基于人工神经网络的静止无功发生器的控制 control of static synchronous compensator based on neural network.pdfVIP

下载本文档

1
0
约1.66万字
约 5页
2017-08-13 发布于上海
举报
版权申诉

基于人工神经网络的静止无功发生器的控制 control of static synchronous compensator based on neural network.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于人工神经网络的静止无功发生器的控制 control of static synchronous compensator based on neural network

第35卷第5期继电器 Vbl-35No．5 2007年3月1日 RELAY Mar．1．2007 基于人工神经网络的静止无功发生器的控制李洪美1，李振然2，汪旎3 (1．徐州师范大学电气工程及自动化学院，江苏徐州221116；2．广西大学电气工程学院，广西南宁530004； 3：江苏大学电气工程学院，江苏镇江212013) 摘要：对静止无功发生器的控制变量及其控制方式进行了探讨．在对静止无功发生器数学模型分析的基础上，对数学模型进行了进一步的处理，引入了静止无功发生器的接入点电压偏差作为控制变量，使控制更加直观；利用人工神经网络离线训练在线应用的特性，采用在线识别的方法实现静止无功发生器的自适应最优控制．建立了以接入点电压偏差为控制变量以人工神经网络为控制手段的静止无功发生器的新的控制模式，最后利用Matlab进行了单机无穷大系统的仿真验证，证明了该控制策略的有效性．关键词：静止无功发生器：在线识别；人工神经网络；电压稳定；线性最优控制 neuralnetwork ControlofstaticsynchronOuscompensatOrbasedOn LI Ni3 Zhen．ran2，WANG Hong．meil，LI ofAutomation彻dElectric No姗al 221l (1．School Engineering，XuzhouUniversity，Xuzhou16，China 2．SchoolofElectrical Engineefing，GuangxiUniVersity，GuaJlgxi530004，China； 3．Sch001ofE1ectric Engineering，JiangsuUniVersity，zhenjiang212013，Chjna) Abstract：This memathematicalmodelofStatic inwhichtlle ofⅡleSTATCOM paperpresents SynchronousCompensator V01tage to concatenateisincluded．Basedonmemathematicalmodel，Ani6cialNuemlNetworksisusedonitscontr01．Inorder point ofthe is resultsare inthe whichshow me山od，MATLAB analyse廿1eped．omaJlce programmeapplied．Simulationpresentedpaper meef!fbctivenessofmemethod． words：static on-lineidentificationartificialneural linear networks； stability； Key syncllronouscompensator；