CN104216290B - 永磁真空开关动态特性模糊神经自寻优的调控方法及系统 - Google Patents
永磁真空开关动态特性模糊神经自寻优的调控方法及系统 Download PDFInfo
- Publication number
- CN104216290B CN104216290B CN201410439928.XA CN201410439928A CN104216290B CN 104216290 B CN104216290 B CN 104216290B CN 201410439928 A CN201410439928 A CN 201410439928A CN 104216290 B CN104216290 B CN 104216290B
- Authority
- CN
- China
- Prior art keywords
- iron core
- vacuum switch
- control strategy
- fuzzy
- operating mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了永磁真空开关动态特性模糊神经自寻优的调控方法及系统，属于断路器智能控制的技术领域。调控方法通过分割操动机构中动静机构的最大距离，在不同分割点处实施模糊、神经网络的混合策略方式来控制永磁真空开关，借助神经网络的预测寻找最小合/分闸末速度对应的混合控制策略，以及混合策略中模糊控制与神经网络控制的转换点，操动机构在最优控制策略的作用下，在合分闸初期速度快，减少了拉弧时间，而在合分闸末期速度慢，提高了永磁真空开关机械寿命。系统包括策略生成模块、数据采集模块、策略寻优模块，通信选择模块，在不同转换点处实现了合/分闸初期操动机构动作快、合/分闸末期操动机构动作慢的控制目标。
Description
技术领域
本发明公开了永磁真空开关动态特性模糊神经自寻优的调控方法及系统，属于断路器智能控制的技术领域。
背景技术
作为智能电网中最为关键的电力设备，永磁真空开关工作性能的好坏，直接影响到智能电网的安全与可靠运行。现有的永磁真空开关在合分闸的过程中大都采用将储能电容与线圈通过不加控制或简单控制的电子开关直接相连的方式来产生合分闸过程中所需的磁动势。这样虽然使得运动机构可以获得较大的驱动和运动速度，缩短合分闸响应时间，但线路中流过过大的电流，会加速储能电容、合分闸线圈、电子开关及连接线路的老化及毁坏，并且由于碰撞速度过快使运动机构及有关部件承受超载的机械应力，使各部件损坏或变形，造成动作失灵。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足，提供了永磁真空开关动态特性模糊神经自寻优的调控方法及系统。
本发明为实现上述发明目的采用如下技术方案：
永磁真空开关动态特性模糊神经自寻优的调控方法，
步骤1，根据操动机构中动铁芯相对于静铁芯的位移量生成模糊和神经网络的混合控制策略，
所述混合控制策略确定方法为：等距分割操动机构中动静机构的最大距离，取各分割点组成集合，遍历集合中每一分割点，以当前分割点为转换点，按照如下两种方式控制永磁真空开关：
混合控制策略一：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用模糊控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用神经网络控制方式，
混合控制策略二：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用神经网络控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用模糊控制方式，
混合控制策略一、二中所述的神经网络控制方式，根据操动机构运动速度正相关于合/分闸线圈驱动电路的PWM的特性，预测输出数据；
步骤2，在混合控制策略下采集永磁真空开关的合/分闸末速度；
步骤3，以步骤2采集的永磁真空开关的合/分闸末速度为输出数据，以与所采集的合/分闸末速度对应的操动机构中动铁芯相对于静铁芯的位移数据为输入数据训练神经网络，取神经网络预测的最小输出数据对应的混合控制策略控制永磁真空开关，记录各混合控制策略下的合/分闸末速度，结束神经网络的训练阶段后选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
进一步的，所述模糊神经自寻优调控方法的步骤3具体按照如下方法选取最优控制策略：
步骤3-1，以各分割点为输入数据，以在混合控制策略一下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第一样本，
步骤3-2，以各分割点为输入数据，以在混合控制策略二下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第二样本，
步骤3-3，以各分割点为输入数据，以在混合控制策略一下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第三样本，
步骤3-4，以各分割点为输入数据，以在混合控制策略二下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第四样本，i为自然数，表示中间层神经元数目，
步骤3-5，取第一、第二、第三、第四样本中的输入数据以及各样本对应的混合控制策略控制永磁真空开关，记录此时的合/分闸末速度，将第一、第二、第三、第四样本中的输入数据加入分割点组成的集合，重复步骤3-1、步骤3-2、步骤3-3、步骤3-4，
