CN112103960A - 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种基于神经网络的有源电力滤波器分数阶滑模控制方法及系统，旨在解决现有技术中有源电力滤波器控制的稳定性、可靠性不足的技术问题。其包括：根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；根据最优等效控制项获得最优控制律，控制有源电力滤波器。本发明能够快速准确的进行电流补偿，具有良好的可靠性和稳定性。

Description

基于神经网络的有源电力滤波器分数阶滑模控制方法、系统 及存储介质

技术领域

本发明涉及一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，属于有源电力滤波器智能控制技术领域。

背景技术

在科学技术发展迅速的当下，电力电子设备的应用在电力系统中愈发的广泛，在此过程中，大量的电力电子设备会导致电力系统中的非线性负载逐渐增大，也带来了很大程度上的谐波污染。者不仅会逐渐加大电力系统的安全隐患，谐波还会造成电能的浪费，增加损耗，影响电气设备的正常运行，因此谐波治理近年来受到了越来越广泛的关注。

在谐波治理的初期，许多常规的方法比如PID控制还能在一定程度上满足电网需求，但是，如今这些常规方法已经难以发挥良好的效果，在谐波治理的手段中，有源电力滤波器作为其中最为有效的方法，在谐波治理中起着举足轻重的作用。

目前，国内外针对有源电力滤波器的控制方法大多因人而异，没有规范，其稳定性和可靠性无法保证，将智能控制与有源滤波器相结合来提升有源滤波器控制效果已经成为了大势所趋。

发明内容

为了解决现有技术中有源电力滤波器控制的稳定性、可靠性不足的问题，本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，利用神经网络处理非线性项的能力逼近等效控制项，令系统对模型精度的要求不需要太高，能够快速准确的进行电流补偿。

为解决上述技术问题，本发明采用了如下技术手段：

第一方面，本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法，包括如下步骤：

S1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；

S2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；

S3、根据最优等效控制项获得最优控制律，控制有源电力滤波器。

结合第一方面，进一步的，所述有源电力滤波器的控制模型的方程表示如下：

其中，x为补偿电流i_c，

为x的二阶导数，

R为交流侧电阻值，L为交流侧的等效电感，U_s为电源电压，

为U_s的一阶导数，U_dc为直流链路电压，

为U_dc的一阶导数，u为控制律，d(t)为连续可微的外部未知外部扰动之和，0＜d(t)＜D，D为d(t)的上界。

结合第一方面，进一步的，分数阶滑模模型的构建方法包括如下步骤：

定义分数阶滑模面：

其中，s为滑模面，c为滑模系数，e为跟踪误差，e＝x-x_r，x_r为参考电流，α为分数阶滑模阶数；

根据分数阶滑模面获得有源电力滤波器的控制律：

u＝u_eq+u_sw (3)

其中，u_eq为等效控制项，u_sw为切换控制项；

切换控制项u_sw的表达式如下：

其中，K_wsgn(s)为滑模面的切换项。

结合第一方面，进一步的，双反馈模糊双隐层递归神经网络模型的神经网络结构如下：

第一层：输入层，用于传递神经网络输入信号；

第二层：模糊化层，用于利用高斯函数处理输入层输入的信号，实现模糊化操作；

第三层：规则层，用于对模糊化层输出的信号进行模糊规则预处理；

第四层：第一隐含层，用于利用非线性激活函数处理输入层输入的信号，进行特征初步提取；

第五层：第二隐含层，用于利用非线性激活函数处理第一隐含层输出的信号，再次进行特征提取；

第六层：结果层，用于对规则层输出的信号和第二隐含层输出的信号进行乘法操作；

第七层：输出层，用于对结果层输出的信号进行加权求和处理，获得双反馈模糊双隐层递归神经网络的输出，并将当前时刻的输出作为下一时刻双反馈模糊双隐层递归神经网络的输入。

结合第一方面，进一步的，双反馈模糊双隐层递归神经网络的输出为：

其中，Y为双反馈模糊双隐层递归神经网络的输出，即为等效控制项u_eq，W_j为神经网络的结果层到输出层的第j个节点的权值，W为所有W_j组成的权值向量，G表示神经网络结果层的输出向量，

