CN116599159A - 光伏并网逆变器的智能控制方法 - Google Patents
光伏并网逆变器的智能控制方法 Download PDFInfo
- Publication number
- CN116599159A CN116599159A CN202310860019.2A CN202310860019A CN116599159A CN 116599159 A CN116599159 A CN 116599159A CN 202310860019 A CN202310860019 A CN 202310860019A CN 116599159 A CN116599159 A CN 116599159A
- Authority
- CN
- China
- Prior art keywords
- waveform
- grid
- sample
- current
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 48
- 238000000354 decomposition reaction Methods 0.000 claims description 45
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000758 substrate Substances 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Inverter Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及光伏发电领域,尤其涉及一种光伏并网逆变器的智能控制方法,包括采集第一电网侧波形和母线电压值,并输入训练完毕的决策网络,输出当前PID控制参数,所述第一电网侧波形包括并网前电网侧的电压波形和电流波形;基于所述当前PID控制参数控制并网逆变器输出逆变器波形,并将所述并网逆变器交流侧的输出并入电网侧。本申请中,决策网络输出的当前PID控制参数可保证光伏并网后逆变器波形对电网侧的电压和电流冲击最小,同时保证负载侧波形中不产生谐波,提高并网质量。
Description
技术领域
本申请一般地涉及光伏发电领域,尤其涉及一种光伏并网逆变器的智能控制方法。
背景技术
随着对生态环境的重视,光伏发电逐渐受到重视。在光伏发电系统中,并网逆变器将光伏电池板所发出的直流电转换为符合要求的交流电后,一部分供负载侧使用,并将多余的电能并入到电网侧。
但由于并网逆变器输出的电压波形和电流波形会因光伏发电系统所处环境(如光照强度和温度等的改变)以及光伏发电系统中大量非线性器件而产生谐波,导致逆变器输出的电压电流波形不够平滑与稳定,使光伏发电并网质量较差。
目前,公开号为CN115498851A的专利文件公开了一种光伏系统的逆变器智能电流控制方法,通过前次迭代输出的PID控制参数控制光伏逆变器输出实际波形;对实际波形进行拟合得到拟合波形;将前次迭代后输出的PID控制参数、实际波形以及拟合波形输入BP神经网络,以实际波形相较于拟合波形的整体畸变率作为BP神经网络的误差,以误差减小为期望对PID控制参数进行迭代,在误差足够小时完成迭代得到最佳PID控制参数,并在光照和温度改变后重新进行迭代确定新的最佳PID控制参数。
然而,上述方法确定的最佳PID控制参数可以减小并网前光伏逆变器输出结果中的谐波,但由于电网侧的波形具有不稳定性,无法保证并网后负载侧和电网侧的谐波较少;且重新进行迭代确定新的最佳PID控制参数的时间较长,并网逆变器的控制在时间上具有滞后性,从而无法保证光伏发电的并网质量。
发明内容
为了解决现有技术中的上述技术问题,本申请提供了一种光伏并网逆变器的智能控制方法,从而保证光伏发电的并网质量。
本发明提供了一种光伏并网逆变器的智能控制方法,包括:获取第一电网侧波形和并网逆变器直流侧的母线电压值,并将其输入训练完毕的决策网络以输出当前PID控制参数,所述第一电网侧波形包括并网前电网侧的电压波形和电流波形;基于所述当前PID控制参数控制所述并网逆变器,并将所述并网逆变器交流侧的输出并入电网侧;其中,所述决策网络的训练方法包括:采集一组训练样本输入初始决策网络以输出样本PID控制参数,所述训练样本包括第一电网侧波形样本和对应的母线电压值样本;执行所述样本PID控制参数后,将并网逆变器交流侧的输出并入电网侧以获取样本第二电网侧波形和样本负载侧波形,所述样本第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述样本负载侧波形包括并网后负载侧的电压波形和电流波形;根据训练完毕的分解模型将所述样本第二电网侧波形分解为样本逆变器波形和样本第三电网侧波形,所述样本逆变器波形包括根据所述样本PID控制参数控制并网逆变器时交流侧输出的电压波形和电流波形;基于所述样本第三电网侧波形和所述样本第二电网侧波形之间的相似度以及所述样本负载侧波形的平滑度计算并网奖励标签值;将所述第一电网侧波形样本、所述母线电压值样本和所述样本PID控制参数输入初始评价网络以输出并网奖励预测值;基于所述并网奖励预测值和所述并网奖励标签值构建损失函数,并更新所述初始决策网络和所述初始评价网络,完成一次迭代;采集多组训练样本以完成多次迭代,直至所述损失函数小于预设损失值时,得到训练完毕的决策网络。
在一些实施例中,所述决策网络包括第一卷积层和全连接层;所述第一卷积层对第一电网侧波形进行特征提取得到第一波形特征,并将所述第一波形特征和母线电压值拼接后得到第一拼接特征;所述全连接层对所述第一拼接特征进行维度变换以输出PID控制参数。
在一些实施例中,所述初始决策网络与所述决策网络的网络结构相同,网络参数的取值不同;所述初始评价网络包括拼接层和回归层;在一次迭代中,将训练样本输入初始决策网络后,得到所述初始决策网络中的第一拼接特征,所述拼接层用于将所述初始决策网络中的第一拼接特征和所述样本PID控制参数拼接为第二拼接特征,所述回归层对所述第二拼接特征进行数值回归处理,输出并网奖励预测值。
