JECE 电气和计算机工程杂志》上 2090 - 0155 2090 - 0147 Hindawi 10.1155 / 2021/5515362 5515362 研究文章 离网微型智能电网"集群总线的电压稳定控制策略基于自适应遗传模糊双闭环控制 https://orcid.org/0000 - 0003 - 0060 - 4544 张 余 杨 洪湾 王 彭 Piegari 路易吉 机械与控制工程学院 桂林理工大学 桂林541004 中国 glut.edu.cn 2021年 9 6 2021年 2021年 6 1 2021年 11 5 2021年 31日 5 2021年 9 6 2021年 2021年 版权©2021余张等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

在离网的微型智能电网"集群,能量存储设备主要是充电和放电维持母线电压的稳定和系统功率平衡。一般来说,电压和电流双闭环控制和模糊控制采用储能变换器。传统的双闭环控制参数和比例因子和模糊控制的量化因素不能实时调整系统操作期间,导致较慢的动态响应和系统的抗干扰能力弱。针对上述问题,本文提出了一种自适应遗传模糊双闭环控制,可以调整PI控制参数实时地通过调整量化因子和比例因子优化控制效果。在MATLAB / Simulink仿真平台构建及仿真结果表明,自适应遗传模糊双闭环控制结合了模糊PI控制的优点。在不同工作条件下,系统不仅快速动态响应,小超调、抗干扰能力强而且良好的鲁棒性。

 广西自然科学基金 2017年gxnsfa A198161 1。介绍

随着能源需求、能源短缺和环境污染造成的能源利用率,利用太阳能等可再生能源和清洁能源的分布式电源获得了人们的支持和快速的发展。解决能源短缺和环境污染。和偏远地区的电力供应和分配问题大大节省成本( 1- - - - - - 3]。在分布式电源的发展,以确保为用户供电的可靠性和电能质量,一些学者提出了微型智能电网"的概念。分布式电源的微型智能电网"是一个集合,能量转换设备,负载和保护设备。配电系统可以实现自我控制和管理( 4, 5]。作为一个单一的微型智能电网"结构和功能的延伸扩张,微型智能电网"集群使用多个单独的微型电网的互联操作来改善系统的供电的可靠性。它可以运行在两个不同的工作模式,上网和离网( 6- - - - - - 9]。离网微型智能电网"集群,总线电压是唯一标准来衡量系统的稳定性。然而,影响光伏发电的随机性和负载的动态变化,这将导致系统总线电压扰动。在回应的问题如何保持系统的稳定,主要是通过存储设备连接的能量双向直流-直流转换器(BDC)和母线充电和放电,总线电压稳定和功率平衡的微型智能电网"集群系统维护。当能量微型智能电网"不足,能源存储设备提供足够的能量,当微型智能电网"是顺差,能量存储设备存储剩余能量( 10- - - - - - 12]。

目前,控制储能转换器的微型智能电网"是非常重要的。一般来说,电压和电流双闭环控制。传统的双闭环控制使用总线电压外环控制和电感电流转换器的内循环控制。应用经典控制理论,微型智能电网"集群可以通过PI控制和调整操作稳定。然而,双闭环控制的参数不能动态调整,动态响应慢,和抑制外部干扰和自动恢复的能力很差。因此,它不适合非线性时变集群网的微型电网控制( 13- - - - - - 17]。

由于模糊控制适用于非线性和时变系统,及其鲁棒性很好,它是针对传统的双闭环控制的缺点;提出了改进的双闭环控制。模糊控制用于电压外环控制设置外环的PI控制参数实时达到最优控制效果。然而,量化因子、比例因子模糊规则和隶属函数模糊控制不能动态调整。同时,模糊控制的控制规则和控制参数是基于经验,具有一定程度的主观性和缺乏理性的非线性系统。在优化PI控制参数有一定的局限性,导致系统动态响应和抗干扰能力没有提高 18- - - - - - 21]。文献[ 22)提出了一种自适应模糊控制,两种类型的间接自适应模糊控制和直接自适应模糊控制,但是他们两人修改模糊控制参数通过经营外部机制。这个过程是更多的麻烦和系统误差相对较大,不适合非线性微型智能电网"集群系统。针对改善模糊控制,一些学者提出了利用智能算法来调整量化因子和比例因子的模糊控制来优化模糊输出。文献[ 23- - - - - - 25]提出遗传模糊控制,实时优化模糊控制的输出值,寻求最优解决方案,编码、选择、交叉和变异的量化因子和比例因子模糊控制。然而,它没有考虑这个问题,当系统中所有个体倾向于一个国家,停止进化,很难得到全局最优解。因此,当储能变换器采用遗传模糊双闭环控制,微型智能电网"集群的动态响应速度和抗干扰能力,外面的世界不是很理想。

本文提出了一种自适应遗传模糊双闭环控制储能转换器集群在一个微型智能电网"。通过调整量化因子和比例因子,PI控制参数可以调整实时优化控制效果,提高微型智能电网"集群的动态响应速度和抗干扰能力。仿真结果表明,自适应遗传模糊双闭环控制结合了模糊PI控制的优点。在不同工作条件下,系统不仅快速动态响应,小超调、抗干扰能力强而且良好的鲁棒性。

 2。拓扑结构和线路图 2.1。拓扑结构图

直流微型智能电网"集群的拓扑如图 1。微型智能电网"集群是由两个直流微型电网互联。每个微型智能电网"的微型智能电网"集群包含光伏电池、蓄电池、负载。光伏电池和蓄电池分别连接到总线通过Boost变换器和双向直流-直流转换器,和负载连接到总线通过巴克转换器。

直流微型智能电网"集群拓扑。

 2.2。电路结构图

能源存储设备中扮演一个重要的角色在维持功率平衡的微型智能电网"集群和总线电压的稳定性。它可以用作电源补偿能量,或作为储存能量的负荷。离网的结构直流微型智能电网"集群在本文中如图 2。

直流微型智能电网"集群结构。

在图 2, 我 pv_dc 1 , 我 负载 1 , 我 b_dc 1 , 我 b 1 分别是,光伏电池的输出电流的微型智能电网" 1微型智能电网"集群通过Boost变换器,巴克转换器的输入电流,电池的输出电流通过下死点,和输入电流的隔离下死点; l 光伏 1 , l 1 , l 蝙蝠 1 , l b 分别是提高转换器的储能电感,巴克转换器,下死点,和孤立的BDC微型智能电网" 1; U 1 和 C b 1 分别是总线电压和滤波电容器的微型智能电网" 1; 我 pv_dc 2 , 我 负载 2 , 我 b_dc 2 , 我 b 2 分别是,光伏电池的输出电流的微型智能电网" 2微型智能电网"集群通过Boost变换器,巴克转换器的输入电流,电池的输出电流通过下死点,和孤立的BDC输入电流; l 光伏 2 , l 2 , l 蝙蝠 2 分别是,提高变换器的电感,巴克转换器,和下死点的微型智能电网" 2;和 U 2 和 C b 2 总线电压和滤波电容的微型智能电网" 2,分别。当前的微型智能电网" 1和微型智能电网" 2关系从基尔霍夫电流定律获得如下: (1) C b 1 d U 1 d t = 我 p v _ d c 1 + 我 b _ d c 1 − 我 负载 1 − 我 b 1 , (2) C b 2 d U 2 d t = 我 p v _ d c 2 + 我 b _ d c 2 − 我 负载 2 − 我 b 2 。

在上面的方程( 1)和( 2),积极和消极的 我 b_dc 1 和 我 b_dc 2 相关工作状态的能量存储设备在微型智能电网" 1和微型智能电网" 2。时的值 我 b_dc 1 和 我 b_dc 2 是积极的,能量存储设备排放和充当电源。时的值 我 b_dc 1 和 我 b_dc 2 是负面的,能量存储设备带电,充当一个负载。本文主要采用自适应遗传模糊双闭环控制的能源存储转换器微型智能电网"集群和抑制直流母线电压的波动通过控制电池的充电和放电,以确保系统的安全稳定运行。

 3所示。控制策略 3.1。模糊的双闭环控制

传统的微型智能电网"集群储能变换器通常采用模糊双闭环控制,和模糊双闭环控制结构如图 3。

模糊图双闭环控制结构。

在图 3,根据参考价值之间的差异 U ∗ 总线电压和实际的价值 U 的偏差 e 1 和偏差变化速度 e c 1 得到,偏差 e 1 和偏差变化速度 e c 1 获得 e 和 e c 通过量化的因素 k e 和 k 电子商务 ,然后 e 和 e c 获得调整值 Δ K p 和 Δ K 我 的比例和积分参数,通过模糊逻辑控制器来调整控制器的控制参数实时 k e , k 电子商务 , d k p , d k 我 是固定值。设置公式如下, K p 和 K 我 是实时控制器的比例和积分系数和 K p ∗ 和 K 我 ∗ 是控制器的初始比例和积分控制系数: (3) K p = K p ∗ + Δ K p ∗ d k p , K 我 = K 我 ∗ + Δ K 我 ∗ d k 我 。

模糊控制的设计主要是确定模糊规则和隶属度函数。常用的隶属度函数主要包括z字形,s形,三角形,钟形,高斯。三角形隶属函数形式简单,高灵敏度和快速响应。

本文的隶属度函数 e , e c , Δ K p , Δ K 我 都是三角形,模糊域都是[5]−5日。的模糊子集 e , e c , Δ K p , Δ K 我 都是{ 注 , 纳米 , NS , Z , PS , 点 , PB },函数图所示 4。

的隶属函数图 e, 电子商务, Δ K p , Δ K 我 。

根据模糊控制的隶属函数和控制理论,模糊规则的 Δ K p 和 Δ K 我 如表所示,推断出吗 1和 2。

Δ K p 模糊控制规则。

e 电子商务
△ k p
注 纳米 NS 佐薇 PS 点 PB
注 PB PB 点 点 PS 佐薇 佐薇
纳米 PB PB 点 PS PS 佐薇 NS
NS 点 点 点 PS 佐薇 NS NS
佐薇 点 点 PS 佐薇 NS 纳米 纳米
PS PS PS 佐薇 NS NS 纳米 纳米
点 PS 佐薇 NS 纳米 纳米 纳米 注
PB 佐薇 佐薇 纳米 纳米 纳米 注 注

Δ K 我 模糊控制规则。

e 电子商务
△ k 我
注 纳米 NS 佐薇 PS 点 PB
注 注 注 纳米 纳米 NS 佐薇 佐薇
纳米 注 注 纳米 NS NS 佐薇 佐薇
NS 注 纳米 NS NS 佐薇 PS PS
佐薇 纳米 纳米 NS 佐薇 PS 点 点
PS 纳米 NS 佐薇 PS PS 点 点
点 佐薇 佐薇 PS PS 点 PB PB
PB 佐薇 佐薇 PS 点 点 PB PB

模糊输入的模糊正则曲面图 e和 电子商务和输出 Δ K p 和 Δ K 我 摘要图所示 5。

模糊输入和输出规则表面。(一)输入和输出 Δ K p 表面图。(b)输入和输出 Δ K 我 表面图。

 3.2。自适应遗传模糊双闭环控制

针对这种情况的比例因子和量化因子模糊无法实时调整双闭环控制,本文提出了一种自适应遗传模糊双闭环控制,和它的控制结构如图 6。

自适应遗传模糊双闭环控制结构。

在图 6,直接自适应遗传算法优化量化的因素 k e 和 k e c 和规模因素 d k p 和 d k 我 找到全局最优 K p 和 K 我 在真正的时间。自适应遗传算法的实现如下:

