CN114123820A - 基于BP神经网络和分数阶PI的Vienna整流器控制方法 - Google Patents

基于BP神经网络和分数阶PI的Vienna整流器控制方法 Download PDF

Info

Publication number
CN114123820A
CN114123820A CN202111445337.XA CN202111445337A CN114123820A CN 114123820 A CN114123820 A CN 114123820A CN 202111445337 A CN202111445337 A CN 202111445337A CN 114123820 A CN114123820 A CN 114123820A
Authority
CN
China
Prior art keywords
voltage
current
neural network
control
output
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
Application number
CN202111445337.XA
Other languages
English (en)
Inventor
杨旭红
方浩旭
金宏艳
吴亚雄
李辉
张苏捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202111445337.XA priority Critical patent/CN114123820A/zh
Publication of CN114123820A publication Critical patent/CN114123820A/zh
Pending legal-status Critical Current

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
    • H02M7/02—Conversion of ac power input into dc power output without possibility of reversal
    • H02M7/04—Conversion of ac power input into dc power output without possibility of reversal by static converters
    • H02M7/12—Conversion of ac power input into dc power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/21—Conversion of ac power input into dc 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
    • H02M7/217—Conversion of ac power input into dc 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
    • H02M7/2173—Conversion of ac power input into dc 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 in a biphase or polyphase circuit arrangement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02M1/00—Details of apparatus for conversion
    • H02M1/08—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters
    • H02M1/084—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters using a control circuit common to several phases of a multi-phase system
    • H02M1/0845—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters using a control circuit common to several phases of a multi-phase system digitally controlled (or with digital control)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Rectifiers (AREA)

Abstract

本发明涉及一种基于BP神经网络和分数阶PI的Vienna整流器控制方法，外电压环采用滑模控制器，从中点电位的平衡出发结合指数趋近律设计滑模控制器，再用BP神经网络拟合滑模控制器，输出交流侧dq坐标系下参考量电流
Figure DDA0003383939970000011
交流侧三相电源的edq、电流idq和交流侧dq坐标系下参考量电流
Figure DDA0003383939970000012
送入电流内环，电流内环采用分数阶PID控制得到输出控制电压ud、uq；利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对Vienna整流器中双向开关进行控制。将中点电位平衡控制与BP神经网络结合，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制***的动静态性能。在保证***强鲁棒性的同时提升了控制***的动静态性能。

