CN116184036A - 基于神经网络的电力电子变换器参数在线辨识方法及系统 - Google Patents
基于神经网络的电力电子变换器参数在线辨识方法及系统 Download PDFInfo
- Publication number
- CN116184036A CN116184036A CN202310045009.3A CN202310045009A CN116184036A CN 116184036 A CN116184036 A CN 116184036A CN 202310045009 A CN202310045009 A CN 202310045009A CN 116184036 A CN116184036 A CN 116184036A
- Authority
- CN
- China
- Prior art keywords
- value
- converter
- inductance
- neural network
- parameters
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2605—Measuring capacitance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2611—Measuring inductance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于神经网络的电力电子变换器参数在线辨识方法及系统,包括以:进行模态分析,并通过状态空间平均法建立状态方程;对状态方程进行离散化处理,得到变换器的离散化模型;基于离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,构建平方损失函数;对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;基于离散模型与权重值计算电感值和电容值。本发明在不增加额外电路和传感器的前提下,对电力电子变换器中电感和电容等动态元件参数进行在线辨识,有利于储能元件的寿命预测、变换器的状态监测以及控制回路参数的优化。
Description
技术领域
本发明涉及电力电子领域,具体涉及一种基于神经网络的电力电子变换器参数在线辨识方法及系统。
背景技术
电力电子变换器的应用领域正在日益扩大,在对性能要求越来越高的同时,变换器的工作条件也变得越来越苛刻。目前,电力电子变换器正在向更高的功率密度发展,但高功率密度来带的发热问题也越来越严重。在不同的应用场合中,电力电子变换器的可靠性也面临着不同的挑战,如光伏应用中等效负载的随机波动;风力发电中风能的随机波动以及风机的频繁切换;电动汽车领域中由于汽车的频繁加速和制动,变换器长期处于非平稳工作状态等。
苛刻的工作条件提高了对电力电子变换器的可靠性的要求,同时也大大增加了主电路发生故障的概率。主电路的故障大多数是由器件故障引起的,一般可分为结构性故障和参数性故障。结构性故障指器件完全失效引起的故障,会带来非常严重的后果,甚至直接导致变换器损坏。参数性故障是指器件参数退化导致的故障,会降低系统性能,如纹波大小、动态响应和控制回路性能等。
如果对参数性故障不加以重视,就很有可能使器件参数退化至完全失效,导致参数性故障发展成为结构性故障,并带来灾难性的后果。电容和电感是变换器中的关键器件,它们的充能和放能过程使变换器的工作状态能在不同的模态之间进行切换,使变换器能够获得相应的输出,此外电感值和电容值的变化也会影响变换器的各种性能。如果可以准确获取变换器中电感和电容的参数信息,那么将为器件寿命预测、变换器状态监测以及闭环控制性能优化等提供前提。因此,对变换器中的电感和电容参数进行在线辨识是很有必要的。
根据参数辨识方法对变换器工作的影响程度可以将其分为离线辨识方法、侵入式在线辨识方法和非侵入式在线辨识方法。离线辨识方法无需增加额外电路,成本较低,并且可以获得较大的电容电压波动,辨识精度高,但需要在变换器停止工作时才能进行参数辨识,无法实时反应参数的变化情况,不适用于长期运行的变换器;侵入式在线参数辨识方法是指使用对变换器运行有影响的装置或者在变换器正常工作时暂时改变其运行方式来实现参数辨识,结构简单,精度较高,但是需要同时测量电容的电压和电流,增加传感器数量,提高了成本,并且在进行参数辨识时会影响变换器正常工作;非侵入式在线参数辨识方法能够以通过已知电气量,并结合电容的高频和低频模型计算容值和ESR,不会对变换器正常运行带来影响实时性强,但为了得到开关频次的纹波信息,需要较高采样频率,辨识精度也可能会受电路中其它寄生参数的影响。而对于一些基于智能算法的非侵入式方法,一般为有监督学习方法,需要获得大量训练样本,工作量巨大且泛化能力较差。
除了上述单器件参数辨识方法,还可以对变换器中多个器件参数同时进行辨识。根据辨识方法对变换器运行的影响程度,多器件参数辨识方法同样可以分为侵入式和非侵入式两类。多器件参数辨识方法能够获得更丰富的变换器状态信息,不仅能为状态监测提供信息,同时能够通过变换器中的参数信息指导控制器的设计和调整,提高控制器性能。
发明内容
