基于神经网络广义逆的两电机变频系统内模控制

针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。     

低场强高能ZnO压敏电阻的应用研究

介绍了用于电力电子装置过电压保护的低场强高能ZnO压敏电阻的组成结构,伏安特性及其等效电路,详细讨论了该保护元件的限压能力、在不同情况下的能量容量、承受脉冲负荷时的要求,最后给出了低场强高能ZnO压敏电阻在电力电子电路中的接线方法及参数选取方法。     

一种LED模块的非线性仿真模型研究

由于单颗发光二极管(LED)灯珠的功率很小,故厂家常以阵列的形式将其组合成模块应用于照明领域。基于某实际LED路灯模块的理论伏安特性曲线,根据LED模块生产厂家提供的额定电压和功率使其工作在额定参数范围内,测试出其电气性能参数。采用5种拟合方式研究得到相应的拟合曲线,选用拟合效果最优的6项高斯拟合方式构建LED模块的非线性数学模型,进而利用Matlab/Simulink搭建其仿真模型。将该模型应用于Boost变换器仿真电路中,并设计25 W调光型原理样机验证该模型的有效性。仿真和实验结果均表明,该模型的误差小,满足实际应用的要求。     

基于修正遗忘因子RLS算法的谐波电流检测新方法

为提高电能质量,需对电网谐波进行补偿与抑制,其效果取决于谐波检测的精度和动态响应特性。本文考虑到有源滤波器(APF)的低信噪比特性,提出了一种基于自适应对消技术的修正遗忘因子RLS谐波电流检测算法,该算法从研究权值收敛方式出发,通过设置阈值来判断突变,使得检测过程既有较快的动态响应又有较高的检测精度。最后通过Matlab仿真分析和DSP实验,验证了本文的修正算法既克服了LMS算法初始收敛慢、精确度低,又克服了传统RLS算法的动态响应过慢的不足,证实了该方法是一种非常有效的谐波电流检测方法。     

具有有源滤波功能的单相无变压器光伏并网系统

针对小功率光伏并网系统,提出了一种基于两级式无变压器光伏并网系统,具有单相有源滤波功能。该系统不仅能将有功功率注入到电网,而且能起到有源滤波器的作用消除非线性负载产生的谐波和无功。在光伏系统中去除变压器结构可以有效地减少损耗,降低成本,缩小体积。但是由于在太阳能电池阵列和地之间存在寄生电容,变化的共模电压产生的共模电流(也称漏电流)将会通过虚拟的寄生电容流入大地,给人身安全带来威胁。本系统采用不会产生变化的共模电压的H5拓扑结构。仿真和实验结果证明了本文控制方法和拓扑结构的可行性。     

电动汽车充电机谐波抑制工作机理的研究

电动汽车充电机作为非线性负荷,在充电过程中会产生大量不规则谐波,影响电网电能质量。根据其产生的谐波特点,研究利用有源电力滤波器(APF)抑制相应谐波的工作机理,采用空间矢量与滞环相结合的控制策略,建立了充电机谐波抑制系统的Matlab仿真模型,分别对单台充电机和多台充电机运行时的谐波抑制进行了仿真研究。仿真结果表明,充电机系统在单台或多台、稳态或暂态情况下,APF都能有效抑制谐波。     

三相APF直流侧电压滑模自抗扰控制方法

有源电力滤波器(APF)是一种有效地补偿谐波的电力电子装置,而直流侧电压控制是其重要技术之一.APF直流侧电压自抗扰控制方法需要整定的参数过多,且响应速度较低.针对此缺点,将该方法的跟踪微分器与扩张状态观测器分别进行线性化处理,并将滑模控制切换函数的设计方法引入非线性状态误差反馈控制率,从而提出了一种APF直流侧电压滑模自抗扰控制方法.仿真结果和实验结果表明:相对于APF直流侧电压自抗扰控制方法,所提控制方法的直流侧电压响应时间明显更短,电源电流更接近正弦电流且总谐波畸变率(THD)明显更小.     

孤岛情况下基于模糊控制的储能系统功率控制策略研究

微电网运行于孤岛情况时,新能源发电间歇性强、波动性大的缺点严重影响微电网的安全运行与储能单元的使用寿命。传统的控制策略在微电网中接入多种分布式发电单元和储能单元后控制误差大、反应时间长,且无法处理功率协调与储能管理系统的固有矛盾。文中提出一种计及母线净功率的模糊控制策略,该控制策略以储能SOC与母线净功率及其变化率为输入制定了模糊规则,经重心法去模糊得到储能系统的输出功率,以达到平抑母线功率波动、协调储能单元出力和减少储能系统充放电次数的目的。最后通过仿真对所述策略与传统双输入模糊控制、PID控制与PSO算法进行比较,仿真结果验证了所述策略的优越性,并在微电网实验室中进行了试验,验证了所述策略的可行性。     

基于判别字典学习的电能质量扰动识别方法

电能质量扰动识别方法通常是先通过数字信号处理工具对信号进行检测和特征提取,再采用人工智能方法对特征进行分类识别,增加了识别过程的复杂性和冗余性。提出一种基于判别字典学习(DDL)的稀疏表示电能质量扰动识别方法,可有效减少识别步骤、降低复杂性,并提高识别率。该方法首先采用主成分分析方法将K类扰动训练样本集降维为扰动降维特征训练样本集,由各类样本分别训练出冗余子字典,然后级联成判别字典。接着基于l0范数算法求解出降维测试信号在该判别字典下的稀疏表示矩阵,最后利用不同的冗余子字典重构测试样本,由冗余残差最小值确定目标归属类,实现对电能质量扰动信号的识别。仿真实验结果表明该方法能有效地对不同电能质量扰动进行识别,过程简单、数据量少、抗噪声鲁棒性好,在信噪比20 d B以上的噪声环境中电能质量扰动识别准确率达到95%以上。