基于二阶广义积分器锁相环(second-order generalized integrator-phase-locked loop,SOGI-PLL)的图腾柱无桥功率因数校正变换器(totem pole bridgeless power factor correction,TBPFC)可有效滤除电网电压谐波,但对于包含谐波及直流分...基于二阶广义积分器锁相环(second-order generalized integrator-phase-locked loop,SOGI-PLL)的图腾柱无桥功率因数校正变换器(totem pole bridgeless power factor correction,TBPFC)可有效滤除电网电压谐波,但对于包含谐波及直流分量的复杂电网抑制谐波能力有限,锁相精确有待提高。为此提出4种改进SOGI-PLL的控制策略:嵌入型SOGI-PLL、级联型SOGI-PLL、并联型SOGI-PLL和增强并联型SOGI-PLL锁相设计方法。通过分别阐述4种策略的改进结构,将4种改进锁相方法与SOGI-PLL进行对比,分析出不同锁相策略的谐波及直流分量的抑制能力,并针对TBPFC变换器电流环比例积分控制器存在谐波抑制能力不足的问题,采用能够改善对电网谐波的抑制能力的比例积分谐振控制器,将该控制器与4种改进锁相环相结合重塑电流内环控制结构,实现谐波抑制,优化电感电流波形质量,降低总谐波失真。经仿真试验证明,与SOGI-PLL相比,所提出的4种改进策略的抑制谐波能力均优于SOGI-PLL,总谐波失真均低于SOGI-PLL。展开更多
青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强...青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强多尺寸目标特征提取,结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征,并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔,提升小目标检测精度。实验结果表明,RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比,RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时,提升了精度和实时性,满足边缘设备需求。展开更多
文摘基于二阶广义积分器锁相环(second-order generalized integrator-phase-locked loop,SOGI-PLL)的图腾柱无桥功率因数校正变换器(totem pole bridgeless power factor correction,TBPFC)可有效滤除电网电压谐波,但对于包含谐波及直流分量的复杂电网抑制谐波能力有限,锁相精确有待提高。为此提出4种改进SOGI-PLL的控制策略:嵌入型SOGI-PLL、级联型SOGI-PLL、并联型SOGI-PLL和增强并联型SOGI-PLL锁相设计方法。通过分别阐述4种策略的改进结构,将4种改进锁相方法与SOGI-PLL进行对比,分析出不同锁相策略的谐波及直流分量的抑制能力,并针对TBPFC变换器电流环比例积分控制器存在谐波抑制能力不足的问题,采用能够改善对电网谐波的抑制能力的比例积分谐振控制器,将该控制器与4种改进锁相环相结合重塑电流内环控制结构,实现谐波抑制,优化电感电流波形质量,降低总谐波失真。经仿真试验证明,与SOGI-PLL相比,所提出的4种改进策略的抑制谐波能力均优于SOGI-PLL,总谐波失真均低于SOGI-PLL。
文摘青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强多尺寸目标特征提取,结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征,并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔,提升小目标检测精度。实验结果表明,RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比,RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时,提升了精度和实时性,满足边缘设备需求。