为结果层的第j个节点的输出值。

结合第一方面，进一步的，基于最优逼近能力，通过双反馈模糊双隐层递归神经网络的迭代运算，获得最优等效控制项

其中，W^*为结果层的最佳权值向量，G^*为最优等效控制项对应的神经网络结果层的输出向量；

则等效控制项u_eq的表达式如下：

其中，ε为

和u_eq的误差，s,

M^*,σ^*,

W^*,R^*分别为最优等效控制项

对应的最佳参数，

为最佳外反馈权值向量，M^*为模糊化层高斯函数的最佳中心向量，σ^*为模糊化层高斯函数的最佳基宽向量，

为第一隐含层非线性激活函数的最佳中心向量，

为第一隐含层非线性激活函数的最佳基宽向量，

为第二隐含层非线性激活函数的最佳中心向量，

为第二隐含层非线性激活函数的最佳基宽向量，R^*为最佳内反馈权值向量。

结合第一方面，进一步的，最佳参数的学习策略如下：

设等效控制项估计值的输出为：

其中，

为等效控制项估计值，

分别为最佳参数

M^*,σ^*,

W^*,R^*的估计值；

u_eq和

的误差为：

其中，ε₀为总积分近似误差，

为结果层权值向量的误差，

为结果层输出向量的误差。

定义一个Lyapunov函数：

其中，V表示Lyapunov函数，η₁,η₂,η₃,η₄,η₅,η₆,η₇,η₈,η₉分别为最优参数W^*,

M^*,σ^*,

R^*的学习率，

分别为最优参数

M^*,σ^*,

R^*的误差；

令V的一阶导数为0，获得最佳参数的自适应率：

第二方面，本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制系统，所述系统包括：

分数阶滑模模块，用于根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；

神经网络模块，用于基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；

有源电力滤波器控制模块，用于利用最优等效控制项控制有源电力滤波器。

第三方面，本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制系统，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。

第四方面，本发明提出了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

采用以上技术手段后可以获得以下优势：

本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，利用分数阶滑模控制，与传统的滑模面相比，分数阶滑模既保留了其理论特性，即其三要素不变，同时分数阶滑模趋近律具有较好的平滑特性，且分数阶滑模控制律具有更好的抗干扰性和强鲁棒性，可以更准确的描述有源电力滤波器控制系统的动态特性和表征能力，提高系统的控制能力和控制精度，此外，分数阶滑模对于历史信息还具有一定的记忆性。

本发明利用模糊神经网络和双隐层神经网络构建了一个双反馈模糊双隐层递归神经网络，该神经网络具有更好的处理非线性的能力，可以在降低计算复杂度的基础上提高计算精度，通过神经网络逼近等效控制率，能够有效削弱系统抖振，具有很强的抗干扰能力和良好的鲁棒性。

本发明的有源电力滤波器控制方法及系统能够快速准确的进行电流补偿，具有良好的可靠性和稳定性。

附图说明

图1为本发明一种基于神经网络的有源电力滤波器分数阶滑模控制方法的步骤流程图。

图2为本发明实施例中有源电力滤波器的拓扑结构示意图。

图3为本发明实施例中双反馈模糊双隐层递归神经网络模型的结构示意图。

图4为本发明实施例中电源电流曲线图。

图5为本发明实施例中谐波电流的补偿跟踪曲线图。

图6为本发明实施例中稳态下的电源电流频谱图。

图7为本发明实施例中动态下的电源电流曲线图。

图8为本发明实施例中动态下的电源电流频谱图。

图9为本发明一种基于神经网络的有源电力滤波器分数阶滑模控制系统的结构示意图。

图中，1是分数阶滑模模块，2是神经网络模块，3是有源电力滤波器控制模块。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明：

本发明提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法，如图1所示，具体包括如下步骤：

S1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律。

在本发明实施例中的有源电力滤波器的电路拓扑结构如图2所示，其中采用的是单相并联型有源电力滤波器。

取有源电力滤波器的补偿电流i_c为x，获得有源电力滤波器的控制模型，方程表示如下：

其中，

为x的二阶导数，

R为交流侧电阻值，L为交流侧的等效电感，U_s为电源电压，

为U_s的一阶导数，U_dc为直流链路电压，

为U_dc的一阶导数，u为控制律，d(t)为连续可微的外部未知外部扰动之和，假设d(t)是一个有界函数，则0＜d(t)＜D，D为d(t)的上界，在仿真设计过程中，D为自定义的噪声信号。

