CN113964843A - 基于神经网络的动态电压补偿控制方法 - Google Patents
基于神经网络的动态电压补偿控制方法 Download PDFInfo
- Publication number
- CN113964843A CN113964843A CN202111423438.7A CN202111423438A CN113964843A CN 113964843 A CN113964843 A CN 113964843A CN 202111423438 A CN202111423438 A CN 202111423438A CN 113964843 A CN113964843 A CN 113964843A
- Authority
- CN
- China
- Prior art keywords
- voltage
- load
- neural network
- control method
- error
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 239000006185 dispersion Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0073—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source when the main path fails, e.g. transformers, busbars
-
- 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
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
Abstract
基于神经网络的动态电压补偿控制方法。涉及电网配电技术领域,尤其涉及对动态电压补偿装置控制方法的改进。包括动态电压补偿装置,所述动态电压补偿装置并接在所述主交流电源输入端和负载端之间,所述动态电压补偿装置包括控制器以及依次连接的备用交流电源、整流装置和逆变装置,所述控制器通过所述动态电压补偿控制方法控制逆变装置;本发明使得该控制方式能够取得良好的控制效果,能够很好的提高DVR系统的负载适应性。
Description
技术领域
本发明涉及电网配电技术领域,尤其涉及对动态电压补偿装置控制方法的改进。
背景技术
电力系统发生短路时,伴随短路所产生的基本现象是:电流剧烈增加,例如发电机出线端处三相短路时,电流的最大瞬时值可能高达额定电流的10到15倍,从绝对值来讲可达上万安培,甚至十几万安培。在电流急剧增加的同时,系统中的电压将大幅度下降,例如系统发生三相短路时,短路点的电压将降到零,短路点附近各点的电压也将明显降低,由于短路时有上述现象发生,因而短路所引起的后果是破坏性的。
具体表现可以表现为短路点的电弧有可能烧坏电气设备,同时很大的短路电流通过设备会使发热增加,当短路持续时间较长时,可能使设备过热而损坏。当很大的短路电流通过导体时,要引起导体间很大的机械应力,如果导体和它们的支架不够坚固,则可能遭到破坏。短路时,系统电压大幅度下降,对用户工作影响很大。系统中最主要的负荷是异步电动机,它的电磁转矩同它的端电压的平方成正比,电压下降时,电磁转矩将显著降低,使电动机停转,以致造成产品报废及设备损坏等严重后果。当电力系统中发生短路时,有可能使并列运行的发电厂失去同步,破坏系统稳定,使整个系统的正常运行遭到破坏,引起大片地区的停电。这是短路故障最严重的后果。不对称接地短路所造成的不平衡电流,将产生零序不平衡磁通,会在邻近的平行线路内(如通信线路,铁道信号系统等)感应出很大的电动势。这将造成对通信的干扰,并危及设备和人身的安全。
为避免上述危害,备用电源自动投入成为了主要的研究方向。动态电压补偿装置(DVR)是一种理想的用户端电压电能质量调节装置,能有效补偿各种电压跌落且造价比UPS(不间断电源)等其他装置低廉,是改善电压型电能质量问题的经济、有效手段,各国学者已经达成了这样的共识。现有技术中,高压电网经过变压器降压后直接向负载进行供电,但是当主电路电压跌落或者发生短路后,负载无法正常运行,造成无法挽回的损失,因此DVR成了解决这一技术问题的重要装置。主电路中包括主交流电源、负载以及动态电压补偿装置,在主交流电源和负载之间的线路上并联有动态电压补偿装置,主电路上在主交流电源输入端和负载端分别设有电压采集模块对该处电压实时监测,此时,通过主电路上并联的动态电压补偿装置对负载端电压实时采样后,在主电路发生异常时及时向主电路补偿电压,以保证负载的正常运行。
现有技术中,对动态电压补偿装置一般采用双闭环PI控制,在线性负载下,其控制方法下的电压补偿稳态误差大,稳态精度低;而在非线性负载条件下,其负载谐波畸变率也相对较高。
发明内容
本发明针对现有技术存在的缺陷,提出了一种具有良好控制效果且能提高DVR的负载适应性的基于神经网络的动态电压补偿控制方法。
