CN109193767A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109193767A CN109193767A CN201811086523.7A CN201811086523A CN109193767A CN 109193767 A CN109193767 A CN 109193767A CN 201811086523 A CN201811086523 A CN 201811086523A CN 109193767 A CN109193767 A CN 109193767A
- Authority
- CN
- China
- Prior art keywords
- neural network
- controller
- grid
- voltage
- sent
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003252 repetitive effect Effects 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 239000002131 composite material Substances 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 230000000737 periodic effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013016 damping Methods 0.000 claims description 15
- 239000003990 capacitor Substances 0.000 claims description 10
- 238000011045 prefiltration Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005764 inhibitory process Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- H02J3/383—
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于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,将光伏并网逆变器输出经LCL滤波后接入电网,进行采样环节;将电网侧电压经过改进PLL提取相位θ送入到dq/αβ变换中;将直流侧参考电压与直流侧实际电压的差值输入到PI控制器中;将采样得到的电网侧电流经abc/αβ变换得到实际电流信号ig;将经dq/αβ变换后αβ坐标系下的参考并网电流ig *与实际电流信号ig的差值经过αβ/abc变换后,再和实际电流信号ig以及参考并网电流ig *一起送入到复合控制器中;将复合控制器处理后的信号送入陷波器处理,然后处理后的信号送入SVPWM模块,从而产生控制光伏并网逆变器的周期性开关信号,从而抑制光伏并网逆变器引入电网的谐波。本发明的补偿效果优于传统的光伏并网逆变器。
Description
技术领域
本发明属于电力电子领域,尤其涉及一种基于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。
背景技术
随着能源和环境问题的日益严峻,风力发电、光伏发电等新能源并网发电技术越来越受到人们的重视,已经成为能源可持续发展战略的重要组成部分,光伏发电是当前利用太阳能的主要方式之一。光伏发电***主要有独立运行和并网运行两种模式,其中后者发展相当迅速,应用规模越来越大。并网逆变器作为发电***与电网连接的核心装置,其性能直接决定并网电流的质量,并网电流的谐波含量是评价其电能质量的重要指标。近年来逐渐成为国内外研究的热点,同时也对其控制精度及谐波抑制提出了更高的要求。
影响并网电流电能质量的主要因素包括:控制器的设计,输出滤波器的设计,直流侧电压纹波等。传统的并网逆变器研究点一直在对谐波电流的抑制和对控制精度以及动态响应的改善,并提出了很多谐波抑制方法。但谐波抑制方法的优劣会显著影响并网逆变器的转换效果,并且要改善并网逆变器的控制精度以及动态响应也是一大难点。比如传统的PI控制虽能够实现对交流的无静差控制,但是在高频段的增益大幅衰减,跟踪偏差信号中高频谐波成分的精度较差,不利于抑制并网电流中的谐波成分;再如变流器比例积分谐振控制器虽然实现对基波信号无静差跟踪以及对低次谐波的抑制,但不能够有效抑制更多特定阶次的谐波扰动是很严重的缺点,当然也有学者提出将重复控制与PI相结合的方法,但大都存在参数耦合,设计复杂等问题。并且在逆变器并网***中,快速、准确的相位检测是有效控制的前提。理想情况下电网电压仅含正序分量,因此理想电网电压下同步相位检测的实质就是对电网正序电压同步相位的提取,采用传统的锁相环技术就能快速准确地跟踪电网电压相位。但实际中电网电压不可能时常处于理想状态下,为了能在电网电压非理想情况下获得准确的相位信息,就必须对传统锁相环进行改进。因此如何使用简单的控制方法实现较好的谐波抑制效果并且提高***误差跟踪的快速性、准确性以及对并网逆变器周期性信号的精确控制问题就成为了本发明的关注点。
发明内容
本发明的目的是,提出了一种基于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。其中双模重复控制器无需传统PI控制器的积分环节,只需得到奇、偶次谐波内膜,进而对奇、偶次谐波的独立控制,实现简单,鲁棒性好,而BP神经网络递推积分PI控制器能够大大提高误差跟踪的快速性、准确性和响应速度。