根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，具体步骤如下：

定义分数阶滑模面：

其中，s为滑模面，c为滑模系数，e为跟踪误差，e＝x-x_r，x_r为参考电流，α为分数阶滑模阶数。

在忽略扰动d(t)的前提下，可以通过令分数阶滑模面的一阶导数为零的情况下，获得等效控制项u_eq：

然而，在实际的有源电力滤波器中，做不到忽略扰动d(t)，因此本发明定义切换控制项，从而使系统达到稳定，切换控制项u_sw的表达式如下：

其中，K_wsgn(s)为滑模面的切换项(常值切换控制)，其可以使有源电力滤波器系统渐进稳定并具有良好的动态品质。

根据公式(20)、(21)可得有源电力滤波器的控制律如下：

采用上述的分数阶滑模面能够使系统得到一定程度的稳定性。

S2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项。

如图3所示，本发明双反馈模糊双隐层递归神经网络模型共有七层，具体神经网络结构如下：

第一层：输入层，主要用于传递神经网络输入信号，输入信号为当前状态的状态量，输入信号包括补偿电流及其一阶导数和二阶导数、跟踪误差及其一阶导数和二阶导数，在初始阶段，神经网络的输入信号为计算机给定的，后续阶段神经网络的输入信号包括前一时刻双反馈模糊双隐层递归神经网络的输出。

输入层可以分为三层：第一输入层、第二输入层和第三输入层，其中，第一输入层是整个神经网络的输入部分，第二输入层是模糊神经网络的输入层，即将输入双反馈模糊双隐层递归神经网络的信号传递到模糊神经网络，第三输入层是双隐层神经网络的输入层，即将输入双反馈模糊双隐层递归神经网络的信号传递到双隐层神经网络。

在本发明实施例中，第一输入层的第i个节点的输出

可以表示为：

其中，x_i为输入信号，即为补偿电流及其一阶导数和二阶导数、跟踪误差及其一阶导数和二阶导数构成的向量，exY表示前一时刻双反馈模糊双隐层递归神经网络的输出，W_ri为第一输入层的第i个节点的外反馈权值，i＝1,2,…,k，k为第一输入层的节点总数。

第二层：模糊化层，模糊化层中的每个节点的含义都是一个隶属度函数，模糊化层主要用于利用高斯函数处理第二输入层输入的信号，实现模糊化操作，令模糊神经网络具有更好的处理非线性的能力。

模糊化层中第j个节点的输入输出关系如下：

其中，

表示模糊化层第ij个节点的输出，

表示输入层第i个节点对应的第j个高斯函数，r_ij为输入层第i个节点对应的第j个高斯函数的内反馈权值，

为输入层第i个节点对应的第j个高斯函数的中心向量，

为输入层第i个节点对应的第j个高斯函数的基宽向量，j＝1,2,…,L，L为模糊化层的高斯函数总数。

第三层：规则层，主要用于对模糊化层所有节点输出的信号进行乘积运算，然后对其进行模糊规预处理，规则层的节点数量是L，规则层的输出表达式为：

其中，

表示规则层第j个节点的输出。

第四层：第一隐含层，主要用于利用非线性激活函数处理第三输入层输入的信号，进行特征初步提取，其激活函数通常选用高斯激活函数。

第一隐含层第p个节点的输出

可以表示为：

其中，c_1p表示第一隐含层第p个节点的非线性激活函数的中心向量，b_1p表示第一隐含层第p个节点的非线性激活函数的基宽向量，p＝1,2,…,n，n为第一隐含层的节点总数。

第五层：第二隐含层，主要用于在上一步提取特征的基础上对特征进行进一步的提取，第二隐含层利用非线性激活函数处理第一隐含层输出的信号，再次进行特征提取。两次特征提取可以在降低计算复杂程度的基础上提高计算精度，进而提高有源电力滤波器的控制精准度和稳定性。

第二隐含层共有L个节点，其第j个节点的输出

为：

其中，c_2j表示第二隐含层第j个节点的非线性激活函数的中心向量，，b_2j表示第二隐含层第j个节点的非线性激活函数的基宽向量。

第六层：结果层，主要用于对规则层输出的信号和第二隐含层输出的信号进行乘法操作，即对模糊神经网络和双隐层神经网络的输出作进一步处理，然后传递到下一层。结果层共有L个节点，其第j个节点的输出

为：

第七层：输出层，用于对结果层输出的信号进行加权求和处理，获得双反馈模糊双隐层递归神经网络的输出，输出层的输出为当前时刻的等效控制项，将当前时刻的输出下一时刻双反馈模糊双隐层递归神经网络的输入，进行迭代循环。

