KR100204844B1 - A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network - Google Patents

A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network Download PDF

Info

Publication number
KR100204844B1
KR100204844B1 KR1019970001440A KR19970001440A KR100204844B1 KR 100204844 B1 KR100204844 B1 KR 100204844B1 KR 1019970001440 A KR1019970001440 A KR 1019970001440A KR 19970001440 A KR19970001440 A KR 19970001440A KR 100204844 B1 KR100204844 B1 KR 100204844B1
Authority
KR
South Korea
Prior art keywords
phase
pattern
neural network
current
output
Prior art date
Application number
KR1019970001440A
Other languages
Korean (ko)
Other versions
KR19980066097A (en
Inventor
최주엽
최익
송중호
구세완
이현원
Original Assignee
박원훈
한국과학기술연구원
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 박원훈, 한국과학기술연구원 filed Critical 박원훈
Priority to KR1019970001440A priority Critical patent/KR100204844B1/en
Publication of KR19980066097A publication Critical patent/KR19980066097A/en
Application granted granted Critical
Publication of KR100204844B1 publication Critical patent/KR100204844B1/en

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
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac 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
    • H02M7/537—Conversion of dc power input into ac 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, e.g. single switched pulse inverters
    • H02M7/5387—Conversion of dc power input into ac 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, e.g. single switched pulse inverters in a bridge configuration
    • H02M7/53871—Conversion of dc power input into ac 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, e.g. single switched pulse inverters in a bridge configuration with automatic control of output voltage or current
    • H02M7/53875—Conversion of dc power input into ac 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, e.g. single switched pulse inverters in a bridge configuration with automatic control of output voltage or current with analogue control of three-phase output
    • 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
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/505—Conversion of dc power input into ac 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 thyratron or thyristor type requiring extinguishing means
    • H02M7/515—Conversion of dc power input into ac 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 thyratron or thyristor type requiring extinguishing means using semiconductor devices only
    • H02M7/525—Conversion of dc power input into ac 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 thyratron or thyristor type requiring extinguishing means using semiconductor devices only with automatic control of output waveform or frequency
    • H02M7/527—Conversion of dc power input into ac 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 thyratron or thyristor type requiring extinguishing means using semiconductor devices only with automatic control of output waveform or frequency by pulse width modulation

Abstract

낮은 내압의 소자의 사용을 가능하게 하고 고조파 손실을 감소시키기 위하여, 신경 회로망을 이용하여 3 상 3 레벨 PWM인버터에서 전류를 제어하는 방법이 제공된다. 본 발명에 따라 신경회로망을 이용하여 3상 3 레벨 PWM인버터에서의 출력 전류를 제어하는 방법은 3상 3레벨 PWM 인버터의 각 상에 있어서의 원하는 진폭과 주파수를 갖는 기준 전류와 각 상에 있어서 실제 출력 전류와의 오차를 입력 패턴으로 하고 각 입력 패턴에 대하여 상기 전류 오차를 감소시키도록 하는 스위칭 패턴을 목적 패턴으로 하도록 선정된 학습 패턴에 의하여 신경 회로망을 학습시키는 단계 및 상기 학습된 신경 회로망을 전류 제어기에 이용하여 인버터에서 출력 전류를 제어하는 단계를 포함한다. 본 발명에 따르면, 고조파 왜곡(THD)이 감소되고 빠른 신호 처리가 가능하게 되며 과실 형용 능력이 생기고 강인성이 보장되며 학습 능력을 갖게 되는 3상 3 레벨 PWM 인버터 전류 제어기의 구현이 가능하다.In order to enable the use of low breakdown voltage devices and to reduce harmonic losses, a method of controlling the current in a three phase three level PWM inverter using neural networks is provided. According to the present invention, a method for controlling the output current in a three-phase three-level PWM inverter using a neural network is practical in each phase of the reference current having a desired amplitude and frequency in each phase of the three-phase three-level PWM inverter. Training a neural network by a learning pattern selected as an input pattern and using a learning pattern selected as a target pattern, wherein the error with an output current is used as an input pattern and the current pattern is reduced for each input pattern; Controlling the output current at the inverter for use in a controller. According to the present invention, it is possible to implement a three-phase three-level PWM inverter current controller in which harmonic distortion (THD) is reduced, fast signal processing is possible, fault tolerance, robustness, and learning are achieved.

Description

신경 회로망을 이용한 3상 3 레벨 PWM 인버터 전류 제어 방법.Three-phase three-level PWM inverter current control method using neural network.

본 발명은 3 상 3 레벨 인버터에 관한 것으로, 더욱 구체적으로는 신경 회로망을 이용하여 3 상 3 레벨 PWM 인버터에서의 전류를 제어하는 방법에 관한 것이다.The present invention relates to a three-phase three-level inverter, and more particularly to a method for controlling the current in a three-phase three-level PWM inverter using a neural network.