Description

基于BP神经网络和分数阶PI的Vienna整流器控制方法
技术领域
本发明涉及一种控制技术，特别涉及一种基于BP神经网络和分数阶PI的Vienna整流器控制方法。
背景技术
三相Vienna整流器是由学者Kolar J.W.等在在1994年提出的。与传统的整流器而言，Vienna整流器具有所使用的功率开关器件较少，控制电路简单，电压应力低和输出电压波形质量较好等特点。由此，Vienna整流器被广泛的应用于电动汽车、充电桩、航空航天等领域。
对于Vienna整流器的外环电压多采用PI控制算法，但存在对误差进行线性求和以及积分环节的饱和造成的电压超调以及动态响应慢等缺点，因此有必要从电压环着手进行控制***的优化设计。
发明内容
针对现在Vienna整流器外环PI控制电压超调以及动态响应慢问题，提出了一种基于BP神经网络和分数阶PI的Vienna整流器控制方法。
本发明的技术方案为：一种基于BP神经网络和分数阶PI的Vienna整流器控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq；电压edq、电流idq和交流侧dq坐标系下参考量电流
Figure BDA0003383939950000011
送入电流内环，电流内环采用分数阶PID控制得到输出控制电压ud、uq；利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对Vienna整流器中双向开关进行控制；外电压环采用滑模控制器，从中点电位的平衡出发结合指数趋近律设计滑模控制器，再用BP神经网络拟合滑模控制器，输出交流侧dq坐标系下参考量电流
Figure BDA0003383939950000012
进一步，所述滑模控制器考虑中点电位的平衡，选择直流侧上、下电容两端电压差作为滑模面，滑模面的设计如下：
Figure BDA0003383939950000021
其中，ucp为直流输出端上端电容电压；ucn为直流输出端下端电容电压；
Figure BDA0003383939950000022
为直流输出端上、下端电容电压期望值；
Figure BDA0003383939950000023
u0 *为直流电压参考值，kp，ki为滑模控制参数，kp、ki>0；
为了减小抖动，选取指数趋近律
Figure BDA0003383939950000024
sgn为饱和函数，k＝1、2，ε为滑模控制器系数；
获得滑模控制器为：
Figure BDA0003383939950000025
其中，Cp、Cn为直流输出端上、下端电容的电容值，RL为负载电阻，所有控制参数都取正数。
进一步，所述BP神经网络拟合滑模控制器，具体方法如下：BP神经网络输入为：
Figure BDA0003383939950000026
式中，x(1)表示神经网络输入向量。为了区分不同的层，标(1)、(2)、(3)分别表示BP神经网络的输入层、隐含层以及输出层；
隐含层输入向量
Figure BDA0003383939950000027
为：
Figure BDA0003383939950000028
式中，
Figure BDA0003383939950000029
表示输入层第i个神经元到隐含层第j个神经元的权重；
隐含层输出向量
Figure BDA00033839399500000210
为：
Figure BDA00033839399500000211
选择非线性函数为激活函数，其表示式如下所示：
Figure BDA0003383939950000031
输出层的输入向量
Figure BDA0003383939950000032
为：
Figure BDA0003383939950000033
式中，
Figure BDA0003383939950000034
表示隐含层第j个神经元到输出层第k个神经元的权重；
输出层输出向量
Figure BDA0003383939950000035
为：
Figure BDA0003383939950000036
输出层的输出向量为电流内环的参考值，因此
Figure BDA0003383939950000037
神经网络性能指标函数为：
Figure BDA0003383939950000038
式中，idref为控制对象功率对应的d轴给定电流值；
输入层到隐含层的权重增加量如下所示：
Figure BDA0003383939950000039
同理，输出层权重更新公式如下所示：
Figure BDA00033839399500000310
式中，式中，η为学习系数，通常为0到1之间；f1′、f′2分别为f1、f2的导数。。
本发明的有益效果在于：本发明基于BP神经网络和分数阶PI的Vienna整流器控制方法，采用BP神经网络逼近的非线性函数实现对电压环的控制，同时针对传统PI控制进行改进，对电流内环加入分数阶PI控制，有效减小启动器增益和抖动。同时，将中点电位平衡控制与BP神经网络结合，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制***的动静态性能。在保证***强鲁棒性的同时提升了控制***的动静态性能。
附图说明
图1为本发明三相三电平Vienna整流器拓扑结构图；
图2为本发明Vienna整流器dq坐标系下等效电路图；
图3为本发明神经网络模型结构图；
图4为本发明分数阶PI电流内环控制原理图；
图5为本发明三相Vienna整流器控制框图；
图6为本发明在两种控制方案下的直流侧输出电压波形图；
图7a为本发明在BP神经网络和分数阶PI控制下的中点电位差波形图；
图7b为本发明在双PI控制下的中点电位差波形图；
图8a为本发明在两种控制方案下有功功率波形图；
图8b为本发明在两种控制方案下无功功率波形图；
图9为本发明在两种控制方案下功率因数波形图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1为本发明Vienna整流器拓扑结构图(三相三开关三电平)，交流电通过Vienna整流器转化为直流电给负载供电，如图2所示Vienna整流器dq坐标系下等效电路图，交流点建立dq旋转坐标系下三相Vienna整流器电压外环的数学模型：
Figure BDA0003383939950000041
其中，Cp、Cn为直流输出端上、下端电容的电容值，ucp为直流输出端上端电容电压，ucn为直流输出端下端电容电压；SP,d为交流侧d轴上端等效开关，SP,q为交流侧q轴上端等效开关；SN,d为交流侧d轴下端等效开关；SN,q为交流侧q轴下端等效开关；id为交流侧dq坐标系下d轴电流；iq为交流侧dq坐标系下q轴电流；RL为负载电阻。
选择直流侧上、下电容两端电压差作为滑模面，这样既能保证***的稳定性，又保证中点电位的平衡，因此，滑模面的设计如下：
Figure BDA0003383939950000051
其中，直流输出端上、下端电容电压期望值
Figure BDA0003383939950000052
满足
Figure BDA0003383939950000053
u0 *为直流电压参考值，kp，ki为滑模控制参数，kp、ki>0。采用指数趋近律，这样可得滑模控制器。
为了减小抖动，选取指数趋近律
Figure BDA0003383939950000054
sgn为饱和函数，k＝1、2，ε为滑模控制器系数。
对上式求导并结合指数趋近律可得
Figure BDA0003383939950000055
化简得到
Figure BDA0003383939950000056
同时Vienna整流器控制满足：
Figure BDA0003383939950000061
其中，u0为直流侧输出电压，ed为交流测d轴电压，
Figure BDA0003383939950000062
为交流测dq坐标系下d轴电流参考量，
Figure BDA0003383939950000063
为交流测dq坐标系下q轴电流参考量。
求解上式可得
Figure BDA0003383939950000064
其中，所有控制参数都取正数。
从上式中可以看出，通过滑模控制算法所得的
Figure BDA0003383939950000065
是一个非线性函数，且和设备的硬件参数有关，在实际现场中，硬件参数难以测得，故采用BP神经网络对上式进行拟合，这样只要给定相应的输入就能得到
Figure BDA0003383939950000066
不需要相关硬件参数。BP神经网络主要是单隐层的三层前向结构，分别为输入层，隐含层，输出层，输入层神经元为7个，隐含层神经元为12个，输出层为1个，学习系数设为0.01，建立如图3中7-12-1的BP神经网络。
采用BP神经网络拟合滑模控制器，所述BP神经网络分为三层结构，分别为作为***输入的输入层、中间信息处理的隐含层和作为***输出的输出层，最终获取
Figure BDA0003383939950000067
BP神经网络输入为：
Figure BDA0003383939950000068
式中，x(1)表示神经网络输入向量。为了区分不同的层，输入层、隐含层以及输出层分别用上标(1)、(2)、(3)标出。
隐含层输入向量
Figure BDA0003383939950000069
为：
Figure BDA00033839399500000610
式中，
Figure BDA0003383939950000071
表示输入层第i个神经元到隐含层第j个神经元的权重。
隐含层输出向量
Figure BDA0003383939950000072
为：
Figure BDA0003383939950000073
BP神经网络隐含层全部是线性变换，这样神经网络的多层就没有了实际意义，因此，需要在输出层中增加一个激活函数，使之转变为非线性关系。式中，f为激活函数，其表示式如下所示：
Figure BDA0003383939950000074
输出层的输入向量
Figure BDA0003383939950000075
为：
Figure BDA0003383939950000076
式中，
Figure BDA0003383939950000077
表示隐含层第j个神经元到输出层第k个神经元的权重；
输出层输出向量
Figure BDA0003383939950000078
为：
Figure BDA0003383939950000079
输出层的输出向量为电流内环的参考值，因此
Figure BDA00033839399500000710
本次神经网络性能指标函数为：
Figure BDA00033839399500000711
式中，idref为控制对象功率对应的d轴给定电流值。
输入层到隐含层的权重增加量如下所示：
Figure BDA00033839399500000712
同理，输出层权重更新公式如下所示：
Figure BDA00033839399500000713
式中，η为学习系数，通常为0到1之间；f1′、f2′分别为f1、f2的导数。
内环采用分数阶PI的电流内环控制，分数阶PI的一般形式如下：
Figure BDA0003383939950000081
其中，U(s)为分数阶PI控制器输出；E(s)为分数阶PI控制器输入；1/sλ表示λ阶次的积分，λ为参数，0<λ<1,KP、Ki分别为比例系数和积分系数。
三相Vienna整流器的在dq坐标系下的数学模型如下所示：
Figure BDA0003383939950000082
其中，
Figure BDA0003383939950000083
对其进行Laplace变换可得
Figure BDA0003383939950000084
针对电流内环加入分数阶PI控制可得控制算法，并得到如图4所示控制框图。
Figure BDA0003383939950000085
接着将电压外环得到的参考电流输入到电流内环中得到如图5所示的Vienna整流器控制框图。电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流
Figure BDA0003383939950000086
送入电流内环,电流内环采用分数阶PID控制得到输出控制电压ud、uq，利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制。对外电压环采用滑模控制器，从中点电位的平衡出发结合指数趋近律设计滑模控制器，再用BP神经网络拟合滑模控制器，输出交流侧dq坐标系下参考量电流
Figure BDA0003383939950000091
***除控制参数外的参数设置如下：三相交流电压有效值Vms＝220V,电网频率f＝50Hz，输入电感L＝0.4mH，输入电阻R＝0.1Ω，直流侧电容C＝1100μF，负载电阻Rl＝10Ω，开关频率fw＝20kHz，直流电压V0ref＝600V。图6为直流侧电压波形图，从图6中可以看出双PI控制和BP-FOPI控制均可以达到设定电压600V。BP-FOPI控制的超调量为3.6％，调节时间约为0.02s；而双PI闭环控制的超调量为17.2％，调节时间约为0.05s，且在0.05s之前波动较为频繁。因此，***明了相较于双PI闭环控制，BP-FOPI控制具有更快的响应速度和更好的稳定性。图7a、7b为直流侧上下桥臂电容电压差，7a图为在BP-FOPI控制下中点电位平衡波形图，7b图为在双PI闭环控制下中点电位平衡波形图。从图7a中可以看出，在BP-FOPI控制下上下桥臂电容电压差值大约在[-0.27,0.25]之间波动，中点电位平衡控制与BP-FOPI控制协调较好，波动幅度较小；从图7a中可以看出，在BP-FOPI控制下直流侧上下桥臂电容电压差值大约在[-0.27,0.25]之间波动，中点电位平衡控制与BP-FOPI控制协调较好，波动幅度较小；然而图7b中可以看出，在双PI闭环控制下直流侧上下桥臂电容电压差值大约在[-0.63,0.33]之间波动，中点电位平衡控制与双PI闭环控制协调较差，波动幅度较大。图8a、8b为Vienna整流器输出功率波形图，8a图为Vienna整流器输出的有功功率，8b图为Vienna整流器输出的无功功率。从图8a中可以看出BP-FOPI控制和双PI闭环控制的输出功率最后都稳定在36kW，BP-FOPI控制的超调量为3.6％，大约在0.02s时达到稳定状态；而双PI控制的超调量为4.73％，大约在0.05s时达到稳定状态，且在0.05s之前波动较大。从图8b中可以看出两种控制方案下无功功率都能达到设定值0Var，而BP-FOPI控制在启动时的无功功率相较于双PI控制策略较小，且达到稳定时间的速度更快。因此，BP-FOPI控制的快速性和稳定性更好，性能更优。图9为Vienna整流器直流侧输出功率因数，功率因数的高低反映了整流器的工作效率，从图9中可以看出，在两种控制策略下Vienna整流器的输出功率因数都能达到1，启动时BP-FOPI控制下的功率因数最低值为98％，但是双PI闭环控制下的功率因数最低值为92％，因此，BP-FOPI控制的下功率因数波动更小，整流器工作效率更高，动态性能更好。
通过与传统PI控制方法仿真结果与本发明控制方法仿真结果图的对比分析，可以看出运用本发明控制算法有利于***总体的动静态性能、抗干扰能力的提升。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于BP神经网络和分数阶PI的Vienna整流器控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq；电压edq、电流idq和交流侧dq坐标系下参考量电流
Figure FDA0003383939940000011
送入电流内环，电流内环采用分数阶PID控制得到输出控制电压ud、uq；利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对Vienna整流器中双向开关进行控制；其特征在于，外电压环采用滑模控制器，从中点电位的平衡出发结合指数趋近律设计滑模控制器，再用BP神经网络拟合滑模控制器，输出交流侧dq坐标系下参考量电流
Figure FDA0003383939940000012
2.根据权利要求1所述基于BP神经网络和分数阶PI的Vienna整流器控制方法，其特征在于，所述滑模控制器考虑中点电位的平衡，选择直流侧上、下电容两端电压差作为滑模面，滑模面的设计如下：
Figure FDA0003383939940000013
其中，ucp为直流输出端上端电容电压；ucn为直流输出端下端电容电压；
Figure FDA0003383939940000014
为直流输出端上、下端电容电压期望值；
Figure FDA0003383939940000015
u0 *为直流电压参考值，kp，ki为滑模控制参数，kp、ki>0；
为了减小抖动，选取指数趋近律
Figure FDA0003383939940000016
sgn为饱和函数，k＝1、2，ε为滑模控制器系数；
获得滑模控制器为：
Figure FDA0003383939940000017
其中，Cp、Cn为直流输出端上、下端电容的电容值，RL为负载电阻，所有控制参数都取正数。
3.根据权利要求2所述基于BP神经网络和分数阶PI的Vienna整流器控制方法，其特征在于，所述BP神经网络拟合滑模控制器，具体方法如下：
BP神经网络输入为：
Figure FDA0003383939940000021
式中，x(1)表示神经网络输入向量。为了区分不同的层，标(1)、(2)、(3)分别表示BP神经网络的输入层、隐含层以及输出层；
隐含层输入向量
Figure FDA0003383939940000022
为：
Figure FDA0003383939940000023
式中，
Figure FDA0003383939940000024
表示输入层第i个神经元到隐含层第j个神经元的权重；
隐含层输出向量
Figure FDA0003383939940000025
为：
Figure FDA0003383939940000026
选择非线性函数为激活函数，其表示式如下所示：
Figure FDA0003383939940000027
输出层的输入向量
Figure FDA0003383939940000028
为：
Figure FDA0003383939940000029
式中，
Figure FDA00033839399400000210
表示隐含层第j个神经元到输出层第k个神经元的权重；
输出层输出向量
Figure FDA00033839399400000211
为：
Figure FDA00033839399400000212
输出层的输出向量为电流内环的参考值，因此
Figure FDA00033839399400000213
神经网络性能指标函数为：
Figure FDA00033839399400000214
式中，idref为控制对象功率对应的d轴给定电流值；
输入层到隐含层的权重增加量如下所示：
Figure FDA0003383939940000031
同理，输出层权重更新公式如下所示：
Figure FDA0003383939940000032
式中，式中，η为学习系数，通常为0到1之间；f1′、f′2分别为f1、f2的导数。
CN202111445337.XA 2021-11-30 2021-11-30 基于BP神经网络和分数阶PI的Vienna整流器控制方法 Pending CN114123820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111445337.XA CN114123820A (zh) 2021-11-30 2021-11-30 基于BP神经网络和分数阶PI的Vienna整流器控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111445337.XA CN114123820A (zh) 2021-11-30 2021-11-30 基于BP神经网络和分数阶PI的Vienna整流器控制方法

Publications (1)

Publication Number Publication Date
CN114123820A true CN114123820A (zh) 2022-03-01

Family

ID=80368959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111445337.XA Pending CN114123820A (zh) 2021-11-30 2021-11-30 基于BP神经网络和分数阶PI的Vienna整流器控制方法

Country Status (1)

Country Link
CN (1) CN114123820A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329714A1 (en) * 2015-05-08 2016-11-10 The Board Of Trustees Of The University Of Alabama Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter
CN109217756A (zh) * 2018-10-22 2019-01-15 上海电力学院 基于混合人工神经网络参考自适应异步电机矢量控制方法
CN111245313A (zh) * 2020-03-16 2020-06-05 爱科赛智能科技(浙江)有限公司 一种基于遗传神经网络的无刷直流电机pid调速方法
CN112965382A (zh) * 2021-02-08 2021-06-15 南京工业大学 一种基于神经网络观测器非线性全局滑模无模型控制方法
CN113131767A (zh) * 2021-03-19 2021-07-16 上海电力大学 Vienna整流器RBF神经网络外环电压滑模控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329714A1 (en) * 2015-05-08 2016-11-10 The Board Of Trustees Of The University Of Alabama Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter
CN109217756A (zh) * 2018-10-22 2019-01-15 上海电力学院 基于混合人工神经网络参考自适应异步电机矢量控制方法
CN111245313A (zh) * 2020-03-16 2020-06-05 爱科赛智能科技(浙江)有限公司 一种基于遗传神经网络的无刷直流电机pid调速方法
CN112965382A (zh) * 2021-02-08 2021-06-15 南京工业大学 一种基于神经网络观测器非线性全局滑模无模型控制方法
CN113131767A (zh) * 2021-03-19 2021-07-16 上海电力大学 Vienna整流器RBF神经网络外环电压滑模控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘丹玉: "基于分数阶PIλ控制的VIENNA整流器的研究", 《电子测试》, pages 30 - 32 *

Similar Documents

Publication Publication Date Title
TWI530082B (zh) 可允許電感值變化之三相模組化多階換流器電流控制方法
CN109950922B (zh) 一种适用于vsc-hvdc的多步模型预测控制方法
CN105977996B (zh) 基于dsp的静止无功发生器控制***及控制方法
CN110739678A (zh) 一种并网换流器串联虚拟阻抗的控制方法
CN110460250B (zh) 一种三相pwm整流器直接功率控制方法
CN108512452A (zh) 一种直流微电网并网变换器电流的控制***及控制方法
CN107611971B (zh) 针对网压谐波畸变的网侧逆变器谐振全阶滑模控制方法
CN106936157B (zh) 并网变流***的控制方法和控制装置
CN107732959B (zh) 用于分布式光储并网***的非线性微分平滑前馈控制方法
CN104753334B (zh) 三相电压型功率因数校正变换器的鲁棒变结构控制方法
CN111431184B (zh) 基于bp神经网络算法的最优虚拟谐波电阻控制方法
CN113839388A (zh) 一种基于混合负载的有源电力滤波器电流双环控制方法
WO2023087551A1 (zh) 一种基于双预测控制的三相无功补偿器的控制方法
CN113131767B (zh) Vienna整流器RBF神经网络外环电压滑模控制方法
CN113411002B (zh) 一种基于极限学习机的滑模变结构的单相逆变器控制***及方法
CN108321831B (zh) 一种铁路功率调节器滤波电感参数不确定的控制方法
CN106208744A (zh) 一种基于两步预测电流控制器的动车组整流器的控制方法
CN106253276B (zh) 一种融合抗扰动技术的三相三电平有源滤波器控制方法
CN111049201B (zh) 一种交直流电网混合式大功率接口变流器协调控制方法
CN109546873B (zh) 基于李雅普诺夫算法状态变量优化的均流方法
CN107769594B (zh) 一种单相脉冲整流器电流内环控制器的优化方法
CN114123820A (zh) 基于BP神经网络和分数阶PI的Vienna整流器控制方法
CN105356772A (zh) 基于改进型模型预测控制的三相pwm整流的控制方法
Das et al. State of Art control Techniques for DSTATCOM
CN114928261A (zh) 三相五电平pwm整流器的模型预测及零序电压平衡控制方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220301

WD01 Invention patent application deemed withdrawn after publication