CN114629102B - 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 - Google Patents
一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 Download PDFInfo
- Publication number
- CN114629102B CN114629102B CN202210215247.XA CN202210215247A CN114629102B CN 114629102 B CN114629102 B CN 114629102B CN 202210215247 A CN202210215247 A CN 202210215247A CN 114629102 B CN114629102 B CN 114629102B
- Authority
- CN
- China
- Prior art keywords
- output
- current
- converter
- layer
- control
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000011217 control strategy Methods 0.000 description 11
- 238000007665 sagging Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- H02J1/00—Circuit arrangements for dc mains or dc distribution networks
- H02J1/10—Parallel operation of dc sources
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Abstract
本发明涉及一种基于BP神经网络的多电飞机直流供电系统功率分配控制方法,根据多电飞机高压直流供电系统建立下垂控制等效电路模型,并引入下垂系数;通过BP神经网络算法根据本单元的电路参数信息预测得到并联单元的输出电流信息,计算平均值后送入控制器;进而通过自适应下垂系数控制,实现变换器间输出电流的精确分配,但存在相应电压偏差;因此在二次控制中采取电压补偿控制,在维持母线电压稳定的前提下,实现了各变换器输出功率的精确分配。
Description
技术领域
本发明属于多电飞机功率分配控制技术领域,具体为一种多电飞机高压直流供电系统中的功率分配控制方法。
背景技术
飞机高压直流电气系统是一个多变换器构成的分布式电源系统,其采用了多台发电机与储能模块结合的拓扑结构,融合了多源供电系统的并联控制技术,面向解决供电单元之间的功率分配问题。
目前,针对交直流/直流变换器的并联,国内外研究了众多的协同控制方式。多变换器协同控制的目标主要包含两个方面:一方面是维持母线电压或输出电压的稳定;另一方面是实现各个端口之间功率的精确分配。高压直流供电系统是由基本的DC/DC、AC/DC变换器单元构成,是非隔离型并联拓扑分布式电源系统。下垂控制作为典型的分布式控制策略,具有结构简单、即插即用的优点,被广泛用于非隔离型变换器单元构成的变换器并联系统中。下垂控制策略收到通信线的制约,因此我们应用BP基神经网络,仅使用本地单元的信息便可预测其它单元的输出,各单元之间不需要电力线通讯,仅通过BP神经预测网络就可以实现虚拟互联以获取全局信息,自动实现均流,减少了电力通讯线和传感器的使用。
发明内容
本发明的目的是,提出一种新颖的基于BP神经网络的高压直流供电系统功率分配策略,本方法只需利用本地的控制器,得到整个并联系统的平均电流值,即可通过BP神经网络根据本单元的电路参数预测另一单元的输出电流,进而通过自适应下垂控制和电压补偿二次控制对并联系统的各供电单元的功率进行精确分配。
通过BP神经网络预测电流,一定程度上减少了区域网络、大量电力通信线及传感器的使用,降低了经济成本和控制复杂度,提高了高压直流供电系统的可控性,基本达到了与基于低速通讯的控制器相同的控制效果;同时改造的下垂控制策略,增加了自适应下垂系数控制和电压补偿控制,随着系统功率变化可自适应调节直流母线基准电压,提高了并联系统均流精度且保持了母线电压基本稳定。
根据下垂控制法,建立了直流供电单元并联系统的等效模型,引入了下垂系数,得到两单元的输出电流与下垂系数成反比。接着使用BP神经网络根据本单元的电路参数信息预测得到另一单元的输出电流,算出平均电流用于自适应下垂系数控制,进而得到了基于BP神经网络的下垂控制策略,在此基础上加以电压补偿二次控制,从而实现了各个供电单元输出功率的精确分配。
具体地,本发明提出一种基于BP神经网络的多电飞机直流供电系统功率分配控制方法,上述方法包括以下步骤:
步骤S1.获取多电飞机直流供电系统功率值,将该多电飞机直流供电系统功率值存储于任一缓存装置中;
步骤S2.所述基于多电飞机的高压直流供电系统,建立下垂控制等效电路模型:
其中,v*ref为变换器ci的实际输出电压参考值,Rdi为输入ci的下垂系数;RL1、RL2为两路变换器的线路电阻;Rd1、Rd2为两路变换器的下垂系数;vo为母线电压,io1、io2为变换器1、2的输出电流。
引入下垂系数,当下垂系数值远大于线路电阻时,得到输出电流与下垂系数的关系:
步骤S3.基于BP神经网络预测输出电流,其结构分为输入层、隐藏层、输出层,其中,隐藏层的激活函数为sigmoid函数:
设置输入X、输出Y分别为:
其中,io1为变换器1的输出电流;uo1为变换器1的输出电压;iL1为变换器1的电感电流;i* o2为变换器2的预测输出电流值。
分别设置隐藏层与输入层之间的权重和阈值,隐藏层与输出层之间的权重与阈值,经过反复训练校正后的可表示为:
设置隐藏层j和输入层input之间的权重和阈值为wjinput、θj,隐藏层j与输出层k之间的权重和阈值分别为wkj、θk;η为学习效率;δj为隐藏层与输入层之间的调整梯度;δk输出层与隐藏层之间的调整梯度;其中:w′jinput、θ′j分别为输入层与隐含层间修正后的权值与阈值;w′kj、θ′k分别为隐含层与输出层间修正后的权值与阈值;xi为输入层的输入量,vj为隐藏层的输出量。
步骤S4.计算所述预测得到电流的平均值用于自适应下垂控制:
其中,k1和k2分别为第1、2台变换器的功率分配系数。
采取自适应下垂系数的电流调节控制方法的数学模型为:
其中:vrefi1为变换器ci在自适应下垂系数电流调节下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值,R* di为初始下垂系数设定值,kpi和kii为电流补偿控制PI调节参数,σioi为电流控制值,ioi为第ci个变换器的输出电流,s表示复域。
采用自适应下垂系数控制之后,引起输出电压的偏差。因此在二次控制中要采取输出电压补偿控制,克服传统下垂控制对输出电压的影响,输出电压补偿控制的框图如图6所示。
采取电压补偿控制的下垂控制方法的数学模型为:
其中:vrefi2为变换器ci的在输出电压补偿控制下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值;vo为实际母线电压;kpv、kiv为输出电压补偿PI调节参数,Rdi为第ci个变换器的下垂系数。
因此,采取输出电压二次补偿的下垂控制表达式为:
其中,vrefi为变换器ci的初始输出电压参考值。v*ref为变换器ci的实际输出电压参考值。
输出电压补偿控制可以调节输出电压值,不能改变下垂控制的电流分配精度,所以电压补偿控制方法一般与自适应下垂系数电流调节一起使用。
进一步地,多电飞机高压直流供电系统下的下垂控制方法中,优先将功率分配至优先级较高的用电单元,设置列表记录各用电单元分配的功率值,将所述各用电单元分配的功率值求和,与所述步骤S1中所述缓存单元所存储的所述多电飞机直流供电系统功率值进行对比,以进行功率分配准确性验证。
本发明的优点在于:
本发明实现了基于下垂控制策略与BP神经网络的有机结合,实现了控制器及通讯线的可替代性,具有较好的实用性。
本发明实现了多电飞机的高压直流供电系统的下垂控制策略,再维持了母线电压的基础上,使得各供电单元功率精准分配。
本发明的下垂控制策略可以推广到更多的多电飞机高压直流供电系统中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明并联系统下垂控制等效模型图。
图2为本发明BP神经网络结构图。
图3为本发明高压直流并联系统等效模型图。
图4为本发明多电飞机的高压直流并联供电系统仿真实例图。
图5为本发明适应下垂系数控制框图。
图6为本发明输出电压补偿二次控制的控制框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明提出根据多电飞机的高压直流供电单元并联系统建立了下垂控制等效电路模型,引入下垂系数,并联系统下垂控制等效模型如图1所示。
接着基于下垂控制策略,通过BP神经网络算法根据本单元的电路参数进行预测,得到与其并联单元的输出电流信息,BP神经网络的结构示意图如图2所示,其中输入量为3个,输出量为1个;根据预测得到的并联单元电流信息,将计算得到的平均电流用于自适应下垂系数控制。
由于存在电压偏差,采用电压补偿控制作为二次控制,以维持母线电压的稳定,控制策略框图如图3所示。下面进行详细说明。
多电飞机的高压直流并联供电系统,仿真主要包括2台主发电机、1台辅助发电机、储能模块(超级电容和锂电池)、功率变换器和控制器,其中搭建的双向DC/DC变换器平均模型构成锂电池供电单元和超级电容供电单元,如附图4所示。