本发明的技术方案是:包括动态电压补偿装置,所述动态电压补偿装置并接在所述主交流电源输入端和负载端之间,所述动态电压补偿装置包括控制器以及依次连接的备用交流电源、整流装置和逆变装置,所述控制器通过所述动态电压补偿控制方法控制逆变装置;
所述动态电压补偿控制方法包括以下步骤:
1)、对主交流电源负载端的负载电压Uload进行采样,对负载电压Uload标幺化处理得到负载电压U;
2)、对负载电压U进行dq变换,得到相应的有功电压实际值Ud与无功电压实际值Uq;
3)、引入有功电压参考值Udref和无功电压参考值Uqref,将参考值与实际值分别进行作差得到有功电压差值Error_Ud、无功电压差值Error_Uq;
4)、将差值Error_Ud、Error_Uq代入到神经网络中计算,计算得到结果Yk1、Yk2;
5)、将计算得到的结果以及0分量进行dq逆变换,得到逆变装置的参考输入信号;
6)、最后将参考输入信号送入PWM发生器中,产生逆变装置的驱动波形,驱动逆变装置产生补偿电压输出。
所述步骤2)中,有功电压实际值Ud与无功电压实际值Uq的算法公式为:
其中θ=ωt,为随着时间变换的锯齿波,Ua、Ub和Uc分别为负载电压分量值,U0是0分量。
所述步骤3)中,所述有功电压参考值Udref=1、无功电压参考值Uqref=0,作差得到Error_Ud、Error_Uq的算法公式为:
Error_Ud=Ud-1,
Error_Uq=Uq-0。
所述步骤4)中神经网络模型的构建步骤如下:
4.1)、初始化网络,通过输入样本来确定输入的维数n、输出的维数m,初始化输入层、隐含层和输出神经元之间的权值V、W,初始化隐含层和输出阈值,并设置学习率和激活函数;
4.2)、计算隐含层输出;
4.3)、计算输出层;
4.4)、计算误差e,
4.4)、更新权值和阈值,通过预测误差e对网络连接权值更新;
4.5)、判断迭代是否可以结束,如果没有结束,就返回4.2)步,直到算法结束。
所述步骤5)中,将经神经网络计算出的结果Yk1、Yk2以及0分量进行dq逆变换,可得:
其中,ωt为随着时间变换的锯齿波,ua,ub和uc即为逆变装置的参考输入信号。
所述步骤2)中的dq变换和步骤5)中的dq逆变换都结合锁相环模块进行。
本发明的动态电压补偿控制方法主要是用神经网络调参的方法对DVR补偿装置中备用交流电源的输出电压参考值进行调控。当主电源发生故障时,DVR补偿装置负载侧检测出电压跌落,通过标准的负载参考电压与实际检测到的跌落电压来计算得到逆变单元输出电压参考值,将该参考值与相关信号当作神经元网络的输入对象,通过给定的标准负载参考电压与实际负载电压作差来作为神经网络实现自适应控制的准则,利用神经网络逼近逆变单元输入信号,从而备用电源输出补偿电压,实现重要负载的正常运行。
利用本发明基于神经网络的动态电压补偿控制方法的DVR装置,在线性负载下,对比双闭环PI控制方法,电压补偿稳态误差较小,稳态精度高;而在非线性负载条件下,负载谐波畸变率远低于双闭环PI控制。神经网络不断随环境学习的能力使得该控制方式能够取得良好的控制效果,能够很好的提高DVR系统的负载适应性。
附图说明
图1是本发明的控制流程原理图,
图2是本发明中动态电压补偿装置的使用状态参考图,
图3是本发明中动态电压补偿装置的架构原理图,
图4是本发明中动态电压补偿装置的控制原理图,
图5是本发明中有功电压差值的波形图,
图6是本发明中无功电压差值的波形图,
图7是本发明中的神经网络结构图,
图8是本发明中计算结果值Yk1的波形图,
图9是本发明中计算结果值Yk2的波形图,
图10是本发明中主交流电源输入端发生故障时的波形图,
图11是本发明控制下补偿电压的波形图,
图12是本发明中负载电压的波形图,
图13是本发明的控制流程框图。
图中,1-主交流电源输入端电压采集模块,2-负载端电压采集模块,3-补偿电压采集模块。
具体实施方式
以下结合附图1-13进一步表述本发明,包括动态电压补偿装置,如图2所示,动态电压补偿装置并接在所述主交流电源输入端和负载端之间,高压电网(主交流电源)经变压器降压后直接向负载供电,动态电压补偿装置(DVR)并接在主交流电源输出端和负载端之间,在主交流电源输出端和负载端处皆设有电压采集模块,分别用于采集主交流电源端和负载端处的实时电压,主交流电源输入端电压采集模块1设于变压器输出端,负载端电压采集模块2设于负载处的输入端;
动态电压补偿装置包括控制器以及依次连接的备用交流电源、整流装置和逆变装置,控制器通过动态电压补偿控制方法控制逆变装置;如图3所示,动态电压补偿装置还包括RL、RC逆变电路和12端口三相变压器组成,备用交流电源先通过整流装置整流成直流,然后整流得到的直流再通过逆变装置逆变成交流,最后为了负载要求的需要,再经过RL和RC模块进行滤波处理,通过电路末端的三相变压器输出补偿电压。三相变压器的输入侧还设有补偿电压采集模块3,用于采集补偿电压值,三相变压器的3个端口接地,3个端口接到备用电源侧的交流电压源输出侧上(A1+,B1+,C1+接到备用电源输出上;A1,B1,C1接地)。主交流电源侧的三相变压器依次交错相接(主交流电源输出侧接A2,B2,C2端口;主电路负载侧接A2+,B2+,C2+)。