本发明要解决的技术问题是:提供一种基于神经网络的电力电子变换器参数在线辨识方法及系统,能够方便、快捷地对变换器中多个器件参数同时进行在线辨识,且无需增加额外电路和传感器,仅依靠原本闭环控制中所需的电气量就可以实现参数的在线辨识,成本较低,为储能元件的寿命预测、变换器的状态监测以及控制回路参数的优化提供了研究基础。
本发明为解决上述技术问题所采取的技术方案是:
一方面,一种基于神经网络的电力电子变换器参数在线辨识方法,包括:
S101,进行模态分析,并通过状态空间平均法建立状态方程;
S102,对状态方程进行离散化处理,得到变换器的离散化模型;
S103,基于变换器的离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
S104,对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
S105,基于变换器的离散模型与权重值计算电感值和电容值。
优选的,所述S101,具体包括:
以电感电流iL和输出电压Uo作为状态变量,变换器通过状态空间平均法建立状态方程,如下:
其中,iL(t)表示t时刻的电感电流;Uo(t)表示t时刻的输入电压;L表示变换器电路中电感值;C表示变换器电路中的滤波电容值;R表示变换器电路中的负载电阻值;D表示占空比,且0≤D≤1;t为时间变量。
优选的,所述S102,具体包括:
将变换器的状态方程整理成矩阵的泰勒级数展开形式,考虑一阶近似,进行离散化,得到的模型如下;
其中,iL((k+1)T表示第k+1个开关周期中电感电流的平均值;Uo((k+1)T)表示第k+1个开关周期中输出电压的平均值;iL(kT)表示第k个开关周期中电感电流的平均值;Uo(kT)表示第k个开关周期中输出电压的平均值;T表示采样周期;L表示变换器电路中电感值;C表示变换器电路中的滤波电容值;R表示变换器电路中的负载电阻值;D表示占空比,且0≤D≤1;Us(kT)表示第k个开关周期中的输入电压。
优选的,所述S103~S105,具体包括:
将变换器动态过程中第k个开关周期中电感电流平均值iL(kT)、输出电压平均值Uo(kT)和占空比D作为神经网络的输入;所述动态过程包括电压跳变、负载跳变、输入跳变和启动阶段过程;
将变换器的离散化模型的输出作为第k+1个开关周期对应电气量的预测值,所述预测值表达式为:
其中,iL-sim((k+1)T)表示动态过程中第k+1个开关周期中电感电流平均值的预测值;Uo-sim((k+1)T)表示动态过程中第k+1个开关周期中输出的电压平均值的预测值;Us(kT)表示第k个开关周期中的输入电压;ωi为权重值,i∈[1,4],其中
bj为偏置值,j∈[1,2],其中
以预测值和实际值之间的误差构建平方损失函数m,如下:
m=(iL-sim((k+1)T)-iL((k+1)T))2+(Uo-sim((k+1)T)-Uo((k+1)T))2
将损失函数m分别对权重值和偏置值求偏导,根据链式法则得到m在电感L和电容C方向的梯度分别为:
代入权重值和偏置值的具体表达式后,得到离散化模型中m在电感L和电容C方向的梯度分别为:
用梯度下降法对L和C在每个开关周期中进行迭代求解,设ηj为学习率,且满足0<ηj<1,则L和C的迭代公式分别如下:
当每次下降的距离d小于所设定的误差时停止迭代,如下:
另一方面,一种基于神经网络的电力电子变换器参数在线辨识系统,包括:
状态方程建立模块,用于进行模态分析,并通过状态空间平均法建立状态方程;
离散化模型获取模块,用于对状态方程进行离散化处理,得到变换器的离散化模型;
平方损失函数构建模块,用于基于变换器的离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
权重值调节模块,用于对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
参数计算模块,用于基于变换器的离散模型与权重值计算电感值和电容值。
本发明的有益效果为:
(1)本发明一种基于神经网络的电力电子变换器参数在线辨识方法及系统,实现了对电感和电容的高精度参数估计;
(2)本发明一种基于神经网络的电力电子变换器参数在线辨识方法及系统,不需要增加额外电路和传感器,仅依靠原本闭环控制中所需的电气量就可以实现参数的在线辨识,成本较低,为储能元件的寿命预测、变换器的状态监测以及控制回路参数的优化提供了研究基础。
附图说明
图1是本发明实施例的Buck变换器的电路拓扑图;
图2是本发明实施例的基于神经网络的电力电子变换器参数在线辨识方法的基本流程图;
图3是本发明实施例的参数辨识详细流程图;
图4是本发明实施例的仿真结果图;
图5是本发明实施例的基于神经网络的电力电子变换器参数在线辨识系统的结构框图;
其中,S表示Buck变换器电路的开关管;D表示Buck变换器电路的二极管;L表示Buck变换器电路的储能电感;C表示Buck变换器电路的滤波电容;R表示Buck变换器电路的负载;Us表示输入电压;iL表示电感电流;Uo表示负载电压。
具体实施方式
以下结合附图和具体实施例,进一步阐述本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