5个供电单元并联至270V母线,各电源转换器的输出电压参考值由子系统调节,实现系统输出功率的精确分配。得到参与并联的供电单元个数及其之间的功率分配比例,传递给各个供电单元的改进型下垂控制模块,调节其各自的变换器输出电压参考值,实现输出功率的控制。
一种多电飞机高压直流供电系统中的功率分配控制方法具体实现步骤为:
步骤一、高压直流供电系统下垂控制模型的建立
首先,传统的下垂控制法,输出电压的基准值可表示为:
其中,v*ref为变换器ci的实际输出电压参考值,vrefi为初始输出电压参考值,Rdi为输入变换器ci的下垂系数,为输入变换器ci的输出电流平均值。
建立下垂控制模式下的两个直流供电单元并联系统的等效模型,如图1所示。
假设两个变换器的基准电压相等,由并联系统等效模型的电路关系可得:
其中,RL1、RL2为两路变换器的线路电阻;Rd1、Rd2为两路变换器的下垂系数;vo为母线电压,io1、io2为变换器1、2的输出电流。联立式1、2两式可得:
由式3可知,在理想情况下,即当下垂系数的值远大于线路阻抗值时,输出电流与下垂系数成反比。
由此可得,下垂控制根据各变换器的额定功率,引入远大于电路阻抗的下垂系数,使得各个供电单元额定输出电流与下垂系数的乘积相等,从而实现各个供电单元输出功率的精准分配。
步骤二、基于BP神经网络预测电流
BP神经网络已广泛应用于科学研究和工程的各个领域。它是指前馈神经网络加上相应的BP训练过程,根据梯度下降法更新网络权重。
BP神经网络由输入层input、隐藏层j和输出层k的三层结构组成,结构图如图2所示。假设输入层input有n个神经元(input=1,2,...,n),隐藏层j有p个神经元(j=1,2,...,p),输出层k有s个神经元(k=1,2,...,s),那么神经网络输入层的输入量和输出量为X=[x1,x2,…,xn]T,隐藏层的输入量为U=[u1,u2,…,up]T,隐藏层的输出量为V隐=[v1,v2,…,vp]T,输出层的输入量和输出量分别为Z=[z1,z2,…,zs]T、Y=[y1,y2,…,ys]T。
隐含层的激活函数为sigmoid函数为:
隐藏层的输入量uj和输出层的输入量zk可以表示为:
其中,设置隐藏层j和输入层input之间的权重和阈值为wji、θj,隐藏层j与输出层k之间的权重和阈值分别为wkj、θk;xi为输入层的输入分量,vj为隐藏层的分量。
由传递函数来确定隐含层j和输出层k各神经元的输入量vj与输出量yk,即:
其中:a、b、c为常数,zk为输出层的输入量、uj为隐藏层的输入量;f(uj)、f(zk)被限定在[0,1]之间。
任意一组训练样本均对应一组实际输出样本和期望输出样本D,即D=[d1,d2,…,dk]T,训练样本经M次迭代后,输出层的累积误差E(M)为:
训练误差用于逐步调整各层之间的输入权重和阈值,选择梯度下降算法作为调整基础。设置隐藏层和输入层之间的调整梯度为δj,输出层和隐藏层之间的调整梯度为δk。训练样本经过M次迭代后,误差在逐步传递的过程中修正每层的权重和阈值,校正后的权重和阈值可以表示为:
其中:w′jinput、θ′j分别为输入层与隐含层间修正后的权值与阈值;w′kj、θ′k分别为隐含层与输出层间修正后的权值与阈值;η为学习效率。xi为输入层的输入量,vj为隐藏层的输出量。
在高压直流并联系统中,每个节点的输出电压和电流不仅与单元的功率和线路阻抗有关,还由其相邻并联单元的输出共同决定。图3为高压直流并联系统等效模型。
其中:第mi个发电机组由DGi表示;与其并联的n个发电机组由DG1~DGn表示。
将DGi机组等效为DG1,将DG1~DGn的n个发电单元等效为一个发电机组DG2,等效于两台发电机组与公共负载并联的结构对系统进行建模。
其中:kj为j单元的电流分配比例。
BP神经网络预测模型的建立之前,需要先确定其网络结构。经过多次反复测试,最终选定输出电压uo1、输出电流io1和电感电流iL1这三个能较好表征系统特性的量作为输入,输入节点取3。依据下垂控制策略的实际需求,选定另一并联单元的电流值作为输出,输出节点取1。
X,Y分别为网络输入和输出:
其中,io1为变换器1的输出电流;uo1为变换器1的输出电流;iL1为变换器1的电感电流;i* o2为变换器2的预测输出电流值。由此通过BP神经网络预测得到DG2的输出电流。
步骤三、基于BP神经网络预测电流的改进型下垂控制
1.自适应下垂系数的电流调节
将预测得到的与已知的io1,按电流分配比例求出各单元输出电流的平均值/>
其中,k1和k2分别为第1、2台变换器的功率分配系数。io1为变换器1的输出电流;uo1为变换器1的输出电流,i* o2为变换器2的预测输出电流值。