输出层的输出为：

其中，Y为输出层的输出，W_j为神经网络的结果层到输出层的第j个节点的权值，W为所有W_j组成的向量，G表示由神经网络结果层的输出组成的向量。

基于最优逼近能力，通过双反馈模糊双隐层递归神经网络的迭代运算，获得最优等效控制项

其中，W^*为结果层的最佳权值向量，G^*为最优等效控制项对应的神经网络结果层的输出向量。

根据公式(32)可知，等效控制项u_eq的表达式如下：

其中，ε为

和u_eq的误差，s,

M^*,σ^*,

W^*,R^*分别为最优等效控制项

对应的最佳参数，具体的，s为分数阶滑模面，

为最佳外反馈权值向量，M^*为模糊化层高斯函数的最佳中心向量，σ^*为模糊化层高斯函数的最佳基宽向量，

为第一隐含层非线性激活函数的最佳中心向量，

为第一隐含层非线性激活函数的最佳基宽向量，

为第二隐含层非线性激活函数的最佳中心向量，

为第二隐含层非线性激活函数的最佳基宽向量，R^*为最佳内反馈权值向量。

为了获得最优等效控制项

进而更好的控制有源电力滤波器，本发明设计了神经网络模型的最佳参数的学习策略：

设等效控制项估计值的输出为：

其中，

为等效控制项估计值，

分别为最佳参数

M^*,σ^*,

W^*,R^*的估计值。

由上式可知，u_eq和

的误差为：

其中，ε₀为总积分近似误差，

为结果层权值向量的误差，

为结果层输出向量的误差。

以

为例，给出参数误差的计算公式：

为了完成最佳参数的学习，本发明定义了一个Lyapunov函数：

其中，V表示Lyapunov函数，η₁,η₂,η₃,η₄,η₅,η₆,η₇,η₈,η₉分别为最优参数W^*,

M^*,σ^*,

R^*的学习率，

分别为最优参数

M^*,σ^*,

R^*的误差。

令V的一阶导数为0，获得最佳参数的自适应率：

S3、本发明通过双反馈模糊双隐层递归神经网络模型实时更新最优等效控制项，再根据最优等效控制项和切换控制项获得最优控制律，控制有源电力滤波器。

为了验证本发明方法的效果，本发明实施例中提供了以下仿真实验：

仿真实验采用图2中的电路拓扑结构，其中的参数取值如下所示：

系统参数：电网电压为U_s＝24V，电网频率为f＝52Hz，非线性负载的电阻R₁＝5Ω，R₂＝15Ω，电容C＝1000uF，动态时并联增加的非线性负载的电阻为R₁＝15Ω，R₂＝15Ω，电容C＝1000uF，主电路电感为L＝18mH，电阻为R＝1Ω。直流侧电压控制器参数：直流侧电压采用传统的PI控制方法，K_p＝0.15。参考电压设定为50V。

仿真实验的结果分别如图4、5、6、7、8所示。从图4中的电源电流曲线可以看出，通过本发明方法，谐波在很短的时间内就被完全补偿完毕，电源电流重新恢复正常。图5是谐波电流的补偿跟踪曲线，从图中可以看出，虽然曲线存在一点波动，但是只需要很短的时间(0.06s)，补偿电流就能够跟踪上参考电流。从图6的电源电流频谱图可以看出，电流总谐波畸变率为1.69％，满足国际需要低于5％的标准。图4、5、6可以证明本发明方法具有良好的稳态性能。

仿真实验不仅验证了系统的稳态性能，还通过在0.3秒时突然加入负载来观察系统的动态响应能力。图7是动态下的电源电流曲线图，从图中可以看出，加入负载后电源电流能在极短的时间内恢复稳定，同时，图8中的电流总谐波畸变率为1.21％，同样满足国际标准。

综上所述，本发明方法的控制能力和控制精度都很好，具有良好的稳态性能和动态性能，能够有效削弱系统抖振，具有很强的抗干扰能力和良好的鲁棒性。

本发明还提出了一种基于神经网络的有源电力滤波器分数阶滑模控制系统，如图9所示，包括分数阶滑模模块1、神经网络模块2和有源电力滤波器控制模块3，其中，分数阶滑模模块用于根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；神经网络模块用于基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；有源电力滤波器控制模块用于利用最优等效控制项控制有源电力滤波器。

本发明采用的分数阶滑模控制可以更准确的描述有源电力滤波器控制系统的动态特性和表征能力，提高系统的控制能力和控制精度。本发明双反馈模糊双隐层递归神经网络同时具备模糊神经网络和双隐层神经网络的优点，具有更好的处理非线性的能力，可以在降低计算复杂度的基础上提高计算精度，通过神经网络逼近等效控制率，能够有效削弱系统抖振，具有很强的抗干扰能力和良好的鲁棒性。相比于现有技术，本发明的有源电力滤波器控制方法及系统能够快速准确的进行电流补偿，具有良好的可靠性和稳定性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，包括如下步骤：

S1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；

S2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；

S3、根据最优等效控制项获得最优控制律，控制有源电力滤波器。

2.根据权利要求1所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，所述有源电力滤波器的控制模型的方程表示如下：

其中，x为补偿电流i_c，

为x的二阶导数，

R为交流侧电阻值，L为交流侧的等效电感，U_s为电源电压，

为U_s的一阶导数，U_dc为直流链路电压，

为U_dc的一阶导数，u为控制律，d(t)为连续可微的外部未知外部扰动之和，0＜d(t)＜D，D为d(t)的上界。

3.根据权利要求2所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，分数阶滑模模型的构建方法包括如下步骤：

定义分数阶滑模面：

其中，s为滑模面，c为滑模系数，e为跟踪误差，e＝x-x_r，x_r为参考电流，α为分数阶滑模阶数；

根据分数阶滑模面获得有源电力滤波器的控制律：

u＝u_eq+u_sw

其中，u_eq为等效控制项，u_sw为切换控制项；

切换控制项u_sw的表达式如下：

其中，K_wsgn(s)为滑模面的切换项。

4.根据权利要求3所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，双反馈模糊双隐层递归神经网络模型的神经网络结构如下：

第一层：输入层，用于传递神经网络输入信号；

第二层：模糊化层，用于利用高斯函数处理输入层输入的信号，实现模糊化操作；

第三层：规则层，用于对模糊化层输出的信号进行模糊规则预处理；

第四层：第一隐含层，用于利用非线性激活函数处理输入层输入的信号，进行特征初步提取；

第五层：第二隐含层，用于利用非线性激活函数处理第一隐含层输出的信号，再次进行特征提取；

第六层：结果层，用于对规则层输出的信号和第二隐含层输出的信号进行乘法操作；

第七层：输出层，用于对结果层输出的信号进行加权求和处理，获得双反馈模糊双隐层递归神经网络的输出，并将当前时刻的输出作为下一时刻双反馈模糊双隐层递归神经网络的输入。

5.根据权利要求4所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，双反馈模糊双隐层递归神经网络的输出为：

其中，Y为双反馈模糊双隐层递归神经网络的输出，即为等效控制项u_eq，W_j为神经网络的结果层到输出层的第j个节点的权值，W为所有W_j组成的权值向量，G表示神经网络结果层的输出向量，

为结果层的第j个节点的输出值。

6.根据权利要求5所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，基于最优逼近能力，通过双反馈模糊双隐层递归神经网络的迭代运算，获得最优等效控制项

其中，W^*为结果层的最佳权值向量，G^*为最优等效控制项对应的神经网络结果层的输出向量；

则等效控制项u_eq的表达式如下：

其中，ε为

和u_eq的误差，s，

M^*，σ^*，

W^*，R^*分别为最优等效控制项

对应的最佳参数，

为最佳外反馈权值向量，M^*为模糊化层高斯函数的最佳中心向量，σ^*为模糊化层高斯函数的最佳基宽向量，

为第一隐含层非线性激活函数的最佳中心向量，

为第一隐含层非线性激活函数的最佳基宽向量，

为第二隐含层非线性激活函数的最佳中心向量，

为第二隐含层非线性激活函数的最佳基宽向量，R^*为最佳内反馈权值向量。

7.根据权利要求6所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，最佳参数的学习策略如下：

设等效控制项估计值的输出为：

其中，

为等效控制项估计值，

分别为最佳参数

M^*，σ^*，

W^*，R^*的估计值；

u_eq和

的误差为：

其中，ε₀为总积分近似误差，

为结果层权值向量的误差，

为结果层输出向量的误差；

定义一个Lyapunov函数：

其中，V表示Lyapunov函数，η₁，η₂，η₃，η₄，η₅，η₆，η₇，η₈，η₉分别为最优参数W^*，

M^*，σ^*，

R^*的学习率，

分别为最优参数

M^*，σ^*，

R^*的误差；

令V的一阶导数为0，获得最佳参数的自适应率：

8.一种基于神经网络的有源电力滤波器分数阶滑模控制系统，其特征在于，所述系统包括：

分数阶滑模模块，用于根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；

神经网络模块，用于基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；

有源电力滤波器控制模块，用于利用最优等效控制项控制有源电力滤波器。

9.一种基于神经网络的有源电力滤波器分数阶滑模控制系统，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

Images