在一些实施例中,所述分解模型为编码器和解码器结构,所述训练完毕的分解模型输入为所述样本第二电网侧波形和所述样本逆变器波形中的波形数据,输出为样本第三电网侧波形中的波形数据;其中,所述波形数据为电压波形或电流波形。
在一些实施例中,所述分解模型的训练方法包括:利用调制器生成多个带有谐波的正弦波,并将任意两个正弦波叠加得到叠加波,将所述叠加波和对应的两个正弦波作为一组训练数据;在一组训练数据中,将叠加波和任意一个正弦波输入初始分解模型,输出预测波形,依据所述预测波形和另一个正弦波计算分解损失,所述分解损失满足关系式:
其中,为所述预测波形,/>为所述另一个正弦波,/>为分解损失的取值;利用梯度下降法更新所述初始分解模型的模型参数,完成一次训练;依据多组训练数据迭代地训练所述初始分解模型,直至所述分解损失的取值小于预设取值时,得到训练完毕的分解模型。
在一些实施例中,所述并网奖励标签值用于反映执行所述样本PID控制参数时对应的实际并网质量,所述并网奖励标签值满足关系式:
其中,表示样本第三电网侧波形与样本第二电网侧波形中电压波形的DTW距离,/>表示样本第三电网侧波形与样本第二电网侧波形中电流波形的DTW距离,/>表示样本负载侧波形中电压波形的平滑度,/>表示样本负载侧波形中电流波形的平滑度,/>为所述并网奖励标签值;其中,所述电流波形的平滑度/>的计算方法包括:获取样本负载侧波形中电流波形的拟合波形,基于所述拟合波形和所述电流波形计算所述电流波形的平滑度,所述电流波形的平滑度满足关系式:
其中,为样本负载侧波形中的电流波形,/>为所述拟合波形,/>为所述拟合波形的所述拟合波形的周期,/>为所述电流波形的平滑度。
在一些实施例中,所述损失函数包括决策损失和评价损失,所述评价损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,R为本次迭代中并网奖励标签值,为评价损失的数值;所述决策损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,为决策损失的数值。
在一些实施例中,所述更新所述初始决策网络和所述初始评价网络包括:依据梯度下降法朝着所述评价损失减小的方向更新所述初始评价网络中的网络参数之后,依据梯度下降法朝着所述决策损失减小的方向更新所述初始决策网络中的网络参数,完成一次迭代。
在一些实施例中,所述损失函数小于预设损失值包括:所述决策损失和所述评价损失均小于所述预设损失值。
在一些实施例中,所述将所述并网逆变器交流侧的输出并入电网侧之后,所述方法还包括:将当前时刻的第二电网侧波形和逆变器波形输入所述训练完毕的分解模型,输出所述当前时刻的第三电网侧波形,其中所述第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述逆变器波形包括所述并网逆变器交流侧输出的电压波形和电流波形;计算当前时刻负载侧波形的实时平滑度以及所述第二电网侧波形和所述第三电网侧波形之间的实时相似度;响应于所述实时平滑度小于预设平滑度阈值,或所述实时相似度小于预设相似度阈值,将所述当前时刻的第三电网侧波形和所述母线电压值输入所述训练完毕的决策网络以输出当前时刻的PID控制参数,并执行所述当前时刻的PID控制参数。
本申请实施例提供的上述光伏并网逆变器的智能控制方法,将母线电压值和并网前的第一电网侧波形输入训练完毕的决策网络可直接输出PID控制参数,通过PID控制参数控制并网逆变器,并将所述并网逆变器交流侧的输出并入电网侧,完成光伏并网,得到第二电网侧波形和负载侧波形;该PID控制参数可保证光伏并网后逆变器波形对电网侧的电压和电流冲击最小,同时保证负载侧波形中不产生谐波,提高并网质量。
进一步地,完成光伏并网后,将第二电网侧波形视为逆变器波形和未并网情况下电网侧波形的叠加,依据训练完毕的分解模型可将任意时刻的第二电网侧波形分解为第三电网侧波形和样本逆变器波形,其中,第三电网侧波形即为未并网的情况下当前时刻的电网侧波形,为后续训练决策网络和监测并网质量提供了数据基础。
进一步地,依据负载侧波形的实时平滑度以及第二电网侧波形和第三电网侧波形之间的实时相似度,实现并网质量的监测,当并网质量较差时,将分解模型输出的第三电网侧波形和实时采集的母线电压值输入训练完毕的决策网络,可直接输出新的PID控制参数,及时调整PID控制参数,进而保证并网质量。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据申请较佳实施方式提供的光伏发电系统的连接关系图;
图2是根据本申请实施例的光伏并网逆变器的智能控制方法的流程图;
图3是根据本申请实施例的第一电网侧波形的示意图;
图4是根据本申请实施例的决策网络的训练方法的流程图;
图5是根据本申请一个实施例的初始评价网络的结构示意图;
图6是根据本申请另一个实施例的初始评价网络的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种光伏并网逆变器的智能控制方法。光伏发电系统包括光伏电池组件、DC/DC转换器、并网逆变器、负载侧和电网侧。请参见图1,为本申请较佳实施方式提供的光伏发电系统的连接关系图。光伏电池组件的输出端连接DC/DC转换器的输入端,DC/DC转换器的输出端连接并网逆变器的直流侧,其中并网逆变器受控连接于PID控制器;并网逆变器的交流侧连接于电网侧和负载侧。
其中,光伏电池组件的输出端输出为直流电,DC/DC转换器用于调整该直流电的直流电压,调整后的直流电压即为并网逆变器直流侧的母线电压值;在PID控制器的控制下,并网逆变器将DC/DC转换器输出的直流电转化为交流电,得到并网逆变器交流侧的输出,其中,交流侧的输出即对应于逆变器波形;该交流电一部分送到负载侧,以满足自身用电;另一部分并入到电网中,完成光伏并网。
可以理解地,完成光伏并网后,任意时刻的电网侧波形为该时刻原有电网侧波形(即未并网情况下该时刻的电网侧波形)和逆变器波形(即并网逆变器交流侧输出的波形)的叠加结果。
请参阅图2所示,为本申请实施例的光伏并网逆变器的智能控制方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
S11,获取第一电网侧波形和并网逆变器直流侧的母线电压值,并将其输入训练完毕的决策网络以输出当前PID控制参数,所述第一电网侧波形包括并网前电网侧的电压波形和电流波形。
在一个实施例中,第一电网侧波形包括并网前电网侧的电压波形和电流波形,请参见图3,为本申请实施例的第一电网侧波形的示意图,第一电网侧波形可反映并网前电网侧电压频率、电压幅值、电流频率、电流幅值以及电流和电压的相位差。需要说明的是,为了避免光伏并网对电网侧的冲击,避免增加电网侧中的谐波,需确保并网逆变器交流侧的输出中的电压波形和电流波形与第一电网侧波形中的电压波形和电流波形保持一致,故可将第一电网侧波形作为输入信息以确定PID控制参数。
其中,训练完毕的决策网络的输入为任意时刻的第一电网侧波形和母线电压值,输出该时刻的PID控制参数。所述决策网络包括第一卷积层和全连接层;所述第一卷积层对第一电网侧波形进行特征提取得到第一波形特征,并将所述第一波形特征和母线电压值拼接后得到第一拼接特征;所述全连接层对所述第一拼接特征进行维度变换以输出PID控制参数。具体地,卷积层可采用ResNet、DenseNet等现有卷积神经网络的特征提取部分,全连接层包括输入层、隐藏层和输出层,且输出层中神经元的数量与PID控制参数的参数数量相同。
如此,根据第一电网侧波形和母线电压值即可确定对应的当前PID控制参数。
S12,基于所述当前PID控制参数控制所述并网逆变器,并将所述并网逆变器交流侧的输出并入电网侧。
在一个实施例中,得到当前PID控制参数之后,依据当前PID控制参数控制并网逆变器,进而控制并网逆变器交流侧的输出,将并网逆变器交流侧输出的电压波形和电流波形作为逆变器波形;将并网逆变器交流侧输出并入到电网侧后,完成光伏并网,将并网后电网侧的电压波形和电流波形记为第二电网侧波形。
如此,通过当前PID控制参数控制并网逆变器交流侧的输出,以完成光伏并网。
在一个实施例中,请参见图4,为本申请实施例的决策网络的训练方法的流程图。
S21,采集一组训练样本输入初始决策网络以输出样本PID控制参数,所述训练样本包括第一电网侧波形样本和对应的母线电压值样本。
在一个实施例中,训练样本包括历史时间内,任意一次光伏并网时的第一电网侧波形样本和对应的母线电压值样本;将该训练样本输入初始决策网络以输出对应的样本PID控制参数。
其中,初始决策网络与决策网络的网络结构相同,但网络参数的取值不同;决策网络的训练过程即是更新初始决策网络中网络参数的过程。
S22,执行所述样本PID控制参数后,将并网逆变器交流侧的输出并入电网侧以获取样本第二电网侧波形和样本负载侧波形,所述样本第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述样本负载侧波形包括并网后负载侧的电压波形和电流波形。
在一个实施例中,依据样本PID控制参数控制并网逆变器后,并将并网逆变器交流侧输出并入电网后,可采集到样本第二电网侧波形和样本负载侧波形。
其中,样本第二电网侧波形包括将并网逆变器交流侧输出并入电网后,电网侧的电压波形和电流波形;样本负载侧波形包括将并网逆变器交流侧输出并入电网后,负载侧的电压波形和电流波形。
S23,根据训练完毕的分解模型将所述样本第二电网侧波形分解为样本逆变器波形和样本第三电网侧波形,所述样本逆变器波形包括根据所述样本PID控制参数控制并网逆变器时交流侧输出的电压波形和电流波形。
在一个实施例中,光伏并网后,任意时刻的样本第二电网侧波形可视为该时刻下样本逆变器波形和未并网情况下电网侧波形的叠加;其中,样本逆变器波形为依据样本PID控制参数控制并网逆变器时,并网逆变器交流侧输出的电压波形和电流波形。具体地,假设在时刻t将样本逆变器波形并入电网,则在时刻t之前,电网侧波形为第一电网侧波形样本;在时刻t之后,电网侧波形(即样本第二电网侧波形)为样本逆变器波形和未并网情况下电网侧波形的叠加。其中,未并网条件下电网侧波形即为样本第三电网侧波形。即光伏并网后,时刻的样本第二电网侧波形可以分解为时刻/>的样本逆变器波形和时刻/>的样本第三电网侧波形。
需要说明的是,由于电网中存在大量用户以及阻抗、电感等大量非线性元件,会不可避免地出现谐波,受谐波的影响进而导致不同时刻电网侧的波形不同;也即是说,在完成光伏并网之后,由于电网中谐波的影响,不同时刻的样本第三电网侧波形不同,进而导致样本第二电网侧波形不同的。其中,样本逆变器波形和样本第二电网侧波形可直接采集,而样本第三电网侧波形无法采集获得,因此,为了在光伏并网后,得到每一时刻的样本第三电网侧波形,需要借助训练完毕的分解模型。
具体地,所述分解模型为编码器和解码器结构,所述训练完毕的分解模型输入为所述样本第二电网侧波形和所述样本逆变器波形中的波形数据,输出为样本第三电网侧波形中的波形数据;其中,所述波形数据为电压波形或电流波形。
其中,所述编码器对样本第二电网侧波形和样本逆变器波形进行多次下采样,得到中间特征,所述解码器对中间特征进行多次上采样以生成样本第三电网侧波形。作为一个示例,分解模型可采用FCN、Deep Lab等语义分割网络中的编码器和解码器。
在一个实施例中,所述分解模型的训练方法包括:利用调制器生成多个带有谐波的正弦波,并将任意两个正弦波叠加得到叠加波,将所述叠加波和对应的两个正弦波作为一组训练数据;在一组训练数据中,将叠加波和任意一个正弦波输入初始分解模型,输出预测波形,依据所述预测波形和另一个正弦波计算分解损失,所述分解损失满足关系式:
其中,为所述预测波形,/>为所述另一个正弦波,/>为分解损失的取值;利用梯度下降法更新所述初始分解模型的模型参数,完成一次训练;依据多组训练数据迭代地训练所述初始分解模型,直至所述分解损失的取值小于预设取值时,得到训练完毕的分解模型。其中,所述预设取值为0.001。