参见图1所示,本实施例将以Buck变换器为例对其中电感和滤波电容进行参数辨识过程进行说明。
具体的,Buck变换器电路由电压源Us、开关管S、二极管D、电感L、滤波电容C以及负载电阻R组成。其中,开关管S一端连接电压源Us的正极;另一端于二极管D的负极以及电感L的一端相连;电感的另一端与滤波电容C的一端连接,滤波电容的另一端同时与二极管D的正极和电压源Us的负极连接;负载电阻R与滤波电容C并联。其中,所述开关管S可以为MOSFET、IGBT等开关器件。
参见图2和图3所示,本实施例一种基于神经网络的电力电子变换器参数在线辨识方法,包括:
S101,进行模态分析,并通过状态空间平均法建立状态方程;
S102,对状态方程进行离散化处理,得到Buck变换器的离散化模型;
S103,基于Buck变换器的离散化模型与参数之间的相互关系,构建神经网络,在Buck变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
S104,对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
S105,基于Buck变换器的离散模型与权重值计算电感值和电容值。
具体的,以电感电流iL和输出电压Uo作为状态变量,变换器通过状态空间平均法建立状态方程,如下:
式中,iL(t)表示t时刻的电感电流;Uo(t)表示t时刻的输入电压;L、C、R分别为Buck变换器电路中电感值、滤波电容值、负载电阻值;D是占空比且0≤D≤1;t为时间变量。
进一步的,将Buck变换器的状态方程整理成矩阵形式,并进行离散化得到的模型为;
其中,其中,iL((k+1)T表示第k+1个开关周期中电感电流的平均值;Uo((k+1)T)表示第k+1个开关周期中输出电压的平均值;iL(kT)表示第k个开关周期中电感电流的平均值;Uo(kT)表示第k个开关周期中输出电压的平均值;T表示采样周期;Us(kT)表示第k个开关周期中的输入电压。
神经网络的构建以及电感值L和滤波电容值C的计算包括以下步骤:
将Buck变换器动态过程中第k个开关周期中电感电流平均值iL、输出电压平均值Uo和占空比D作为神经网络的输入;所述动态过程包括电压跳变、负载跳变、输入跳变、启动阶段等过程。
将Buck变换器电路离散化模型的输出作为第k+1个开关周期对应电气量的预测值,所述预测值表达式为:
其中,iL-sim((k+1)T)表示动态过程中第k+1个开关周期中电感电流平均值的预测值;Uo-sim((k+1)T)表示动态过程中第k+1个开关周期中输出的电压平均值的预测值;Us(kT)表示第k个开关周期中的输入电压;ωi为权重值,i∈[1,4],其中:
bj为偏置值,j∈[1,2],其中:
以预测值和实际值之间的误差构建平方损失函数m,如下:
m=(iL-sim((k+1)T)-iL((k+1)T))2+(Uo-sim((k+1)T)-Uo((k+1)T))2
将损失函数m分别对权重值和偏置值求偏导,根据链式法则得到m在电感L和电容C方向的梯度分别为:
代入权重值和偏置值的具体表达式后,可得Buck电路模型中m在电感L和电容C方向的梯度分别为
用梯度下降法对L和C在每个开关周期中进行迭代求解,设ηj为学习率,且满足0<ηj<1,则L和C的迭代公式分别如下:
当每次下降的距离d小于所设定的误差ε时停止迭代,即
本实施例中Buck变换器电路仿真参数参见表1所示,输入电压Us=60V,电感L=2mH,滤波电容C=1000μF,负载电阻R=50,开关频率fs为10kHz,采样周期T=0.00001s,输出电压Uo=30V,在仿真时间0.1s的时刻将输出电压跳变至40V。并输出电压跳变开始并重新达到稳态的期间按上述步骤进行电感和电容参数的在线辨识。
表1
参见图4所示,为参数辨识的仿真结果,在0.1s之前,输出电压Uo=30V,在0.1s时输出电压进行了跳变,参数辨识程序也同时运行,电感值L最终收敛至约1.977mH,滤波电容C最终收敛至约1000.7μF,两者误差分别约为1.15%和0.07%。由此可见该方法具有很高的辨识精度。并且本方法不需要增加额外电路和传感器,不需要提前收集大量数据,能够在电路运行的同时进行在线参数辨识。
参见图5所示,根据本发明的另一方面,本实施例还公开了一种基于神经网络的电力电子变换器参数在线辨识系统,包括:
状态方程建立模块501,用于进行模态分析,并通过状态空间平均法建立状态方程;
离散化模型获取模块502,用于对状态方程进行离散化处理,得到变换器的离散化模型;
平方损失函数构建模块503,用于基于变换器的离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
权重值调节模块504,用于对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
参数计算模块505,用于基于变换器的离散模型与权重值计算电感值和电容值。
一种基于神经网络的电力电子变换器参数在线辨识系统的具体实现同一种基于神经网络的电力电子变换器参数在线辨识方法,本实施例不再重复说明。
