2篇
您的检索式：作者名="THIDAR Swe"
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 并网光伏逆变器鲁棒分数阶滑模控制设计显示文摘本文设计了一款基于扰动观测器的鲁棒分数阶滑模控制(POFO–SMC)来实现光伏逆变器的最大功率跟踪(MPPT).首先,将光伏逆变器的非线性、参数不确定性以及未建模动态聚合成一个扰动,并通过扰动观测器对其进行在线估计.随后,采用分数阶滑模控制(FOSMC)对该扰动估计进行实时完全补偿,从而实现不同工况下全局一致的控制性能.同时,POFO–SMC采用扰动实时估计而非传统滑模控制(SMC)中所使用的扰动上限值进行补偿,因此可有效解决传统SMC过于保守的缺点,使得控制成本更为合理.最后,POFO–SMC无需精确的系统模型,仅需测量光伏逆变器的q轴电流和直流侧电压,因此易于硬件实现.本文进行了两个算例的研究,即光照强度变化和电网电压跌落.仿真结果表明,与传统PI控制、反馈线性化控制(FLC)、SMC和FOSMC相比,POFO–SMC在各类工况下均具有最好的动态特性及最高的鲁棒性.基于dSpace的硬件在环实验(HIL)验证了其硬件可行性. | 杨博 THIDAR Swe 钟林恩 束洪春 余涛 孙立明 | 2020 | 控制理论与应用2020，37，2： | 5 |
| 2 | 阴影条件下基于迁移强化学习的光伏系统最大功率跟踪显示文摘在光伏系统中,光伏阵列往往会受到阴影条件(partial shading condition,PSC)的影响,造成光伏系统输出功率偏低以及功率-电压(P-V)特性曲线出现多峰值的现象,从而导致常规最大功率跟踪(maximum power point tracking,MPPT)算法易陷入局部最优的问题.对此,设计一种基于迁移强化学习(transfer reinforcement learning,TRL)的MPPT算法.该算法将连续变量的动作空间分解为若干个小范围的子搜索空间,从而有效提高TRL的学习效率.同时,引入知识迁移,即将旧任务的最优知识矩阵应用到新任务中,进而大幅提高TRL的收敛速度.通过对3种算例的研究,即恒温变光照强度、变温变光照强度和香港实地测试,其仿真结果表明,与传统增量电导法(incremental conductance,INC)、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法、人工蜂群(artificial bee colony,ABC)算法、布谷鸟算法(cuckoo search algorithm,CSA)、教-学优化(teaching-learning based optimization,TLBO)算法以及Q学习算法相比,TRL能在PSC下实现最快速的全局最大功率跟踪,同时具有最小的功率波动.最后,基于dSpace的硬件在环实验验证了TRL的硬件可行性. | 杨博 THIDAR Swe 钟林恩 束洪春 张孝顺 余涛 | 2020 | 控制与决策2020，35，12： | 2 |
您所在的机构暂未开通此部分的功能，请联系管理员