| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 储能逆变器的研究现状 | 第10-11页 |
| 1.3 神经网络逆控制应用现状 | 第11-12页 |
| 1.4 FPGA研究发展现状 | 第12-14页 |
| 1.4.1 FPGA-现场可编程门阵列 | 第12-13页 |
| 1.4.2 EDA工具简介 | 第13-14页 |
| 1.5 论文的主要工作 | 第14-16页 |
| 第2章 神经网络系统及电压逆控制方法 | 第16-26页 |
| 2.1 人工神经网络原理及其拓扑结构 | 第16-17页 |
| 2.1.1 人工神经网络原理 | 第16-17页 |
| 2.1.2 BP神经网络拓扑结构 | 第17页 |
| 2.2 储能逆变器电压逆控制方案 | 第17-23页 |
| 2.2.1 储能逆变器拓扑结构 | 第17-19页 |
| 2.2.2 神经网络逆模型结构 | 第19-20页 |
| 2.2.3 训练样本收集 | 第20-21页 |
| 2.2.4 电压逆控制方案 | 第21-23页 |
| 2.3 选择FPGA做BP神经网络硬件实现的原因 | 第23-25页 |
| 2.3.1 硬件实现神经网络的必要性 | 第23-24页 |
| 2.3.2 CPU、DSP及FPGA做信号处理器的比较 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 储能逆变器神经网络逆模型的建立方案 | 第26-35页 |
| 3.1 激励函数的选择和实现方案 | 第26-28页 |
| 3.1.1 激励函数的选择 | 第26-27页 |
| 3.1.2 激励函数的实现方案 | 第27-28页 |
| 3.2 Taylor级数展开法与分段线性函数逼近法 | 第28-31页 |
| 3.2.1 Taylor级数展开法 | 第28-29页 |
| 3.2.2 分段线性函数逼近法 | 第29-30页 |
| 3.2.3 两种实现方案对比 | 第30-31页 |
| 3.3 FPGA中数据格式和精度 | 第31-32页 |
| 3.4 矩阵运算的实现方案 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于Verilog HDL的神经网络逆模型软件实现 | 第35-49页 |
| 4.1 神经网络逆模型总体结构 | 第35-36页 |
| 4.2 神经网络逆模型各模块的设计 | 第36-45页 |
| 4.2.1 数据采集模块的实现 | 第36-38页 |
| 4.2.2 归一化模块的实现 | 第38-39页 |
| 4.2.3 输入矩阵运算模块的实现 | 第39-40页 |
| 4.2.4 神经元模块的实现 | 第40-42页 |
| 4.2.5 输出矩阵运算模块的实现 | 第42-44页 |
| 4.2.6 反归一化模块 | 第44-45页 |
| 4.3 神经网络逆模型的仿真验证 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 利用FPGA的储能逆变器控制方法实现 | 第49-59页 |
| 5.1 利用FPGA的储能逆变器 | 第49-53页 |
| 5.1.1 逆变器硬件设计 | 第49-52页 |
| 5.1.2 逆变器软件设计 | 第52-53页 |
| 5.2 基于FPGA的神经网络逆控制算法实现 | 第53-55页 |
| 5.2.1 FPGA概述 | 第54页 |
| 5.2.2 微处理器与FPGA通信的实现 | 第54-55页 |
| 5.3 实验结果及分析 | 第55-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-65页 |
| 致谢 | 第65页 |