可以理解地,在调制器中,当调制信号与载波信号相互作用时,会产生谐波成分,从而生成带有谐波的正弦波。
如此,依据训练完毕的分解模型将任意时刻的样本第二电网侧波形分解为样本第三电网侧波形和样本逆变器波形。
S24,基于所述样本第三电网侧波形和所述样本第二电网侧波形之间的相似度以及所述样本负载侧波形的平滑度计算并网奖励标签值。
在一个实施例中,光伏并网的过程中,应确保样本逆变器波形并入电网后,对电网侧的电压和电流冲击最小,也就是说,应确保样本第三电网侧波形和样本第二电网侧波形的相似度最大,相似度越大表示光伏发电的并网质量越高。同时,光伏并网也会对用户自身用电的电压和电流产生影响,会在负载侧产生谐波从而损坏负载侧的用电设备,故在确保样本第三电网侧波形和样本第二电网侧波形的相似度最大的同时,还应确保样本负载侧波形不产生谐波,进一步提高光伏发电的并网质量。
具体地,所述并网奖励标签值用于反映执行所述样本PID控制参数时对应的实际并网质量,所述并网奖励标签值满足关系式:
其中,表示样本第三电网侧波形与样本第二电网侧波形中电压波形的DTW距离,/>表示样本第三电网侧波形与样本第二电网侧波形中电流波形的DTW距离,/>表示样本负载侧波形中电压波形的平滑度,/>表示样本负载侧波形中电流波形的平滑度,/>为所述并网奖励标签值;其中,所述电流波形的平滑度/>的计算方法包括:获取样本负载侧波形中电流波形的拟合波形,基于所述拟合波形和所述电流波形计算所述电流波形的平滑度,所述电流波形的平滑度满足关系式:
其中,为样本负载侧波形中的电流波形,/>为所述拟合波形,/>为所述拟合波形的所述拟合波形的周期,/>为所述电流波形的平滑度。
其中,拟合波形为一个不存在谐波的标准正弦曲线;所述平滑度即为拟合波形与电流波形在一个周期内围成的闭合区域的面积,面积越大,则电流波形受谐波的影响偏移标准正弦曲线的程度越大,电流波形的平滑度越小。
需要说明地是,为所述样本第三电网侧波形和所述样本第二电网侧波形之间的相似度,/>为所述样本负载侧波形的平滑度。
如此,得到并网奖励标签值,该并网奖励标签值可以反映在训练样本的状态下,样本PID控制参数对应的实际并网质量,实现并网质量精准量化,为决策网络的训练提供了标签。
S25,将所述第一电网侧波形样本、所述母线电压值样本和所述样本PID控制参数输入初始评价网络以输出并网奖励预测值。
在一个实施例中,为了辅助决策网络的训练,还需要搭建初始评价网络,所述初始评价网络的输入为样本PID控制参数以及对应训练样本中的第一电网侧波形样本、所述母线电压值样本,输出为并网奖励预测值,所述并网奖励预测值用于评价在训练样本的状态下,执行样本PID控制参数时对应的并网质量。
其中,请参见图5,为根据本申请一个实施例的初始评价网络的结构示意图。所述初始评价网络包括第二卷积层、拼接层和回归层,所述第二卷积层对第一电网侧波形样本进行特征提取得到第二波形特征,所述拼接层用于将第二波形特征、母线电压值样本和样本PID控制参数拼接在一起得到第二拼接特征,所述回归层对所述第二拼接特征进行数值回归处理,输出并网奖励预测值。其中,所述第二卷积层可采用ResNet、DenseNet等现有卷积神经网络的特征提取部分;所述回归层为全连接神经网络。
在另一个实施例中,请参见图6,为根据本申请另一个实施例的初始评价网络的结构示意图。所述初始评价网络可不包括第二卷积层,具体地,所述初始评价网络包括拼接层和回归层;在一次迭代中,将训练样本输入初始决策网络后,得到所述初始决策网络中的第一拼接特征,所述拼接层用于将所述初始决策网络中的第一拼接特征和所述样本PID控制参数拼接为第二拼接特征,所述回归层对所述第二拼接特征进行数值回归处理,输出并网奖励预测值。
如此,搭建初始评价网络以辅助决策网络的训练,所述初始评价网络的输出结果用于评价在训练样本的状态下,执行样本PID控制参数时对应的并网质量。
S26,基于所述并网奖励预测值和所述并网奖励标签值构建损失函数,并更新所述初始决策网络和所述初始评价网络,完成一次迭代。
在一个实施例中,所述损失函数包括决策损失和评价损失,所述评价损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,R为本次迭代中并网奖励标签值,为评价损失的数值;所述决策损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,为决策损失的数值。
可以理解的,所述评价损失用于约束初始评价网络输出正确的并网奖励预测值,从而准确评价PID控制参数对应的并网质量;所述决策损失用于约束初始决策网络输出并网奖励预测值最高的PID控制参数,进而保证执行该PID控制参数后的并网质量。
在一个实施例中,所述更新所述初始决策网络和所述初始评价网络包括:依据梯度下降法朝着所述评价损失减小的方向更新所述初始评价网络中的网络参数之后,依据梯度下降法朝着所述决策损失减小的方向更新所述初始决策网络中的网络参数,完成一次迭代。
其中,在一次迭代过程中,首先更新初始评价网络中的网络参数,以使得初始评价网络可以输出更加准确的并网奖励预测值;然后再依据初始评价网络输出的并网奖励预测值更新初始决策网络中的网络参数,进而确保初始决策网络能够输出并网奖励预测值最高的PID控制参数。
S27,采集多组训练样本以完成多次迭代,直至所述损失函数小于预设损失值时,得到训练完毕的决策网络。
在一个实施例中,采集多组训练样本,按照相同的方法执行多次迭代,直至所述损失函数小于预设损失值时,停止迭代,得到训练完毕的决策网络和评价网络。其中,所述损失函数小于预设损失值包括:所述决策损失和所述评价损失均小于所述预设损失值。所述预设损失值的取值为0.001。
如此,得到训练完毕的决策网络,所述决策网络能够输出第一电网侧波形和母线电压值对应的PID控制参数,该PID控制参数可保证并网质量,即保证光伏并网对电网侧的电压和电流冲击最小的同时,确保负载侧的电压和电流不产生谐波。
在一个实施例中,对于步骤S12,所述将所述并网逆变器交流侧的输出并入电网侧之后,所述方法还包括:将当前时刻的第二电网侧波形和逆变器波形输入所述训练完毕的分解模型,输出所述当前时刻的第三电网侧波形,其中所述第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述逆变器波形包括所述并网逆变器交流侧输出的电压波形和电流波形;计算当前时刻负载侧波形的实时平滑度以及所述第二电网侧波形和所述第三电网侧波形之间的实时相似度;响应于所述实时平滑度小于预设平滑度阈值,或所述实时相似度小于预设相似度阈值,将所述当前时刻的第三电网侧波形和所述母线电压值输入所述训练完毕的决策网络以输出当前时刻的PID控制参数,并执行所述当前时刻的PID控制参数。其中,所述预设平滑度阈值的取值为0.8,所述预设相似度阈值取值为0.8。
其中,将当前时刻的第二电网侧波形分解为第三电网侧波形和逆变器波形,第三电网侧波形可视为未并网的情况下当前时刻的电网侧波形;当所述实时平滑度小于预设平滑度阈值,或所述实时相似度小于预设相似度阈值时,表示当前时刻的并网质量较差,需要重新获取当前时刻的PID控制参数,以保证并网质量。
如此,根据实时平滑度和实时相似度实现了并网质量的监测,当并网质量较差时,将分解模型输出的第三电网侧波形和实时采集的母线电压值输入训练完毕的决策网络,可直接输出新的PID控制参数,及时调整PID控制参数,进而保证并网质量。
本申请实施例提供的上述光伏并网逆变器的智能控制方法,将母线电压值和并网前的第一电网侧波形输入训练完毕的决策网络可直接输出PID控制参数,通过PID控制参数控制并网逆变器,并将所述并网逆变器交流侧的输出并入电网侧,完成光伏并网,得到第二电网侧波形和负载侧波形;该PID控制参数可保证光伏并网后逆变器波形对电网侧的电压和电流冲击最小,同时保证负载侧波形中不产生谐波,提高并网质量。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种光伏并网逆变器的智能控制方法,其特征在于:
获取第一电网侧波形和并网逆变器直流侧的母线电压值,并将其输入训练完毕的决策网络以输出当前PID控制参数,所述第一电网侧波形包括并网前电网侧的电压波形和电流波形;
基于所述当前PID控制参数控制所述并网逆变器,并将所述并网逆变器交流侧的输出并入电网侧;
其中,所述决策网络的训练方法包括:
采集一组训练样本输入初始决策网络以输出样本PID控制参数,所述训练样本包括第一电网侧波形样本和对应的母线电压值样本;执行所述样本PID控制参数后,将并网逆变器交流侧的输出并入电网侧以获取样本第二电网侧波形和样本负载侧波形,所述样本第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述样本负载侧波形包括并网后负载侧的电压波形和电流波形;根据训练完毕的分解模型将所述样本第二电网侧波形分解为样本逆变器波形和样本第三电网侧波形,所述样本逆变器波形包括根据所述样本PID控制参数控制并网逆变器时交流侧输出的电压波形和电流波形;基于所述样本第三电网侧波形和所述样本第二电网侧波形之间的相似度以及所述样本负载侧波形的平滑度计算并网奖励标签值;将所述第一电网侧波形样本、所述母线电压值样本和所述样本PID控制参数输入初始评价网络以输出并网奖励预测值;基于所述并网奖励预测值和所述并网奖励标签值构建损失函数,并更新所述初始决策网络和所述初始评价网络,完成一次迭代;
采集多组训练样本以完成多次迭代,直至所述损失函数小于预设损失值时,得到训练完毕的决策网络。
2.如权利要求1所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述决策网络包括第一卷积层和全连接层;
所述第一卷积层对第一电网侧波形进行特征提取得到第一波形特征,并将所述第一波形特征和母线电压值拼接后得到第一拼接特征;所述全连接层对所述第一拼接特征进行维度变换以输出PID控制参数。
3.如权利要求2所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述初始决策网络与所述决策网络的网络结构相同,网络参数的取值不同;
所述初始评价网络包括拼接层和回归层;
在一次迭代中,将训练样本输入初始决策网络后,得到所述初始决策网络中的第一拼接特征,所述拼接层用于将所述初始决策网络中的第一拼接特征和所述样本PID控制参数拼接为第二拼接特征,所述回归层对所述第二拼接特征进行数值回归处理,输出并网奖励预测值。
4.如权利要求1所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述分解模型为编码器和解码器结构,所述训练完毕的分解模型输入为所述样本第二电网侧波形和所述样本逆变器波形中的波形数据,输出为样本第三电网侧波形中的波形数据;
其中,所述波形数据为电压波形或电流波形。
5.如权利要求4所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述分解模型的训练方法包括:
利用调制器生成多个带有谐波的正弦波,并将任意两个正弦波叠加得到叠加波,将所述叠加波和对应的两个正弦波作为一组训练数据;
在一组训练数据中,将叠加波和任意一个正弦波输入初始分解模型,输出预测波形,依据所述预测波形和另一个正弦波计算分解损失,所述分解损失满足关系式:
其中,为所述预测波形,/>为所述另一个正弦波,/>为分解损失的取值;
利用梯度下降法更新所述初始分解模型的模型参数,完成一次训练;
依据多组训练数据迭代地训练所述初始分解模型,直至所述分解损失的取值小于预设取值时,得到训练完毕的分解模型。
6.如权利要求1所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述并网奖励标签值用于反映执行所述样本PID控制参数时对应的实际并网质量,所述并网奖励标签值满足关系式:
其中,表示样本第三电网侧波形与样本第二电网侧波形中电压波形的DTW距离,/>表示样本第三电网侧波形与样本第二电网侧波形中电流波形的DTW距离,/>表示样本负载侧波形中电压波形的平滑度,/>表示样本负载侧波形中电流波形的平滑度,/>为所述并网奖励标签值;