自适应下垂系数控制框图如图5所示,将求出的平均值与变换器ci的输出电流做差,差值进行PI运算,PI运算的结果用于调节下垂系数。当变换器ci的输出电流小于平均电流时,平均电流与变换器ci电流的差值为正,经PI运算后产生正的输出值,使下垂系数Rdi减小。
采取自适应下垂系数的电流调节控制方法的数学模型为:
其中:vrefi1为变换器ci在自适应下垂系数电流调节下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值,R* di为初始下垂系数设定值,kpi和kii为电流补偿控制PI调节参数,σioi为电流控制值。
2.输出电压补偿控制
采用自适应下垂系数控制之后,引起输出电压的偏差。因此在二次控制中要采取输出电压补偿控制,克服传统下垂控制对输出电压的影响,输出电压补偿控制的框图如图6所示。
采取电压补偿控制的下垂控制方法的数学模型为:
其中:vrefi2为变换器ci的在输出电压补偿控制下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值;vo为母线电压;kpv、kiv为输出电压补偿PI调节参数。
由式(13)和式(15)得到,采取输出电压二次补偿的下垂控制表达式为:
其中,vrefi为变换器ci的初始输出电压参考值。v*ref为变换器ci的实际输出电压参考值
输出电压补偿控制可以调节输出电压值,不能改变下垂控制的电流分配精度,所以电压补偿控制方法一般与自适应下垂系数电流调节一起使用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种基于BP神经网络的多电飞机直流供电系统功率分配控制方法,其特征在于:上述方法包括以下步骤:
步骤S1.获取多电飞机直流供电系统功率值,将该多电飞机直流供电系统功率值存储于任一缓存装置中;
步骤S2.所述基于多电飞机的高压直流供电系统,建立下垂控制等效电路模型:
其中,V*ref为变换器ci的实际输出电压参考值,Rdi为输入ci的下垂系数;RL1、RL2为两路变换器的线路电阻;Rd1、Rd2为两路变换器的下垂系数;vo为母线电压,io1、io2为变换器1、2的输出电流,
引入下垂系数,当下垂系数值远大于线路电阻时,得到输出电流与下垂系数的关系:
步骤S3.基于BP神经网络预测输出电流,其结构分为输入层、隐藏层、输出层,其中,隐藏层的激活函数为sigmoid函数:
设置输入X、输出Y分别为:
X=[io1,uo1,iL1]T,
其中,io1为变换器1的输出电流;uo1为变换器1的输出电压;iL1为变换器1的电感电流;i* o2为变换器2的输出电流值;
分别设置隐藏层与输入层之间的权重和阈值,隐藏层与输出层之间的权重与阈值,经过反复训练校正后的可表示为:
设置隐藏层j和输入层input之间的权重和阈值为wjinput、θj,隐藏层j与输出层k之间的权重和阈值分别为wkj、θk;η为学习效率;δj为隐藏层与输入层之间的调整梯度;δk输出层与隐藏层之间的调整梯度;其中:w′jinput、θ′j分别为输入层与隐含层间修正后的权值与阈值;w′kj、θ′k分别为隐含层与输出层间修正后的权值与阈值;xi为输入层的输入量,vj为隐藏层的输出量;
步骤S4.计算所述预测得到电流的平均值用于自适应下垂控制:
其中,k1和k2分别为第1、2台变换器的功率分配系数;
采取自适应下垂系数的电流调节控制方法的数学模型为:
其中:vrefi1为变换器ci在自适应下垂系数电流调节下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值,R* di为初始下垂系数设定值,kpi和kii为电流补偿控制PI调节参数,σioi为电流控制值;
采用自适应下垂系数控制之后,引起输出电压的偏差,因此在二次控制中要采取输出电压补偿控制,克服传统下垂控制对输出电压的影响,输出电压补偿控制,
采取电压补偿控制的下垂控制方法的数学模型为:
其中:vrefi2为变换器ci的在输出电压补偿控制下的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值;vo为实际母线电压;kpv、kiv为输出电压补偿PI调节参数;
因此,采取输出电压二次补偿的下垂控制表达式为:
其中,vrefi为变换器ci的初始输出电压参考值;v*ref为变换器ci的实际输出电压参考值;
输出电压补偿控制可以调节输出电压值,不能改变下垂控制的电流分配精度,所以电压补偿控制方法与自适应下垂系数电流调节一同使用。
2.根据权利要求书1所述的基于BP神经网络的多电飞机直流供电系统功率分配控制方法,其特征在于,自适应下垂系数控制所需的平均电流由BP神经网络预测得到,输入节点数为3,输出节点数为1;
X,Y分别为网络输入和输出:
X=[io1,uo1,iL1]T,
其中,io1为变换器1的输出电流;uo1为变换器1的输出电流;iL1为变换器1的电感电流;i* o2为变换器2的预测输出电流值;
隐藏层的输入量uj和输出层的输入量zk可以表示为:
其中,设置隐藏层j和输入层input之间的权重和阈值为wjinput、θj,隐藏层j与输出层k之间的权重和阈值分别为wkj、θk;xi为输入层的输入分量,vj为隐藏层的输出量;
计算所得平均电流可表示为:
其中,k1和k2分别为第1、2台变换器的功率分配系数,io1为变换器1的输出电流;uo1为变换器1的输出电流,i* o2为变换器2的预测输出电流值。
3.根据权利要求书1所述的基于BP神经网络的多电飞机直流供电系统功率分配控制方法,其特征在于,多电飞机高压直流供电系统下的下垂控制方法中,优先将功率分配至优先级较高的用电单元,获取各用电单元分配的功率值及电压,将所述各用电单元分配的功率值求和,与所述步骤S1中所述缓存单元所存储的所述多电飞机直流供电系统功率值进行对比,以进行功率分配准确性验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215247.XA CN114629102B (zh) | 2022-03-07 | 2022-03-07 | 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215247.XA CN114629102B (zh) | 2022-03-07 | 2022-03-07 | 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114629102A CN114629102A (zh) | 2022-06-14 |
CN114629102B true CN114629102B (zh) | 2024-03-29 |
Family
ID=81900540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210215247.XA Active CN114629102B (zh) | 2022-03-07 | 2022-03-07 | 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629102B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601246A (zh) * | 2019-08-14 | 2019-12-20 | 上海电力大学 | 基于径向基神经网络预测的直流微电网均流方法 |
CN110707680A (zh) * | 2019-11-26 | 2020-01-17 | 南京工程学院 | 直流微电网功率精确分配和母线电压偏差优化控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11527955B2 (en) * | 2018-03-26 | 2022-12-13 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for control of DC/DC converters and a standalone DC microgrid using artificial neural networks |
-
2022
- 2022-03-07 CN CN202210215247.XA patent/CN114629102B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601246A (zh) * | 2019-08-14 | 2019-12-20 | 上海电力大学 | 基于径向基神经网络预测的直流微电网均流方法 |
CN110707680A (zh) * | 2019-11-26 | 2020-01-17 | 南京工程学院 | 直流微电网功率精确分配和母线电压偏差优化控制方法 |
Non-Patent Citations (2)
Title |
---|
FMI based Multi-domain Modeling and Simulation for Aircraft Power Distribution System;Beilei Yang等;2016 IEEE International Conference on Aircraft Utility Systems (AUS);20161121;全文 * |
基于RBF神经网络的直流微电网均流控制策略;高明明;赵晋斌;屈克庆;李芬;毛玲;;可再生能源;20200317(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114629102A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eltamaly et al. | Simulation and experimental validation of fast adaptive particle swarm optimization strategy for photovoltaic global peak tracker under dynamic partial shading | |
CN110867848B (zh) | 一种用于直流微电网群落的能量管理预测控制方法 | |
CN110707680B (zh) | 直流微电网功率精确分配和母线电压偏差优化控制方法 | |
CN108448563B (zh) | 一种直流微电网分布式协同控制系统及直流微电网 | |
CN110265991B (zh) | 一种直流微电网的分布式协调控制方法 | |
CN107508275A (zh) | 一种基于自适应动态规划的直流微电网控制方法及系统 | |
de Castro et al. | Smart and hybrid balancing system: Design, modeling, and experimental demonstration | |
CN111725798A (zh) | 一种用于直流微电网集群的分布式经济调度预测控制方法 | |
CN105629730B (zh) | 一种基于神经网络滑模控制的upfc控制方法 | |
CN110601246B (zh) | 基于径向基神经网络预测的直流微电网均流方法 | |
CN112152268B (zh) | 一种交、直流子微网控制方法及子微网群间控制方法 | |
CN114629102B (zh) | 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法 | |
CN105896565A (zh) | 基于比重变异粒子群算法的配电网无功优化方法 | |
Gheisarnejad et al. | Reducing impact of constant power loads on DC energy systems by artificial intelligence | |
CN110912110B (zh) | 一种用于直流微电网的动态自适应下垂控制方法 | |
Tian et al. | An improved droop control strategy for accurate current sharing and DC-BUS voltage compensation in DC microgrid | |
Ahmadi et al. | Supervisory control of bipolar DC microgrids equipped with three-port multidirectional DC–DC converter for efficiency and system damping optimization | |
Qin et al. | Tertiary control based on non-parametric model prediction for dc microgrid cluster | |
Zhang et al. | Consensus-based economic hierarchical control strategy for islanded MG considering communication path reconstruction | |
CN115085557A (zh) | 一种基于模型预测控制的多模块直流变换器功率平衡方法 | |
Cheng et al. | Distributed control for multiple hybrid energy storage systems using consensus algorithm in direct current power supply system | |
CN114039346A (zh) | 一种基于神经网络的电压调节和电流均流方法 | |
CN112039047A (zh) | 一种双极直流微电网的不平衡电压控制方法 | |
CN111313483A (zh) | 基于邻域通信的多光伏电站协同调频系统及控制方法 | |
Hussaini et al. | Optimal Droop Control Design Using Artificial Intelligent Techniques for Electric Power Systems of More-Electric Aircraft |
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 |