[go: up one dir, main page]

CN112968516B - 一种基于神经网络的并联ups系统状态反馈控制方法 - Google Patents

一种基于神经网络的并联ups系统状态反馈控制方法 Download PDF

Info

Publication number
CN112968516B
CN112968516B CN202110194518.3A CN202110194518A CN112968516B CN 112968516 B CN112968516 B CN 112968516B CN 202110194518 A CN202110194518 A CN 202110194518A CN 112968516 B CN112968516 B CN 112968516B
Authority
CN
China
Prior art keywords
neural network
formula
parallel ups
ups system
inverter
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.)
Active
Application number
CN202110194518.3A
Other languages
English (en)
Other versions
CN112968516A (zh
Inventor
方辉
朱晟毅
周敬森
肖强
余亚南
向红吉
彭合
宁仲凯
汪诚
马兴
谢刚文
张友强
吴迎霞
赵科
李俊杰
宫林
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.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
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 Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN202110194518.3A priority Critical patent/CN112968516B/zh
Publication of CN112968516A publication Critical patent/CN112968516A/zh
Application granted granted Critical
Publication of CN112968516B publication Critical patent/CN112968516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
    • H02J9/062—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems for AC powered loads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明适用于并联UPS系统技术领域，提供了一种基于神经网络的并联UPS系统状态反馈控制方法，包括以下步骤：建立并联UPS系统的状态空间模型；完全已知系统动力学的状态反馈跟踪控制设计；基于神经网络进行并联UPS系统参数识别。本发明提出了一种基于神经网络的并联UPS系统状态反馈控制方法，严格证明了辨识误差的收敛性，通过仿真研究，首次证明了神经网络的辨识能力和所提出的控制算法的性能和有效性。

Description

一种基于神经网络的并联UPS系统状态反馈控制方法
技术领域
本发明属于并联UPS系统技术领域，尤其涉及一种基于神经网络的并联UPS系统状态反馈控制方法。
背景技术
并联UPS系统具有诸多优点，但其有效控制具有挑战性。这些挑战是由于动态加载条件和多个变流器的相互作用。为了实现对并联UPS系统的有效控制，主要由两个控制目标来实现。第一个目标是调整输出电压，以完善正弦非线性和快速变化的负载条件。第二个挑战是尽量减小变流器之间的循环电流。
但上述两个控制目标存在一个共同缺点，其均需要精确的系统参数(电阻、电容和电感等)。这也解释了现有的控制方法为何总是考虑使用相同的并联逆变器。而事实上，由于加热、老化等诸多因素的影响，系统参数往往会出现波动。因此，对于具有更多系统参数的并联UPS系统，需要更复杂有效的系统标识符。
目前，基于训练或学习的神经网络(NN)系统已经发展了几十年，但在电力电子领域的应用并不多。这可能是由于理论控制技术与物理应用之间存在较大的差距。
因此，本发明提出了一种基于神经网络的并联UPS系统状态反馈控制方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于神经网络的并联UPS系统状态反馈控制方法。
为实现上述目的，本发明提供了一种并联UPS系统，包括并联布置的n个逆变器，n个逆变器的输出端分别与一个LC滤波器连接，每个LC滤波器均与交流母线连接，各逆变器均与集中电压和负载共享控制器连接。
本发明实施例的另一目的在于提供一种基于神经网络的并联UPS系统状态反馈控制方法，包括以下步骤：
建立并联UPS系统的状态空间模型；
完全已知系统动力学的状态反馈跟踪控制设计；
基于神经网络进行并联UPS系统参数识别。
作为本发明实施例的另一种优选方案，所述的建立并联UPS系统的状态空间模型，包括以下步骤：
系统的控制输入U(t)为每个逆变器的一组电压基准，表示为式(1)：
Figure SMS_1
其中，vj表示第j个逆变器的输入电压，n表示逆变器总数；
系统的状态变量X(t)为并联逆变器的输出电压vo和逆变器的输出电流ij，表示为式(2)：
Figure SMS_2
其中，ij为第j个逆变器的输出电流，n为逆变器总数；
系统的状态空间模型
Figure SMS_3
为连续时间线性系统，表示为式(3)：
Figure SMS_4
其中：
Figure SMS_5
Figure SMS_6
其中，Lj为第j逆变器输出滤波器的输出电感，Cj为第j逆变器输出滤波器的电容，rj为第j逆变器输出滤波器的输出电阻；D(t)表示补偿系数。
作为本发明实施例的另一种优选方案，基于状态空间系统模型，系统的理想状态轨迹X*(t)表示为式(4)：
Figure SMS_7
其中，
Figure SMS_8
表示输出电压参考值，i*表示输出电流参考值。
作为本发明实施例的另一种优选方案，所述的进行完全已知系统动力学的状态反馈跟踪控制设计，包括以下步骤：
跟踪误差定义为E(t)＝X(t)-X*(t)，由式(3)可得跟踪误差动力学公式，表示为式(5)：
Figure SMS_9
根据式(5)，将稳定跟踪控制公式，表示为式(6)：
U(t)＝Ue(t)+UD(t)+Udes(t) (6)
其中，
Figure SMS_10
用于保证跟踪误差收敛，
Figure SMS_11
为估计状态向量；UD(t)＝-M1D(t)；Udes(t)＝-M2X*(t)；K,M1和M2为控制增益矩阵；
将式(6)代入式(5)得式(9)
Figure SMS_12
其中
Figure SMS_13
为状态估计误差；通过极点配置选择合适的K，使(A-BK)的所有特征值均为负定，使跟踪误差收敛于零。
作为本发明实施例的另一种优选方案，K,M1和M2为控制增益矩阵，该矩阵的要求为式(7)、式(8)：
BUD(t)＝-BM1D(t)＝-D(t) (7)
Figure SMS_14
作为本发明实施例的另一种优选方案，保证
Figure SMS_15
收敛到零的速度比E(t)收敛到零的速度快得多。
作为本发明实施例的另一种优选方案，所述的基于神经网络进行并联UPS系统参数识别，包括以下步骤：
式(3)采样间隔为Ts的离散的系统动力学改写为式(10)：
X[k+1]＝AdX[k]+BdU[k]+D[k] (10)
其中，
Figure SMS_16
离散系统动力学式(10)用神经网络在Ω紧集上表示为式(11)
X[k+1]＝WAX[k]+εA[k]+WBU[k]+εB[k]+D[k]
＝Wsσs[k]+εs[k]+D[k] (11)
其中，
Figure SMS_17
为输入向量；
Figure SMS_18
为目标权矩阵；εs[k]＝εA[k]+εB[k]为神经网络重构误差；D[k]为可测负荷电流；
利用神经网络识别器，系统在k处的状态估计模型式，表示为式(12)：
Figure SMS_19
则识别误差公式，表示为：
Figure SMS_20
其中，
Figure SMS_21
为神经网络权值估计误差；定义e[k+1]＝αe[k]且0＜α＜1为误差e的下降梯度，得到式(14)：
Figure SMS_22
神经网络权值的更新规律
Figure SMS_23
表示为式(15)：
Figure SMS_24
其中，
Figure SMS_25
σs[k]T为激活函数σs[k]的伪逆。
作为本发明实施例的另一种优选方案，目标神经网络权值的上界为||Ws||≤WsM，其中为WsM一个正常数；神经网络激活函数和重构误差的上界为||σs[k]||≤σsM，且||εs[k]||≤εsM，σsM和εsM为正常数。
本发明的有益效果是：本发明提出了一种基于神经网络的并联UPS系统状态反馈控制方法，严格证明了辨识误差的收敛性，通过Matlab进行仿真研究，首次证明了神经网络的辨识能力和所提出的控制算法的性能和有效性。
附图说明
图1是并联UPS系统中n个逆变器的拓扑结构；
图2是并联UPS系统的状态反馈控制框图；
图3是实验例1的仿真结果波形；
图4是实验例2的仿真结果波形。
图1中，iLoad(t)为负载电流；vij *为第j个逆变器的输入电压参考值。
具体实施方式
下面结合附图和实施例对本发明作进一步说明：
实施例1
本实施例提供一种基于神经网络的并联UPS系统状态反馈控制方法，其包括以下步骤：
一、建立并联UPS系统的状态空间模型，包括以下步骤：
系统的控制输入U(t)为每个逆变器的一组电压基准，表示为式(1)：
Figure SMS_26
其中，vj表示第j个逆变器的输入电压，n表示逆变器总数；
系统的状态变量X(t)为并联逆变器的输出电压vo和逆变器的输出电流ij，表示为式(2)：
Figure SMS_27
其中，ij为第j个逆变器的输出电流，n为逆变器总数；
系统的状态空间模型
Figure SMS_28
为连续时间线性系统，表示为式(3)：
Figure SMS_29
其中：
Figure SMS_30
Figure SMS_31
其中，Lj为第j逆变器输出滤波器的输出电感，Cj为第j逆变器输出滤波器的电容，rj为第j逆变器输出滤波器的输出电阻；D(t)表示补偿系数；
基于上述状态空间系统模型，可以给出系统的理想状态轨迹X*(t)，表示为式(4)：
Figure SMS_32
其中，
Figure SMS_33
表示输出电压参考值，i*表示输出电流参考值。
因此，控制目标包括：
1)使并联逆变器输出电压跟踪输出电压参考值，输出电压参考值是时间的正弦函数；
2)使逆变器的输出电流跟踪输出电流参考值，输出电流参考值由均匀共享的负载电流和充电电流计算；
3)取消系统循环电流。
二、进行完全已知系统动力学的状态反馈跟踪控制设计，包括以下步骤：
跟踪误差定义为E(t)＝X(t)-X*(t)，由式(3)可得跟踪误差动力学公式，表示为式(5)：
Figure SMS_34
根据式(5)，将稳定跟踪控制公式，表示为式(6)：
U(t)＝Ue(t)+UD(t)+Udes(t) (6)
其中，
Figure SMS_35
用于保证跟踪误差收敛，
Figure SMS_36
为估计状态向量；UD(t)＝-M1D(t)，用于去除干扰项；Udes(t)＝-M2X*(t)，用于消除剩余的干扰项；K,M1和M2为控制增益矩阵，该矩阵的要求为式(7)、式(8)：
BUD(t)＝-BM1D(t)＝-D(t) (7)
Figure SMS_37
将式(6)代入式(5)得式(9)
Figure SMS_38
其中
Figure SMS_39
为状态估计误差；通过极点配置选择合适的K，使(A-BK)的所有特征值均为负定，使跟踪误差收敛于零；另外，保证
Figure SMS_40
收敛到零的速度比E(t)收敛到零的速度快得多，
Figure SMS_41
可以忽略。
三、基于神经网络，进行并联UPS系统参数在线辨识，包括以下步骤：
式(3)采样间隔为Ts的离散的系统动力学可以改写为式(10)：
X[k+1]＝AdX[k]+BdU[k]+D[k] (10)
其中，
Figure SMS_42
离散系统动力学式(10)可以用神经网络(NN)在Ω紧集上表示为式(11)
X[k+1]＝WAX[k]+εA[k]+WBU[k]+εB[k]+D[k]
＝Wsσs[k]+εs[k]+D[k] (11)
其中，
Figure SMS_43
为输入向量(NN的激活函数)；
Figure SMS_44
为目标权矩阵；εs[k]＝εA[k]+εB[k]为NN重构误差；D[k]为可测负荷电流；此外，假设目标NN权值的上界为||Ws||≤WsM，其中为WsM一个正常数，而假设NN激活函数和重构误差的上界为||σs[k]||≤σsM，且||εs[k]||≤εsM，σsM和εsM为正常数；
利用神经网络(NN)识别器，系统在k处的状态估计模型式，表示为式(12)：
Figure SMS_45
则识别误差公式，表示为：
Figure SMS_46
其中，
Figure SMS_47
为NN权值估计误差；定义e[k+1]＝αe[k]且0＜α＜1为误差e的下降梯度，得到式(14)：
Figure SMS_48
参数识别式，即神经网络识别器权值的更新规律
Figure SMS_49
表示为式(15)：
Figure SMS_50
其中，
Figure SMS_51
σs[k]T为激活函数σs[k]的伪逆。
因此，通过设计的神经网络识别器学习系统动力学后，可以将其应用状态反馈跟踪控制。并联UPS系统的状态反馈控制框图如图2所示。通过式(3)得到并联UPS系统的状态空间模型
Figure SMS_52
基于系统的状态空间模型，可以给出系统的理想状态轨迹X*(t)。根据X*(t)与X(t)进行完全已知系统动力学的状态反馈跟踪控制设计得式(9)，在式(9)中通过极点配置选择合适的K，使(A-BK)的所有特征值均为负定，使跟踪误差收敛于零；另外，保证
Figure SMS_53
收敛到零的速度比E(t)收敛到零的速度快得多，
Figure SMS_54
可以忽略。根据式(9)中的A和B，式(3)采样间隔为Ts的离散的系统动力学可以改写为式(10)：利用神经网络(NN)识别器，计算出式(13)的识别误差公式，根据式(1)～(14)的推导，得到经网络识别器权值的更新规律
Figure SMS_55
表示为式(15)，式(15)便成为并联UPS系统的控制信号。
实施例2
在实施例1的基础上，所述的并联UPS系统，其包括并联布置的n个逆变器，n个逆变器的输出端分别与一个LC滤波器连接，每个LC滤波器均与交流母线连接，各逆变器均与集中电压和负载共享控制器连接。
实验例1
表1给出了并联逆变器和负载的参数设置，用于仿真。
表1
Figure SMS_56
另外，期望状态引用(X*(t))的计算如下：
v*(t)＝Vm sin(ωt)
Figure SMS_57
式中，Vm为输出电压的选定幅值，ω为系统基频。
为了验证本发明的有效性，案例#1:从空载到线性负载的阶梯变化，平衡各逆变器的参数设置。
利用MATLAB Simulink中的SimPowerSystemTM进行了仿真。总的模拟时间是1秒，但是只有0.4秒到0.6秒的结果被放大，并且为了更好地说明案例#1，案#1的仿真结果如图3所示。试验是在参数平衡的条件下进行的，即各并联模块间的电感、电阻、电容相等。在仿真过程中，系统初始无负载连接，神经网络从系统干扰中学习。然后在0.495s处增加线性步长负载，神经网络从系统干扰中学习。需要指出的是，线性负载是在电流达到峰值时故意连接到系统上的，这样可以观察到更大的扰动。因此，从图3(a)中可以看出，流过逆变器的四种电流i1、i2、i3、i4是相同且重叠的。如图3(b)所示，循环电流(i1-i2,i2-i3,i3-i4)变为零。如图3(c)所示，电压输出(vo)始终能够很好且快速地跟踪参考电压v*(vref)，甚至在增加负载的时刻也是如此。然后将负载电流(iLoad)绘制在图3(d)中。
实验例2
表2给出了并联逆变器和负载的参数设置，用于仿真。
表2
Figure SMS_58
另外，期望状态引用(X*(t))的计算如下：
v*(t)＝Vm sin(ωt)
Figure SMS_59
式中，Vm为输出电压的选定幅值，ω为系统基频。
案例#2的仿真结果如图4所示。通过各逆变器的不平衡参数的设定，验证了该控制算法抑制循环电流的有效性。因此，有意地将一个逆变器的电感降低到原值的一半。即L1从2mH减小到1mH，而L2、L3、L4保持2mH，线性负载条件下逆变器的输出电流如图4(a)所示。从图4(b)中可以看出，在暂态过程中，由于其中一个逆变器模块的电感减小，循环电流增大。除此之外，输出电压仍然可以跟踪参考电压，如图4(c)所示，总体性能很好。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种基于神经网络的并联UPS系统状态反馈控制方法，其特征是：包括以下步骤：
建立并联UPS系统的状态空间模型；
进行完全已知系统动力学的状态反馈跟踪控制设计；
基于神经网络进行并联UPS系统参数识别；
所述的建立并联UPS系统的状态空间模型，包括以下步骤：
系统的控制输入U(t)为每个逆变器的一组电压基准，表示为式(1)：
Figure FDA0004169703550000011
其中，vj表示第j个逆变器的输入电压，n表示逆变器总数；
系统的状态变量X(t)为并联逆变器的输出电压vo和逆变器的输出电流ij，表示为式(2)：
Figure FDA0004169703550000012
其中，ij为第j个逆变器的输出电流，n为逆变器总数；
系统的状态空间模型
Figure FDA0004169703550000013
为连续时间线性系统，表示为式(3)：
Figure FDA0004169703550000014
其中：
Figure FDA0004169703550000015
Figure FDA0004169703550000021
其中，Lj为第j逆变器输出滤波器的输出电感，Cj为第j逆变器输出滤波器的电容，rj为第j逆变器输出滤波器的输出电阻；D(t)表示补偿系数。
2.根据权利要求1所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：所述的并联UPS系统，包括并联布置的n个逆变器，n个逆变器的输出端分别与一个LC滤波器连接，每个LC滤波器均与交流母线连接，各逆变器均与集中电压和负载共享控制器连接。
3.根据权利要求1所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：基于状态空间系统模型，系统的理想状态轨迹X*(t)表示为式(4)：
Figure FDA0004169703550000022
其中，
Figure FDA0004169703550000023
表示输出电压参考值，i*表示输出电流参考值。
4.根据权利要求3所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：所述的进行完全已知系统动力学的状态反馈跟踪控制设计，包括以下步骤：
跟踪误差定义为E(t)＝X(t)-X*(t)，由式(3)可得跟踪误差动力学公式，表示为式(5)：
Figure FDA0004169703550000024
根据式(5)，将稳定跟踪控制公式，表示为式(6)：
U(t)＝Ue(t)+UD(t)+Udes(t) (6)
其中，
Figure FDA0004169703550000031
用于保证跟踪误差收敛，
Figure FDA0004169703550000032
为估计状态向量；UD(t)＝-M1D(t)；Udes(t)＝-M2X*(t)；K,M1和M2为控制增益矩阵；
将式(6)代入式(5)得式(9)
Figure FDA0004169703550000033
其中
Figure FDA0004169703550000034
为状态估计误差；通过极点配置选择合适的K，使(A-BK)的所有特征值均为负定，使跟踪误差收敛于零。
5.根据权利要求4所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：K,M1和M2为控制增益矩阵，该矩阵的要求为式(7)、式(8)：
BUD(t)＝-BM1D(t)＝-D(t) (7)
Figure FDA0004169703550000035
6.根据权利要求5所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：保证
Figure FDA0004169703550000036
收敛到零的速度比E(t)收敛到零的速度快得多。
7.根据权利要求1所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：所述的基于神经网络进行并联UPS系统参数识别，包括以下步骤：
式(3)采样间隔为Ts的离散的系统动力学改写为式(10)：
X[k+1]＝AdX[k]+BdU[k]+D[k] (10)
其中，
Figure FDA0004169703550000037
离散系统动力学式(10)用神经网络在Ω紧集上表示为式(11)
X[k+1]＝WAX[k]+εA[k]+WBU[k]+εB[k]+D[k]
＝Wsσs[k]+εs[k]+D[k] (11)
其中，
Figure FDA0004169703550000041
为输入向量；
Figure FDA0004169703550000042
为目标权矩阵；εs[k]＝εA[k]+εB[k]为神经网络重构误差；D[k]为可测负荷电流；
利用神经网络识别器，系统在k处的状态估计模型式，表示为式(12)：
Figure FDA0004169703550000043
则识别误差公式，表示为：
Figure FDA0004169703550000044
其中，
Figure FDA0004169703550000045
为神经网络权值估计误差；定义e[k+1]＝αe[k]且0<α<1为误差e的下降梯度，得到式(14)：
Figure FDA0004169703550000046
神经网络权值的更新规律
Figure FDA0004169703550000047
表示为式(15)：
Figure FDA0004169703550000048
其中，
Figure FDA0004169703550000049
为激活函数σs[k]的伪逆。
8.根据权利要求7所述的基于神经网络的并联UPS系统状态反馈控制方法，其特征是：目标神经网络权值的上界为||Ws||≤WsM，其中为WsM一个正常数；神经网络激活函数和重构误差的上界为||σs[k]||≤σsM，且||εs[k]||≤εsM，σsM和εsM为正常数。
CN202110194518.3A 2021-02-20 2021-02-20 一种基于神经网络的并联ups系统状态反馈控制方法 Active CN112968516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110194518.3A CN112968516B (zh) 2021-02-20 2021-02-20 一种基于神经网络的并联ups系统状态反馈控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110194518.3A CN112968516B (zh) 2021-02-20 2021-02-20 一种基于神经网络的并联ups系统状态反馈控制方法

Publications (2)

Publication Number Publication Date
CN112968516A CN112968516A (zh) 2021-06-15
CN112968516B true CN112968516B (zh) 2023-06-09

Family

ID=76285340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110194518.3A Active CN112968516B (zh) 2021-02-20 2021-02-20 一种基于神经网络的并联ups系统状态反馈控制方法

Country Status (1)

Country Link
CN (1) CN112968516B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336751B (zh) * 2022-01-04 2023-12-05 中国船舶重工集团公司第七0四研究所 Lcl型单相并网逆变器状态反馈控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108199600A (zh) * 2018-01-18 2018-06-22 扬州大学 一种全桥逆变器的自适应动态面控制器

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611140B (zh) * 2012-03-23 2014-04-30 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
US9362781B2 (en) * 2012-09-14 2016-06-07 Chloride Srl Uninterruptible power supply system with fast transfer for undervoltage source line failures
CN105116346A (zh) * 2015-09-15 2015-12-02 盐城工业职业技术学院 一种串联型锂离子电池系统及其荷电状态估计方法
US10574086B2 (en) * 2016-04-08 2020-02-25 Rhombus Energy Solutions, Inc. Nonlinear control algorithm and system for a single-phase AC-AC converter with bidirectional isolated DC-DC converter
US10284008B2 (en) * 2016-09-13 2019-05-07 Abb Schweiz Ag Isolated parallel ups system with fault location detection
CN112087178A (zh) * 2020-09-14 2020-12-15 四川长虹电器股份有限公司 一种永磁同步电机的参数识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108199600A (zh) * 2018-01-18 2018-06-22 扬州大学 一种全桥逆变器的自适应动态面控制器

Also Published As

Publication number Publication date
CN112968516A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
Badoni et al. Adaptive neurofuzzy inference system least-mean-square-based control algorithm for DSTATCOM
Zainuri et al. DC‐link capacitor voltage control for single‐phase shunt active power filter with step size error cancellation in self‐charging algorithm
Tsengenes et al. Shunt active power filter control using fuzzy logic controllers
Gupta et al. Fuzzy logic controlled shunt active power filter for reactive power compensation and harmonic elimination
CN108767869B (zh) 一种基于人工神经网络的静态无功补偿器电压调节方法
Chakraborty et al. Capacitor voltage estimation of MMC using a discrete-time sliding mode observer based on discrete model approach
CN102832621A (zh) 三相并联型有源滤波器自适应rbf神经网络控制技术
Puhan et al. A comparative analysis of artificial neural network and synchronous detection controller to improve power quality in single phase system
Wang et al. Adaptive neural control of active power filter using fuzzy sliding mode controller
CN112968516B (zh) 一种基于神经网络的并联ups系统状态反馈控制方法
Mangaraj et al. Sparse LMS algorithm for two‐level DSTATCOM
Jha et al. Neuro-Fuzzy based Controller for a Three-Phase Four-Wire Shunt Active Power Filter
Ma et al. Model reference adaptive fuzzy control of a shunt active power filter
Pedapenki et al. Soft control techniques for shunt active power filter
Bangia et al. Comparison of artificial intelligence techniques for the enhancement of power quality
Jha et al. Neuro-fuzzy based controller for a shunt active power filter
Pedapenki et al. Comparison of PI and neural network based controllers for shunt active power filter
Pedapenki et al. Application of neural networks in power quality
Pedapenki et al. Neuro Fuzzy Based Controller for Power Quality Improvement
Renault et al. Model predictive current control with neutral current elimination for H-bridge two-level active power filters
Cisneros et al. Global tracking passivity-based pi control of bilinear systems and its application to the boost and modular multilevel converters
Sebasthirani et al. Design of shunt active power filter with fuzzy logic control for mitigating harmonics
Weike et al. Fuzzy neural networks and GA based predictive control for active power filter
Dong et al. An improved MPC integrating fuzzy PI of an MMC-HVDC system
Kamarposhti Power quality compensation in distribution system based on instantaneous power theory and recursive fuzzy proportional-integral controller

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