID的比例、积分、微分系数,对所述电压进行校正;
模糊控制模块,用于调整所述单神经元的神经元比例系数。
2.根据权利要求1所述的微电网电压控制系统,其特征在于,所述单神经元PID控制模块包括:
转换模块,用于计算所述电压与标准电压间的偏差、差分量、二阶差分量;
求和模块,用于求取所述偏差、差分量、二阶差分量的加权和;
比例模块,用于求取所述加权和、神经元比例系数的乘积;
延时模块,用于将所述乘积累加到前一次电压上获得电压校正量。
3.根据权利要求2所述的微电网电压控制系统,其特征在于,所述模糊控制模块具体为:
模糊化处理所述偏差和差分量;
通过隶属度函数和模糊规则表经模糊推理得到所述神经元比例系数的模糊量;
使用重心法解模糊得到所述神经元比例系数的精确量。
4.根据权利要求2所述的微电网电压控制系统,其特征在于,
所述偏差为:
e(t)=E(t)-E*
其中,E(t)为t时刻采集的微电网电压,E*为标准电压;
所述差分量为:
Δe(t)=e(t)-e(t-1)
所述二阶差分量为:
Δ2e(t)=e(t)-2e(t-1)+e(t-2)。
6.根据权利要求4所述的微电网电压控制系统,其特征在于,所述系统还包括:
自学习模块,用于采用有监督的Hebb学习规则学习学习加权系数。
7.根据权利要求4所述的微电网电压控制系统,其特征在于,所述学习加权系数具体为:
w1(t+1)=w1(t)+ηIe(t)E'(t)[x1(t)+x2(t)]
w2(t+1)=w2(t)+ηPe(t)E'(t)[x1(t)+x2(t)]
w3(t+1)=w3(t)+ηDe(t)E'(t)[x1(t)+x2(t)]
其中,ηI、ηP和ηD分别表示积分、比例和微分权重的学习率;E'(t)表示通过神经元PID控制模块产生的电压校正量。
8.一种基于模糊神经元PID的微电网电压控制方法,应用于权利要求1-6任一项所述的微电网电压控制系统,包括:
S1、实时采集微电网的电压、无功功率;
S2、判断所述电压与标准电压的偏差是否小于预设阈值,若否,基于所述偏差,计算差分量、二阶差分量;
S3、求取所述偏差、差分量、二阶差分量的加权和;
S4、对所述偏差、差分量进行模糊化处理,获得神经元比例系数;
S5、求取所述加权和、神经元比例系数的乘积,并将所述乘积累加到前一次电压上获得电压校正量,对所述电压进行校正。
9.根据权利要求7所述的微电网电压控制方法,其特征在于,所述方法还包括:
采用有监督的Hebb学习规则学习学习加权系数。
10.根据权利要求8所述的微电网电压控制系统,其特征在于,所述学习加权系数具体为:
w1(t+1)=w1(t)+ηIe(t)E'(t)[x1(t)+x2(t)]
w2(t+1)=w2(t)+ηPe(t)E'(t)[x1(t)+x2(t)]
w3(t+1)=w3(t)+ηDe(t)E'(t)[x1(t)+x2(t)]
其中,ηI、ηP和ηD分别表示积分、比例和微分权重的学习率;E'(t)表示通过神经元PID控制模块产生的电压校正量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040484.1A CN111262269A (zh) | 2019-10-29 | 2019-10-29 | 一种基于模糊神经元pid的微电网电压控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040484.1A CN111262269A (zh) | 2019-10-29 | 2019-10-29 | 一种基于模糊神经元pid的微电网电压控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111262269A true CN111262269A (zh) | 2020-06-09 |
Family
ID=70953783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040484.1A Pending CN111262269A (zh) | 2019-10-29 | 2019-10-29 | 一种基于模糊神经元pid的微电网电压控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111262269A (zh) |
-
2019
- 2019-10-29 CN CN201911040484.1A patent/CN111262269A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lopez-Garcia et al. | Artificial neural networks in microgrids: A review | |
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 | |
EP2703914A1 (en) | Hybrid control system and method for automatic voltage regulator | |
CN108879690B (zh) | 一种交直流混合微电网数据驱动控制方法 | |
Meng et al. | A novel intelligent nonlinear controller for dual active bridge converter with constant power loads | |
CN111478344B (zh) | 一种能源微网负荷频率控制方法、系统及相关产品 | |
Kumari et al. | Two-Area Power System Load Frequency Regulation Using ANFIS and Genetic Algorithm | |
Lin | Intelligent neural-network-based adaptive power-line conditioner for real-time harmonics filtering | |
Darvill et al. | An ANFIS-PI based boost converter control scheme | |
de Dieu Nguimfack-Ndongmo et al. | Adaptive terminal synergetic-backstepping technique based machine learning regression algorithm for MPPT control of PV systems under real climatic conditions | |
CN116154791B (zh) | 一种协同多可控资源的功角稳定控制方法、系统及终端 | |
CN111262269A (zh) | 一种基于模糊神经元pid的微电网电压控制系统及方法 | |
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 | |
Thenmozhi et al. | Design and implementation of photovoltaic-assisted dynamic voltage restorer using fuzzy logic controller-based improved SOGI for power quality improvement | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
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 | |
CN113889999B (zh) | 一种抑制直流微电网电压波动的自抗扰控制方法及系统 | |
CN111682590B (zh) | 基于模糊pi-pd下垂控制的孤岛电网优化功率分配方法 | |
CN113326658B (zh) | 基于神经网络的光伏储能并网控制方法 | |
Liu et al. | Deep-Q-network-based intelligent reschedule for power system operational planning | |
Guliyev | Reactive power adaptive control system in networks with distributed generation based on fuzzy set theory | |
CN113890057A (zh) | 一种基于多微电网协同优化的控制方法及装置、储存介质 | |
Andreoiu et al. | Lyapunov's method based genetic algorithm for multi-machine PSS tuning | |
CN114301062A (zh) | 一种分布式能源优化治理装置 | |
CN114069695A (zh) | Mppt控制方法、系统及存储介质 |
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 |