직류를 가변 주파수의 교류로 변환시키기 위한 장치로서 인버터에 관한 연구가 활발히 진행되고 있다. 이러한 인버터는 크게 단상 인버터와 3상 인버터로 분류하 수 있는데, 통상 3상 인버터가 사용되고 있다. 인버터의 제어 방식은 일반적으로 PWM 제어 방식을 사용하고 있다. 3상 PWM 인버터에는 2 레벨 PWM 인버터, 3 레벨 PWM 인버터 등이 있다. 이중 2 레벨 PWM 인버터는 구성이 간단하여 적은 비용으로 구현할 수 있으나 내압 전압이 큰 소자를 사용하여야 하고 고조파 함유률이 크다는 단점이 있다. 이에 비하여, 3레벨 PWM 인버터는 회로 구성상 직렬로 연결되는 스위칭 소자의수가 2배로 늘어남에 따라 사용되는 스위칭 소자의 내압 정격을 반으로 줄일 수 있다. 현재 사용되고 있는 전력용 반도체 소자인 GTO(Gate Turn-off Thyrister) 소자 등은 소자의 내압 정격과 스위칭 주파수 범위가 반비례하는 특성을 가지고 있다. 한편, IGBT(Insulated Gate Bipolar Transistere)소자는 GTO소자에 비하여 전류, 전압 정격은 낮지만 스위칭 주파수 범위가 상대적으로 크다는 특성을 가지고 있다. 따라서, 3 레벨 인버터를 사용하면 입력 전압이 큰 특정용도(예를 들면 철도 차량용 전력 변환 장치 등)의 시스템에서 현재 사용 중인 GTO 소자를 IGBT 소자로 대체하는 것이 가능하며, 이에 따라 소자의 스위칭 주파수 범위를 높일 수 있어 고조파 손실을 줄일 수 있다.Inverters are being actively researched as devices for converting direct current into alternating current of variable frequency. Such inverters can be broadly classified into single-phase inverters and three-phase inverters. Three-phase inverters are generally used. Inverter control method generally uses PWM control method. Three-phase PWM inverters include two-level PWM inverters and three-level PWM inverters. The dual 2 level PWM inverter can be implemented at low cost due to its simple configuration, but has a disadvantage in that a device having a large breakdown voltage is used and a high harmonic content is high. On the other hand, the three-level PWM inverter can reduce the breakdown voltage rating of the switching element to be used by doubling the number of switching elements connected in series in the circuit configuration. Gate turn-off thyrister (GTO) devices, which are currently used for power semiconductor devices, have characteristics in which the breakdown voltage rating of the device is inversely proportional to the switching frequency range. On the other hand, an Insulated Gate Bipolar Transistere (IGBT) device has a lower current and voltage rating than a GTO device, but has a relatively large switching frequency range. Therefore, using a three-level inverter, it is possible to replace the GTO element currently in use with an IGBT element in a system of a specific use (for example, a railway vehicle power converter) having a large input voltage, and thus the switching frequency range of the element. It can increase the harmonic loss.

도1은 종래의 2레벨 PWM 인버터의 모듈과 스위칭 상태를 개략적으로 도시한 도면이다. 도1(a)을 참조하면, 종래 기술의 2 레벨 PWM 인버터(10)은 정현파 전류를 츨력하기 위하여 전압을 +Ud/2와 -Ud/2의 상하 2개의 레벨로 제어하기 위한 스위칭 소자(S1, S2)로 구성된다. 도1(b)를 참조하면, 각 스위칭 소자의 온, 오프 상태에 따른 전압 레벨이 도시되어 있다. 전압 레벨을 제어하는 방법에는 여러 가지가 있으나 일반적으로는 간단한 히스테리시스 방법이 널리 쓰인다. 그러나, 고정 대역 2 레벨 히스테리시스 전류 제어 방법은 두 가지 단점이 있는데, 이는 스위칭 주파수가 다양하게 변함으로서 인버터가 비 규칙적으로 동작한다는 점과 리플 전류가 상대적으로 크다는 점이다. 이로 인해 부하 전류에 잡음이 되는 고조파 성분들이 포함되게 된다.1 is a view schematically showing a module and a switching state of a conventional two-level PWM inverter. Referring to Figure 1 (a), the prior art two-level PWM inverter 10 is a switching element (S1) for controlling the voltage to the upper and lower two levels of + Ud / 2 and -Ud / 2 to output a sinusoidal current , S2). Referring to Figure 1 (b), the voltage level according to the on and off state of each switching element is shown. There are many ways to control voltage levels, but in general, simple hysteresis is widely used. However, the fixed band two-level hysteresis current control method has two disadvantages: the inverter operates irregularly and the ripple current is relatively large because the switching frequency varies. This includes the harmonics that make noise in the load current.

도2는 종래의 3레벨 PWM 인버터의 모듈과 스위칭 상태를 개략적으로 도시한 도면이다. 도2(a)을 참조하면, 3 레벨 PWM 인버터(20)은 4개의 스위칭 소자(S1, S2, S3, S4)와 2개의 다이오드(D1, D2)로 구성되며 2 레벨에 비해 구성이 복잡하여진다 3 레벨 PWM 인버터의 경우 영 전압 레벨 포함한 3 가지 전압 레벨이 존재하게 되며, 도2(b)에 나타낸 바와 같이 스위치(S1)과 스위치(S4)가 꺼지고 스위치 (S2)와 스위치 (S3)가 켜지면 중간 값으로 영 전압을 출력하도록 되어 있는 구조이다. 이러한 스위칭 상태를 정수로 표현한다면, +Ud/2를 출력하는 경우는 상태 1, -Ud/2를 출력하는 경우는 상태 -1.0을 출력하는 경우는 상태 0으로 가정한다. 3레벨 인버터의 경우 구성이 복잡하여지기는 하나 전압 레벨에 있어서 중간 값으로 영 전압 레벨을 하나 더 설정하여 전압 레벨 사이의 급격한 변화를 완화시킴으로써 스위칭 손실을 줄일 수 있고 고조파 함유율을 감소시키며 2 레벨 PWM 인버터보다 적은 내압 정격을 갖는 전력용 소자를 사용할 수 있다.2 is a view schematically showing a module and a switching state of a conventional three-level PWM inverter. Referring to Figure 2 (a), the three-level PWM inverter 20 is composed of four switching elements (S1, S2, S3, S4) and two diodes (D1, D2) and the configuration is more complicated than two levels In the case of a three-level PWM inverter, there are three voltage levels including zero voltage level. As shown in FIG. 2 (b), the switch S1 and the switch S4 are turned off, and the switch S2 and the switch S3 are turned off. When on, it is designed to output zero voltage as an intermediate value. If the switching state is expressed as an integer, it is assumed that state 1 is output when + Ud / 2 is output, and state 0 is output when -Ud / 2 is output. In the case of a three-level inverter, the configuration becomes complicated, but by setting one more zero voltage level to an intermediate value in the voltage level to mitigate abrupt changes between voltage levels, switching losses can be reduced, harmonic content is reduced, and two-level PWM Power devices with less withstand voltage ratings than inverters can be used.

최근에는 복잡한 데이터를 빠른 시간에 처리할 수 있는 신경 회로망이 인버터 등의 전력 제어용 소자에 응용되고 있다. 신경 회로망은 뇌의 구조와 동작 방식을 단순화시켜 수한적으로 모델링한 것으로, 이를 이용하면 병렬 분산 처리에 의한 처리 속도의 고속화가 가능하고 과실 허용 능력(fault tolerance)이 생기며 외부 환경 변화에 덜 민감한 강인성(robustness)이 보장되고 학습 능력(learning ability)이 생기는 등과 같은 고유의 장점을 갖게 된다. 종래의 2레벨 PWM 인버터에서 신경 회로망을 이용하여 전류를 제어하는 방법은 제안되어져 왔는데, 2 레벨 PWM인버터에 있어서 전압 레벨을 제어하는 방법인 히스테리시스 방법을 신경 회로망 제어기로 구성할 경우에는 도 5에 도시된 8가지 학습 패턴을 오프 라인(off-line)으로 학습시킨 후 실시간 (on-off)으로 사용하게 된다.Recently, neural networks that can process complex data in a short time have been applied to power control devices such as inverters. Neural networks are models of the brain's structure and operation in a number of ways, which can be used to speed up processing by parallel distributed processing, create fault tolerance, and are less susceptible to changes in the external environment. inherent advantages, such as guaranteed robustness and learning ability. In the conventional two-level PWM inverter, a method of controlling current by using a neural network has been proposed. When a hysteresis method, which is a method of controlling a voltage level in a two-level PWM inverter, is configured as a neural network controller, it is shown in FIG. 5. The eight learning patterns are learned off-line and used on-off.

이제까지 2 레벨 PWM 인버터에서 신경 회로망을 이용하여 전류를 제어하는 방법은 제안되어져 왔으나, 3 레벨 PWM 인버터에 있어서 신경 회로망을 이용하여 전류를 제어하는 방법은 그 효과가 큼에도 불구하고 기존에 알려져 있지 않다. 따라서, 신경 회로망을 이용하여 3 상 3 레벨 PWM 인버터에서 전류를 제어하는 방법이 본 분야에 절실히 요구되고 있다.Until now, a method of controlling current using neural networks has been proposed in a two-level PWM inverter, but a method of controlling current using neural networks in a three-level PWM inverter is not known in the past, although its effect is great. . Therefore, there is an urgent need in the art for a method of controlling current in a three-phase three-level PWM inverter using neural networks.

따라서, 본 발명의 주요한 목적은 낮은 내압의 소자를 사용하고 고조파 손실을 줄일 수 있는 신경 회로망을 이용한 3상 3 레벨 PWM 인버터에서 전류를 제어 방법을 제공하는 것이다.Accordingly, a main object of the present invention is to provide a method for controlling current in a three-phase three-level PWM inverter using a neural network that can use a low breakdown voltage device and reduce harmonic losses.

본 발명의 다른 목적은 고조파 왜곡(total harmonic distortion: THD)를 감소시키고 빠른 처리 속도를 갖게 하며 과실 허용 능력을 생기게 하고 강인성을 보장해 줄 수 있는 신경 회로망을 이용한 3 상 3 레벨 PWM 인버터 전류 제어 방법을 제공하는 것이다. 상기 목적을 달성하기 위한 본 발명의 하나의 특징에 따르면, 신경 회로망을 이용하여 3 상 3 레벨 PWM 인버터에서 전류를 제어하는 방법이 제공되는데, 이 방법은 3 상 3 레벨 PWM 인버터의 각 상에 있어서 원하는 진폭과 주파수를 갖는 기준 전류와 각 상에 있어서 실제 출력 전류와의 오차를 입력 패턴으로 하고 각 입력 패턴 대하여 상기 전류 오차를 감소시키도록 하는 스위칭 패턴을 목적 패턴으로 하도록 선정된 학습 패턴에 의하여 신경 회로망을 학습시키는 단계 및 상기 학습된 신경 회로망을 전류 제어기에 이용하여 인버터에서 출력 전류를 제어하는 단계를 포함한다.It is another object of the present invention to provide a three-phase three-level PWM inverter current control method using neural networks that can reduce total harmonic distortion (THD), have high processing speeds, produce fault tolerance and ensure robustness. To provide. According to one aspect of the present invention for achieving the above object, there is provided a method for controlling the current in a three-phase three-level PWM inverter using a neural network, the method for each phase of the three-phase three-level PWM inverter By a learning pattern selected as a target pattern, a switching pattern for reducing an error between the reference current having a desired amplitude and frequency and the actual output current in each phase as an input pattern and reducing the current error for each input pattern. Training the network and controlling the output current at the inverter using the learned neural network in a current controller.

제1a도는 종래 기술의 2 레벨 인버터 모듈을 개략적으로 도시한 도면.1a schematically illustrates a two level inverter module of the prior art;

제1b도는 종래 기술의 2 레벨 인버터의 스위칭 상태를 개략적으로 도시한 도면Figure 1b schematically shows the switching state of a two-level inverter of the prior art

제2a도는 종래 기술의 3 레벨 인버터 모듈을 개략적으로 도시한 도면.2a schematically illustrates a three level inverter module of the prior art;

제2b도는 종래 기술의 3 레벨 인버터의 스위칭 상태를 개략적으로 도시한 도면Figure 2b schematically shows the switching state of a three-level inverter of the prior art

제3도는 본 발명에 따른 신경 회로망을 이용한 3 상 3레벨 PWM 인버터의 구성을 개략적으로 도시한 도면.3 is a diagram schematically showing the configuration of a three-phase three-level PWM inverter using a neural network according to the present invention.

제4도는 본 발명에 따른 신경회로망 전류 제어기의 구성을 개략적으로 도시한 도면.4 is a diagram schematically showing a configuration of a neural network current controller according to the present invention.

제5도는 종래 기술의 3 상 2 레벨 인버터의 전류 제어를 위한 신경 회로망의 학습패턴을 도시한 도면.5 shows a learning pattern of a neural network for current control of a three-phase two-level inverter of the prior art.

제6도는 본 발명에 따른 3 상 3 레벨 PWM 인버터의 전류 제어를 위한 신경 회로망의 학습 패턴을 도시한 도면.6 shows a learning pattern of a neural network for current control of a three-phase three-level PWM inverter according to the present invention.

* 도면의 주요부분에 대한 부호의 설명* Explanation of symbols for main parts of the drawings

10 : 2 레벨 인버터 모듈 20 : 3 레벨 인버터 모듈10: 2 level inverter module 20: 3 level inverter module

30 : 신경 회로망을 이용한 3 상 3 레벨 PWM 인버터 전류 제어 장치30: three-phase three-level PWM inverter current control device using neural network

31 : 3 상 3 레벨 인버터 모듈 32 : 인덕션 모터31: three phase three level inverter module 32: induction motor

33a, 33b, 33c : 감산기 34a, 34b, 33c : 곱셈기33a, 33b, 33c: subtractor 34a, 34b, 33c: multiplier

35 : 신경 회로망 전류 제어기 36a, 36b, 36c : 스위칭 패턴 발생기35 neural network current controller 36a, 36b, 36c: switching pattern generator

이하, 도 3를 참조하여 본 발명의 신경 회로망을 이용한 3 상 3 레벨 PWM 인버터 전류 제어 방법의 하나의 실시 예에 대하여 설명하기로 한다. 도 3를 참조하면 본 발명의 하나의 실시 예를 구현하기 위한 장치의 배열이 도시되어 있는데, 이 장치(30)은 직류 전압 전원 Ud 및 스위치(S1a, S1b, S1c, S2a, S2b, S2cS3a, S3b, S3c, S4a, S4b, S4c)를 포함하는 3 상 3 레벨 인버터 모듈(31), 부하로 공급되어야 할 원하는 진폭과 주파수를 갖는 기준 전류 (Ia *, Ib *, Ic *) 발생기 (도시되지 않음), 감산기 (33a, 33b, 33c), 곱셈기 (34a, 34b 34c), 신경회로망을 이용한 전류 제어기 (35), 스위칭 패턴 발생기 (36a, 36b, 36c)를 포함하고 있다 여기서 아래 첨자 a, b, c는 각각의 상(phase)을 나타낸다. 한편 인덕터 모듈(31)은 종래 기술에 따라 트랜지스터와 다이오드를 포함하는 스위치로 구성되어 있다.Hereinafter, an embodiment of a three-phase three-level PWM inverter current control method using the neural network of the present invention will be described with reference to FIG. 3. Referring to FIG. 3, an arrangement of an apparatus for implementing one embodiment of the present invention is shown, which device 30 includes a DC voltage power supply Ud and a switch S1 a , S1 b , S1 c , S2 a , S2. three-phase three-level inverter module 31 comprising b , S2 c S3 a , S3 b , S3 c , S4 a , S4 b , S4 c , the reference current with the desired amplitude and frequency to be supplied to the load (I a * , I b * , I c * ) generators (not shown), subtractors 33a, 33b, 33c, multipliers 34a, 34b 34c, current controllers 35 using neural networks, switching pattern generators 36a , 36b, 36c) where the subscripts a, b, and c represent the respective phases. On the other hand, the inductor module 31 is composed of a switch including a transistor and a diode according to the prior art.

여기서 3 상 3 레벨 인버터 모듈의 각 상에서의 실제 출력 전류((Ia, Ib, Ic)와 각 상에 대한 기준 전류 (Ia *, Ib *, Ic *)가 각 상에 대한 감산기 (33a, 33b, 33c)로 입력되고 이 감산기 (33a, 33b, 33c)에서 나오는 각 상에 대한 전류 오차(Ia *- Ia, Ib *- Ib, Ic *- Ic)가 곱셈기 (34a, 34b 34c)에서 이득 K(여기서 K는 스케일링 인자임) 만큼 곱해져 신경 회로망을 이용한 전류 제어기(35)로 입력된다. 이 전류 제어기 (35)는 하기에서 기술되는 바와 같이 선정된 학습 패턴에 따른 학습에 의해 습득된 지식에 따라 입력 신호에 대한 출력 신호(Va, Vb, Vc)를 내보내고 이 신호는 각 상에 대한 스위칭 패턴 발생기 (36a, 36b, 36c)로 들어간다. 이 스위칭 패턴 발생기 (36a, 36b, 36c)는 위의 신호에 따라 인버터 모듈(31)내의 스위치(S1a, S1b, S1c, S2a, S2b, S2cS3a, S3b, S3c, S4a, S4b, S4c)의 스위칭 패턴을 변화시키고, 그 결과로 인버터 모듈(31)의 실제 출력 전류Where the actual output currents (Ia, Ib, Ic) of each phase of the three-phase three-level inverter module and the reference currents (I a * , I b * , I c * ) for each phase are subtractors 33a for each phase. , 33b, 33c) and the current error (I a * -I a , I b * -I b , I c * -I c ) for each phase input to this subtractor (33a, 33b, 33c) is a multiplier ( 34a, 34b 34c) are multiplied by a gain K (where K is a scaling factor) and input to the current controller 35 using the neural network, which is then fed to the selected learning pattern as described below. according to the knowledge acquired by the under study export an output signal (V a, V b, V c) on the input signal the signal enters a switching pattern generator (36a, 36b, 36c) for each phase. the switching pattern Generators 36a, 36b, and 36c are switches S1 a , S1 b , S1 c , S2 a , S2 b , S2 c S3 a , S3 b , S3 c , and S4 a in the inverter module 31 according to the above signals. , S4 b , S4 c ) changes the switching pattern, as a result of the actual output current of the inverter module 31

(Ia *, Ib *, Ic *)는 전류 오차 (Ia *- Ia, Ib *- Ib, Ic *- Ic)를 줄이는 방향으로 변하게 되어, 예를 들어 인덕션 모터(32)와 같은 부하로 공급되게 된다.(I a * , I b * , I c * ) changes in a direction to reduce the current error (I a * -I a , I b * -I b , I c * -I c ), for example an induction motor It is supplied to the same load as (32).