步骤3-6，在结束训练1-i-1结构神经网络后，选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
作为所述模糊神经自寻优调控方法的进一步优化方案，步骤2中在混合控制策略下采集永磁真空开关的合/分闸末速度为RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
永磁真空开关动态特性的模糊神经自寻优系统，包括：
策略生成模块，根据操动机构中动铁芯相对于静铁芯的位移量生成模糊和神经网络的混合控制策略，所述混合控制策略为：等距分割操动机构中动静机构的最大距离，取各分割点组成集合，遍历集合中每一分割点，以当前分割点为转换点，按照如下两种方式控制永磁真空开关：
混合控制策略一：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用模糊控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用神经网络控制方式，
混合控制策略二：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用神经网络控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用模糊控制方式；
数据采集模块，在混合控制策略下采集永磁真空开关的合/分闸速度；
策略寻优模块，以采集的永磁真空开关的合/分闸末速度为输出数据，以与所采集的合/分闸末速度对应的操动机构中动铁芯相对于静铁芯的位移数据为输入数据训练神经网络，取神经网络预测的最小输出数据对应的混合控制策略控制永磁真空开关，记录各混合控制策略下的合/分闸末速度，结束神经网络的训练阶段后选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
作为所述模糊神经自寻优系统的进一步优化方案，所述控制系统还包括：通信选择模块，根据被控永磁真空开关的型号、现场电磁干扰的强弱，选择性采用RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
本发明采用上述技术方案，具有以下有益效果：
(1)调控方法通过分割操动机构中动静机构的最大距离，在不同分割点处实施模糊、神经网络的混合策略方式来控制永磁真空开关，借助神经网络的预测寻找最小合/分闸末速度对应的混合控制策略，以及混合策略中模糊控制与神经网络控制的转换点，操动机构在最优控制策略的作用下，在合分闸初期速度快，减少了拉弧时间，而在合分闸末期速度慢，提高了永磁真空开关机械寿命；
(2)为了实施模糊神经自寻优调控方法，本发明提出与其相对应的系统，根据操动机构中动铁芯相对于静铁芯的位移量生成混合控制策略，采集混合控制策略下采集的永磁真空开关的合/分闸末速度，并通过神经网络的训练确定最优控制策略；
(3)系统中的通信选择模块选择性采用RS485通信电路传回的数据和/或模拟量通信电路传回的数据，以适应被控永磁真空开关型号的差异以及现场电磁干扰强弱的影响。
附图说明
图1为模糊神经自寻优控制系统的结构图。
图2为模糊控制方式示意图。
图3为模糊隶属函数的示意图。
图4为1-i-1神经网络的结构示意图。
图5为1-i-1神经网络的训练示意图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
本发明涉及的永磁真空开关动态特性的模糊神经自寻优系统可以用如图1所示的微控制器实现。激光位移传感器检测操动机构中动铁芯相对于静铁芯的位移量。检测的位移量通过RS485通信电路和/或模拟量通信电路传回微控制器。微控制器根据位移量、最优控制策略生成合分闸线圈驱动电路的PWM。合/分闸线圈驱动电路在微控制器输出PWM作用下控制合/分闸线圈放电。策略生成模块，根据操动机构中动铁芯相对于静铁芯的位移量生成模糊和神经网络的混合控制策略，数据采集模块，在混合控制策略下采集永磁真空开关的合/分闸速度，策略寻优模块，以采集的永磁真空开关的合/分闸末速度为输出数据，以与所采集的合/分闸末速度对应的操动机构中动铁芯相对于静铁芯的位移数据为输入数据训练神经网络，取神经网络预测的最小输出数据对应的混合控制策略控制永磁真空开关，记录各混合控制策略下的合/分闸末速度，结束神经网络的训练阶段后选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。通信选择模块，根据被控永磁真空开关的型号、现场电磁干扰的强弱，选择性采用RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
RS485采用差分信号负逻辑，逻辑“1”以两线间的电压差为+(2～6)V表示，逻辑“0”以两线间的电压差为-(2～6)V表示，而微控制器使用的是TTL电平，故相互转换时需要加通信电路。激光位移传感器除了485输出接口外，还有模拟量输出接口，模拟量通信电路的作用是将0到10V的激光位移传感器位移量检测输出电压转换为0到3.3V的微控制器AD检测电压。
(一)模糊控制方式如图2所示
1、微控制器通过RS485通信电路或模拟量通信电路获取操动机构中动铁芯相对于静铁芯的实时位移量，这一实时位移量被转换为范围为-6到6的实时位移精确量。
2、模糊化操动机构中动铁芯相对于静铁芯的位移量得到模糊输入量：在论域上划分出若干模糊子集，确定各模糊子集的隶属函数。
通过图3所示模糊控制隶属函数图，在-6到6之间的论域U上划分出{NL，NM，NS，ZO，PS，PM，PL}7个实时位移模糊量，隶属函数表达式为：
3、确定模糊输入量与模糊输出量之间的模糊规则，由表1所示模糊规则得到模糊输入量对应的模糊输出量。
表1模糊规则
模糊与操作采用取小操作，模糊或操作采用取大操作，模糊蕴含操作采用取小操作，模糊综合操作采用取大操作。模糊推理将实时位移模糊量转化为PWM占空比模糊量。
4、反模糊处理模糊输出量得到PWM的精确输出值
通过图3所示隶属函数将PWM占空比模糊量反模糊为PWM占空比精确量进行输出，反模糊采用的重心法见下式，x为论域U的横坐标上一点，y(x)为对应纵坐标的值：
模糊算法输出的PWM占空比精确量的范围为-6到6之间，经过线性映射使得微控制器输出范围为0到1之间的PWM占空比。
(二)神经网络
本发明采用图4所示的1-i-1结构神经网络实现自寻优控制。神经网络的输出数据y与输入数据x的关系式：
L为输入层节点数，M为隐含层节点数，wij为为输入层与隐含层之间的连接权值，wli为隐含层与输出层之间的连接权值。
输入层激活函数为purelin函数，因此输入层输入输出数据满足：
隐含层激活函数类型为tansig函数，因此隐含层输入输出数据满足：
输出层激活函数类型为purelin函数，因此输出层输入输出数据满足：
利用梯度下降法调整连接权值w：η为学习速率，η为学习速率为给定误差值，yset是训练给定输出值，yget是在训练给定输入值下神经网络当前的输出。对于表2所示的数字规则，训练结果如图5所示，由图5可知神经网络在第1000次迭代的时候获取最小误差1.0473e-8，
训练误差很小，训练成功。表1所示模糊规则及实现此规则的模糊控制方法和表2所示数字规则及实现此规则的神经网络控制方法是根据PWM占空比大时合/分闸速度快，PWM占空比小时合/分闸速度小的要求得到的。凡是符合PWM占空比大时合/分闸速度快，PWM占空比小时合/分闸速度小的控制规则及控制方法都可用于本发明。
表2数字规则
微控制器的自寻优调控方法：
步骤1，等距分割操动机构中动静机构的最大距离，取各分割点组成集合，遍历集合中每一分割点，以当前分割点为转换点，按照如下两种方式控制永磁真空开关：
混合控制策略一：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用模糊控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用神经网络控制方式，
混合控制策略二：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用神经网络控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用模糊控制方式，
混合控制策略一、二中所述的神经网络控制方式(如图1所示的神经网络1)，根据操动机构运动速度正相关于合/分闸线圈驱动电路的PWM的特性，预测输出数据。
步骤2，在混合控制策略下采集永磁真空开关的合/分闸末速度，测得的合/分闸末速度通过RS485通信电路或者模拟量通信电路传递给通信选择模块，通信选择模块根据被控永磁开关的型号、现场电磁干扰的强弱，选择性采用RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
步骤3-1，以各分割点为输入数据，以在混合控制策略一下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络(如图1所示的神经网络2)，所述神经网络预测的最小输出数据及其对应的输入数据组成第一样本，
步骤3-2，以各分割点为输入数据，以在混合控制策略二下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络(如图1所示的神经网络3)，所述神经网络预测的最小输出数据及其对应的输入数据组成第二样本，
步骤3-3，以各分割点为输入数据，以在混合控制策略一下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络(如图1所示的神经网络4)，所述神经网络预测的最小输出数据及其对应的输入数据组成第三样本，
步骤3-4，以各分割点为输入数据，以在混合控制策略二下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络(如图1所示的神经网络5)，所述神经网络预测的最小输出数据及其对应的输入数据组成第四样本，i为自然数，表示中间层神经元数目，
步骤3-5，取第一、第二、第三、第四样本中的输入数据以及各样本对应的混合控制策略控制永磁真空开关，记录此时的合/分闸末速度，将第一、第二、第三、第四样本中的输入数据加入分割点组成的集合，重复步骤3-1、步骤3-2、步骤3-3、步骤3-4，
步骤3-6，在结束训练1-i-1结构神经网络后，选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
选择永磁真空开关合闸过程动静铁芯位移量的中点作为算法执行的转换位移点，转换位移点前段执行模糊算法，转换位移点后段执行神经网络算法。将测试结果与不加控制时PWM全导通的情况进行对比，测试结果下表3所示：
表3
可见模糊神经自适应控制方法，融合了模糊算法和神经网络算法优点，一方面使得永磁真空开关合分闸初期运动机构速度快,减少拉弧时间，提高了永磁真空开关电气寿命；另一方面使得永磁真空开关合分闸末期运动机构速度慢，减小机械碰撞带来的危害，提高了永磁真空开关机械寿命。
表3仅以动静铁芯最大位移量的中点作为算法转换点时测得的实验数据，实验证明本发明所述的控制方法在其他转换点处亦有上述效果。
Claims (5)
1.永磁真空开关动态特性模糊神经自寻优的调控方法，其特征在于：
步骤1，根据操动机构中动铁芯相对于静铁芯的位移量生成模糊和神经网络的混合控制策略，
所述混合控制策略确定方法为：等距分割操动机构中动静机构的最大距离，取各分割点组成集合，遍历集合中每一分割点，以当前分割点为转换点，按照如下两种方式控制永磁真空开关：
混合控制策略一：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用模糊控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用神经网络控制方式，
混合控制策略二：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用神经网络控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用模糊控制方式，
混合控制策略一、二中所述的神经网络控制方式，根据操动机构运动速度正相关于合/分闸线圈驱动电路的PWM的特性，预测输出数据；
步骤2，在混合控制策略下采集永磁真空开关的合/分闸末速度；
步骤3，以步骤2采集的永磁真空开关的合/分闸末速度为输出数据，以与所采集的合/分闸末速度对应的操动机构中动铁芯相对于静铁芯的位移数据为输入数据训练神经网络，取神经网络预测的最小输出数据对应的混合控制策略控制永磁真空开关，记录各混合控制策略下的合/分闸末速度，结束神经网络的训练阶段后选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
2.根据权利要求1所述永磁真空开关动态特性模糊神经自寻优的调控方法，其特征在于，步骤3具体按照如下方法选取最优控制策略：
步骤3-1，以各分割点为输入数据，以在混合控制策略一下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第一样本，
步骤3-2，以各分割点为输入数据，以在混合控制策略二下采集的合闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第二样本，
步骤3-3，以各分割点为输入数据，以在混合控制策略一下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第三样本，
步骤3-4，以各分割点为输入数据，以在混合控制策略二下采集的分闸末速度为输出数据，训练1-i-1结构的神经网络，所述神经网络预测的最小输出数据及其对应的输入数据组成第四样本，i为自然数，表示中间层神经元数目，
步骤3-5，取第一、第二、第三、第四样本中的输入数据以及各样本对应的混合控制策略控制永磁真空开关，记录此时的合/分闸末速度，将第一、第二、第三、第四样本中的输入数据加入分割点组成的集合，重复步骤3-1、步骤3-2、步骤3-3、步骤3-4，
步骤3-6，在结束训练1-i-1结构神经网络后，选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
3.根据权利要求1或2所述永磁真空开关动态特性模糊神经自寻优的调控方法，其特征在于：步骤2中在混合控制策略下采集永磁真空开关的合/分闸末速度为RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
4.永磁真空开关动态特性的模糊神经自寻优系统，其特征在于包括：
策略生成模块，根据操动机构中动铁芯相对于静铁芯的位移量生成模糊和神经网络的混合控制策略，所述混合控制策略为：等距分割操动机构中动静机构的最大距离，取各分割点组成集合，遍历集合中每一分割点，以当前分割点为转换点，按照如下两种方式控制永磁真空开关：
混合控制策略一：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用模糊控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用神经网络控制方式，
混合控制策略二：在操动机构中动铁芯相对于静铁芯的位移量小于或等于转换点时，采用神经网络控制方式，在操动机构中动铁芯相对于静铁芯的位移量大于转换点时，采用模糊控制方式；
数据采集模块，在混合控制策略下采集永磁真空开关的合/分闸速度；
策略寻优模块，以采集的永磁真空开关的合/分闸末速度为输出数据，以与所采集的合/分闸末速度对应的操动机构中动铁芯相对于静铁芯的位移数据为输入数据训练神经网络，取神经网络预测的最小输出数据对应的混合控制策略控制永磁真空开关，记录各混合控制策略下的合/分闸末速度，结束神经网络的训练阶段后选取记录的最小合/分闸末速度对应的混合控制策略作为最优控制策略。
5.根据权利要求4所述永磁真空开关动态特性的模糊神经自寻优系统，其特征在于，所述自寻优系统还包括：通信选择模块，根据被控永磁真空开关的型号、现场电磁干扰的强弱，选择性采用RS485通信电路传回的数据和/或模拟量通信电路传回的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410439928.XA CN104216290B (zh) | 2014-09-01 | 2014-09-01 | 永磁真空开关动态特性模糊神经自寻优的调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410439928.XA CN104216290B (zh) | 2014-09-01 | 2014-09-01 | 永磁真空开关动态特性模糊神经自寻优的调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104216290A CN104216290A (zh) | 2014-12-17 |
| CN104216290B true CN104216290B (zh) | 2017-02-15 |
Family
ID=52097910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410439928.XA Active CN104216290B (zh) | 2014-09-01 | 2014-09-01 | 永磁真空开关动态特性模糊神经自寻优的调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104216290B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110673642B (zh) * | 2019-10-28 | 2022-10-28 | 深圳市赛为智能股份有限公司 | 无人机着陆控制方法、装置、计算机设备及存储介质 |
| CN110888323A (zh) * | 2019-11-26 | 2020-03-17 | 大连理工大学 | 一种用于切换系统智能优化的控制方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63165903A (ja) * | 1986-12-27 | 1988-07-09 | Toshiba Corp | 適応制御装置 |
| DE19530049B4 (de) * | 1995-08-16 | 2004-12-23 | Thomas Froese | Verfahren zur Erkennung von fehlerhaften Vorhersagen in einer neuromodellgestützten oder neuronalen Regelung |
| JP2000207002A (ja) * | 1999-01-18 | 2000-07-28 | Yamaha Motor Co Ltd | ショックアブソ―バの最適制御方法 |
| CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
| CN103744291B (zh) * | 2014-01-13 | 2017-03-29 | 武汉大学 | 一种基于cps的agc逻辑控制系统及方法 |
-
2014
- 2014-09-01 CN CN201410439928.XA patent/CN104216290B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104216290A (zh) | 2014-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103715886B (zh) | 四开关降压/升压模式变换器的控制方法及控制电路 | |
| CN103675426B (zh) | 电感电流过零检测方法及电路以及带该电路的开关电源 | |
| CN106154103B (zh) | 三电平逆变器的开关管开路故障诊断方法 | |
| CN109270442A (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
| CN104216290B (zh) | 永磁真空开关动态特性模糊神经自寻优的调控方法及系统 | |
| CN105445646A (zh) | 基于神经网络专家系统的模数电路故障诊断的测试方法 | |
| CN100413645C (zh) | 微细电火花加工间隙放电状态的检测方法 | |
| CN112684329A (zh) | 一种高压断路器机械故障智能诊断方法 | |
| CN109657194A (zh) | 一种基于Q-learning和规则的混合动力车辆运行实时能源管理方法 | |
| CN108233716A (zh) | 一种基于遗传算法和dc-dc变换器建模的参数优化设计方法 | |
| CN110395142A (zh) | 一种自适应模糊神经网络电池均衡控制方法及其控制系统 | |
| CN109031114A (zh) | 一种弹簧操动机构断路器建模与故障诊断方法 | |
| CN111555408B (zh) | 一种基于单电感的串并联电池组主动均衡方法 | |
| CN110518888A (zh) | 一种用于磁悬浮电机的开关功率放大器 | |
| CN110492727A (zh) | 一种用于igbt串联均压的驱动电路 | |
| CN104538222A (zh) | 基于人工神经网络的高压开关选相控制器及方法 | |
| CN104615187B (zh) | 一种太阳能光伏系统热斑检测及优化控制方法 | |
| CN103856045A (zh) | 一种基于分层思想的模糊pi双环控制方法 | |
| CN105599638B (zh) | 针对电动汽车电机磁衰退特性的转矩控制方法 | |
| CN111413647A (zh) | 一种clllc谐振变换器开路故障实时检测方法和系统 | |
| CN205283380U (zh) | 一种宽占空比的mosfet隔离驱动电路 | |
| CN109039083A (zh) | 谐振型隔离双向直流变换器的瞬态功率平衡方法及系统 | |
| CN107703913A (zh) | 一种upfc故障诊断方法 | |
| CN102629824A (zh) | 一种提高开关电源切换控制精度的方法 | |
| CN102946208A (zh) | 基于免疫算法的逆变器无死区控制优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |