基于人工神经网络的静止无功发生器控制方法研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·课题研究背景 | 第11-12页 |
| ·无功功率的影响以及补偿作用 | 第12-13页 |
| ·国内外无功补偿装置的发展 | 第13-16页 |
| ·无功补偿装置发展史 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·本课题研究意义 | 第16页 |
| ·本文的主要内容和结构 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 2 SVG工作原理及控制方法 | 第19-33页 |
| ·SVG工作原理 | 第19-22页 |
| ·SVG的工作特性 | 第22-23页 |
| ·SVG的控制方法 | 第23-32页 |
| ·电流间接控制 | 第23-25页 |
| ·直接电流控制 | 第25-32页 |
| ·本章小结 | 第32-33页 |
| 3 SVG无功电流检测方法研究 | 第33-45页 |
| ·无功电流检测方法介绍 | 第33-34页 |
| ·基于瞬时无功功率理论检测法 | 第34-40页 |
| ·p-q检测法 | 第35-37页 |
| ·基于dq理论的无功电流检测法 | 第37-38页 |
| ·ip-iq无功电流检测法 | 第38-40页 |
| ·改进的无功电流检测法 | 第40-42页 |
| ·改进的ip-iq无功电流检测模型 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 4 SVG控制策略研究 | 第45-57页 |
| ·常规PI控制器分析 | 第45页 |
| ·神经网络 | 第45-49页 |
| ·神经元模型 | 第45-47页 |
| ·神经网络常用结构 | 第47-48页 |
| ·神经网络学习方式与规则 | 第48-49页 |
| ·BP神经网络 | 第49-53页 |
| ·BP神经网络的前馈计算 | 第50页 |
| ·BP神经网络的权值调整 | 第50-53页 |
| ·神经网络自适应PI控制器 | 第53-56页 |
| ·神经网络确定PI控制器的参数学习过程 | 第54-55页 |
| ·神经网络PI控制器的权值学习 | 第55页 |
| ·PI控制器的输出 | 第55页 |
| ·PI神经网络PI控制器的算法 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 5 SVG控制系统仿真研究 | 第57-71页 |
| ·MATLAB仿真软件介绍 | 第57页 |
| ·SVG仿真模型建立 | 第57-59页 |
| ·无功电流检测模块 | 第57-58页 |
| ·电源及其负载仿真模块 | 第58-59页 |
| ·PWM信号产生模块 | 第59页 |
| ·无功电流环节仿真结果 | 第59-63页 |
| ·电网电压对称且无畸变 | 第60-61页 |
| ·电网电压不对称仿真实验 | 第61-63页 |
| ·BP神经网络-PI控制器的仿真结果 | 第63-65页 |
| ·整个系统仿真结果 | 第65-69页 |
| ·SVG感性无功补偿 | 第65-67页 |
| ·SVG动态补偿验证 | 第67-69页 |
| ·本章小结 | 第69-71页 |
| 6 总结与展望 | 第71-73页 |
| ·总结 | 第71-72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简介 | 第77-79页 |
| 学位论文数据集 | 第79页 |