도4는 도3의 신경 회로망을 이용한 3 레벨 PWM 인버터의 구성 부분 중 신경 회로망 제어기 부분의 하나의 예시만을 따로 확대하여 도시한 도면이다. 도4는 입력층, 은닉층, 출력층의 인공 뉴런이 각각 3개, 7개, 3개인 하나의 은닉층을 갖는 다층 신경 회로망의 구성을 도시하고 있다. 여기서 3-7-3신경 회로망 구조는 예시적이며 기타의 3-5-3 신경 회로망 구조 등도 적용이 가능하다 신경 회로망은 마이크로 프로세서에 의해 구현될 수도 있으며 따로 신경 회로망 전용 칩을 만들 수도 있다. 신경 회로망의 입력 신호는 부하로 공급되어야 할 원하는 진폭과 주파수를 갖는 기준 전류(Ia *, Ib *, Ic *)와 인버터에서의 실제 출력 전류 (Ia, Ib, Ic)와의 3 상 전류 오차 (Ia *- Ia, Ib *- Ib, Ic *- Ic)이며 출력신호(Va, Vb, Vc)는 -1, 0, 1의 형태의 신호이다. 도 4에 도시된 신경 회로망구성을 참조하면, 이 신경 회로망에서의 각 상에 대한 세 입력 신호 (Ia, Ib, Ic)는 상호 연결되어 각 상에 대한 세 출력 신호 (Va, Vb, Vc)를 생성하고 있음을 알 수 있다. 신경 회로망 제어기는 아날로그 입력을 PWM 인버터의 이진 스위칭 패턴으로 매핑(mapping)하는 비 선형적인 특성을 갖는다. -1과1은 각각 입력 전압치의 양(positive)의 절반값(half value), 음(negative)의 절반값이 되며, 0은 영전압이 된다. 인버터 전류 제어기의 동작은 아날로그 입력을 이진 신호 출력으로 비선형 데이터 매핑(non-linear data mapping)하는 것으로 볼 수 있다. 신경 회로망은 학습 패턴으로 주어진 입력 패턴 및 목적 패턴으로부터 비선형 데이터 매핑(non-linear data mapping)을 자동적으로 학습한다.FIG. 4 is an enlarged view of only one example of a neural network controller portion among components of a three-level PWM inverter using the neural network of FIG. 3. 4 shows the configuration of a multilayer neural network having one hidden layer of three, seven and three artificial neurons of the input layer, the hidden layer and the output layer, respectively. Here, the 3-7-3 neural network structure is an example, and other 3-5-3 neural network structures may be applied. The neural network may be implemented by a microprocessor or may separately make a neural network chip. The input signal of the neural network is the reference current (I a * , I b * , I c * ) with the desired amplitude and frequency to be supplied to the load and the actual output current (I a , I b , I c ) at the inverter. Three-phase current error (I a * -I a , I b * -I b , I c * -I c ) and output signals (V a , V b , V c ) are signals of the form -1, 0, 1 to be. Referring to the neural network configuration shown in Fig. 4, the three input signals Ia, Ib, Ic for each phase in this neural network are interconnected so that the three output signals V a , V b , V for each phase. c ). The neural network controller has a non-linear characteristic that maps the analog input to the binary switching pattern of the PWM inverter. -1 and 1 are half values of positive and negative values of the input voltage value, respectively, and 0 is zero voltage. The operation of the inverter current controller can be seen as non-linear data mapping from the analog input to the binary signal output. The neural network automatically learns non-linear data mapping from input and destination patterns given as learning patterns.

본 발명의 하나의 실시 예에 따르면, 신경 회로망의 학습 알고리듬은 오차 역전파 학습 알로리듬(error back-propagation learning algorithm)을 이용하였다. 오차 역전파 학습 알고리듬은 이미 유용성이 검증된 알고리듬으로서, 가장 널리 이용되고 있다. 이는 원하는 출력값(desired output)과 신경 회로망의 실제 출력값(actual output)의 오차(error)를 가격 함수로 하여, 이 가격 함수를 줄이는 방향으로 각 층의 연결의 가중치들을 조절하는 방법이다. 오차 역전파 학습 알고리듬은 원하는 비선형 데이터 매핑을 학습하기 위하여 입력 패턴 및 목적 패턴으로 구성되는 학습 패턴을 필요로 한다. 이 학습 패턴은 원하는 비선형 데이터 매핑의 필수적 특성(essential characteristics)를 학습하기에 충분한 정보를 포함하도록 주의 깊게 결정되어야 한다.According to an embodiment of the present invention, the learning algorithm of the neural network uses an error back-propagation learning algorithm. The error backpropagation learning algorithm is the algorithm that has been proved to be useful and is most widely used. This is a method of adjusting the weights of the connection of each layer in the direction of reducing this price function by using the error between the desired output and the actual output of the neural network as a price function. The error backpropagation learning algorithm requires a learning pattern consisting of an input pattern and a target pattern in order to learn a desired nonlinear data mapping. This learning pattern should be carefully determined to contain enough information to learn the essential characteristics of the desired nonlinear data mapping.