为实现上述发明目的,本发明采用的技术方案是: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,其特征在于,包括以下几个步骤:
步骤1,将光伏并网逆变器输出经LCL滤波后接入电网,进行采样环节;步骤2,将电网侧电压经过改进PLL提取相位θ送入到dq/αβ变换中;步骤3,将直流侧参考电压与直流侧实际电压的差值输入到PI控制器中;步骤4,将采样得到的电网侧电流经abc/αβ变换得到实际电流信号ig;步骤5,将经dq/αβ变换后αβ坐标系下的参考并网电流ig *与实际电流信号ig的差值经过αβ/abc变换后,再和实际电流信号ig以及参考并网电流ig *一起送入到复合控制器中;步骤6,将复合控制器处理后的信号送入陷波器处理,然后处理后的信号送入SVPWM模块,从而产生精确控制光伏并网逆变器的周期性开关信号,从而有效地抑制光伏并网逆变器引入电网的谐波。
进一步,所述步骤1具体包括:
步骤1.1,首先光伏并网逆变器输出经LCL滤波后接入电网,根据通过采集电网侧电压从而可以进一步送入到改进PLL中;
步骤1.2,然后在根据采集电容两端电压得到直流侧实际电压,从而可以和直流侧参考电压进行差值比较;
步骤1.3,其次通过采集电网侧电流并经过abc/αβ坐标变换后得到实际并网电流。
进一步,所述步骤2的具体过程为:
将电网侧电压经改进PLL提取相位θ送到dq/αβ变换,改进PLL在传统锁相环的基础上引入前置滤波器技术,能够有效解决传统锁相环在电网电压畸变和不对称情况下失锁的问题。前置滤波器用于三相电网电压的滤波及提取基波正序分量,并将基波正序分量送入锁相环信号输入端,这样能够有效减小负序分量和谐波成分对锁相环的影响。由于通用二阶复矢量滤波器在电网电压基波负序分量处增益为0,基波正序分量处增益为1且无相移,因此采用通用二阶复矢量滤波器可以很好地消除基波负序分量,无失真地提取电网电压基波正序分量。
进一步,所述步骤3的具体过程为:
根据采集电容两端电压得到直流侧实际电压,通过对比直流侧参考电压与直流侧实际电压Vdc,将两者的差值输入到PI控制器中,使实际电压Vdc实时跟踪参考电压PI控制器的输出作为d轴分量送入dq/αβ变换中,可以实现直流侧电容电压的稳定。
进一步,所述步骤4的具体过程为:
通过在电网侧检测实际的电网侧并网电流,然后将采样得到的电网侧电流再经过abc/αβ变换可以得到实际电流信号ig。
进一步,所述步骤5的具体过程为:
送入dq/αβ变换中的d轴分量和无功电流给定iq *=0经过dq/αβ变换,变换后的αβ坐标系下的参考并网电流ig *与实际电流信号ig的差值经过αβ/abc变换后,再和实际电流信号ig以及参考并网电流ig *一起送入到复合控制器中;
所述的复合控制器包括双模重复控制器和BP神经网络递推积分PI控制器两部分,通过采取将奇、偶次谐波内模代替传统PI控制器的积分环节从而构成双模重复控制器,其中双模重复控制器能够实现对奇次谐波以及偶次谐波的单独控制,与此同时整个***谐波的奇次谐波、偶次谐波都分别具有很大的增益,其奇次谐波、偶次谐波控制增益分别是ki1和ki2,可以直接实现对奇次谐波以及偶次谐波的分别控制,其中复合控制器的离散传递函数表示为Kp为比例环节控制增益,T0为基波周期,Ts为采样周期,N=T0/Ts为***的基波周期与采样周期之比,Gf(z)为相位超前补偿环节,Q(z)为低通滤波器,BP神经网络递推积分PI控制器的传递函数为其中N0为被控对象每个周期的采样点数,kp为比例系数,ki为积分系数;当偶次谐波控制增益ki2=0的时候,双模重复控制器便可以视为奇次谐波内模控制器,可以对奇次谐波实现无静差跟踪控制;
所述的BP神经网络递推积分PI控制器由递推积分PI控制器和BP神经网络两部分组成。递推积分PI控制器直接对被控对象进行闭环控制,其控制器参数kp、ki由神经网络在线整定;神经网络根据***的运行状态,通过自学习和权值的调整,在线整定递推积分PI控制器的参数,以达到性能指标的最优。这里采用BP神经网络,其输入层有3个节点,分别为参考并网电流ig *、实际电流信号ig以及两者的差值e(k),输出层为2个节点,即比例系数kp和积分系数ki,隐含层设置为5个节点。这样即可通过神经网络的学习和训练,实现对递推积分PI控制器参数的在线整定。
进一步,神经网络自适应递推积分PI控制器的算法具体步骤为:
步骤5.1,确定BP神经网络结构,并给出各层加权系数的初值,选定学习速率和惯性系数;
步骤5.2,采样获得当前实际电流信号ig和参考并网电流ig *,计算当前时刻的误差e(k);
步骤5.3,将步骤5.2所得到的信号输入到BP神经网络,计算输出kp和ki;
步骤5.4,进行神经网络权值学习,在线调整加权系数,实现递推积分PI控制参数的自适应调整;
步骤5.5,进入下一个采样周期,返回步骤5.2。
进一步,所述步骤6的具体过程为:
将复合控制器处理后的信号送入陷波器处理,所述陷波器可以实现LCL滤波器的有源阻尼,当采用陷波器阻尼时,随着q值的增大,陷波器带宽变窄,会对谐振频率的变化越敏感。当陷波器的陷波频率与LCL滤波器的谐振频率相等时,在LCL滤波器的谐振频率处,陷波器会提供一个反谐振尖峰来抵消LCL滤波器的正谐振尖峰,而在低频段和高频段,陷波器阻尼的增益为0,因而不会影响LCL滤波器在这些频段的幅频特性,LCL的固有谐振得到了显著的校正,提高了控制***的稳定性,陷波器处理后的信号送入SVPWM模块,产生精确控制光伏逆变器的周期性开关信号,从而有效地抑制光伏并网逆变器引入电网的谐波。
所述的控制方法通过改进PLL可以提高传统锁相环在电网电压非理想情况下锁相精度及谐波抑制能力。
所述的双模结构重复控制器无需传统PI控制器的积分环节,只需得到奇、偶次谐波内膜。
所述的复合控制器可以实现电网电流对给定目标电流的零稳态误差跟踪。
