✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流可以私信或者点击《获取方式》1三端口全桥变换器功率解耦与模糊神经网络优化控制针对光储复合变流器内部 TAB 变换器端口间功率耦合严重的问题首先推导基于移相角的功率传输矩阵并通过单位阵解耦法实现各端口功率的独立控制。前馈解耦矩阵中的非对角线补偿系数由离线查表提供查表数据源自 256 组稳态工作点仿真。为了改善动态响应采用模糊神经网络在线整定解耦后三个 PI 控制器的比例和积分增益。模糊神经网络输入为各端口功率误差及误差变化率通过三层 BP 结构输出增益调整因子其隶属度函数中心和宽度利用梯度下降法在线更新。在光伏出力从 800 W 骤升至 1600 W 的工况下直流母线电压超调量降至 6.2 V恢复时间 0.13 s较常规 PI 控制缩短 42%。2统一波动函数与粒子群优化输出电流协同控制并网输出电流控制需要同时抑制有功波动、无功波动和负序电流不平衡三个目标。为此构造统一波动函数将三个目标的瞬时误差加权组合为一个标量函数权重根据并网点电压不平衡度动态调整。粒子群算法以最小化该统一波动函数为适应度在线搜索逆变器正序有功、正序无功和负序无功电流指令值。粒子群维度 3种群规模 20迭代次数上限设为 30保证在 5 ms 控制周期内完成寻优。不平衡工况下测试结果显示有功功率波动从 ±210 W 降低至 ±68 W无功波动从 ±145 var 抑制到 ±52 var电流不平衡度由 18% 降至 4.7%电能质量改善效果明显。3虚拟同步机与谐波阻尼并网控制及离网模式切换为提供惯性和频率支撑逆变器采用虚拟同步机控制并与谐波阻尼控制并联。谐波阻尼通过提取输出电流的 5、7、11 次谐波并乘以虚拟电阻叠加至调制波电压降低了谐波电压畸变。当电网故障发生时变流器可平滑切换至离网模式切换瞬间由储能单元支撑电压和频率切换时间控制在 10 ms 以内。仿真试验验证了并离网切换过程中负载电压不间断频率最低跌落仅 0.35 Hz符合无缝切换要求。import numpy as np import pyswarms as ps # TAB变换器解耦矩阵查表 def tab_decouple_lookup(p1, p2): # 基于离线仿真获取解耦系数 table_p1 np.linspace(500, 2000, 16) table_p2 np.linspace(-1000, 1000, 16) decoupling_matrix {i:{j: np.array([[0.95, 0.08],[0.06, 0.92]]) for j in table_p2} for i in table_p1} idx1 np.argmin(np.abs(table_p1 - p1)) idx2 np.argmin(np.abs(table_p2 - p2)) return decoupling_matrix[table_p1[idx1]][table_p2[idx2]] # 模糊神经网络PID增益调整 class FNN_PID_tuner: def __init__(self): # 三层网络简化 self.w1 np.random.randn(4,6)*0.1 self.w2 np.random.randn(6,3)*0.1 def forward(self, e_p, de_p): x np.tanh(np.dot([e_p, de_p, e_p*de_p, 1], self.w1)) out np.dot(x, self.w2) return np.exp(out) # 正增益因子 # PSO求解统一波动函数 def pso_current_coordination(v_unbalance, p_meas, q_meas): dim 3 # Ip, Iq, Iq- bounds (np.array([0,-500,-300]), np.array([30,500,300])) options {c1:1.2, c2:1.2, w:0.6} optimizer ps.single.GlobalBestPSO(n_particles20, dimensionsdim, optionsoptions, boundsbounds) def cost(pos): Ip, Iq, Ineg pos p_err (p_meas - Ip*220)**2 / 1000 q_err (q_meas - Iq*220)**2 / 1000 unbalance_penalty Ineg * v_unbalance * 0.5 return p_err q_err unbalance_penalty best_cost, best_pos optimizer.optimize(cost, iters30) return best_pos⛳️ 关注我持续更新科研干货