确定遗传算法的编码方案:有多个编码如二进制、格雷,排列,实数编码。在这里,采用二进制编码遗传算法编码组成的{0,1}。 k e , k e c , d k p , d k 我 全部采用8位二进制编码,分别。样品的数量大小= 40。

适应度函数的确定:遗传算法执行的算法优化搜索基于个人健身价值。它基本上不使用外部环境优化搜索的信息;因此,它是非常重要的,当选择适应度函数。它决定了算法的收敛速度和算法能否寻找最好的解决方案。优化三个元素的稳定性、速度和精度控制系统的性能指标函数一般选用下列公式所示: (4) J = ∫ 0 ∞ ω 1 | 米 t | + ω 2 u 2 t d t + ω 3 t u 。

本文中使用的优化算法设计了罚函数。当系统错误有一个过度,过度是一个系统的最优指标。这个目的可以有效地避免过度。此时,最优指标函数表示为下面的公式: (5) J = ∫ 0 ∞ ω 1 | 米 t | + ω 2 u 2 t + ω 4 米 y t d t + ω 3 t u 。

在上面的公式中, u t 自调优的输出; ω 1 , ω 2 , ω 3 , ω 4 的重量,在哪里 ω 1 = 0 。 9 , ω 2 = 0 。 0 0 1 , ω 3 = 2.0 , ω 4 = One hundred. ; t u 上升时间; 米 t 是系统错误; 米 y t = y t − y t − 1 ;和 y t 被控对象的输出。目标函数的倒数是用来表示适应度函数,即 F = 1 / J 。

选择:选择过程是消除一些人不满足要求根据每个身体的健身价值,和个人,不消除可以传递给下一代。这里使用的比例选择法,相关的表达式如下: (6) p x = f x ∑ k = 1 N f k 。

在前面的方程, N 是人群中个体的数量; f x 个人的健身价值吗 x ; p x 个人的概率是 x 被选中。

本文采用最优个体保留策略和最优个体保存out-of-group策略基于比例选择:一代的最优个体直接复制到下一代参与进一步进化,和健身价值与外部变量 临时 的组。如果大于 临时 , 临时 被最优个体,其健身价值;否则,它保持不变。

交叉和变异:在传统的遗传算法中,不改变控制参数,系统很容易“过早”,削弱了收缩算法的效率。摘要交叉概率 P c 和变异概率 P 米 总是变化动态,见以下方程: (7) P c = 1 1 − 经验值 − k 1 · Δ , P 米 = 1 1 + 经验值 − k 2 · Δ + 1。

在上面的公式中, k 1 和 k 2 的初始值 P c 和 P 米 分别; k 1 和 k 2 大于0;本文以 k 1 = 0.7 , k 2 = 0.01 ; Δ = F t 马克斯 − F ¯ t 马克斯 ,在那里 F t 马克斯 是最大的个人健身;和 F ¯ t 马克斯 代表个人的平均健身的健身大于平均健身。在人口的发展,由于 Δ 是不断变化的, P c 和 P 米 也是动态调整。

4所示。仿真分析

根据离网直流微型智能电网"集群在图 2,在MATLAB / Simulink仿真模型建立和仿真参数如表所示 3。

系统仿真参数。

参数 直流微型智能电网" 1系统 双向隔离直流-直流变换器 直流微型智能电网" 2系统
直流母线电压(V) 500年 650年
电池额定电压(V) 200年 200年
直流母线电容( µF) 1000年 1000年
电池的额定容量(啊) 500年 500年
光伏电池的输出电压(V) 240年 240年
负载电阻(R) 4 30.
直流电机的额定功率(W) 30.
直流电机的额定电压(V) 24
直流电机的额定电流(A) 2.1
电感( µH) 600年
主电容C1( µF) 200年
二次侧电容C2( µF) 500年
变压比 N1: N2 500:650

为了研究公共汽车的动态性能在三瞬态过程的初始接通电源的电压,负载突然增加,和负载突然降低时,储能变换器采用模糊双闭环控制和自适应遗传模糊双闭环控制,分别执行以下工作的模拟情境:

工况1:微型智能电网" 1是连接到一个4欧姆的电阻在1.5 s,和获得的波形如图 7- - - - - - 10。

微型智能电网" 1总线电压图。

电压比较微型智能电网" 1总线。(一)初始接通电源的。(b)突然增加的负载。(c)负载突然下降。

微型智能电网" 2母线电压图。

电压比较微型智能电网" 2辆公共汽车。(一)初始接通电源的。(b)突然增加的负载。(c)负载突然下降。

数据 7和 9是微型智能电网"的总线电压图1和微型智能电网" 2模糊双闭环自适应遗传模糊双闭环,分别。数据 8和 10的三个部分分别是放大视图初始接通电源的,负载突然增加,和负载的突然减少数据吗 7和 9。

从图可以看出 8当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为22.1 V。多个振荡调整之后,它稳定在1.3 s 500 V。采用自适应遗传模糊双闭环控制时,总线的最大超调电压为1.2 V,不存在振荡现象,它稳定在大约0.9年代500 V。当负载突然增加时,总线电压降。当储能变换器采用模糊双闭环控制,总线电压下降到486.7 V。有一个过度现象时复苏,最大超调是9.6 V。同时,多个振荡调整之后,它稳定在2.85 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,立即总线电压下降到493.2 V,在复苏过程中还有一个超调现象。超过0.6 V,没有振荡,它稳定在2.3 s 500 V。负载突然降低时,总线电压突然增加。 When the energy storage converter adopts fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 29.6 V. After multiple oscillation adjustments, it stabilizes to 500 V in about 3.95 s. When the energy storage converter adopts adaptive genetic fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 18.2 V, there is no oscillation phenomenon during the recovery process, and it stabilizes to 500 V in about 3.25 s.

从图可以看出 10当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为15.2 V。振荡调整后,它稳定在大约1 650 V。采用自适应遗传模糊双闭环控制时,的最大超调总线电压为0.9 V。没有在复苏过程中振荡,它稳定在大约0.75年代650 V。负载突然增加时,储能变换器采用模糊双闭环控制,和的最大超调总线电压为3.5 V。多个振荡调整之后,它稳定在2.6 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为1.2 V,而且没有振荡在复苏过程中,它稳定在大约2.31年代650 V。负载突然降低时,储能变换器采用模糊双闭环控制,和过度的总线电压为2.2 V。振荡调整之后,它稳定在3.8 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,过度的总线电压为-0.8 V。 There is no oscillation occurring during the recovery process, and it stabilizes to 650 V in about 3.4 s.

工况2:微型智能电网" 2是连接到一个15欧姆的电阻在1.5 s,和获得的波形如图 11- - - - - - 14。

微型智能电网" 2母线电压图。

电压比较微型智能电网" 2辆公共汽车。(一)初始接通电源的。(b)突然增加的负载。(c)负载突然下降。

微型智能电网" 1总线电压图。

电压比较微型智能电网" 1总线。(一)初始接通电源的。(b)突然增加的负载。(c)负载突然下降。

数据 11和 13的总线电压图微型智能电网" 2和微型智能电网" 1模糊双闭环自适应遗传模糊双闭环,分别。数据 12和 14的三个部分分别是放大视图初始接通电源的,负载突然增加,和负载的突然减少数据吗 11和 13。

从图可以看出 11当储能变换器采用模糊初始接通电源的双闭环控制,总线电压12 V的最大超调。振荡调整之后,它稳定在0.85 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为3.3 V。没有在复苏过程中振荡,它稳定在大约0.75年代650 V。当负载突然增加时,总线电压降。当储能变换器采用模糊双闭环控制,总线电压下降到639.8 V。有一个过度现象在复苏过程中,它稳定在大约2.1年代650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线电压下降到643.2 V。没有过度发生在复苏过程中,它稳定在大约2 s 650 V。负载突然下降时,总线电压突然增加。 When the energy storage converter adopts fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 13.4 V. After oscillation adjustment, it stabilizes to 650 V in about 3.6 s. When the energy storage converter adopts the genetic fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 8.2 V. There is no oscillation during the recovery process, and it stabilizes to 650 V in about 3.25 s.

