CN113131767A - Vienna整流器RBF神经网络外环电压滑模控制方法 - Google Patents

Vienna整流器RBF神经网络外环电压滑模控制方法 Download PDF

Info

Publication number
CN113131767A
CN113131767A CN202110293623.2A CN202110293623A CN113131767A CN 113131767 A CN113131767 A CN 113131767A CN 202110293623 A CN202110293623 A CN 202110293623A CN 113131767 A CN113131767 A CN 113131767A
Authority
CN
China
Prior art keywords
voltage
neural network
sliding mode
output
rbf neural
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
Application number
CN202110293623.2A
Other languages
English (en)
Other versions
CN113131767B (zh
Inventor
杨旭红
陈阳
方剑峰
罗新
高子轩
方浩旭
李辉
金宏艳
吴亚雄
张苏捷
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.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202110293623.2A priority Critical patent/CN113131767B/zh
Publication of CN113131767A publication Critical patent/CN113131767A/zh
Application granted granted Critical
Publication of CN113131767B publication Critical patent/CN113131767B/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
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Abstract

本发明涉及一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流内环电压外环对Vienna整流器进行控制，采用RBF神经网络逼近的滑模控制器
Figure DDA0002983428320000011
实现对外电压环的控制，将RBF神经网络和滑模控制结合起来，利用RBF神经网络近距离电压外环滑模的非线性函数，有效减小启动器增益和抖动。同时，将中点电位平衡控制与RBF神经网络滑模控制器一起加入，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制系统的动静态性能。在保证系统强鲁棒性的同时提升了控制系统的动静态性能。