逆变装置还连接有控制器,控制器另一端还连接主电路负载端的电压采集模块,用于采集通过标准的负载参考电压和实际检测到的跌落电压来计算得到的逆变单元输出电压参考值,然后根据相应逆变单元输出电压参考值输出给一侧的脉冲宽度调制发生器(PWM)来产生逆变波形,最终由脉冲宽度调制发生器将波形信号输出给逆变装置得到相应的补偿交流电压。
如图13所示,动态电压补偿控制方法包括以下步骤:
1)、对主交流电源负载端的负载电压Uload进行采样,负载电压Uload由负载端电压采集模块2采集,对负载电压Uload标幺化处理得到负载电压U;步骤1)中,标幺化处理得到:U、Uload均为三相电压。
2)、对负载电压U进行dq变换,得到相应的有功电压实际值Ud与无功电压实际值Uq;步骤2)中,有功电压实际值Ud与无功电压实际值Uq的算法公式为:
其中θ=ωt,为随着时间变换的锯齿波,Ua、Ub和Uc分别为负载电压分量值,U0是0分量。
3)、引入有功电压参考值Udref和无功电压参考值Uqref,将参考值与实际值分别进行作差得到有功电压差值Error_Ud、无功电压差值Error_Uq;步骤3)中,所述有功电压参考值Udref=1、无功电压参考值Uqref=0,作差得到Error_Ud、Error_Uq的算法公式为:
Error_Ud=Ud-1,
Error_Uq=Uq-0。
有功电压差值Error_Ud、无功电压差值Error_Uq的波形图分别如图5、6所示。
4)、将差值Error_Ud、Error_Uq代入到神经网络中计算,计算得到结果Yk1、Yk2;神经网络结构如图7所示,步骤4)中神经网络模型的构建步骤如下:
4.1)、初始化网络,通过输入样本来确定输入的维数n、输出的维数m,初始化输入层、隐含层和输出神经元之间的权值V、W,初始化隐含层和输出阈值,并设置学习率和激活函数;
4.2)、计算隐含层输出;
4.3)、计算输出层;
4.4)、计算误差e,
4.4)、更新权值和阈值,通过预测误差e对网络连接权值更新;
4.5)、判断迭代是否可以结束,如果没有结束,就返回4.2)步,直到算法结束。
神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。神经网络就是一个“万能的模型+误差修正函数”,每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型。
神经网络控制器通过实时检测负载电压,通过一定的算法计算调整中心向量、宽度以及权值以实现神经网络性能指标函数最小,从而使得负载电压很好的跟随DVR给定标准电压。主要思路为:1、输入数据,2、利用反向传播算法不断调整参数,3、根据最终调整的参数建立模型。
5)、将计算得到的结果以及0分量进行dq逆变换,得到逆变装置的参考输入信号;步骤5)中,将经神经网络计算出的结果Yk1、Yk2以及0分量进行dq逆变换,可得:
其中,ωt为随着时间变换的锯齿波,ua,ub和uc即为逆变装置的参考输入信号。
6)、最后将参考输入信号送入PWM发生器中,产生逆变装置的驱动波形,驱动逆变装置产生补偿电压输出。
步骤2)中的dq变换和步骤5)中的dq逆变换都结合锁相环模块进行。
上述动态电压补偿控制方法搭设有仿真模型,仿真模型结构如图1所示,从左至右依次为:端口1输入端连接dq变换模块,端口1用于输入负载电压U,此处的负载电压U已是标幺化后的电压,由前面的测量模块转化而成;dq变换模块的作用是将负载电压U转化为有功分量Ud、无功分量Uq以及0分量;dq变换模块连接选择器,选择器的作用是上述有三个分量,只需要用到前两个即有功分量Ud、无功分量Uq,将其选择出来;此处引入参考值模块,即有功电压参考值1和无功电压参考值0,参考值模块连接第一合并模块,第一合并模块用于将有功电压参考值1和无功电压参考值0糅合到一起,第一合并模块与选择器并接到运算模块中,运算模块用于将有功分量Ud和无功分量Uq与其参考值分别作差得到有功电压和无功电压差值。
运算模块连接分散模块,分散模块对应上述第一合并模块,用于将有功电压和无功电压差值独立分开来;分散模块输出端连接有两条支路,每条支路分别对有功电压和无功电压差值进行独立处理运算;如有功电压差值支路部分,有功电压差值通过分散模块输出结合离散模块然后合并输入神经网络模块进行运算,分散模块输出端还连接有示波器模块,用于显示有功电压差值波形,无功电压差值支路部分同理;有功电压差值波形、无功电压差值波形分别如图5、6所示;然后两条支路的神经网络模块分别连接第二合并模块,此处引入0分量模块也连接第二合并模块,第二合并模块用于将神经网络模块计算出的有功电压结果值Yk1、无功电压结果值Yk2和0分量进行合并进入下一步运算;两条支路上的神经网路模块输出端还分别连接有示波器模块,用于观察Yk1、Yk2波形,Yk1、Yk2波形如图8、9所示。
第二合并模块连接dq逆变换模块,dq逆变换模块用于对神经网络计算出的结果Yk1、Yk2以及0分量进行dq逆变换,然后得到最终的逆变参考信号由端口1输出端输出;其中,仿真模型结构内还设有锁相环模块,目的是用于产生dq变换及dq逆变换的角度,图中为wt(wt为MATLAB软件中角度标记形式,同上内容中的ωt),角度信号由端口2输出。