从图可以看出 10当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为17.5 V。振荡调整之后,它稳定在1.23 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为2.1 V。没有在复苏过程中振荡现象,它稳定500 V 0.92秒左右。负载突然增加时,储能变换器采用模糊双闭环控制,和过度的总线电压为-0.8 V。振荡调整之后,它稳定在2.2 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,过度的总线电压为0.2 V。没有振荡发生在复苏过程中,它稳定500 V 1.85秒左右。负载突然降低时,储能变换器采用模糊双闭环控制,和过度的总线电压为3.2 V。振荡调整后,它稳定在大约4 s 500 V。 When the energy storage converter adopts adaptive genetic fuzzy double closed-loop control, the overshoot of the bus voltage is 0.8 V. There is no oscillation during the recovery process, and it stabilizes to 500 V around 3.65 s.

 5。结论

针对微型智能电网"集群总线电压稳定问题,本文采用模糊双闭环自适应遗传模糊双闭环控制储能转换器的微型智能电网"集群,分别。研究总线电压的动态性能的三个瞬变过程中系统初始开机,突然增加的负载,负载的突然减少,根据仿真分析,也得出以下结论:

微型智能电网"集群,与模糊双闭环控制相比,自适应遗传模糊双闭环控制可以在全球范围内找到的最优值动态调整量化因子和比例因子,设置PI控制参数实时优化控制效果,提高了微网络组织系统的鲁棒性和稳定性。

微型智能电网"集群可以实现相互的相互连接的微型电网能量转移通过隔离下死点。所以,当总线电压的微型智能电网"波动,互连总线电压的微型智能电网"也会波动,和微型智能电网"集群系统下死点和自我调节恢复下进行孤立的下死点的联合行动,这样系统恢复稳定。

仿真证明,在三个不同的微型智能电网"集群系统的瞬态过程初始接通电源的负载突然增加,和负载突然减少,当储能BDC模糊双闭环控制,采用自适应遗传与模糊双闭环控制相比,该系统不仅具有动态响应快,超调,更强的抗干扰能力,还好鲁棒性。

自适应遗传模糊双闭环控制可广泛应用于非线性和时变系统。

数据可用性

使用的数据来支持这项工作的结果可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作是支持广西自然科学基金(没有。2017年gxnsfa A198161)。