Description

Vienna整流器RBF神经网络外环电压滑模控制方法
技术领域
本发明涉及一种控制技术，特别涉及一种Vienna整流器RBF神经网络外环电压滑模控制方法。
背景技术
Vienna整流器具有功率开关器件少、无桥臂死区问题且每个开关管承受的电压应力只有直流输出电压的一半等特点，因其独特的优势受到越来越多的关注和应用。根据Vienna整流器的单向功率流特性，其主要应用在需要单向整流或两级变流中的前级升压整流部分，以中大功率应用场合为主。目前常见的应用场合包括有源滤波器、功率因数校正、航空电源、直流不间断电源(UPS)、通信电源、新能源发电及电动汽车直流充电桩等。尤其在互联网数据中心用的通信电源及电动汽车直流充电等场合，Vienna整流器具有较大优势，表现出很大的应用潜力。
对于Vienna整流器的外环电压多采用PI控制算法，但存在对误差进行线性求和以及积分环节的饱和造成的电压超调以及动态响应慢等缺点，因此有必要从电压环着手进行控制系统的优化设计。
发明内容
针对现在Vienna整流器外环PI控制电压超调以及动态响应慢的问题，提出了一种Vienna整流器RBF神经网络外环电压滑模控制方法，将RBF神经网络和滑模控制结合起来，利用RBF神经网络近距离电压外环滑模的非线性函数，有效减小启动器增益和抖动。同时，将中点电位平衡控制与RBF神经网络滑模控制器一起加入，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制系统的动静态性能。
本发明的技术方案为：一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流
Figure BDA0002983428300000021
送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制；其中交流侧dq坐标系下参考量电流
Figure BDA0002983428300000022
由外环电压控制获得，所述外环电压控制：直流输出端通过传感器检测输出上下两端的电容电压
Figure BDA0002983428300000023
与电容电压期望值
Figure BDA0002983428300000024
以及直流输出端电压参考值Voref、dq坐标系下电压ed送入采用RBF神经网络逼近的滑模控制器
Figure BDA0002983428300000025
实现对外电压环的控制，输出dq轴的电流参考值
Figure BDA0002983428300000026
另
Figure BDA0002983428300000027
优选的，所述滑模控制器
Figure BDA0002983428300000028
的滑模面的设计如下：
Figure BDA0002983428300000029
其中：
Figure BDA00029834283000000210
Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动；所述滑模控制器为：
Figure BDA00029834283000000211
其中sgn为饱和函数，控制参数都取正数，C为输出端上下端电容值；ε为趋近率系数；Rl为负载电阻。
优选的，所述RBF神经网络分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层，每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)-cj(t)||；
网络输入为：
Figure BDA0002983428300000031
隐含层的基函数通常选择如下的高斯基函数：
Figure BDA0002983428300000032
其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数，m＝15；
将滑模控制器
Figure BDA0002983428300000033
作为神经网络的输出，隐含层节点向量为H＝[h1 h2 ... h15]T，相应的中心点向量和基宽参数向量分别为：c＝[c1 c2 ... c15]T，b＝[b1 b2 ... b15]T；
其输出表达式：
Figure BDA0002983428300000034
上式中：W＝[w1 w2 ... w15]T是连接权值向量；
将传统滑模控制运行得到的各个量在系统稳定输出时间段0.02s到0.05s的采样数据作为输入层样本，用于神经网络的训练，获得训练后神经网络用于滑模控制器。
优选的，所述RBF神经网络的学习过程分为两个阶段，第一个阶段为无监督学习，根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj，采用K-means算法来实现中心向量cj的调整；
第二阶段是无监督学习，训练隐含层到输出层之间的权值w，w的学习算法如下：
Figure BDA0002983428300000035
式中：β为学习效率，为了保证学习算法的收敛性，取0＜β＜1；
Figure BDA0002983428300000036
为期望输出值与实际输出值；
当样本离中心向量较远时，hj非常小，当作0处理；只有当hj大于设定数值时才对权值进行相应修改，因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需调整，保证了RBF较快的学习速度。
