← 返回
基于神经模糊学习机制的一类电力电子变换器鲁棒智能控制
Robust Intelligent Control for a Class of Power-Electronic Converters Using Neuro-Fuzzy Learning Mechanism
| 作者 | Shixi Hou · Yundi Chu · Juntao Fei |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年8月 |
| 技术分类 | 控制与算法 |
| 技术标签 | PWM控制 储能变流器PCS 光伏逆变器 机器学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 电力电子变换器 鲁棒智能控制 终端滑模控制 二型模糊神经网络 有限时间收敛 神经模糊学习 |
语言:
中文摘要
本文研究了一类电力电子变换器的鲁棒智能控制问题。通过设计终端滑模控制(TSMC)并引入饱和函数,实现了系统误差的有限时间收敛及性能优化。同时,利用二型模糊神经网络(T2FNN)对系统不确定性进行在线学习与补偿,进一步提升了变换器在复杂工况下的控制精度与鲁棒性。
English Abstract
This article considers a robust intelligent control problem for a class of power-electronic converters via a neuro-fuzzy learning mechanism. First, a terminal sliding-mode control (TSMC) is designed to ensure finite-time error convergence and further enhance the system performance. Meanwhile, a saturation function is utilized in the proposed TSMC. Then, by using type-2 fuzzy neural network (T2FNN)...
S
SunView 深度解读
该研究提出的TSMC与T2FNN结合的控制策略,对于提升阳光电源组串式逆变器及PowerTitan/PowerStack储能变流器(PCS)在复杂电网环境下的动态响应速度和鲁棒性具有重要参考价值。特别是在弱电网接入或负载剧烈波动场景下,该算法能有效抑制系统不确定性,提高并网稳定性。建议研发团队在iSolarCloud智能运维平台的数据支撑下,尝试将此类轻量化智能算法嵌入DSP控制层,以优化变换器的控制性能,降低对系统参数精确建模的依赖。