其中,所述电流波形的平滑度的计算方法包括:获取样本负载侧波形中电流波形的拟合波形,基于所述拟合波形和所述电流波形计算所述电流波形的平滑度,所述电流波形的平滑度满足关系式:
其中,为样本负载侧波形中的电流波形,/>为所述拟合波形,/>为所述拟合波形的所述拟合波形的周期,/>为所述电流波形的平滑度。
7.如权利要求6所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述损失函数包括决策损失和评价损失,所述评价损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,R为本次迭代中并网奖励标签值,为评价损失的数值;
所述决策损失满足关系式:
其中,q为本次迭代中初始评价网络输出的并网奖励预测值,为决策损失的数值。
8.如权利要求7所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述更新所述初始决策网络和所述初始评价网络包括:
依据梯度下降法朝着所述评价损失减小的方向更新所述初始评价网络中的网络参数之后,依据梯度下降法朝着所述决策损失减小的方向更新所述初始决策网络中的网络参数,完成一次迭代。
9.如权利要求8所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述损失函数小于预设损失值包括:所述决策损失和所述评价损失均小于所述预设损失值。
10.如权利要求1所述的一种光伏并网逆变器的智能控制方法,其特征在于,所述将所述并网逆变器交流侧的输出并入电网侧之后,所述方法还包括:
将当前时刻的第二电网侧波形和逆变器波形输入所述训练完毕的分解模型,输出所述当前时刻的第三电网侧波形,其中所述第二电网侧波形包括并网后电网侧的电压波形和电流波形,所述逆变器波形包括所述并网逆变器交流侧输出的电压波形和电流波形;
计算当前时刻负载侧波形的实时平滑度以及所述第二电网侧波形和所述第三电网侧波形之间的实时相似度;
响应于所述实时平滑度小于预设平滑度阈值,或所述实时相似度小于预设相似度阈值,将所述当前时刻的第三电网侧波形和所述母线电压值输入所述训练完毕的决策网络以输出当前时刻的PID控制参数,并执行所述当前时刻的PID控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860019.2A CN116599159B (zh) | 2023-07-13 | 2023-07-13 | 光伏并网逆变器的智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860019.2A CN116599159B (zh) | 2023-07-13 | 2023-07-13 | 光伏并网逆变器的智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116599159A true CN116599159A (zh) | 2023-08-15 |
CN116599159B CN116599159B (zh) | 2023-10-13 |
Family
ID=87604801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860019.2A Active CN116599159B (zh) | 2023-07-13 | 2023-07-13 | 光伏并网逆变器的智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116599159B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937693A (zh) * | 2023-09-14 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏离网逆变器的控制方法及系统 |
CN117371377A (zh) * | 2023-12-06 | 2024-01-09 | 杭州行芯科技有限公司 | 一种电流波形获取方法、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104319805A (zh) * | 2014-09-15 | 2015-01-28 | 浙江理工大学 | 一种光伏并网逆变器系统的控制方法 |
CN206673604U (zh) * | 2017-05-04 | 2017-11-24 | 黑龙江科技大学 | 数字化两级式光伏并网逆变器 |
CN107565601A (zh) * | 2017-09-20 | 2018-01-09 | 东南大学 | 一种分布式光伏电站集群的动态等值建模方法 |
CN109193767A (zh) * | 2018-09-18 | 2019-01-11 | 江苏大学 | 一种基于bp神经网络和双模结构重复控制的新型光伏逆变器控制方法 |
US20190036482A1 (en) * | 2017-07-28 | 2019-01-31 | Nec Laboratories America, Inc. | Adaptive power management of energy storage for pv output control |
WO2019184389A1 (zh) * | 2018-03-29 | 2019-10-03 | 山东大学 | 一种用于多并网逆变器的无电压采样协调控制系统及方法 |
CN111144472A (zh) * | 2019-12-23 | 2020-05-12 | 深圳供电局有限公司 | 基于gbdt算法的攻击识别方法及光伏并网接口装置 |
EP3968484A1 (en) * | 2020-09-09 | 2022-03-16 | ABB Schweiz AG | Control for electrical converters |
KR20220037156A (ko) * | 2020-09-17 | 2022-03-24 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
US20220109305A1 (en) * | 2020-10-06 | 2022-04-07 | Navia Energy Inc. | Controlled energy system |
CN114566998A (zh) * | 2021-05-10 | 2022-05-31 | 正泰集团研发中心(上海)有限公司 | 储能逆变器及其控制方法、装置和计算机可读存储介质 |
-
2023
- 2023-07-13 CN CN202310860019.2A patent/CN116599159B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104319805A (zh) * | 2014-09-15 | 2015-01-28 | 浙江理工大学 | 一种光伏并网逆变器系统的控制方法 |
CN206673604U (zh) * | 2017-05-04 | 2017-11-24 | 黑龙江科技大学 | 数字化两级式光伏并网逆变器 |
US20190036482A1 (en) * | 2017-07-28 | 2019-01-31 | Nec Laboratories America, Inc. | Adaptive power management of energy storage for pv output control |
CN107565601A (zh) * | 2017-09-20 | 2018-01-09 | 东南大学 | 一种分布式光伏电站集群的动态等值建模方法 |
WO2019184389A1 (zh) * | 2018-03-29 | 2019-10-03 | 山东大学 | 一种用于多并网逆变器的无电压采样协调控制系统及方法 |
CN109193767A (zh) * | 2018-09-18 | 2019-01-11 | 江苏大学 | 一种基于bp神经网络和双模结构重复控制的新型光伏逆变器控制方法 |
CN111144472A (zh) * | 2019-12-23 | 2020-05-12 | 深圳供电局有限公司 | 基于gbdt算法的攻击识别方法及光伏并网接口装置 |
EP3968484A1 (en) * | 2020-09-09 | 2022-03-16 | ABB Schweiz AG | Control for electrical converters |
KR20220037156A (ko) * | 2020-09-17 | 2022-03-24 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
US20220109305A1 (en) * | 2020-10-06 | 2022-04-07 | Navia Energy Inc. | Controlled energy system |
CN114566998A (zh) * | 2021-05-10 | 2022-05-31 | 正泰集团研发中心(上海)有限公司 | 储能逆变器及其控制方法、装置和计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
吴雷;徐鹏;: "三相并网逆变器直流分量瞬时抑制策略研究", 《电力电子技术》, no. 2 * |
张智健, 杨莉琼, 李甜: "BIM技术在绿色建筑节能设计中的应用", 《建筑节能》, no. 3 * |
张汝平: "逆变器双闭环入网低电流控制方法仿真", 《计算机仿真》, vol. 40, no. 3 * |
谢维;段建民;: "基于状态空间的PWM逆变器数字PI双环控制技术研究", 《高技术通讯》, no. 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937693A (zh) * | 2023-09-14 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏离网逆变器的控制方法及系统 |
CN116937693B (zh) * | 2023-09-14 | 2024-01-05 | 广州德姆达光电科技有限公司 | 一种光伏离网逆变器的控制方法及系统 |
CN117371377A (zh) * | 2023-12-06 | 2024-01-09 | 杭州行芯科技有限公司 | 一种电流波形获取方法、计算机设备和存储介质 |
CN117371377B (zh) * | 2023-12-06 | 2024-04-09 | 杭州行芯科技有限公司 | 一种电流波形获取方法、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116599159B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116599159B (zh) | 光伏并网逆变器的智能控制方法 | |
Sefa et al. | Fuzzy PI controlled inverter for grid interactive renewable energy systems | |
Maccari et al. | Robust optimal current control for grid‐connected three‐phase pulse‐width modulated converters | |
De Almeida et al. | Repetitive controller for improving grid‐connected photovoltaic systems | |