구체적으로 신경 회로망을 학습시키는 단계는 다음과 같다. 첫째, 신경회로망의 모든 연결 가중치를 적당한 값으로 초기화한다. 이때, 초기 값은 -1과 1사이의 임의의 값이 사용된다. 둘째, 신경 회로망에 학습시킬 입력 패턴을 선정한다. 입력 패턴이란 신경망의 학습을 위해 입력층 인공 신경 세포들에게 동시에 주어지는 입력 값들의 집합을 말한다. 셋째, 입력 패턴을 신경 회로망이 경험하게 한다. 넷째, 신경 회로망의 신경 세포들을 차례로 동작시킨다. 동작 순서는 아래쪽 층에서부터 시작하여 위쪽 층으로 이어진다. 이때, 같은 층 내의 인공 신경 세포들은 일반적으로 동시에 동작한다. 이와 같은 신경 회로망의 동작 결과 출력층 인공 신경 세포들이 산출해 낸 출력 결과를 출력 패턴이라고 한다 즉, 출력 패턴이란 주어진 입력 패턴에 대해 신경망의 동작 결과 출력층 인공 세포에 동시에 출력된 값들을 말한다. 다섯째, 신경 회로망의 출력 패턴과 목적 패턴(target pattern)을 비교한다. 목적 패턴이란 주어진 입력 패턴에 대해 신경 회로망이 출력해 주기를 원하는 출력 패턴을 말한다. 즉, 목적 패턴은 신경 회로망의 동작 결과 실제로 출력된 출력 패턴이 아니라, 신경 회로망이 출력해주기를 원하는 패턴이다. 일반적으로, 입력 패턴과 목적 패턴을 합하여 학습 패턴이라고 한다. 여섯째, 선택된 학습 규칙을 사용하여 연결 가중치를 조절한다. 일곱째, 신경 회로망이 완전히 학습될 때까지 상기 두번째 단계에서 여섯 번째 단계를 반복한다. 신경 회로망이 완전히 학습에 있어 신경 회로망이 주어진 학습 패턴들에 대해 잘 학습 되었는지의 여부는 각각의 학습 규칙에 따라 정의되는 오차(error)의 크기로 결정한다. 즉, 학습이 반복되는 동안 오차가 선정된 어느 한계 이하로 감소되면 신경 회로망은 학습된 것으로 간주한다. 신경 회로망은 학습 패턴에에 따라 학습 과정을 여러번 반목하여 학습된 후에 전류 제어기에 적용된다. 신경 회로망이 학습된 후 전류 제어기에 적용된 경우에는 연결 가중치가 학습 과정에서 얻은 값으로 고정되고 전류 제어 과정 동안에는 학습 동작을 더 이상 하지 않는다.Specifically, the steps for training the neural network is as follows. First, all connection weights of neural networks are initialized to appropriate values. At this time, the initial value is any value between -1 and 1. Second, select the input pattern to be trained on the neural network. An input pattern is a set of input values that are simultaneously given to input layer artificial neurons for learning a neural network. Third, let the neural network experience input patterns. Fourth, the nerve cells of the neural network are operated in turn. The sequence of operations starts with the lower layer and continues with the upper layer. At this time, artificial neurons in the same layer generally operate simultaneously. The output result generated by the operation layer output neurons of the neural network is called an output pattern. That is, the output pattern refers to values output simultaneously to the operation result output layer artificial cell of the neural network for a given input pattern. Fifth, the output pattern and target pattern of the neural network are compared. The objective pattern is an output pattern that the neural network wants to output for a given input pattern. That is, the target pattern is not an output pattern actually output as a result of the operation of the neural network, but a pattern desired by the neural network. In general, the sum of the input pattern and the target pattern is called a learning pattern. Sixth, the connection weight is adjusted using the selected learning rule. Seventh, repeat the second to sixth steps until the neural network is fully learned. Whether a neural network is well trained for a given learning pattern in learning fully is determined by the magnitude of the error defined by each learning rule. In other words, the neural network is considered to be learned if the error is reduced below a predetermined limit while learning is repeated. The neural network is applied to the current controller after being trained by recounting the learning process several times according to the learning pattern. When the neural network is learned and applied to the current controller, the connection weight is fixed to the value obtained in the learning process and no learning operation is performed during the current control process.

도 6은 본 발명에 따라 신경 회로망을 학습시키기 위한 학습 패턴을 도시하고 있다. 이 학습 패턴은 신경 회로망의 성능에 영향을 미치는 가장 주요한 요소 중의 하나이며, 신경 회로망의 전체 구조에도 영향을 미칠 수 있다. 도 6에서 입력 패턴은 3상 인버터의 경우 각각의 상의 전류 오차, 즉 기준 전류(Ia *, Ib *, Ic *)와 실제 전류(Ia, Ib, Ic)와의 차이 이득 K(여기서 K는 스케일링 인자임)을 곱한 값이며, 목적 패턴은 각각 입력 패턴에 대하여 출력되어야 할 각 상의 스위칭 상태를 나타낸다. 이 목적 패턴은 -1, 0,1의 형태의 신호로 구성되는데, 인버터에서의 전류 오차를 감소시키도록 결정되어야 한다. 신경 회로망 제어기는 각 상에서의 전류 오차를 입력받아 본 발명에 다른 학습 패턴에 의한 학습을 통하여 습득된 지식에 따라 1, 0, -1, 중 알맞은 스위칭 상태를 출력하게 된다. 본 발명에 따른 학습 패턴에 따르면, 각각의 상에 대하여 입력이 0.01인 경우 출력 상태는 -1이 되어야 하며 이는 전압 레벨이 -Ud/2이 되도록 스위칭 되어야 한다는 것을 의미하고, 입력이 0인 경우는 출력 상태는 0이 되도록 스위칭되어야 한다는 것을 의미하고, 입력이 -0.01인 경우는 출력 상태는 1이 되어야 하며 이는 전압 레벨이 Ud/2이 되도록 스위칭 되어야 한다는 것을 의미한다.6 illustrates a learning pattern for learning neural networks in accordance with the present invention. This learning pattern is one of the most important factors affecting the performance of neural networks and can affect the overall structure of neural networks. In FIG. 6, the input pattern shows a difference gain K between the reference currents I a * , I b * , I c * and the actual currents I a , I b , I c in the case of a three-phase inverter. (Where K is a scaling factor), and the target pattern indicates the switching state of each phase to be output for each input pattern. This objective pattern consists of signals in the form of -1, 0,1, which must be determined to reduce the current error in the inverter. The neural network controller receives the current error of each phase and outputs an appropriate switching state among 1, 0, -1, according to the knowledge acquired through learning by the other learning pattern in the present invention. According to the learning pattern according to the present invention, for each phase, when the input is 0.01, the output state should be -1, which means that the voltage level should be switched to be -U d / 2, and when the input is 0 Means that the output state should be switched to zero. If the input is -0.01, the output state should be 1, which means that the voltage level should be switched to Ud / 2.

도2를 참조하면, 단상인 경우에는 스위치(S1), 스위치(S2), 스위치(S3), 스위치(S4)의 상태에 따라 +Ud/2, 0, -Ud/2의 의 3가지 전압이 출력될 수 있으며, 3 상인 경우에는 각각의 상에 대하여 3 가지 출력 패턴이 가능하므로 이를 조합하면 총 27가지(이는 33을 의미함)의 출력 패턴이 가능하다. 입력값에 상응하여 제어되어 나오는 출력값은 스위칭 상태에 따라 정하여 진다. 신경 회로망은 그 성능과 역할이 학습 패턴에 의하여 좌우되므로 3 상 3 레벨 PWM 인버터의 신경 회로망 전류 제어기 설계에 있어서 신경 회로망을 학습시키기 위하여 고안된 27가지의 학습 패턴은 고유의 가치를 갖는다.Referring to FIG. 2, in the case of a single phase, three types of + U d / 2, 0, and -U d / 2 depending on the state of the switch S1, the switch S2, the switch S3, and the switch S4. Voltage can be output, and in the case of three phases, three output patterns are possible for each phase, so when combined, a total of 27 output patterns (which means 3 3 ) are possible. The output value controlled according to the input value is determined according to the switching state. Neural networks have intrinsic value because their performance and role depend on the learning pattern, and the 27 learning patterns designed to learn neural networks in neural network current controller design of three-phase three-level PWM inverters have unique values.

본 발명에 따른 하나의 실시예를 요약하면 다음과 같다. 도3를 참조하면, 기준 전류(Ia *, Ib *, Ic *)에서 실제 출력 전류(Ia, Ib, Ic)를 뺀 전류 오차(Ia *- Ia, Ib *- Ib, Ic *- Ic)에 이득K를 곱한 값이 도6에 도시되는 학습 패턴에 따라 미리 학습된 신경 회로망 제어기(35)에 입력된다. 이어서, 신경 회로망 제어기(35)는 학습 패턴에 따라 미리 학습된 지식에 따라 전류 오차(Ia *- Ia, Ib *- Ib, Ic *- Ic)를 감소시키는 방향으로 스위칭 상태값을 출력하고 이에 따라 스위칭 발생기 (36a, 36b, 36c)가 인버터 모듈(31) 내의 스위치 (S1a, S1b, S1c, S2a, S2b, S2cS3a, S3b, S3c, S4a, S4b, S4c)의 스위칭 패턴을 변경시킨다. 여기서, 이득 K값을 변경시킴에 따라 스위칭 주파수를 변경시키는 것이 가능하다.One embodiment according to the present invention is summarized as follows. Referring to Figure 3, the current error (I a * -I a , I b * ) minus the actual output current (I a , I b , I c ) from the reference current (I a * , I b * , I c * ) The value obtained by multiplying the gain K by I b , I c * -I c ) is input to the neural network controller 35 previously learned in accordance with the learning pattern shown in FIG. 6. Then, the neural network controller 35 includes a current error according to a pre-learning according to the learning pattern knowledge switching in the direction of reducing the (I a * - I a, I b * - - I b, I c * I c) state Value and accordingly the switching generators 36a, 36b, 36c cause the switches S1 a , S1 b , S1 c , S2 a , S2 b , S2 c S3 a , S3 b , S3 c , The switching pattern of S4 a , S4 b , S4 c ) is changed. Here, it is possible to change the switching frequency by changing the gain K value.

따라서, 본 발명의 신경 회로망을 이용한 3 상 3 레벨 PWM 인버터의 전류제어 방법을 사용하면 병렬 분산 처리에 의하여 빠른 속도로 처리하는 것이 가능하고 과실 허용 능력을 갖게 되며 외부 환경 변화에 덜 민감한 특성을 갖는 강인성을 갖게 되고 신경 회로망의 고유한 장점인 학습 능력을 갖게 된다. 분산 네트워크 구조로 인하여 신경 회로망의 성능은 네트워크 자체 내의 몇 개의 오 연결(miss connections)에 의하여 영향을 받지 않을 수 있고, 병렬 처리 구조로 인하여 여러개의 입력 중에 틀린 입력이 있는 경우라도 기타의 정확한 입력 데이터가 이를 보충 할 수 있으므로 부분적 과실(partial fault)에 의해 영향을 받지 않을 수도 있다.Therefore, when using the current control method of the three-phase three-level PWM inverter using the neural network of the present invention, it is possible to process at a high speed by parallel distributed processing, has an error tolerance, and has a characteristic that is less sensitive to external environmental changes. It has robustness and learning ability, a unique advantage of neural networks. Due to the distributed network structure, the neural network performance may not be affected by several miss connections in the network itself, and due to the parallel processing structure, other accurate input data may be obtained even when there is a wrong input among several inputs. This can be compensated for and may not be affected by partial faults.

또한, 3 레벨 인버터에 신경 회로망을 이용한 전류 제어 방법을 적용함으로써 2 레벨 인버터에 비해 낮은 내압 전압을 갖는 소자의 사용이 가능하고 소자의 스위칭 주파수를 높일 수 있어 고조파 손실을 줄일 수 있다.In addition, by applying a current control method using a neural network to the three-level inverter, it is possible to use a device having a lower breakdown voltage than the two-level inverter and to increase the switching frequency of the device to reduce the harmonic loss.

이상에서 본 발명에 대하여 구체적인 실시 예를 통하여 설명하였지만, 본 발명의 범위는 이에 제한되지 않으며, 본 발명의 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 범위 내에서 보다 다양한 변경 및 변형을 가할 수 있을 것이다. 따라서, 본 발명의 범위는 이상의 상세한 설명에 의하여 제한되지 않으며, 다음의 특허 청구 범위는 이러한 변경 및 변형을 모두 포함하는 것으로 이해하여야 한다.Although the present invention has been described above through specific embodiments, the scope of the present invention is not limited thereto, and one of ordinary skill in the art may make various changes and modifications within the scope of the present invention. Could be. Therefore, it is to be understood that the scope of the present invention is not limited by the above detailed description, and that the following claims include all such modifications and variations.

