<tbody id="8mem0"></tbody>
隨著能源的緊張和環境污染日益嚴重，開發和利用太陽能已受到越來越多的重視。通過光伏并網發電系統將太陽能轉換為電能，并將電能輸送到電網上，是太陽能利用的主要形式。 本文對光伏并網發電系統的控制策略進行了深入的研究。首先，分析了太陽能電池發電的基本原理，得出了太陽能電池的等效模型，通過分析太陽能電池的I-V特性，可以看出太陽能電池是一非線性電源，而且輸出電能受環境溫度和光照強度的影響，為了使太陽能電池能夠最大效率地將太陽能轉化為電能，需要對其進行最大功率點跟蹤。通過分析和對比各種最大功率點跟蹤方法的優缺點，采用了改進擾動觀察法結合BOOST升壓電路來對電池板進行最大功率點跟蹤的方案。其次，分析對比并網電流的各種控制方式，確定采用滯環比較方式對并網電流進行控制，為了使并網電流穩定可靠地向電網送電，采用雙閉環控制策略對并網逆變器進行控制，使逆變器輸出電流能與電網電壓同頻同相，以單位功率因數向電網輸電。最后，對光伏并網發電系統的孤島效應進行了研究，介紹了各種孤島檢測方法，分析了基于正反饋的主動移頻式孤島檢測方法(AFDPF)的參數優化方案，為AFDPF檢測盲區的分析提供理論依據。 本文在MATLAB/Simulink仿真環境下，利用SimPowerSystems功能模塊建立了仿真模型，對太陽能電池板的數學模型，最大功率點跟蹤控制策略，并網控制策略進行驗證仿真。仿真結果證明了本文的方案和控制策略的正確性。
上傳時間： 2013-07-14
上傳用戶：prczsf
本書主要闡述設計射頻與微波功率放大器所需的理論、方法、設計技巧，以及將分析計算與計算機輔助設計相結合的優化設計方法。這些方法提高了設計效率，縮短了設計周期。本書內容覆蓋非線性電路設計方法、非線性主動設備建模、阻抗匹配、功率合成器、阻抗變換器、定向耦合器、高效率的功率放大器設計、寬帶功率放大器及通信系統中的功率放大器設計。 本書適合從事射頻與微波動功率放大器設計的工程師、研究人員及高校相關專業的師生閱讀。 作者簡介 Andrei Grebennikov是M／A—COM TYCO電子部門首席理論設計工程師，他曾經任教于澳大利亞Linz大學、新加坡微電子學院、莫斯科通信和信息技術大學。他目前正在講授研究班課程，在該班上，本書作為國際微波年會論文集。 目錄 第1章 雙口網絡參數 1.1 傳統的網絡參數 1.2 散射參數 1.3 雙口網絡參數間轉換 1.4 雙口網絡的互相連接 1.5 實際的雙口電路 1.5.1 單元件網絡 1.5.2 π形和T形網絡 1.6 具有公共端口的三口網絡 1.7 傳輸線 參考文獻 第2章 非線性電路設計方法 2.1 頻域分析 2.1.1 三角恒等式法 2.1.2 分段線性近似法 2.1.3 貝塞爾函數法 2.2 時域分析 2.3 NewtOn.Raphscm算法 2.4 準線性法 2.5 諧波平衡法 參考文獻 第3章 非線性有源器件模型 3.1 功率MOSFET管 3.1.1 小信號等效電路 3.1.2 等效電路元件的確定 3.1.3 非線性I—V模型 3.1.4 非線性C.V模型 3.1.5 電荷守恒 3.1.6 柵一源電阻 3.1.7 溫度依賴性 3.2 GaAs MESFET和HEMT管 3.2.1 小信號等效電路 3.2.2 等效電路元件的確定 3.2.3 CIJrtice平方非線性模型 3.2.4 Curtice.Ettenberg立方非線性模型 3.2.5 Materka—Kacprzak非線性模型 3.2.6 Raytheon(Statz等)非線性模型 3.2.7 rrriQuint非線性模型 3.2.8 Chalmers(Angek)v)非線性模型 3.2.9 IAF(Bemth)非線性模型 3.2.10 模型選擇 3.3 BJT和HBT汀管 3.3.1 小信號等效電路 3.3.2 等效電路中元件的確定 3.3.3 本征z形電路與T形電路拓撲之間的等效互換 3.3.4 非線性雙極器件模型 參考文獻 第4章 阻抗匹配 4.1 主要原理 4.2 Smith圓圖 4.3 集中參數的匹配 4.3.1 雙極UHF功率放大器 4.3.2 M0SFET VHF高功率放大器 4.4 使用傳輸線匹配 4.4.1 窄帶功率放大器設計 4.4.2 寬帶高功率放大器設計 4.5 傳輸線類型 4.5.1 同軸線 4.5.2 帶狀線 4.5.3 微帶線 4.5.4 槽線 4.5.5 共面波導 參考文獻 第5章 功率合成器、阻抗變換器和定向耦合器 5.1 基本特性 5.2 三口網絡 5.3 四口網絡 5.4 同軸電纜變換器和合成器 5.5 wilkinson功率分配器 5.6 微波混合橋 5.7 耦合線定向耦合器 參考文獻 第6章 功率放大器設計基礎 6.1 主要特性 6.2 增益和穩定性 6.3 穩定電路技術 6.3.1 BJT潛在不穩定的頻域 6.3.2 MOSFET潛在不穩定的頻域 6.3.3 一些穩定電路的例子 6.4 線性度 6.5 基本的工作類別：A、AB、B和C類 6.6 直流偏置 6.7 推挽放大器 6.8 RF和微波功率放大器的實際外形 參考文獻 第7章 高效率功率放大器設計 7.1 B類過激勵 7.2 F類電路設計 7.3 逆F類 7.4 具有并聯電容的E類 7.5 具有并聯電路的E類 7.6 具有傳輸線的E類 7.7 寬帶E類電路設計 7.8 實際的高效率RF和微波功率放大器 參考文獻 第8章 寬帶功率放大器 8.1 Bode—Fan0準則 8.2 具有集中元件的匹配網絡 8.3 使用混合集中和分布元件的匹配網絡 8.4 具有傳輸線的匹配網絡 8.5 有耗匹配網絡 8.6 實際設計一瞥 參考文獻 第9章 通信系統中的功率放大器設計 9.1 Kahn包絡分離和恢復技術 9.2 包絡跟蹤 9.3 異相功率放大器 9.4 Doherty功率放大器方案 9.5 開關模式和雙途徑功率放大器 9.6 前饋線性化技術 9.7 預失真線性化技術 9.8 手持機應用的單片cMOS和HBT功率放大器 參考文獻
上傳時間： 2013-04-24
上傳用戶：W51631
AD5933/AD5934的電流-電壓（I-V）放大級還可能輕微增加信號鏈的不準確性。I-V轉換級易受放大器的偏置電流、失調電壓和CMRR影響。通過選擇適當的外部分立放大器來執行I-V轉換，用戶可挑選一個具有低偏置電流和失調電壓規格、出色CMRR的放大器，提高I-V轉換的精度。該內部放大器隨后可配置成一個簡單的反相增益級。
上傳時間： 2013-10-27
上傳用戶：wangzeng
N+緩沖層設計對PT-IGBT器件特性的影響至關重要。文中利用Silvaco軟件對PT-IGBT的I-V特性進行仿真。提取相同電流密度下，不同N+緩沖層摻雜濃度PT-IGBT的通態壓降，得到了通態壓降隨N+緩沖層摻雜濃度變化的曲線，該仿真結果與理論分析一致。對于PT-IGBT結構，N+緩沖層濃度及厚度存在最優值，只要合理的選取可以有效地降低通態壓降。
上傳時間： 2013-11-12
上傳用戶：thesk123
創新、效能、卓越是ADI公司的文化支柱。作為業界公認的全球領先數據轉換和信號調理技術領先者，我們除了提供成千上萬種產品以外，還開發了全面的設計工具，以便客戶在整個設計階段都能輕松快捷地評估電路。
上傳時間： 2013-11-25
上傳用戶：kachleen
創新、效能、卓越是ADI公司的文化支柱。作為業界公認的全球領先數據轉換和信號調理技術領先者，我們除了提供成千上萬種產品以外，還開發了全面的設計工具，以便客戶在整個設計階段都能輕松快捷地評估電路。
上傳時間： 2013-10-18
上傳用戶：cxl274287265
分而治之方法還可以用于實現另一種完全不同的排序方法，這種排序法稱為快速排序（quick sort）。在這種方法中， n 個元素被分成三段（組）：左段l e f t，右段r i g h t和中段m i d d l e。中段僅包含一個元素。左段中各元素都小于等于中段元素，右段中各元素都大于等于中段元素。因此l e f t和r i g h t中的元素可以獨立排序，并且不必對l e f t和r i g h t的排序結果進行合并。m i d d l e中的元素被稱為支點( p i v o t )。圖1 4 - 9中給出了快速排序的偽代碼
上傳時間： 2015-04-27
上傳用戶：kristycreasy
本程序基于約瑟夫森結的RSJ模型，對無微波輻照和微波輻照下約瑟夫森結的特性進行了數值計算求解，其中有微波輻照的RSJ模型求解采用了四階龍格庫塔方程函數，兩種情況都給出了I-V特性曲線圖（程序包中也附帶），展現了量子化電壓臺階。
上傳時間： 2015-12-12
上傳用戶：gxrui1991
本簡易網絡導納分析儀以C8051F020為控制和數據處理核心，由正弦信號發生器模塊、濾波和功率放大模塊、I/V變換模塊、導納角測量模塊、導納模測量模塊、鍵盤模塊以及液晶顯示模塊組成。采用數字控制DDS芯片AD9851產生100Hz－10KHz正弦信號，經濾波和功率放大后驅動網絡負載。從網絡負載中提取被測量信號，輸入到以真有效值轉換集成芯片AD637為核心的電壓和電流測量電路構成的導納模測量模塊中進行導納模測量。導納角測量模塊是從導納模測量模塊中取電壓和電流信號分別經過零比較后使用鑒相器對信號相位差測量。把上述的測量結果經單片機處理后用液晶顯示。為了提高測量精度，將各部分電路的誤差合理分配，使電路達到最佳測量效果。
上傳時間： 2014-09-06
上傳用戶：JIUSHICHEN
程序名：ga_bp_predict.cpp 描述： 采用GA優化的BP神經網絡程序，用于單因素時間 序列的預測,采用了單步與多步相結合預測 說明： 采用GA(浮點編碼)優化NN的初始權值W[j][i],V[k][j]，然后再采用BP算法 優化權值
標簽： ga_bp_predict cpp 程序 BP神經網絡
上傳時間： 2014-02-18
上傳用戶：冇尾飛鉈