 梁ydF4y2Ba Z。 邓 C。 分布式安全二级控制cyber-physical微型电网系统网络DoS攻击 国际系统科学杂志》上 2021年 52 6 10.1080 / 00207721.2021.1900449 拉梅什 K。 Sinha N。 基于电压稳定的太阳能dish-Stirling自治直流微型智能电网"使用灰太狼FOPID-controller优化 国际可持续能源杂志》上 2021年 40 5 Yazdanian M。 Mehrizi-Sani 一个。 在微型电网分布式控制技术 IEEE智能电网 2014年 5 6 2901年 2909年 10.1109 / tsg.2014.2337838 2 - s2.0 - 84908274571 桑德罗 年代。 藤田 G。 先进的负载频率控制影响最佳大小的电池能量储存在坐落微型智能电网"系统 能量 2021年 14 8 Chiandone M。 Feste m D。 Bosich D。 Sulligoi G。 实时监控系统的里雅斯特大学校园配电电网 IEEE米兰PowerTech学报》上 2019年6月 米兰,意大利 1 5 黄 W。 吴 P。 大 N。 灵活的互联multi-microgrid结构和基于混合公共连接单元的控制方法 中国电机工程学报 2019年 039年 12 3499年 3513年 Bourouhou ElH . .一个。 Plasencia Lotufo 答:D。 太阳能光伏功率预测 电气和计算机工程杂志》上 2020年 2020年 8819925 Ekanayake 美国N。 Navaratne 美国。 Bonfiglio 一个。 一项调查在坐落微型智能电网"控制技术模式 电气和计算机工程杂志》上 2020年 2020年 6275460 10.1155 / 2020/6275460 Mirez J。 之间互连优化的建模与仿真直流微型电网电压的新策略,权力和控制 《IEEE第二直流微型电网国际会议(ICDCM) 2017年6月 德国纽伦堡 536年 541年 他 M。 Giesselmann M。 Reliability-constrained自组织和能源管理朝着一个有弹性的微型智能电网"集群 IEEE电力能源学会学报创新智能电网技术会议(ISGT) 2015年2月 美国华盛顿特区 1 5 Lei Z。 王 F。 高 Y。 阮 Y。 453年研究现状和应用在直流双向直流-直流转换器芯片分析 中国电工技术学会454年交易 2016年 31日 22 137年 147年 首歌 P。 朱 W。 虚拟的直接功率控制策略双重活性498桥直流-直流转换器 电气测量及仪表 2018年 499年 5 125年 131年 吴 Z。 胡 G。 他 W。 华 G。 蔡 C。 典型场景的仿真方法研究微型智能电网"(集团)对分销网络的访问 学报2018第五届国际会议上信息科学与控制工程(ICISCE) 2018年7月 郑州,中国 491年 495年 通用电气 P。 张 Y。 吴 F。 一个 Y。 周 l 稳定控制策略的混合储能直流微型智能电网"基于双闭环 黑龙江电力、黑龙江,中国 2019年 41 4 319年 366年 梁 H。 越南盾 Y。 曹 D。 研究VSC-HVDC双闭环控制器基于宇宙变量模糊PID控制 《2017年中国国际电力和能源会议(CIEEC) 2017年10月 中国,北京 633年 638年 小春就 M。 萧红 W。 杨 l Shouxin 年代。 曹国伟 Z。 研究改进微电网电压波动的基础上提高了飞轮电池的双闭环控制 学报2019年IEEE第三先进信息管理、通信、电子和自动化控制会议(IMCEC) 2019年10月 中国重庆 1876年 1880年 吴 X。 左 l 易 J。 汉 l 双闭环控制策略LCL-type发电逆变器基于状态反馈组合 《2016年国际智能电网与清洁能源技术会议(ICSGCE) 2016年10月 成都,中国 359年 363年 Zhixiong Z。 Yanzheng Z。 .机械 l 道 H。 相互关联的非线性模糊控制框架下的电网TDS攻击:估计和补偿 富兰克林研究所杂志》上 2021年 358年 1 Almodarresi E。 平稳的速度跟踪和kinematic-based携带移动机器人的模糊控制 SN应用科学 2020年 2 12 10.1007 / s42452 - 020 - 03880 - y 阿布利亚佐夫 V。 阿布利亚佐夫 V。 里 O。 Tisenko V。 模糊控制在机械制造的不确定性 IOP会议系列:材料科学与工程 2020年 971年 2 10.1088 / 1757 - 899 x / 971/2/022026 刘 Z。 范 G。 陈 Z。 模拟研究的双闭环spwm逆变器基于模糊神经网络 学报2018年IEEE第三先进的信息技术、电子和自动化控制会议(IAEAC) 2018年10月 中国重庆 241年 245年 陆 Y。 自适应模糊控制补偿的直接自适应模糊控制的设计 IEEE模糊系统 2018年 26 6 3222年 3231年 10.1109 / tfuzz.2018.2815552 2 - s2.0 - 85043765299 杰 Z。 长 H。 该矿 R。 RBF神经网络自适应滑模控制基于遗传算法的优化 《2016年中国控制与决策会议(CCDC) 2016年5月 银川,中国 6772年 6775年 彭 Z。 PID控制粮仓温度和湿度的基于改进的遗传算法 学报2019年IEEE国际会议,智能计算和系统(ICPICS) 2019年7月 沈阳,中国 428年 哲 余 治国 W。 范 l 优化的基于遗传算法的模糊内模PID控制器 在化工控制和仪器 2020年 47 4 294年 321年