所述的双模结构重复控制器可以对奇偶次谐波进行单独控制。
所述的BP神经网络递推积分PI控制器相当于有N个PI并行工作(假设每个周期内的采样点数为N),大大提高了误差跟踪的快速性及准确度。
所述的控制方法无需额外增加传感器,通过在电流环中增加陷波器的方法实现了LCL滤波器的有源阻尼,从而提高了***稳定性。
本发明的有益效果是:
1、本发明提出的一种基于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,针对传统PI控制应用场合的局限性、重复控制动态性能差且存在基波周期延时以及LCL型并网逆变器***自身谐振等问题,同时针对传统的双模结构重复控制器仅用于单相并联有源滤波器中的局限性,并且BP神经网络递推积分PI控制器也只是在有源电力滤波器领域中有过研究,因此本发明提出了一种无需传统PI控制器积分环节,而用奇、偶次谐波内模代替常规PI控制器的积分环节,直接采用双模结构重复控制和BP神经网络递推积分PI控制器的综合控制方案,相比于在并网逆变器中仅用双模结构重复控制器方法而言,具有更好的动态响应特性以及更高的跟踪误差速度和准确性,参数设计更为灵活,实现了对周期信号的无静差跟踪控制、响应速度快、鲁棒性好、有效抑制谐波、提高电能质量等目的。
2、本发明针对LCL滤波器的谐振尖峰问题,在电流环中增加陷波器的方法实现了LCL滤波器有源阻尼的控制方式,同时通过改进PLL可以提高传统锁相环在电网电压非理想情况下锁相精度及谐波抑制能力。相比于传统的控制方法,本发明简化了控制策略,降低了***的复杂性,使得并网逆变器的谐波抑制效果不再受谐波抑制和改善控制精度的影响,因此***的控制精度以及动态响应得到显著提高,补偿效果优于传统的光伏并网逆变器。
附图说明
图1是本发明的LCL型光伏并网逆变器拓扑结构。
图2是本发明的基于复合控制器的LCL型光伏并网逆变器***原理图。
图3是本发明提出的改进PLL原理图。
图4是本发明提出的复合控制器结构图。
图5是本发明提出的BP神经网络结构图。
图6是投入本发明后***的并网电流频谱图。
图7是投入本发明后***的并网电压电流波形图。
图8是当***负载发生突变时的并网电流变化波形图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明:
如图1所示,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,其拓扑结构包括光伏阵列、直流侧电容、光伏并网逆变器、LCL滤波器、交流电网;
如图2所示,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,首先将光伏并网逆变器输出经LCL滤波后接入电网,进行采样环节;步骤1包括以下几个步骤:
步骤1.1,首先光伏并网逆变器输出经LCL滤波后接入电网,根据通过采集电网侧电压从而可以进一步送入到改进PLL中;
步骤1.2,然后再根据采集电容两端电压得到直流侧实际电压,从而可以和直流侧参考电压进行差值比较;
步骤1.3,其次通过采集电网侧电流可以经过abc/αβ坐标变换后得到实际并网电流。
进一步步骤2,如图3所示,将电网侧电压经过改进PLL提取相位θ送入到dq/αβ变换中。改进PLL在传统锁相环的基础上引入前置滤波器技术,能够有效解决传统锁相环在电网电压畸变和不对称情况下失锁的问题。前置滤波器用于三相电网电压的滤波及提取基波正序分量,并将基波正序分量送入锁相环信号输入端,这样能够有效减小负序分量和谐波成分对锁相环的影响。由于通用二阶复矢量滤波器在电网电压基波负序分量处增益为0,基波正序分量处增益为1且无相移,因此采用通用二阶复矢量滤波器可以很好地消除基波负序分量,无失真地提取电网电压基波正序分量。通用二阶复矢量滤波器表达式为其中ζ为阻尼比,在这里取0.707,δ为补偿系数,δ取值越大,获得的动态性能越好。
步骤3,将直流侧参考电压与直流侧实际电压的差值输入到PI控制器中。
根据采集电容两端电压得到直流侧实际电压,通过对比直流侧参考电压与直流侧实际电压Vdc,将两者的差值输入到PI控制器中,使实际电压Vdc实时跟踪参考电压PI控制器的输出作为d轴分量送入dq/αβ变换中,可以实现直流侧电容电压的稳定。
步骤4,通过在电网侧检测实际的电网侧并网电流,然后将采样得到的电网侧电流再经过abc/αβ变换可以得到实际电流信号ig。
步骤5,送入dq/αβ变换中的d轴分量和无功电流给定iq *=0经过dq/αβ变换,变换后的αβ坐标系下的参考并网电流ig *与αβ坐标系下的实际电流分量igα和igβ的差值经过αβ/abc变换送入到复合控制器中;
如图4和图5所述的复合控制器包括双模重复控制器和BP神经网络递推积分PI控制器两部分,通过采取将奇、偶次谐波内模代替传统PI控制器的积分环节从而构成双模重复控制器,其中双模重复控制器能够实现对奇次谐波以及偶次谐波的单独控制,与此同时整个***谐波的奇次谐波、偶次谐波都分别具有很大的增益,其奇次谐波、偶次谐波控制增益分别是ki1和ki2,可以直接实现对奇次谐波以及偶次谐波的分别控制,其中复合控制器的离散传递函数表示为Kp为比例环节控制增益,T0为基波周期,Ts为采样周期,N=T0/Ts为***的基波周期与采样周期之比,Gf(z)为相位超前补偿环节,Q(z)为低通滤波器,BP神经网络递推积分PI控制器传递函数为其中N0为被控对象每个周期的采样点数,kp为比例系数,ki为积分系数;当偶次谐波控制增益ki2=0的时候,双模重复控制器便可以视为奇次谐波内模控制器,可以对奇次谐波实现无静差跟踪控制;
所述复合控制器部分的误差函数为其中Gp(z)为比例环节,Gs(z)为受控对象,Gcon(z)为BP神经网络递推积分PI控制器传递函数,Gi(z)为积分环节,r(z)为参考信号输入,d(z)为外部扰动;
根据所述复合控制器***的稳定条件分析可知,选择适当的衰减频率,取w=20000πrad/s,得到Qi(z)=0.25z+0.5+0.25z-1,此时在中低频段为单位增益,具有很好的高频衰减能力,通过合理的设计相位补偿环节可以达到零相位补偿效果。根据所述相位补偿环节选取Gf(z)=z3,比例环节控制增益Kp=16,奇次谐波控制增益Ki1=0.8,偶次谐波控制增益Ki2=0.9;
所述的BP神经网络递推积分PI控制器由递推积分PI控制器和BP神经网络两部分组成。递推积分PI控制器直接对被控对象进行闭环控制,其控制器参数kp、ki由神经网络在线整定;神经网络根据***的运行状态,通过自学习和权值的调整,在线整定递推积分PI控制器的参数,以达到性能指标的最优。这里采用BP神经网络,其输入层有3个节点,分别为参考并网电流ig *、实际电流信号ig以及两者的差值e(k),输出层为2个节点,即比例系数kp和积分系数ki,隐含层设置为5个节点。这样即可以通过神经网络的学习和训练,实现对递推积分PI控制器参数的在线整定,达到提高跟踪精度的目的,则输出控制为:Δu(k)=kp(e(k)-e(k-N))+kie(k)。并且BP神经网络递推积分PI控制算法如下式所示:式中URh(k)为K时刻的控制器的输出,e(k)为K时刻的误差采样值,N为一个周期内的采样点数,C为K/N取整,代表当前时刻已经采样完毕的基波周期的个数,算法分别对每个周期内相应的各采样点的误差e(k)进行积分,因此相当于有N个PI并行工作来实现对***的PI控制。
所述的神经网络自适应递推积分PI控制器的算法具体包括:
步骤5.1,确定BP神经网络结构,并给出各层加权系数的初值,选定学习速率和惯性系数;
步骤5.2,采样获得当前实际电流信号ig和参考并网电流ig *,计算当前时刻的误差e(k);
步骤5.3,将步骤5.2所得到的信号输入到BP神经网络,计算输出kp和ki;
步骤5.4,进行神经网络权值学习,在线调整加权系数,实现递推积分PI控制参数的自适应调整;
步骤5.5,进入下一个采样周期,返回步骤5.2。
进一步,所述的步骤6,将复合控制器处理后的信号送入陷波器处理,所述的陷波器可以实现LCL滤波器的有源阻尼,当采用陷波器阻尼时,随着q值的增大,陷波器带宽变窄,会对谐振频率的变化越敏感。当陷波器的陷波频率与LCL滤波器的谐振频率相等时,在LCL滤波器的谐振频率处,陷波器就会提供一个反谐振尖峰来抵消LCL滤波器的正谐振尖峰,而在低频段和高频段,陷波器阻尼的增益为0,因而不会影响LCL滤波器在这些频段的幅频特性,LCL的固有谐振得到了显著的校正,提高了控制***的稳定性。当陷波器只有一对位于虚轴的共轭零点和共轭极点时,陷波器仅有一个陷波频率,其传递函数为:其中为陷波器的品质因数,wn为陷波频率,K为配置系数,KPWM为SVPWM逆变增益,复合控制器处理后的信号经过陷波器处理后送入SVPWM模块,产生精确控制三相光伏并网逆变器的周期性开关信号,从而有效地抑制光伏并网逆变器引入电网的谐波。
所述的控制方法通过改进PLL可以提高传统锁相环在电网电压非理想情况下锁相精度及谐波抑制能力。
所述的双模结构重复控制器无需传统PI控制器的积分环节,只需得到奇、偶次谐波内膜。
所述的复合控制器可以实现电网电流对给定目标电流的零稳态误差跟踪。
所述的双模结构重复控制器可以对奇偶次谐波进行单独控制。
所述的BP神经网络递推积分PI控制器相当于有N个PI并行工作(假设每个周期内的采样点数为N),大大提高了误差跟踪的快速性及准确度。
所述的控制方法无需额外增加传感器,通过在电流环中增加陷波器的方法实现了LCL滤波器的有源阻尼,从而提高了***稳定性。
利用matlab对一种基于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进行了仿真,仿真结果如图6所示。
在仿真实验中,电网电压为三相对称电压,网侧线电压为380V,额定频率为50Hz;开关频率选取为8kHz,网侧滤波电感为0.25mH,逆变器侧滤波电感为0.5mH,滤波电容为5μF,直流母线电压为800V;图6是投入本发明后***的并网电流频谱图。从频谱图中可以明显看出,在投入本发明的控制方法以后,***并网电流波形质量得到明显改善,有效降低了并网电流总谐波畸变率。图7是A相电压电流波形图,针对传统锁相环在非理想电网电压下不能快速准确提取电网电压相位的问题,本发明中引入具有前置滤波器的锁相环控制,通过前置滤波器滤除电网电压中的负序分量和谐波分量,无失真地提取出电压中的正序基波分量,用于锁相控制,进而使并网电流相位紧紧跟随电网相位变化,从波形图中可以明显看出,并网电流与电网电压基波分量是同频同相的正弦波,光伏逆变器能够实现单位功率因数并网。
图8是当***负载发生突变时的并网电流变化波形图。从波形图中可以明显看出,在投入本发明后,当***负载发生突变时,并网电流能够迅速恢复到其稳定状态,具有快速的动态响应能力。根据结果可以看出,利用本发明的一种基于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能够实现对周期信号的无静差跟踪控制、响应速度快、鲁棒性好、跟踪误差速度快并且准确度高、有效抑制谐波、提高电能质量等目的。
综上,本发明的一种基于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,提出基于双模结构重复控制和BP神经网络递推积分PI控制的综合控制方案。通过采取将奇、偶次谐波内模代替传统PI控制器的积分环节,双模结构重复控制器能够实现对周期信号的无静差跟踪控制,能够有效抑制电网谐波扰动,而BP神经网络递推积分PI控制器能够大大提高误差跟踪的快速性、准确性和响应速度。***包括如下几个步骤:步骤1,将光伏并网逆变器输出经LCL滤波后接入电网,进行采样环节;步骤2,将电网侧电压经过改进PLL提取相位θ送入到dq/αβ变换中;步骤3,将直流侧参考电压与直流侧实际电压的差值输入到PI控制器中;步骤4,将采样得到的电网侧电流经abc/αβ变换得到实际电流信号ig;步骤5,将经dq/αβ变换后αβ坐标系下的参考并网电流ig *与实际电流信号ig的差值经过αβ/abc变换后,再和实际电流信号ig以及参考并网电流ig *一起送入到复合控制器中;步骤6,将复合控制器处理后的信号送入陷波器处理,然后处理后的信号送入SVPWM模块,从而产生精确控制光伏并网逆变器的周期性开关信号。本发明的控制方法无需额外增加传感器,通过在电流环中增加陷波器的方法实现了LCL滤波器的有源阻尼,从而提高了***稳定性;相比于传统的PI控制以及重复控制而言,能够适用于一些要求对奇、偶次谐波独立控制的场合,同时也克服了动态性能差等缺陷;神经网络递推积分PI控制器相当于有N个PI并行工作,大大提高了误差跟踪的快速性、准确性和响应速度,因此既具有优异的谐波抑制和动态追踪效果,提高电能质量,又具备响应速度快、鲁棒性好及设计简单的优点。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种基于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,其特征在于,包括以下几个步骤:
步骤1,将光伏并网逆变器输出经LCL滤波后接入电网,进行采样环节;步骤2,将电网侧电压经过改进PLL提取相位θ送入到dq/αβ变换中;步骤3,将直流侧参考电压与直流侧实际电压的差值输入到PI控制器中;步骤4,将采样得到的电网侧电流经abc/αβ变换得到实际电流信号ig;步骤5,将经dq/αβ变换后αβ坐标系下的参考并网电流ig *与实际电流信号ig的差值经过αβ/abc变换后,再和实际电流信号ig以及参考并网电流ig *一起送入到复合控制器中;步骤6,将复合控制器处理后的信号送入陷波器处理,然后处理后的信号送入SVPWM模块,从而产生控制光伏并网逆变器的周期性开关信号,从而抑制光伏并网逆变器引入电网的谐波。
2.如权利要求1所述的一种基于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,其特征在于:所述步骤1具体包括:
步骤1.1,首先光伏并网逆变器输出经LCL滤波后接入电网,根据通过采集电网侧电压从而进一步送入到改进PLL中;
步骤1.2,然后再根据采集电容两端电压得到直流侧实际电压,从而和直流侧参考电压进行差值比较;
步骤1.3,其次通过采集电网侧电流并经过abc/αβ坐标变换后得到实际并网电流。
3.如权利要求1所述的一种基于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,其特征在于:所述步骤2具体包括:
将电网侧电压经改进PLL提取相位θ送到dq/αβ变换,改进PLL是在传统锁相环的基础上引入前置滤波器,前置滤波器用于三相电网电压的滤波及提取基波正序分量,并将基波正序分量送入锁相环信号输入端,采用通用二阶复矢量滤波器消除基波负序分量,提取电网电压基波正序分量。
4.如权利要求2所述的一种基于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,其特征在于:所述步骤3具体包括:
根据采集电容两端电压得到直流侧实际电压,通过对比直流侧参考电压与直流侧实际电压Vdc,将两者的差值输入到PI控制器中,使实际电压Vdc实时跟踪参考电压PI控制器的输出作为d轴分量送入dq/αβ变换中。
5.如权利要求1所述的一种基于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,其特征在于:
所述的复合控制器包括双模重复控制器和BP神经网络递推积分PI控制器两部分,通过采取将奇、偶次谐波内模代替传统PI控制器的积分环节从而构成双模重复控制器,其中双模重复控制器能够实现对奇次谐波以及偶次谐波的单独控制,其奇次谐波、偶次谐波控制增益分别是ki1和ki2,其中复合控制器的离散传递函数表示为Kp为比例环节控制增益,T0为基波周期,Ts为采样周期,N=T0/Ts为***的基波周期与采样周期之比,Gf(z)为相位超前补偿环节,Q(z)为低通滤波器,BP神经网络递推积分PI控制器的传递函数为其中N0为被控对象每个周期的采样点数,kp为比例系数,ki为积分系数;
所述的BP神经网络递推积分PI控制器由递推积分PI控制器和BP神经网络两部分组成;递推积分PI控制器直接对被控对象进行闭环控制,其控制器参数kp、ki由神经网络在线整定;这里采用BP神经网络,其输入层有3个节点,分别为参考并网电流ig *、实际电流信号ig以及两者的差值e(k),输出层为2个节点,即比例系数kp和积分系数ki,隐含层设置为5个;通过神经网络的学习和训练,实现对递推积分PI控制器参数的在线整定。
6.如权利要求5所述的一种基于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,其特征在于:递推积分PI控制器的输出控制为:Δu(k)=kp(e(k)-e(k-N))+kie(k);BP神经网络递推积分PI控制算法为:式中URh(k)为K时刻的控制器的输出,e(k)为K时刻的误差采样值,N为一个周期内的采样点数,C为K/N取整,代表当前时刻已经采样完毕的基波周期的个数,算法分别对每个周期内相应的各采样点的误差e(k)进行积分,因此相当于有N个PI并行工作来实现对***的PI控制。
7.如权利要求1所述的一种基于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,其特征在于:所述步骤6具体包括:
将复合控制器处理后的信号送入陷波器处理,所述陷波器实现LCL滤波器的有源阻尼,当采用陷波器阻尼时,随着q值的增大,陷波器带宽变窄,会对谐振频率的变化越敏感;
当陷波器的陷波频率与LCL滤波器的谐振频率相等时,在LCL滤波器的谐振频率处,陷波器会提供一个反谐振尖峰来抵消LCL滤波器的正谐振尖峰,而在低频段和高频段,陷波器阻尼的增益为0,陷波器处理后的信号送入SVPWM模块,产生控制光伏逆变器的周期性开关信号,从而抑制光伏并网逆变器引入电网的谐波。
8.如权利要求7所述的一种基于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,其特征在于:陷波器的传递函数为:其中为陷波器的品质因数,wn为陷波频率,K为配置系数,KPWM为SVPWM逆变增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086523.7A CN109193767A (zh) | 2018-09-18 | 2018-09-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086523.7A CN109193767A (zh) | 2018-09-18 | 2018-09-18 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109193767A true CN109193767A (zh) | 2019-01-11 |
Family
ID=64911783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811086523.7A Pending CN109193767A (zh) | 2018-09-18 | 2018-09-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109193767A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659940A (zh) * | 2019-02-25 | 2019-04-19 | 南京工程学院 | 一种用于微电网特定次谐波补偿的储能变流器控制方法 |
CN110247427A (zh) * | 2019-06-13 | 2019-09-17 | 电子科技大学 | 一种电网参数在线识别的并网逆变器谐振智能抑制方法 |
CN110297426A (zh) * | 2019-08-14 | 2019-10-01 | 台州学院 | 采用周期干扰差分抑制策略的并联型半周期重复控制方法 |
CN110297427A (zh) * | 2019-08-14 | 2019-10-01 | 台州学院 | 用于逆变器的双模结构半周期重复控制器 |
CN110376899A (zh) * | 2019-08-14 | 2019-10-25 | 台州学院 | 一种采用周期干扰差分补偿的双模结构半周期重复控制器 |
CN110880790A (zh) * | 2019-12-23 | 2020-03-13 | 太原理工大学 | 含lcl拓扑结构的并网功率变换器的控制方法 |
CN110994684A (zh) * | 2019-12-23 | 2020-04-10 | 太原理工大学 | 弱电网下lcl型并网变换器的控制方法 |
CN111769563A (zh) * | 2020-04-21 | 2020-10-13 | 闽南理工学院 | 一种lcl有源电力滤波器模型及其预测控制方法 |
CN111865182A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 基于lc滤波器与自适应陷波器的高速pmsm谐波抑制控制方法 |
CN112003324A (zh) * | 2020-08-24 | 2020-11-27 | 四川大学 | 一种基于复合滤波算法的改进微电网控制方法 |
CN112152469A (zh) * | 2020-10-14 | 2020-12-29 | 浙江省机电产品质量检测所有限公司 | 三相交流电子负载的重复控制方法 |
CN113114079A (zh) * | 2021-04-07 | 2021-07-13 | 三一重机有限公司 | 电动挖掘机主驱电机控制方法、***及电动挖掘机 |
CN113890032A (zh) * | 2021-09-30 | 2022-01-04 | 国网北京市电力公司 | 用于台区电能质量治理的电力电子变压器控制方法及*** |
CN115453855A (zh) * | 2022-09-05 | 2022-12-09 | 国网安徽省电力有限公司六安供电公司 | 一种针对lcl型apf的重复控制补偿器的设计方法 |
CN115498851A (zh) * | 2022-08-23 | 2022-12-20 | 嘉兴索罗威新能源有限公司 | 一种光伏***的逆变器智能电流控制方法 |
CN115800722A (zh) * | 2023-02-07 | 2023-03-14 | 武汉理工大学 | 一种单相并网变换电路消除并网电流谐波畸变的方法 |
CN116599159A (zh) * | 2023-07-13 | 2023-08-15 | 湖北长江电气有限公司 | 光伏并网逆变器的智能控制方法 |
CN116865586A (zh) * | 2023-09-04 | 2023-10-10 | 澄瑞电力科技(上海)股份公司 | 一种变流器参数自学习控制方法 |
CN117254586A (zh) * | 2023-09-14 | 2023-12-19 | 山东华科信息技术有限公司 | 一种分布式能源并网监测调控*** |
CN117639046A (zh) * | 2023-11-28 | 2024-03-01 | 铜陵学院 | 一种用于单相储能pcs的控制方法及计算机存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532448A (zh) * | 2013-10-23 | 2014-01-22 | 东南大学 | 一种电动汽车驱动***的控制方法 |
-
2018
- 2018-09-18 CN CN201811086523.7A patent/CN109193767A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532448A (zh) * | 2013-10-23 | 2014-01-22 | 东南大学 | 一种电动汽车驱动***的控制方法 |
Non-Patent Citations (5)
Title |
---|
冯亚琼: "有源电力滤波器的神经网络PI控制器设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
叶吉亮 等: "电网电压不平衡及谐波状态下的并网逆变器控制策略", 《电力***保护与控制》 * |
王吉彪 等: "基于内模原理的并网逆变器双模PI控制", 《电工技术学报》 * |
王金强,王思华: "LCL型三相光伏并网逆变器新型控制策略研究", 《电测与仪表》 * |
黄薇: "有源电力滤波器的神经网络PI重复控制器", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659940B (zh) * | 2019-02-25 | 2022-04-12 | 南京工程学院 | 一种用于微电网特定次谐波补偿的储能变流器控制方法 |
CN109659940A (zh) * | 2019-02-25 | 2019-04-19 | 南京工程学院 | 一种用于微电网特定次谐波补偿的储能变流器控制方法 |
CN110247427A (zh) * | 2019-06-13 | 2019-09-17 | 电子科技大学 | 一种电网参数在线识别的并网逆变器谐振智能抑制方法 |
CN110297426A (zh) * | 2019-08-14 | 2019-10-01 | 台州学院 | 采用周期干扰差分抑制策略的并联型半周期重复控制方法 |
CN110297427A (zh) * | 2019-08-14 | 2019-10-01 | 台州学院 | 用于逆变器的双模结构半周期重复控制器 |
CN110376899A (zh) * | 2019-08-14 | 2019-10-25 | 台州学院 | 一种采用周期干扰差分补偿的双模结构半周期重复控制器 |
CN110376899B (zh) * | 2019-08-14 | 2022-02-18 | 台州学院 | 一种采用周期干扰差分补偿的双模结构半周期重复控制器 |
CN110297426B (zh) * | 2019-08-14 | 2022-02-25 | 台州学院 | 采用周期干扰差分抑制策略的并联型半周期重复控制方法 |
CN110297427B (zh) * | 2019-08-14 | 2022-03-08 | 台州学院 | 用于逆变器的双模结构半周期重复控制器 |
CN110994684A (zh) * | 2019-12-23 | 2020-04-10 | 太原理工大学 | 弱电网下lcl型并网变换器的控制方法 |
CN110880790B (zh) * | 2019-12-23 | 2022-06-21 | 太原理工大学 | 含lcl拓扑结构的并网功率变换器的控制方法 |
CN110994684B (zh) * | 2019-12-23 | 2022-06-24 | 太原理工大学 | 弱电网下lcl型并网变换器的控制方法 |
CN110880790A (zh) * | 2019-12-23 | 2020-03-13 | 太原理工大学 | 含lcl拓扑结构的并网功率变换器的控制方法 |
CN111769563A (zh) * | 2020-04-21 | 2020-10-13 | 闽南理工学院 | 一种lcl有源电力滤波器模型及其预测控制方法 |
CN111865182A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 基于lc滤波器与自适应陷波器的高速pmsm谐波抑制控制方法 |
CN112003324A (zh) * | 2020-08-24 | 2020-11-27 | 四川大学 | 一种基于复合滤波算法的改进微电网控制方法 |
CN112152469A (zh) * | 2020-10-14 | 2020-12-29 | 浙江省机电产品质量检测所有限公司 | 三相交流电子负载的重复控制方法 |
CN113114079A (zh) * | 2021-04-07 | 2021-07-13 | 三一重机有限公司 | 电动挖掘机主驱电机控制方法、***及电动挖掘机 |
CN113890032A (zh) * | 2021-09-30 | 2022-01-04 | 国网北京市电力公司 | 用于台区电能质量治理的电力电子变压器控制方法及*** |
CN113890032B (zh) * | 2021-09-30 | 2024-03-26 | 国网北京市电力公司 | 用于台区电能质量治理的电力电子变压器控制方法及*** |
CN115498851A (zh) * | 2022-08-23 | 2022-12-20 | 嘉兴索罗威新能源有限公司 | 一种光伏***的逆变器智能电流控制方法 |
CN115498851B (zh) * | 2022-08-23 | 2023-04-25 | 嘉兴索罗威新能源有限公司 | 一种光伏***的逆变器智能电流控制方法 |
CN115453855A (zh) * | 2022-09-05 | 2022-12-09 | 国网安徽省电力有限公司六安供电公司 | 一种针对lcl型apf的重复控制补偿器的设计方法 |
CN115800722B (zh) * | 2023-02-07 | 2023-04-25 | 武汉理工大学 | 一种单相并网变换电路消除并网电流谐波畸变的方法 |
CN115800722A (zh) * | 2023-02-07 | 2023-03-14 | 武汉理工大学 | 一种单相并网变换电路消除并网电流谐波畸变的方法 |
CN116599159A (zh) * | 2023-07-13 | 2023-08-15 | 湖北长江电气有限公司 | 光伏并网逆变器的智能控制方法 |
CN116599159B (zh) * | 2023-07-13 | 2023-10-13 | 湖北长江电气有限公司 | 光伏并网逆变器的智能控制方法 |
CN116865586A (zh) * | 2023-09-04 | 2023-10-10 | 澄瑞电力科技(上海)股份公司 | 一种变流器参数自学习控制方法 |
CN116865586B (zh) * | 2023-09-04 | 2023-11-21 | 澄瑞电力科技(上海)股份公司 | 一种变流器参数自学习控制方法 |
CN117254586A (zh) * | 2023-09-14 | 2023-12-19 | 山东华科信息技术有限公司 | 一种分布式能源并网监测调控*** |
CN117254586B (zh) * | 2023-09-14 | 2024-06-04 | 山东华科信息技术有限公司 | 一种分布式能源并网监测调控*** |
CN117639046A (zh) * | 2023-11-28 | 2024-03-01 | 铜陵学院 | 一种用于单相储能pcs的控制方法及计算机存储介质 |
CN117639046B (zh) * | 2023-11-28 | 2024-07-12 | 铜陵学院 | 一种用于单相储能pcs的控制方法及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109193767A (zh) | 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 | |
Bai et al. | A grid-voltage-sensorless resistive-active power filter with series LC-filter | |
CN109217361A (zh) | 一种基于osap和改进双模控制的新型光伏并网逆变器复合控制方法 | |
CN105763094B (zh) | 一种基于电压前馈和复合电流控制的逆变器控制方法 | |
CN105006825B (zh) | 一种高电能质量输出的电力电子变压器及其控制方法 | |
CN110138253A (zh) | 一种多谐振pr和pi联合控制的光伏并网逆变器控制方法 | |
CN106877399B (zh) | 一种单相lcl型并网逆变器双环控制方法 | |
CN105958548B (zh) | 一种适用于弱电网工况的逆变器功率-电压控制方法 | |
CN104333002B (zh) | 一种基于ip-iq检测法和滞环控制的混合型有源滤波器 | |
CN104201721B (zh) | 一种基于复合控制模式的单相并网逆变器控制方法 | |
CN112104000A (zh) | 一种储能并网逆变器的新型双闭环线性自抗扰控制方法 | |
CN204886199U (zh) | 一种适应不平衡和非线性负载的电力电子变压器 | |
CN108879775A (zh) | 一种考虑电流限值的电网不平衡光伏逆变器协调控制方法 | |
CN108390394A (zh) | 消除并网逆变器-弱电网振荡的控制方法 | |
CN110086207A (zh) | 一种储能并网换流器控制方法、装置及计算机存储介质 | |
CN105490297B (zh) | 基于双逆变器群协调控制的微电网供电电压和电网电流谐波同步补偿方法 | |
CN110233494A (zh) | 一种电网电压特定次分量前馈的并网逆变器控制方法 | |
CN111082440A (zh) | 一种基于自适应陷波的组串式光伏逆变器谐振抑制方法 | |
CN107437818B (zh) | 抑制弱电网下三相lcl型并网变换器锁相环小信号扰动的控制方法 | |
CN113014250B (zh) | 一种可消除直流偏移电压的锁相环及其锁相控制方法 | |
CN106329566B (zh) | 电网电压不对称时的逆变器无交流电压传感器控制方法 | |
Zhu et al. | Stability assessment of modular multilevel converters based on linear time-periodic theory: Time-domain vs. frequency-domain | |
CN109327048B (zh) | 一种并网变流器鲁棒锁相***及方法 | |
CN108599257A (zh) | 一种适用于高锁相环带宽的电流控制方法 | |
CN110011310A (zh) | 一种应对电网谐波的改进vsg控制策略 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |