| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.1.1 谐波的产生 | 第8-9页 |
| 1.1.2 谐波的危害 | 第9页 |
| 1.2 谐波的治理 | 第9-11页 |
| 1.2.1 无源滤波器 | 第10页 |
| 1.2.2 有源电力滤波器 | 第10-11页 |
| 1.3 有源电力滤波器的研究现状和发展趋势 | 第11-12页 |
| 1.3.1 有源电力滤波器的研究现状 | 第11页 |
| 1.3.2 有源电力滤波器的发展趋势 | 第11-12页 |
| 1.4 本论文的主要研究内容 | 第12-14页 |
| 第二章 基于神经网络检测的有源电力滤波器研究 | 第14-27页 |
| 2.1 有源电力滤波器的结构类型和工作原理 | 第14-15页 |
| 2.1.1 有源电力滤波器的结构类型 | 第14页 |
| 2.1.2 有源电力滤波器的工作原理 | 第14-15页 |
| 2.2 有源电力滤波器的谐波电流检测方法 | 第15-17页 |
| 2.3 人工神经网络理论 | 第17-21页 |
| 2.3.1 人工神经元模型 | 第17-18页 |
| 2.3.2 神经元的激活函数 | 第18-19页 |
| 2.3.3 人工神经网络模型 | 第19-20页 |
| 2.3.4 神经网络的学习算法 | 第20-21页 |
| 2.4 自适应噪声对消原理及其在谐波检测中的应用 | 第21-22页 |
| 2.4.1 自适应噪声对消原理 | 第21-22页 |
| 2.4.2 基于自适应噪声对消原理的谐波检测 | 第22页 |
| 2.5 自适应线性神经网络 | 第22-24页 |
| 2.6 改进型 LMS 算法 | 第24-26页 |
| 2.6.1 传统 LMS 算法 | 第24-25页 |
| 2.6.2 LMS 算法的改进 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 基于自适应线性神经网络的谐波分析 | 第27-39页 |
| 3.1 单相系统谐波分析 | 第27-29页 |
| 3.2 三相系统谐波分析 | 第29-31页 |
| 3.3 基于改进型 LMS 算法的仿真分析 | 第31-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 有源电力滤波器直流侧电压的神经网络控制 | 第39-48页 |
| 4.1 直流侧电压的稳定性分析 | 第39-40页 |
| 4.2 传统的 PI 控制 | 第40-42页 |
| 4.2.1 传统 PI 控制的原理 | 第40-41页 |
| 4.2.2 传统 PI 控制的缺陷及改进 | 第41-42页 |
| 4.3 直流侧电压的递推积分 PI 控制 | 第42-43页 |
| 4.4 直流侧电压的神经网络递推积分 PI 控制 | 第43-46页 |
| 4.4.1 BP 神经网络 PI 控制器的结构设计 | 第43-44页 |
| 4.4.2 BP 算法 | 第44-46页 |
| 4.5 仿真分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 神经网络滞环控制器的研究 | 第48-60页 |
| 5.1 有源电力滤波器的补偿电流控制方法 | 第48-49页 |
| 5.2 滞环比较控制 | 第49-50页 |
| 5.3 神经网络滞环控制器的设计 | 第50-55页 |
| 5.3.1 神经网络滞环控制器的结构 | 第50-52页 |
| 5.3.2 训练样本的形成 | 第52-53页 |
| 5.3.3 神经网络的训练算法 | 第53-55页 |
| 5.4 仿真分析 | 第55-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 结论 | 第60-62页 |
| 6.1 全文结论 | 第60页 |
| 6.2 有待完善的工作 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第65-66页 |
| 致谢 | 第66页 |