本发明的有益效果在于：本发明Vienna整流器RBF神经网络外环电压滑模控制方法，采用RBF神经网络逼近控制率，在保证系统强鲁棒性的同时提升了控制系统的动静态性能。
附图说明
图1为本发明Vienna整流器拓扑结构图；
图2为本发明Vienna整流器dq坐标系下等效电路图；
图3为本发明神经网络模型结构图；
图4为本发明基于改进RBF神经网络控制器结构图；
图5为本发明三相Vienna整流器控制框图；
图6为本发明直流侧输出端电压波形图；
图7为本发明交流输入端a相电压、电流波形图；
图8为本发明有功功率、无功功率波形图；
图9为本发明负载突变时a相电流频谱图；
图10为本发明稳定后a相电流频谱图；
图11a为传统PI加滑模混合控制方法直流侧输出电压值变化图；
图11b为发明控制方法直流侧输出电压值变化图；
图12a为传统PI加滑模混合控制方法交流测a相电流、电压值变化图；
图12b为发明控制方法交流测a相电流、电压值变化图；
图13a为传统PI加滑模混合控制方法系统有功、无功功率值变化图；
图13b为发明控制方法下系统有功、无功功率值变化图；
图14a为传统PI加滑模混合控制方法交流测三相电流值变化图；
图14b为发明控制方法下交流测三相电流值变化图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1为本发明Vienna整流器拓扑结构图(三相三开关三电平)，交流电通过Vienna整流器转化为直流电给负载供电，如图2所示Vienna整流器dq坐标系下等效电路图，交流点建立dq旋转坐标系下三相Vienna整流器电压外环的数学模型：
Figure BDA0002983428300000051
其中C为输出端上下端电容值；
Figure BDA0002983428300000052
为输出端上端电容电压；
Figure BDA0002983428300000053
为输出端下端电容电压；Sdq为交流侧d轴上端等效开关；Sqp为交流侧q轴上端等效开关；Sdn为交流侧d轴下端等效开关；Sqn为交流侧q轴下端等效开关；id为dq坐标系下d轴电流；iq为dq坐标系下q轴电流；Rl为负载电阻。
选择直流端输出串联上下两个电容两端电压
Figure BDA0002983428300000054
与期望值
Figure BDA0002983428300000055
之间的误差值以及误差值随时间的积分值的加权值作为滑模面，这样既能保证系统的稳定性，又保证中点电位的平衡，因此，滑模面的设计如下：
Figure BDA0002983428300000056
其中：
Figure BDA0002983428300000057
Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动。
为了减弱滑模变结构的抖动，设计趋近率形式如下：
Figure BDA0002983428300000058
其中ε为趋近率系数；
对上式求导，可得：
Figure BDA0002983428300000061
对上式化简可得：
Figure BDA0002983428300000062
又控制系统满足：
Figure BDA0002983428300000063
其中Vo为直流输出端测量电压；ed为交流侧dq坐标系下d轴电压；
Figure BDA0002983428300000064
为交流侧dq坐标系下d轴电流的参考量；
Figure BDA0002983428300000065
为交流侧dq坐标系下q轴电流的参考量。
求解上式可得：
Figure BDA0002983428300000066
其中sgn为饱和函数，控制参数都取正数，选择较大的kp能够保证系统具有快速性，并且在保证系统具有鲁棒性的同时，较小的ki能够有效地降低系统的抖动。
存在性及可达性的证明：
证明：当趋近率中ε>0，则：
Figure BDA0002983428300000067
由上式可得该控制系统满足存在性和可达性的条件，Vienna整流器在实际的应用中，参数的摄动以及外在的扰动(如：电磁干扰等)造成滑模控制器中趋近率的参数难以确定，会造成较大的切换增益，进而造成较大的抖动。针对此问题，下面采用RBF神经网络逼近上面设计的滑模控制器
Figure BDA0002983428300000071
RBF神经网络模型的建立：
RBF神经网络有较好的局部逼近能力，分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层。每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)-cj(t)||。
观察上述表达式
Figure BDA0002983428300000072
其中可以测量得到的变量为ed、
Figure BDA0002983428300000073
通过间接计算可以得到的变量为S1、S2、
Figure BDA0002983428300000074
其他量当作是参变量。为了实现对滑模控制器
Figure BDA0002983428300000075
很好的逼近，选择测量得到的变量和间接计算可以得到的7个变量作为网络输入为：
Figure BDA0002983428300000076
将传统滑模控制运行得到的各个量在系统稳定输出时间段(0.02s到0.05s)的采样数据作为输入层样本，用于神经网络的训练。
隐含层的基函数通常选择如下的高斯基函数：
Figure BDA0002983428300000077
其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数,经过多次实验仿真，当m取15时达到的控制效果最好，所以本文m的取值为15。
将控制器
Figure BDA0002983428300000078
作为神经网络的输出，其中的映射关系如下图3所示。图3中的隐含层节点向量为H＝[h1 h2 ... h15]T，相应的中心点向量和基宽参数向量分别为：c＝[c1 c2... c15]T，b＝[b1 b2 ... b15]T。
由图3可知，其输出表达式：
Figure BDA0002983428300000081
上式中：W＝[w1 w2 ... w15]T是连接权值向量。
RBF神经网络学习算法的设计：
图4是本发明基于改进RBF神经网络控制器结构图，RBF神经网络的学习过程主要分为两个阶段。第一个阶段为无监督学习，它的主要的作用是根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj。这里采用的是K-means算法来实现中心向量cj的调整，具体分为下面4个步骤：
(1)对隐含层各个节点的中心向量值cj(0)(j＝1,2,…,14,15)初始化,确定学习的步长η(0),(η(0)∈(0,1))以及阈值误差值δ；
(2)根据输入的样本x(k)，计算出欧氏距离dj(k)，并且找到与样本距离最小的隐含节点；采用如下计算公式：
dj(k)＝||x(k)-cj(k-1)||，(j＝1,2,...,15)
dmin(k)＝min{dj(k)}＝dr(k)
式子中：dj为欧氏距离；k—输入样本序号；r为与样本距离最小的隐含节点序号；dr为第r个节点距输入样本x(k)的距离。
(3)调整中心；
cj(k)＝cj(k-1),j＝1,2,...,15,j≠r
cr(k)＝cr(k-1)+η(k)[x(k)-cr(k-1)]
Figure BDA0002983428300000082
式子中：cj为中心向量调整初值；cr为中心向量调整后的值；η为学习步长。
由上式可知，随着输入样本的增加，学习步长渐渐变小，最后趋于0。
(4)对于所有的输入样本重复进行步骤(2)和(3),一直到输入样本的总体误差J小于误差设定值δ。
Figure BDA0002983428300000091
基宽参数由所选取的中心向量的最大距离D来确定的，具体算法如下：
Figure BDA0002983428300000092
学习的第二阶段是无监督学习，这个阶段是训练隐含层到输出层之间的权值w，w的学习算法如下：
Figure BDA0002983428300000093
式中：β为学习效率，为了保证学习算法的收敛性，通常取0＜β＜1；
Figure BDA0002983428300000094
为期望输出值与实际输出值。
当样本离中心向量较远时，hj非常小，可以当作0处理。只有当hj大于某一数值(如0.05)时才会对权值进行相应修改。因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需要调整，从而保证了RBF较快的学习速度。
综上所述，得到如图5的Vienna整流器控制原理框图。根据电流、电压传感器实时检测到的三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流
Figure BDA0002983428300000095
送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制。其中交流侧dq坐标系下参考量电流
Figure BDA0002983428300000096
由外环电压控制获得。直流输出端通过传感器检测输出上下两端的电容电压
Figure BDA0002983428300000097
与电容电压期望值
Figure BDA0002983428300000098
以及直流输出端电压参考值Voref、dq坐标系下电压ed送入通过改进RBF神经网络控制器实现对电压环的控制，输出dq轴的电流参考值
Figure BDA0002983428300000099
和
Figure BDA00029834283000000910
系统除控制参数外的参数设置如下：三相交流电压有效值Vms＝220V,电网频率f＝50Hz，输入电感L＝0.35mH，输入电阻R＝0.05Ω，滤波电容C＝0.66mF，负载电阻Rl＝80Ω，开关频率fw＝20kHz，直流电压Voref＝800V。
设置电流内环PI参数为：kpi＝0.2,kii＝2，外环滑模控制中滑模面的参数设置为：kp＝1500,ki＝300。仿真的总时长设置为0.1s(5个电网周期)，并且0.05s时，在输出端负载Rl从80Ω变为70Ω。仿真结果如下图6、7、8所示，从图6可以看出直流输出电压到达稳定值所需的时长约为0.004s；稳定前的超调在5V左右；在0.05s负载突变时，输出端直流电压会产生0.5V左右较小的波动，并且中点电位平衡能够快速实现，可以看出运用此控制算法增强了系统的抗干扰能力。图7中的输入a相电压、电流波形符合正弦曲线规律，系统启动时输入端的电流、电压畸变比较小，在0.05s负载突变时，电流、电压畸变变化较小。从图9看出a相电流在负载突变前THD为3.81％，图10负载稳定后的THD减小为1.73％。图8为有功功率、无功功率曲线，负载突变前，有功功率0.033s时达到稳定值7.6kw，0.05s负载突变后，输出功率逐渐变大，0.07s后达到最大值9.4kw，之后一直稳定在这个值。
通过传统PI加滑模混合控制方法仿真结果图11a～14a与本发明控制方法仿真结果图11b～14b的对比分析，可以看出运用本发明控制算法有利于系统总体的动静态性能、抗干扰能力的提升。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流
Figure FDA0002983428290000011
送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制；其特征在于，其中交流侧dq坐标系下参考量电流
Figure FDA0002983428290000012
由外环电压控制获得，所述外环电压控制：直流输出端通过传感器检测输出上下两端的电容电压
Figure FDA0002983428290000013
与电容电压期望值
Figure FDA0002983428290000014
以及直流输出端电压参考值Voref、dq坐标系下电压ed送入采用RBF神经网络逼近的滑模控制器
Figure FDA0002983428290000015
实现对外电压环的控制，输出dq轴的电流参考值
Figure FDA0002983428290000016
另
Figure FDA0002983428290000017
2.根据权利要求1所述Vienna整流器RBF神经网络外环电压滑模控制方法，其特征在于，所述滑模控制器
Figure FDA0002983428290000018
的滑模面的设计如下：
Figure FDA0002983428290000019
其中：
Figure FDA00029834282900000110
Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动；所述滑模控制器为：
Figure FDA00029834282900000111
其中sgn为饱和函数，控制参数都取正数，C为输出端上下端电容值；ε为趋近率系数；Rl为负载电阻。
3.根据权利要求2所述Vienna整流器RBF神经网络外环电压滑模控制方法，其特征在于，所述RBF神经网络分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层，每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)-cj(t)||；
网络输入为：
Figure FDA0002983428290000021
隐含层的基函数通常选择如下的高斯基函数：
Figure FDA0002983428290000022
其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数，m＝15；
将滑模控制器
Figure FDA0002983428290000023
作为神经网络的输出，隐含层节点向量为H＝[h1 h2 ... h15]T，相应的中心点向量和基宽参数向量分别为：c＝[c1 c2 ... c15]T，b＝[b1 b2 ... b15]T；其输出表达式：
Figure FDA0002983428290000024
上式中：W＝[w1 w2 ... w15]T是连接权值向量；
将传统滑模控制运行得到的各个量在系统稳定输出时间段0.02s到0.05s的采样数据作为输入层样本，用于神经网络的训练，获得训练后神经网络用于滑模控制器。
4.根据权利要求3所述Vienna整流器RBF神经网络外环电压滑模控制方法，其特征在于，所述RBF神经网络的学习过程分为两个阶段，第一个阶段为无监督学习，根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj，采用K-means算法来实现中心向量cj的调整；
第二阶段是无监督学习，训练隐含层到输出层之间的权值w，w的学习算法如下：
Figure FDA0002983428290000025
式中：β为学习效率，为了保证学习算法的收敛性，通常取0＜β＜1；
Figure FDA0002983428290000031
为期望输出值与实际输出值；
当样本离中心向量较远时，hj非常小，当作0处理；只有当hj大于设定数值时才对权值进行相应修改，因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需调整，保证了RBF较快的学习速度。
CN202110293623.2A 2021-03-19 2021-03-19 Vienna整流器RBF神经网络外环电压滑模控制方法 Active CN113131767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110293623.2A CN113131767B (zh) 2021-03-19 2021-03-19 Vienna整流器RBF神经网络外环电压滑模控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110293623.2A CN113131767B (zh) 2021-03-19 2021-03-19 Vienna整流器RBF神经网络外环电压滑模控制方法