Rao et al. | An adaptive neuro-fuzzy control strategy for improved power quality in multi-microgrid clusters | |
Ahmed et al. | Robust nonlinear control of battery electric vehicle charger in grid to vehicle applications | |
Dang et al. | Cost function‐based modulation scheme of model predictive control for VIENNA rectifier | |
Singh et al. | Single‐phase solar grid‐interfaced system with active filtering using adaptive linear combiner filter‐based control scheme | |
Xie et al. | Optimal switching sequence model predictive control for three‐phase Vienna rectifiers | |
Long et al. | Model predictive control of a three-phase two-level four-leg grid-connected converter based on sphere decoding method | |
de López Diz et al. | A real-time digital twin approach on three-phase power converters applied to condition monitoring | |
Ullah et al. | Processor in the loop verification of fault tolerant control for a three phase inverter in grid connected PV system | |
Mumtaz et al. | Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system | |
Gogani Khiabani et al. | Design and implementation of an optimal switching controller for uninterruptible power supply inverters using adaptive dynamic programming | |
Roy et al. | Characterizing current thd’s dependency on solar irradiance and supraharmonics profiling for a grid-tied photovoltaic power plant | |
Bhatti et al. | Improved model predictive direct power control for parallel distributed generation in grid-tied microgrids | |
Khan et al. | Optimizing the Performance of Single-Phase Photovoltaic Inverter using Wavelet-Fuzzy Controller | |
Bouhouta et al. | A novel combined Fuzzy-M5P model tree control applied to grid-tied PV system with power quality consideration | |
Qi et al. | Two‐voltage hierarchical model predictive control for a single‐phase cascaded H‐bridge rectifier | |
Zhang et al. | Multivariable sequential model predictive control of LCL‐type grid connected inverter | |
Zahariah et al. | Harmonic mitigation in grid-connected distributed energy systems using PI and fuzzy logic controller | |
Hua et al. | Dynamic equivalent of microgrid considering flexible components | |
Xu et al. | A quantitative harmonics analysis approach for sinusoidal pulse‐width‐modulation based Z‐source inverters | |
Xu et al. | Model predictive duty cycle control for three‐phase Vienna rectifiers | |
Long et al. | Data-driven hybrid equivalent dynamic modeling of multiple photovoltaic power stations based on ensemble gated recurrent unit |
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 |