本发明控制的DVR装置控制原理如下:如图4所示,DVR的结构包括如下部分:备用交流电源、变压器、整流器和逆变器,各部分在功能上相对独立。DVR的能量由备用交流电源提供,因此不需要储能单元。正常情况下主交流电源为负载供电,当电网侧发生故障时DVR启动,DVR的控制目标是产生一个串联补偿电压,补偿备用交流电源和断电残压之间的差值。备用交流电源投入使用后,改变DVR的控制目标,由于电源故障是瞬时的,当负载端得到DVR装置补偿的电压后,控制DVR匀速减小补偿电压至零;此时,负载电压与主电路额定供应电压逐渐接近,当补偿电压减小至零后,主交流电源恢复正常时,DVR退出运行。
利用Matlab软件根据上述仿真模型,模拟设置波形图如下:
A)初始状态:敏感负载在额定工况下运行;
B)t=0.2s时,主电源电网测发生三相短路故障;
C)t=0.3s时,主电源电网测三相短路故障清楚;
如图10、11和12所示。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (7)
1.基于神经网络的动态电压补偿控制方法,包括动态电压补偿装置,所述动态电压补偿装置并接在所述主交流电源输入端和负载端之间,所述动态电压补偿装置包括控制器以及依次连接的备用交流电源、整流装置和逆变装置,所述控制器通过所述动态电压补偿控制方法控制逆变装置;
其特征在于,所述动态电压补偿控制方法包括以下步骤:
1)、对主交流电源负载端的负载电压Uload进行采样,对负载电压Uload标幺化处理得到负载电压U;
2)、对负载电压U进行dq变换,得到相应的有功电压实际值Ud与无功电压实际值Uq;
3)、引入有功电压参考值Udref和无功电压参考值Uqref,将参考值与实际值分别进行作差得到有功电压差值Error_Ud、无功电压差值Error_Uq;
4)、将差值Error_Ud、Error_Uq代入到神经网络中计算,计算得到结果Yk1、Yk2;
5)、将计算得到的结果以及0分量进行dq逆变换,得到逆变装置的参考输入信号;
6)、最后将参考输入信号送入PWM发生器中,产生逆变装置的驱动波形,驱动逆变装置产生补偿电压输出。
4.根据权利要求1所述的基于神经网络的动态电压补偿控制方法,其特征在于,所述步骤3)中,所述有功电压参考值Udref=1、无功电压参考值Uqref=0,作差得到Error_Ud、Error_Uq的算法公式为:
Error_Ua=Ud-1,
Error_Uq=Uq-0。
5.根据权利要求1所述的基于神经网络的动态电压补偿控制方法,其特征在于,所述步骤4)中神经网络模型的构建步骤如下:
4.1)、初始化网络,通过输入样本来确定输入的维数n、输出的维数m,初始化输入层、隐含层和输出神经元之间的权值V、W,初始化隐含层和输出阈值,并设置学习率和激活函数;
4.2)、计算隐含层输出;
4.3)、计算输出层;
4.4)、计算误差e,
4.4)、更新权值和阈值,通过预测误差e对网络连接权值更新;
4.5)、判断迭代是否可以结束,如果没有结束,就返回4.2)步,直到算法结束。
7.根据权利要求1所述的基于神经网络的动态电压补偿控制方法,其特征在于,所述步骤2)中的dq变换和步骤5)中的dq逆变换都结合锁相环模块进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423438.7A CN113964843B (zh) | 2021-11-26 | 2021-11-26 | 基于神经网络的动态电压补偿控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423438.7A CN113964843B (zh) | 2021-11-26 | 2021-11-26 | 基于神经网络的动态电压补偿控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113964843A true CN113964843A (zh) | 2022-01-21 |
CN113964843B CN113964843B (zh) | 2023-11-10 |
Family
ID=79472221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423438.7A Active CN113964843B (zh) | 2021-11-26 | 2021-11-26 | 基于神经网络的动态电压补偿控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113964843B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264802A1 (en) * | 2003-04-28 | 2004-12-30 | Makoto Kondo | Apparatus and method for processing signal |
CN201156669Y (zh) * | 2008-01-08 | 2008-11-26 | 江苏省电力试验研究院有限公司 | 串联电容直接耦合式动态电压恢复器 |
CN104300581A (zh) * | 2014-10-31 | 2015-01-21 | 东南大学 | 一种带并网点动态电压补偿的无缝并网逆变器及其方法 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN108964066A (zh) * | 2018-07-28 | 2018-12-07 | 南京理工大学 | Dvr系统的电压跌落和谐波同步补偿方法 |
CN109921429A (zh) * | 2019-04-15 | 2019-06-21 | 南京工程学院 | 船舶敏压负载稳压装置控制方法 |
CN110045175A (zh) * | 2019-01-29 | 2019-07-23 | 广东电网有限责任公司 | 一种单相配电系统电压跌落检测方法 |
CN110361629A (zh) * | 2019-07-12 | 2019-10-22 | 安徽工程大学 | 一种基于动态电压恢复器的电压暂降检测系统 |
CN112636359A (zh) * | 2020-12-28 | 2021-04-09 | 上海电机学院 | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 |
CN113315141A (zh) * | 2021-06-21 | 2021-08-27 | 上海海事大学 | 用于脉冲负载船舶的统一电能质量调节器及其控制方法 |
-
2021
- 2021-11-26 CN CN202111423438.7A patent/CN113964843B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264802A1 (en) * | 2003-04-28 | 2004-12-30 | Makoto Kondo | Apparatus and method for processing signal |
CN1571473A (zh) * | 2003-04-28 | 2005-01-26 | 索尼株式会社 | 用于处理信号的设备和方法 |
CN201156669Y (zh) * | 2008-01-08 | 2008-11-26 | 江苏省电力试验研究院有限公司 | 串联电容直接耦合式动态电压恢复器 |
CN104300581A (zh) * | 2014-10-31 | 2015-01-21 | 东南大学 | 一种带并网点动态电压补偿的无缝并网逆变器及其方法 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN108964066A (zh) * | 2018-07-28 | 2018-12-07 | 南京理工大学 | Dvr系统的电压跌落和谐波同步补偿方法 |
CN110045175A (zh) * | 2019-01-29 | 2019-07-23 | 广东电网有限责任公司 | 一种单相配电系统电压跌落检测方法 |
CN109921429A (zh) * | 2019-04-15 | 2019-06-21 | 南京工程学院 | 船舶敏压负载稳压装置控制方法 |
CN110361629A (zh) * | 2019-07-12 | 2019-10-22 | 安徽工程大学 | 一种基于动态电压恢复器的电压暂降检测系统 |
CN112636359A (zh) * | 2020-12-28 | 2021-04-09 | 上海电机学院 | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 |
CN113315141A (zh) * | 2021-06-21 | 2021-08-27 | 上海海事大学 | 用于脉冲负载船舶的统一电能质量调节器及其控制方法 |
Non-Patent Citations (3)
Title |
---|
任宝森等: "基于RBF_PID控制的三相动态电压恢复器", 电气工程学报, vol. 12, no. 8, pages 28 - 33 * |
周晓华;罗文广;刘胜永;李振强;张银;: "静止无功补偿器自适应动态规划电压控制方法", 电网技术, no. 03, pages 895 - 900 * |
郭全民;王健;: "基于函数型连接神经网络的瓦斯传感器非线性校正", 传感器与微系统, no. 10, pages 5 - 7 * |
Also Published As
Publication number | Publication date |
---|---|
CN113964843B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Advanced islanding detection utilized in distribution systems with DFIG | |
CN107069809A (zh) | 一种直驱风电变流器高电压穿越控制方法 | |
Senthilkumar et al. | ANFIS and MRAS-PI controllers based adaptive-UPQC for power quality enhancement application | |
CN103904676A (zh) | 一种vsc-hvdc的下垂控制方法 | |
Sunny et al. | Artificial neural network based dynamic voltage restorer for improvement of power quality | |
Hou et al. | Adaptive active voltage-type arc suppression strategy considering the influence of line parameters in active distribution network | |
Wang et al. | Novel pilot protection for AC transmission line connected to LCC-HVDC inverter station | |
Kleftakis et al. | Power-Hardware-in-the-loop simulation of a D-STATCOM equipped MV network interfaced to an actual PV inverter | |
CN105610145B (zh) | 一种功率可回馈的有源全谐波消弧控制方法及其系统 | |
Kalaignan et al. | Harmonic elimination by Shunt active filter using PI controller | |
Kumari et al. | Simulation of dynamic voltage restorer using matlab to enhance power quality in distribution system | |
CN110376472B (zh) | 基于双环电流负反馈控制的光伏并网逆变器孤岛检测方法 | |
KR101333828B1 (ko) | 발전 시스템 제어 방법 및 장치 | |
Varier et al. | A novel active anti-islanding protection scheme for grid-interactive roof-top solar PV system | |
CN108680825B (zh) | 一种基于综合序阻抗的孤岛检测方法 | |
Compensator | AN ADAPTIVE CONTROL AND IMPROVEMENT OF POWER QUALITY IN GRID CONNECTED SYSTEM USING POWER ELECTRONIC CONVERTERS | |
Rezaei et al. | Sliding mode control of a grid-connected distributed generation unit under unbalanced voltage conditions | |
CN113964843A (zh) | 基于神经网络的动态电压补偿控制方法 | |
Raut et al. | An overview and design of Dynamic Voltage Restorer to improve power quality in microgrid | |
Magueed et al. | Design of robust converter interface for wind power applications | |
Roscoe et al. | Demonstration of sustained and useful converter responses during balanced and unbalanced faults in microgrids | |
Brenna et al. | Real time simulation of smart grids for interface protection test and analysis | |
CN108594046B (zh) | 基于综合阻抗基波分量的孤岛检测方法 | |
Zidi et al. | Regular paper Dynamic Performance of an HVDC Link | |
Zhang et al. | Stability and stability tests of inverter based power generation equipment |
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 |