Publications (2)

Publication Number Publication Date
CN113131767A true CN113131767A (zh) 2021-07-16
CN113131767B CN113131767B (zh) 2022-11-04

Family

ID=76773385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110293623.2A Active CN113131767B (zh) 2021-03-19 2021-03-19 Vienna整流器RBF神经网络外环电压滑模控制方法

Country Status (1)

Country Link
CN (1) CN113131767B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113726196A (zh) * 2021-09-01 2021-11-30 漳州科华电气技术有限公司 电源中维也纳整流电路的中点平衡控制方法、装置及终端
CN114123820A (zh) * 2021-11-30 2022-03-01 上海电力大学 基于BP神经网络和分数阶PI的Vienna整流器控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105552959A (zh) * 2015-12-30 2016-05-04 哈尔滨工业大学 基于扩张状态观测器的三相并网整流器预测直接功率控制方法
CN106786647A (zh) * 2016-12-27 2017-05-31 三峡大学 一种三相四线制并联apf双闭环非线性复合控制方法
CN108092527A (zh) * 2017-12-25 2018-05-29 三峡大学 一种基于三相Vienna整流器的滑模比例谐振控制方法
CN108923430A (zh) * 2018-07-16 2018-11-30 河海大学常州校区 有源电力滤波器神经网络全局快速终端滑模控制方法及计算设备
CN109149923A (zh) * 2018-10-08 2019-01-04 南京工业大学 一种在线估计控制率的apfc控制系统
CN112103960A (zh) * 2020-09-12 2020-12-18 河海大学常州校区 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105552959A (zh) * 2015-12-30 2016-05-04 哈尔滨工业大学 基于扩张状态观测器的三相并网整流器预测直接功率控制方法
CN106786647A (zh) * 2016-12-27 2017-05-31 三峡大学 一种三相四线制并联apf双闭环非线性复合控制方法
CN108092527A (zh) * 2017-12-25 2018-05-29 三峡大学 一种基于三相Vienna整流器的滑模比例谐振控制方法
CN108777549A (zh) * 2017-12-25 2018-11-09 三峡大学 一种基于三相Vienna整流器的滑模比例谐振控制方法
CN108923430A (zh) * 2018-07-16 2018-11-30 河海大学常州校区 有源电力滤波器神经网络全局快速终端滑模控制方法及计算设备
CN109149923A (zh) * 2018-10-08 2019-01-04 南京工业大学 一种在线估计控制率的apfc控制系统
CN112103960A (zh) * 2020-09-12 2020-12-18 河海大学常州校区 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113726196A (zh) * 2021-09-01 2021-11-30 漳州科华电气技术有限公司 电源中维也纳整流电路的中点平衡控制方法、装置及终端
CN113726196B (zh) * 2021-09-01 2023-08-18 漳州科华电气技术有限公司 电源中维也纳整流电路的中点平衡控制方法、装置及终端
CN114123820A (zh) * 2021-11-30 2022-03-01 上海电力大学 基于BP神经网络和分数阶PI的Vienna整流器控制方法

Also Published As

Publication number Publication date
CN113131767B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Fei et al. Fuzzy double hidden layer recurrent neural terminal sliding mode control of single-phase active power filter
CN108429281B (zh) 一种lcl型并网逆变器并联虚拟阻抗控制方法
CN110112940B (zh) 一种基于αβ坐标系下的PWM整流器自适应滑模QPIR控制方法
CN113131767B (zh) Vienna整流器RBF神经网络外环电压滑模控制方法
CN108334679B (zh) 有源电力滤波器全局滑模控制方法
CN107611971B (zh) 针对网压谐波畸变的网侧逆变器谐振全阶滑模控制方法
CN106786647A (zh) 一种三相四线制并联apf双闭环非线性复合控制方法
CN109100937B (zh) 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法
CN105552959A (zh) 基于扩张状态观测器的三相并网整流器预测直接功率控制方法
CN109067217B (zh) 三相电压型pwm整流器的线性自抗扰控制器的设计方法
CN111478356A (zh) 一种多端柔性直流输电系统控制参数优化设计方法
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
CN111239598B (zh) 一种对断路器保护特性进行在线测试的装置
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
CN111162684B (zh) 一种三相电压型pwm整流器无电压传感器功率预测控制方法
Li et al. Harmonic detection method based on adaptive noise cancellation and its application in photovoltaic-active power filter system
CN110266044B (zh) 一种基于储能变流器的微电网并网控制系统及方法
CN107123991B (zh) 基于模糊粒子群算法的动态电压恢复器控制方法及装置
Hu et al. Global sliding mode control based on a hyperbolic tangent function for matrix rectifier
Arya et al. Control of shunt custom power device based on Anti-Hebbian learning algorithm
CN111262460B (zh) 一种基于耦合电感的五电平整流器滑模pir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
CN115498696A (zh) 一种针对不平衡电网下的三相整流器模拟电阻控制方法
CN114499209A (zh) 一种基于dab转换器的ladrc控制方法及系统
JPH08171430A (ja) インバータ装置

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