Claims (2)

신경 회로망을 이용하여 3 상 3 레벨 PWM 인버터에서의 출력 전류를 제어하는 방법에 있어서, 상기 3 상 3 레벨 PWM 인버터의 각 상에 있어서의 원하는 진폭과 주파수를 갖는 기준 전류와 각 상에 있어서의 실제 출력 전류와의 오차를 입력 패턴으로 하고 상기 각 입력 패턴에 대하여 상기 전류 오차를 감소시키도록 하는 스위칭 패턴을 목적 패턴으로 하도록 선정된 학습 패턴에 의하여 상기 신경 회로망을 학습시키는 단계, 및 상기 학습된 신경 회로망을 이용한 전류 제어기에 의하여 상기 3 상 3 레벨 PWM 인버터의 출력 전류를 제어하는 단계를 포함하는 전류 제어 방법.A method for controlling the output current in a three-phase three-level PWM inverter using neural networks, the reference current having a desired amplitude and frequency in each phase of the three-phase three-level PWM inverter and the actual in each phase. Training the neural network according to a learning pattern selected to set an error with an output current as an input pattern and a switching pattern for reducing the current error for each input pattern as a target pattern, and the learned neural network Controlling the output current of the three-phase three-level PWM inverter by a current controller using a network. 제1항에 있어서, 상기 전류를 제어하는 단계는 각 상에 대한 3개의 기준 전류를 발생시키는 단계, 각 상에 대한 3개의 실제 출력 전류와 상기 3개의 기준 전류와의 오차들을 구하는 단계, 상기 3개의 실제 출력 전류와 상기 3개의 기준 전류와의 오차들을 상기 신경 회로망을 이용한 전류 제어기에 입력시키는 단계, 상기 신경 회로망을 이용한 전류 제어기에서 상기 입력된 오차들을 입력 패턴으로 하여 출력 패턴을 발생시키는 단계, 상기 발생된 출력 패턴에 따라 상기 3 상 3 레벨 PWM 인버터의 스위칭 패턴을 발생시키는 단계, 및 상기 발생된 스위칭 패턴에 따라 상기 3 상 3 레벨 PWM 인버터에서의 스위칭 상태를 변경시키는 단계를 포함하는 방법.The method of claim 1, wherein controlling the current comprises: generating three reference currents for each phase, obtaining errors between the three actual output currents for each phase and the three reference currents; Inputting errors between the three actual output currents and the three reference currents to the current controller using the neural network, generating an output pattern using the input errors as the input pattern at the current controller using the neural network, Generating a switching pattern of the three-phase three-level PWM inverter in accordance with the generated output pattern, and changing a switching state in the three-phase three-level PWM inverter in accordance with the generated switching pattern.
KR1019970001440A 1997-01-20 1997-01-20 A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network KR100204844B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1019970001440A KR100204844B1 (en) 1997-01-20 1997-01-20 A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1019970001440A KR100204844B1 (en) 1997-01-20 1997-01-20 A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network

Publications (2)

Publication Number Publication Date
KR19980066097A KR19980066097A (en) 1998-10-15
KR100204844B1 true KR100204844B1 (en) 1999-06-15

Family

ID=19495068

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019970001440A KR100204844B1 (en) 1997-01-20 1997-01-20 A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network

Country Status (1)

Country Link
KR (1) KR100204844B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100918313B1 (en) * 2007-02-09 2009-09-21 김영일 Method for diagnosis and analysis of electric power quality using artificial intelligence

Also Published As

Publication number Publication date
KR19980066097A (en) 1998-10-15

Similar Documents

Publication Publication Date Title
Najafi et al. Design and implementation of a new multilevel inverter topology
Xiang et al. Improved virtual space vector modulation for three-level neutral-point-clamped converter with feedback of neutral-point voltage
Pulikanti et al. Hybrid seven-level cascaded active neutral-point-clamped-based multilevel converter under SHE-PWM
Loh et al. Pulsewidth-modulated $ z $-source neutral-point-clamped inverter
Shehu et al. A review of multilevel inverter topology and control techniques
Liu et al. Trinary hybrid multilevel inverter used in STATCOM with unbalanced voltages
Ronanki et al. A Novel 2$ N $+ 1 Carrier-Based Pulse Width Modulation Scheme for Modular Multilevel Converters With Reduced Control Complexity
Chakraborty et al. Circulating current control of modular multilevel converter with reduced conduction loss for medium-voltage applications
Almakhles et al. Switched capacitor-based 13L inverter topology for high-frequency AC power distribution system
Sayed et al. PWM control techniques for single-phase multilevel inverter based controlled DC cells
Boudjema et al. DSPACE Implementation of a Neural SVPWM Technique for a Two Level Voltage Source Inverter.
Shatshat et al. Artificial intelligent controller for current source converter-based modular active power filters
Cortes et al. Predictive control of a grid-connected cascaded H-bridge multilevel converter
Salari et al. A novel 49-level asymmetrical modular multilevel inverter: analysis, comparison and validation
Majdoul et al. A nine-switch nine-level voltage inverter new topology with optimal modulation technique
Al-Atbee et al. A cascade multi-level inverter topology with reduced switches and higher efficiency
KR100204844B1 (en) A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network
Shashibhushan et al. Starting torque and torque ripple reduction using SVPWM based vector control of induction motor with nine-level cascaded multilevel inverter fed with solar PV power
Chenchireddy et al. 3-Phase 7-Level Diode Clamped Inverter for Standalone Application
Panda et al. Design and Control of An Asymmetrical Cascaded Compact Module Multilevel Inverter for PV System
Teymour et al. Novel modulation and control strategy for five-level ANPC converter with unbalanced DC voltage applied to a single-phase grid connected PV system
Stephy et al. PV system with neutral point clamped inverter for suppression of leakage current and harmonics based fuzzy controller
Ananthu et al. Voltage balancing of modular multilevel converter for an induction motor drive
Khandelwal et al. Reduced voltage stress hybrid multilevel inverter using optimised predictive control
Singh et al. Performance comparison of SPWM and SVPWM technique in NPC bidirectional converter

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20040227

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee