一种基于LSTM神经网络的双馈风机控制参数辨识方法

    公开(公告)号:CN115411775B

    公开(公告)日:2024-04-26

    申请号:CN202211181791.3

    申请日:2022-09-27

    申请人: 三峡大学

    IPC分类号: H02J3/38 G06N3/0442 G06N3/08

    摘要: 本发明公开了一种基于LSTM的双馈风机控制器参数辨识方法,利用RT‑LAB获得双馈风机控制器硬件在环测试数据,使用Person相关系数法提取出相关性较高的特征量并用于神经网络训练,对电压外环以及电流内环控制参数进行辨识,并通过硬件在环实验数据对算法的可行性、有效性和实用性进行了测试。与以往的参数辨识方法相比,能通过训练历史样本数据模拟风机控制系统的运行特性,在不运行风机模型的情况下,向LSTM神经网络输入实测数据,进行控制参数的离线辨识。

    单相有源功率因数校正变换器无源器件的体积优化方法

    公开(公告)号:CN114204793B

    公开(公告)日:2023-08-01

    申请号:CN202111471325.4

    申请日:2021-12-04

    申请人: 三峡大学

    IPC分类号: H02M1/42 H02M3/335 H02M7/00

    摘要: 单相有源功率因数校正变换器无源器件的体积优化方法,采用解析法计算和分析单相有源功率因数校正变换器中无源器件的体积与开关频率和纹波电流之间的关系,进而对纹波电流和开关频率的进行优化分析,实现对变换器中无源器件体积的优化;以开关频率和纹波电流为自变量,基于电感元件作为储能器件时其储存的能量与纹波电流和开关频率之间的数学关系,通过面积积法计算纹波电流和开关频率与电感器件体积的解析表达式。建立的电感体积VL与开关频率fs和纹波电流△I以及电容体积VC与纹波电流△I之间的函数关系,进一步地,可以将两者体积相结合进行综合分析,进而可以对单相有源功率因数校正变换器无源器件的总体体积进行优化设计。

    高精度有源功率因数校正变换器电流有效值计算方法

    公开(公告)号:CN114221561A

    公开(公告)日:2022-03-22

    申请号:CN202111322722.5

    申请日:2021-11-09

    申请人: 三峡大学

    摘要: 高精度有源功率因数校正变换器电流有效值计算方法,步骤包括:一、对一个开关周期内各元器件的电流进行分段计算,求出一个开关周期内各元器件的电流表达式;二、使用解析法得到一个工频周期内有源功率因数校正变换器的电流有效值;三、选定一个可改变的电气参数作为自变量,得到影响有源功率因数校正变换器电流有效值的电气参数。与采用数值法相比,无需对每个开关周期内流过各元器件的电流进行复杂的数值迭代计算,仅需对一个开关周期内流过各元器件的电流进行分析,即可得到电流有效值;相比于以时间作为积分变量的时域法,该计算方法选用角度作为积分变量,极大地简化了电流有效值的计算过程。

    一种单相Boost APFC的自适应占空比补偿控制方法

    公开(公告)号:CN115242067B

    公开(公告)日:2024-06-11

    申请号:CN202210699181.6

    申请日:2022-06-20

    申请人: 三峡大学

    IPC分类号: H02M1/32 H02M1/42 H02M1/14

    摘要: 本发明公开了一种单相Boost APFC的自适应占空比补偿控制方法,在传统控制环路中引入占空比补偿环节,利用电流环得到补偿的占空比,并对补偿环节的自适应补偿参数进行设计,利用APFC输出电压和负载电流的平均值计算动态功率,结合APFC的额定功率,确定出自适应系数k1和k2,将自适应系数引入到电流控制环路和占空比补偿环路中,得到补偿后的PWM控制信号;在传统双环控制环路中引入自适应占空比补偿环路,基于负载变动情况自适应设计补偿系数,在不改变硬件电路和不对控制算法进行大量调整的基础上,提高单相Boost APFC谐波对动态负载的自适应能力,为工程应用中单相Boost APFC的优化和设计提供直观的技术和理论指导。

    基于CatBoost和Radam-LSTM的光伏发电功率预测方法

    公开(公告)号:CN115293406A

    公开(公告)日:2022-11-04

    申请号:CN202210794793.3

    申请日:2022-07-07

    申请人: 三峡大学

    摘要: 本发明涉及基于CatBoost和Radam‑LSTM的光伏发电功率预测方法,包括:获取用于光伏发电功率预测的特征数据,对特征数据进行预处理;利用改进灰色关联度分析计算各个气象特征以及电气特征之间的灰色关联度大小,剔除关联度小的特征;利用变量特征衍生方法从已有特征数据时间序列中衍生出新的特征;将CatBoost作为前级模型,Radam‑LSTM作为后级模型,利用瀑布融合法构建功率预测模型,对功率预测模型训练并测试;将利用训练好的功率预测模型用于光伏发电功率短期预测。本发明将CatBoost和Radam‑LSTM集成、融合,显著提高了功率预测模型的预测性能,得到的功率预测模型稳定性、准确性更好,泛化能力更强,能有效防止预测模型过拟合。

    一种单相Boost APFC的自适应占空比补偿控制方法

    公开(公告)号:CN115242067A

    公开(公告)日:2022-10-25

    申请号:CN202210699181.6

    申请日:2022-06-20

    申请人: 三峡大学

    IPC分类号: H02M1/32 H02M1/42 H02M1/14

    摘要: 本发明公开了一种单相Boost APFC的自适应占空比补偿控制方法,在传统控制环路中引入占空比补偿环节,利用电流环得到补偿的占空比,并对补偿环节的自适应补偿参数进行设计,利用APFC输出电压和负载电流的平均值计算动态功率,结合APFC的额定功率,确定出自适应系数k1和k2,将自适应系数引入到电流控制环路和占空比补偿环路中,得到补偿后的PWM控制信号;在传统双环控制环路中引入自适应占空比补偿环路,基于负载变动情况自适应设计补偿系数,在不改变硬件电路和不对控制算法进行大量调整的基础上,提高单相Boost APFC谐波对动态负载的自适应能力,为工程应用中单相Boost APFC的优化和设计提供直观的技术和理论指导。

    单相有源功率因数校正变换器无源器件的体积优化方法

    公开(公告)号:CN114204793A

    公开(公告)日:2022-03-18

    申请号:CN202111471325.4

    申请日:2021-12-04

    申请人: 三峡大学

    IPC分类号: H02M1/42 H02M3/335 H02M7/00

    摘要: 单相有源功率因数校正变换器无源器件的体积优化方法,采用解析法计算和分析单相有源功率因数校正变换器中无源器件的体积与开关频率和纹波电流之间的关系,进而对纹波电流和开关频率的进行优化分析,实现对变换器中无源器件体积的优化;以开关频率和纹波电流为自变量,基于电感元件作为储能器件时其储存的能量与纹波电流和开关频率之间的数学关系,通过面积积法计算纹波电流和开关频率与电感器件体积的解析表达式。建立的电感体积VL与开关频率fs和纹波电流△I以及电容体积VC与纹波电流△I之间的函数关系,进一步地,可以将两者体积相结合进行综合分析,进而可以对单相有源功率因数校正变换器无源器件的总体体积进行优化设计。

    基于RT-LAB的双馈风机控制器硬件在环仿真测试方法

    公开(公告)号:CN116125827A

    公开(公告)日:2023-05-16

    申请号:CN202211661719.0

    申请日:2022-12-22

    申请人: 三峡大学

    IPC分类号: G05B17/02

    摘要: 本发明涉及基于RT‑LAB的双馈风机控制器硬件在环仿真测试方法,包括:在实时仿真机中建立双馈风机主电路物理仿真模型;在RT‑LAB上位机中建立仿真模型,通过配置eHS解算模块调用双馈风机主电路物理模型,将双馈风机主电路物理模型解算为FPGA可识别的代码,完成双馈风机主电路的FPGA建模;确定双馈风机控制器与实时仿真机之间的I/O接口类型、位置及个数,形成配置文件,实时仿真机与双馈风机控制器通讯连接,建立双馈风机硬件在环仿真;进行双馈风机多种工况下的控制测试,验证双馈风机控制器的控制策略的有效性。本发明的双馈风机控制器硬件在环仿真测试,最大程度地贴近双馈风机真实运行环境,可有效验证实际控制器的控制策略和控制性能。

    一种基于LSTM神经网络的双馈风机控制参数辨识方法

    公开(公告)号:CN115411775A

    公开(公告)日:2022-11-29

    申请号:CN202211181791.3

    申请日:2022-09-27

    申请人: 三峡大学

    IPC分类号: H02J3/38 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于LSTM的双馈风机控制器参数辨识方法,利用RT‑LAB获得双馈风机控制器硬件在环测试数据,使用Person相关系数法提取出相关性较高的特征量并用于神经网络训练,对电压外环以及电流内环控制参数进行辨识,并通过硬件在环实验数据对算法的可行性、有效性和实用性进行了测试。与以往的参数辨识方法相比,能通过训练历史样本数据模拟风机控制系统的运行特性,在不运行风机模型的情况下,向LSTM神经网络输入实测数据,进行控制参数的离线辨识。