上述仅为本发明的一个具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (5)
1.一种基于神经网络的电力电子变换器参数在线辨识方法,其特征在于,包括:
S101,进行模态分析,并通过状态空间平均法建立状态方程;
S102,对状态方程进行离散化处理,得到变换器的离散化模型;
S103,基于变换器的离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
S104,对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
S105,基于变换器的离散模型与权重值计算电感值和电容值。
3.根据权利要求1所述的基于神经网络的电力电子变换器参数在线辨识方法,其特征在于,所述S102,具体包括:
将变换器的状态方程整理成矩阵的泰勒级数展开形式,考虑一阶近似,进行离散化,得到的模型如下;
其中,iL((k+1)T表示第k+1个开关周期中电感电流的平均值;Uo((k+1)T)表示第k+1个开关周期中输出电压的平均值;iL(kT)表示第k个开关周期中电感电流的平均值;Uo(kT)表示第k个开关周期中输出电压的平均值;T表示采样周期;L表示变换器电路中电感值;C表示变换器电路中的滤波电容值;R表示变换器电路中的负载电阻值;D表示占空比,且0≤D≤1;Us(kT)表示第k个开关周期中的输入电压。
4.根据权利要求1所述的基于神经网络的电力电子变换器参数在线辨识方法,其特征在于,所述S103~S105,具体包括:
将变换器动态过程中第k个开关周期中电感电流平均值iL(kT)、输出电压平均值Uo(kT)和占空比D作为神经网络的输入;所述动态过程包括电压跳变、负载跳变、输入跳变和启动阶段过程;
将变换器的离散化模型的输出作为第k+1个开关周期对应电气量的预测值,所述预测值表达式为:
其中,iL-sim((k+1)T)表示动态过程中第k+1个开关周期中电感电流平均值的预测值;Uo-sim((k+1)T)表示动态过程中第k+1个开关周期中输出的电压平均值的预测值;Us(kT)表示第k个开关周期中的输入电压;ωi为权重值,i∈[1,4],其中
bj为偏置值,j∈[1,2],其中
以预测值和实际值之间的误差构建平方损失函数m,如下:
m=(iL-sim((k+1)T)-iL((k+1)T))2+(Uo-sim((k+1)T)-Uo((k+1)T))2
将损失函数m分别对权重值和偏置值求偏导,根据链式法则得到m在电感L和电容C方向的梯度分别为:
代入权重值和偏置值的具体表达式后,得到离散化模型中m在电感L和电容C方向的梯度分别为:
用梯度下降法对L和C在每个开关周期中进行迭代求解,设ηj为学习率,且满足0<ηj<1,则L和C的迭代公式分别如下:
当每次下降的距离d小于所设定的误差时停止迭代,如下:
5.一种基于神经网络的电力电子变换器参数在线辨识系统,其特征在于,包括:
状态方程建立模块,用于进行模态分析,并通过状态空间平均法建立状态方程;
离散化模型获取模块,用于对状态方程进行离散化处理,得到变换器的离散化模型;
平方损失函数构建模块,用于基于变换器的离散化模型与参数之间的相互关系,构建神经网络,在变换器的动态响应过程中,以实际采样值为参考值,以离散模型的输出值为估计值,构建平方损失函数;
权重值调节模块,用于对损失函数求偏导得到电感和电容参数对应的梯度表达式,根据梯度下降算法,在每个开关周期对离散化模型的权重值进行调节;
参数计算模块,用于基于变换器的离散模型与权重值计算电感值和电容值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310045009.3A CN116184036A (zh) | 2023-01-30 | 2023-01-30 | 基于神经网络的电力电子变换器参数在线辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310045009.3A CN116184036A (zh) | 2023-01-30 | 2023-01-30 | 基于神经网络的电力电子变换器参数在线辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184036A true CN116184036A (zh) | 2023-05-30 |
Family
ID=86439690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310045009.3A Pending CN116184036A (zh) | 2023-01-30 | 2023-01-30 | 基于神经网络的电力电子变换器参数在线辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614270A (zh) * | 2023-12-07 | 2024-02-27 | 广东海洋大学 | 基于神经网络的Buck变换器导通模式切换控制方法 |
-
2023
- 2023-01-30 CN CN202310045009.3A patent/CN116184036A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614270A (zh) * | 2023-12-07 | 2024-02-27 | 广东海洋大学 | 基于神经网络的Buck变换器导通模式切换控制方法 |
CN117614270B (zh) * | 2023-12-07 | 2024-05-28 | 广东海洋大学 | 基于神经网络的Buck变换器导通模式切换控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Short-term prognostics of PEM fuel cells: A comparative and improvement study | |
CN109921504B (zh) | 车载混合储能系统及其非线性鲁棒自适应功率控制方法 | |
CN104317348B (zh) | 基于粒子群算法的光伏电池板最大功率跟踪方法及系统 | |
Siano et al. | Designing fuzzy logic controllers for DC–DC converters using multi-objective particle swarm optimization | |
CN105867514B (zh) | 一种光伏系统多峰值最大功率跟踪方法及系统 | |
CN116184036A (zh) | 基于神经网络的电力电子变换器参数在线辨识方法及系统 | |
CN116565402B (zh) | 储能电池冷却系统及控制方法 | |
Yan et al. | Electric vehicle battery SOC estimation based on fuzzy Kalman filter | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
CN110297452B (zh) | 一种蓄电池组相邻型均衡系统及其预测控制方法 | |
Chen et al. | A novel combined estimation method for state of energy and predicted maximum available energy based on fractional-order modeling | |
CN110571853A (zh) | 一种基于径向基神经网络风光发电mppt控制方法及系统 | |
Chen et al. | A multi-time-scale framework for state of energy and maximum available energy of lithium-ion battery under a wide operating temperature range | |
JP2015532578A (ja) | 多重入力単一出力複合発電システム | |
CN116738861A (zh) | 基于飞蛾扑火算法的储能系统参数辨识方法及系统 | |
Mbarki et al. | Comparative study of some maximum power point tracking algorithms | |
Zhou et al. | A digital twin model for battery management systems: concepts, algorithms, and platforms | |
CN103092129B (zh) | 一种用于复杂数字控制系统的预测控制方法 | |
Sun et al. | Condition monitoring and prognosis of power converters based on CSA-LSSVM | |
Abdourraziq et al. | Efficiency optimisation of a microcontroller‐based PV system employing a single sensor fuzzy‐logic controller | |
CN114442724A (zh) | 基于光伏电池短路电流估计和扰动观察的最大功率点跟踪方法 | |
Intravaia et al. | Prognostic Analysis of Switching Devices in DC-DC Converters | |
CN117874463A (zh) | 一种基于神经网络的分数阶系统在线参数辨识方法 | |
Jiang et al. | A cooperative cell balancing approach for reconfigurable supercapacitor energy storage systems | |
Qin et al. | Research on improving adaptive variable step length MPPT algorithm |
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 |