CN113556072B - 一种超高速电机参数在线辨识方法 - Google Patents
一种超高速电机参数在线辨识方法 Download PDFInfo
- Publication number
- CN113556072B CN113556072B CN202110860830.1A CN202110860830A CN113556072B CN 113556072 B CN113556072 B CN 113556072B CN 202110860830 A CN202110860830 A CN 202110860830A CN 113556072 B CN113556072 B CN 113556072B
- Authority
- CN
- China
- Prior art keywords
- value
- current
- layer
- motor
- ultra
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000003750 conditioning effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
- H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
- H02P25/022—Synchronous motors
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
- H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种超高速电机参数在线辨识方法,包括以下步骤:1、初始化LMS神经网络模型参数;2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值及电压值;3、进行Clark变换得到定子电压和定子电流d、q轴分量;4、输入到双层模型,得到双层模型输出的电流向量;5、作为LMS算法的输入,计算误差函数的值;6、若该值不收敛或该值大于所述允许误差,则更新学习步长与隐含层连接权值后进入步骤2,若该值收敛且小于等于允许误差则进入步骤7;7、训练过程结束,输出超高速电机角速度估计值,积分得到电机转子角度估计值。采用本发明方法,能准确识别超高速电机参数,精确输出超高速电机角速度估计值和电机转子角度估计值。
Description
技术领域
本发明涉及电机技术领域,特别是涉及一种超高速电机参数在线辨识方法。
背景技术
现阶段,我国汽车保有量的急剧增长在方便居民出行的同时,也带来一系列的能源和环境问题。近年来,全球大范围内变暖和多地持续出现的“雾霾”,对人类现有的能源消费模式给以警示。面对汽车排放带给环境的巨大挑战,目前全世界正在大力发展燃料汽车。燃料电池空压机是燃料汽车的重要组成部分,而其内置超高速电机的精确控制又是决定燃料电池空压机性能很重要的一个因素。随着PMSM(永磁同步电机)应用在空压机上的占比不断增加,研究尽可能大的发挥出PMSM自身的性能已成该领域的研究热点之一。
提高PMSM性能不仅电机本体的性能需要不断的提高,而且MCU(电机控制器)的控制品质也要不断的提升,以达到能够精确平稳且响应快速的进行输出。对于上面所描述的情况,很多先进的控制算法被使用,但是基本上都是在能准确识别的PMSM参数的基础上才能使用。所以说电机参数辨识的精确与否直接影响空压机的性能。PMSM是一个多变量、强耦合的非线性系统,其数学模型比较复杂,PMSM现在主要的控制技术是直接转矩控制和矢量控制,而且控制效果都不错。矢量控制可以很好地解决电机动态运行时瞬态电磁转矩的控制。矢量控制的基础是获得实时的转子转速信号,故要求PMSM控制器对电机本体的参数变化进行实时的监控和在线辨识。同时根据已经辨识出的实时参数输入到矢量控制模块中使PMSM控制器进行相应的动作,以达到对超高速电机转速的准确控制。
因此本领域技术人员致力于开发一种超高速电机参数在线辨识方法,对实现无位置传感器超高速电机的高精度和高实时性控制具有重大意义。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种超高速电机参数在线辨识方法,能够精确识别电机参数,从而能实现对超高速电机转速的准确控制。
为实现上述目的,本发明提供了一种超高速电机参数在线辨识方法,包括以下步骤:
步骤1、初始化LMS神经网络模型参数,设定初始学习步长为0.05~0.15、允许误差10-7~10-5、初始连接权值[1 2-1 0.5 -0.2];
步骤2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值、三相电压值;
步骤3、将上步骤2所得三相电流值、三相电压值进行Clark变换得到d-q同步旋转坐标系下的定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0;
步骤4、将上述定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0输入到双层模型即PMSM定子电流模型和神经网络模型中,得到双层模型输出的电流向量;
步骤5、将双层模型输出的电流向量作为LMS(最小均方误差)算法的输入,计算误差函数的值;
步骤6、若该值不收敛或该值大于所述允许误差,则更新学习步长与隐含层连接权值后进入步骤2,若该值收敛且小于等于允许误差则进入步骤7;
较佳的,所述神经网络模型由输入层、隐含层、输出层构成,且由LMS算法更新神经网络连接权值。
较佳的,所述输入层由4个神经元构成,分别接收定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0;
所述隐含层由5个神经元构成;
较佳的,所述步骤5中,误差函数通过下列公式计算:
较佳的,所述隐含层至输出层连接权值的修改迭代公式为:
其中,i表示隐含层神经元序号,i=1,2,3……;Wi(k)表示k时刻隐含层到输出层的连接权值;Wi(k+1)表示k+1时刻隐含层到输出层的连接权值;ηk表示k时刻学习步长;ΔWi(k)表示k时刻权值的变化量。
较佳的,所述k时刻的学习步长ηk按下列公式进行更新:
其中,a为第一可调系数,取值90~105;
b为第二可调系数,取值0.01~0.5;
δ为第三可调系数,取值0.41~0.55;
Δc(k)为k时刻动量项,通过以下公式求取:
Δc(k)=-η(k-1)*J(k-1)*i'(k-1)+f*Δc(k-1)
其中,J(k-1)为k-1时刻的误差函数值,;i'(k-1)为k-1时刻电机电流参考模型输出的电流向量,f为动量常数,取0.1~0.8的正常数,Δc(k-1)是k-1时刻动量项。
本发明具有如下有益效果:
1、本发明用人工神经网络代替MARS(模型参考自适应方法)中的可调模型,而神经网络中隐含层神经元个数与连接权值可调。通过不断调整上述参数,可以获得更高的辨识精度。
2、本发明的变步长LMS算法,训练初始误差函数值较大,需要较大学习步长来加快搜索,在误差值函数趋于稳态后,采用较小步长来迭代搜索以减小误差。因而本发明相比固定步长的LMS算法能获得更好的收敛速度和更小的稳态误差。
3、本发明相较一般的变步长LMS算法,在学习步长迭代时添加了一个动量项,防止了训练过程中误差值函数的震荡。
综上,采用本发明方法,能准确识别超高速电机参数,精确输出超高速电机角速度估计值和电机转子角度估计值,可进一步提高对无位置传感器超高速电机的高实时性控制。
附图说明
图1是本发明一具体实施方式的原理流程示意图。
图2是本发明一具体实施方式步骤3、4的原理示意图。
图3是本发明一具体实施方式LMS算法变步长神经网络结构示意图。
图4是本发明一具体实施方式应用的总体硬件电路图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,一种超高速电机参数在线辨识方法,包括以下步骤:
步骤1、初始化LMS神经网络模型参数,设定初始学习步长为0.05~0.15、允许误差10-7~10-5、初始连接权值[1 2-1 0.5 -0.2]。本步骤中,初始学习步长和允许误差可根据需要自由设定,本实施例中将初始学习步长设置为1,允许误差设置为10-6。
步骤2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值、三相电压值。本步骤中,采用常规母线电压电流检测与调理电路,如在专利《一种用于不间断供电的母线电压检测与调理电路》(申请号CN201610494590.7)中的检测电路,即可得到高速永磁同步电机的三相电流值、三相电压值。
步骤3、将上步骤2所得三相电流值、三相电压值进行Clark变换得到d-q同步旋转坐标系下的定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0。
步骤4、如图2所示,将上述定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0输入输入到双层模型即PMSM定子电流模型和神经网络模型中,得到双层模型输出的电流向量;
其中,PMSM定子电流模型如下所示:
ud、uq分别为定子电压d-q轴分量;Rs定子电阻;id、iq定子电流d-q轴分量;Ld、Lq定子电感d-q轴分量;t为超高速电机运行时间;ωe为电角速度;Ψf永磁体磁链。将步骤3中的定子电压d、q轴分量ud0、uq0带入,定子电流d、q轴分量id0、iq0上式作为微分方程中变量id、iq的初始值,解得电流值idk、iqk,并定义k时刻电机电流参考模型输出的电流向量i'(k)=[idk,idk]。
如图3所示,神经网络模型由输入层、隐含层、输出层构成。所述输入层由4个神经元构成,分别接收定子电压d、q轴分量ud、uq,定子电流d、q轴分量id、iq;所述隐含层由5个神经元构成;所述输出层由3个神经元构成,其输入为所述隐含层所有神经元的输出的加权和,其输出值为k时刻电流估算值向量与电机角速度估计值
步骤5、如图2所示,将双层模型输出的电流向量作为LMS算法的输入,计算误差函数的值;
所述步骤5中,所述误差函数的值通过下列公式计算:
步骤6、若该值不收敛或该值大于所述允许误差,则更新学习步长与隐含层连接权值后进入步骤2,若该值收敛且小于等于允许误差则进入步骤7;
步骤6中,所述隐含层至输出层的连接权值的修改迭代公式为:
其中,i表示隐含层神经元序号,i=1,2,3……;Wi(k)表示k时刻隐含层到输出层的连接权值;Wi(k+1)表示k+1时刻隐含层到输出层的连接权值;ηk表示k时刻学习步长;ΔWi(k)表示k时刻权值的变化量。
所述k时刻的学习步长ηk按下列公式进行更新:
其中,a为第一可调系数,取值90~105;
b为第二可调系数,取值0.01~0.5;
δ为第三可调系数,取值0.41~0.55;
Δc(k)为k时刻动量项,通过以下公式求取:
Δc(k)=-η(k-1)*J(k-1)*i'(k-1)+f*Δc(k-1)
其中,J(k-1)为K时刻的误差函数值,;i'(k-1)为k-1时刻电机电流参考模型输出的电流向量,f为动量常数,取0.1~0.8的正常数,Δc(k-1)是k-1时刻动量项。
最终,由训练好的神经网络模型输出电机角速度估计值,积分后得到电机转子角度估计值,即完成超高速电机参数的在线识别。
在具体实施中,本发明可用如图4所示的总体硬件电路图实现,其中,微处理器可采用TMS320F28069M。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种超高速电机参数在线辨识方法,其特征在于,包括以下步骤:
步骤1、初始化LMS神经网络模型参数,设定初始学习步长为0.05~0.15、允许误差10-7~10-5、初始连接权值[1 2-1 0.5-0.2];
步骤2、通过母线电压与电流调理电路采样得到超高速永磁同步电机的三相电流值、三相电压值;
步骤3、将上步骤2所得三相电流值、三相电压值进行Clark变换得到d-q同步旋转坐标系下的定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0;
步骤4、将上述定子电压d、q轴分量ud0、uq0,定子电流d、q轴分量id0、iq0输入到双层模型即PMSM定子电流模型和神经网络模型中,得到双层模型输出的电流向量;
步骤5、将双层模型输出的电流向量作为LMS算法的输入,计算误差函数的值;
步骤6、若该值不收敛或该值大于所述允许误差,则更新学习步长与隐含层连接权值后进入步骤2,若该值收敛且小于等于允许误差则进入步骤7;
所述神经网络模型由输入层、隐含层、输出层构成,且由LMS算法更新神经网络连接权值;
所述步骤5中,误差函数通过下列公式计算:
所述隐含层至输出层连接权值的修改迭代公式为:
其中,i表示隐含层神经元序号,i=1,2,3……;Wi(k)表示k时刻隐含层到输出层的连接权值;Wi(k+1)表示k+1时刻隐含层到输出层的连接权值;ηk表示k时刻学习步长;ΔWi(k)表示k时刻权值的变化量;
所述k时刻的学习步长ηk按下列公式进行更新:
其中,a为第一可调系数,取值90~105;
b为第二可调系数,取值0.01~0.5;
δ为第三可调系数,取值0.41~0.55;
Δc(k)为k时刻动量项,通过以下公式求取:
Δc(k)=-η(k-1)*J(k-1)*i'(k-1)+f*Δc(k-1)
其中,J(k-1)为k-1时刻的误差函数值;i'(k-1)为k-1时刻电机电流参考模型输出的电流向量,f为动量常数,取0.1~0.8的正常数,Δc(k-1)是k-1时刻动量项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860830.1A CN113556072B (zh) | 2021-07-29 | 2021-07-29 | 一种超高速电机参数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860830.1A CN113556072B (zh) | 2021-07-29 | 2021-07-29 | 一种超高速电机参数在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113556072A CN113556072A (zh) | 2021-10-26 |
CN113556072B true CN113556072B (zh) | 2022-11-04 |
Family
ID=78104803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110860830.1A Expired - Fee Related CN113556072B (zh) | 2021-07-29 | 2021-07-29 | 一种超高速电机参数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113556072B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103219936A (zh) * | 2013-01-16 | 2013-07-24 | 镇江市江大科技有限责任公司 | 基于神经网络在线学习的永磁同步电机前馈解耦方法 |
CN107681937A (zh) * | 2017-09-18 | 2018-02-09 | 南京理工大学 | 一种基于神经网络的超高速永磁同步电机速度观测方法 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938246B (zh) * | 2010-09-29 | 2012-07-04 | 重庆交通大学 | 无速度传感器电机转速的模糊融合辨识方法 |
KR20120087434A (ko) * | 2011-01-28 | 2012-08-07 | 순천대학교 산학협력단 | 영구자석형 동기전동기의 속도 제어시스템 및 제어방법 |
CN102937670B (zh) * | 2012-11-17 | 2015-05-27 | 河南科技大学 | 一种基于Elman神经网络的感应电机转子电阻参数辨识方法 |
CN104378038B (zh) * | 2014-11-18 | 2017-03-22 | 东华大学 | 基于人工神经网络的永磁同步电机参数辨识方法 |
CN106301288B (zh) * | 2016-08-04 | 2022-12-02 | 北京中科海讯数字科技股份有限公司 | 一种自适应滤波方法 |
CN107979315A (zh) * | 2016-12-30 | 2018-05-01 | 徐州中矿大传动与自动化有限公司 | 基于NNs-MRAS无速度传感器双馈电机LQR控制方法 |
CN110162739B (zh) * | 2019-04-30 | 2023-05-02 | 哈尔滨工业大学 | 基于变遗忘因子的rffklms算法权值更新优化方法 |
CN111342728A (zh) * | 2020-02-25 | 2020-06-26 | 华南理工大学 | 基于变步长nlms算法的永磁同步电机参数辨识方法 |
CN111313773A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种基于变步长lms算法的永磁同步电机参数辨识方法 |
-
2021
- 2021-07-29 CN CN202110860830.1A patent/CN113556072B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103219936A (zh) * | 2013-01-16 | 2013-07-24 | 镇江市江大科技有限责任公司 | 基于神经网络在线学习的永磁同步电机前馈解耦方法 |
CN107681937A (zh) * | 2017-09-18 | 2018-02-09 | 南京理工大学 | 一种基于神经网络的超高速永磁同步电机速度观测方法 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113556072A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108092567B (zh) | 一种永磁同步电动机转速控制系统及方法 | |
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN108964545B (zh) | 一种基于命令滤波的同步电机神经网络反步离散控制方法 | |
CN109039167B (zh) | 一种内置式永磁同步电机控制方法及系统 | |
CN111711396B (zh) | 基于分数阶滑模控制器的电机速度环控制参数的整定方法 | |
CN104836498A (zh) | 一种基于人工神经网络的自整定pid发电机控制系统 | |
CN113534000B (zh) | 新能源汽车驱动系统逆变器及电流传感器故障的诊断方法 | |
CN110266226B (zh) | 一种基于模型预测控制的电动汽车能效控制方法 | |
CN103944481B (zh) | 一种交流异步电机矢量控制系统模型参数在线修正方法 | |
CN103711596A (zh) | 一种涡轮增压汽油机进气控制方法 | |
CN115632584A (zh) | 一种内嵌式永磁同步电机损耗优化控制方法 | |
Guolian et al. | Research on fault diagnosis of wind turbine control system based on artificial neural network | |
CN113556072B (zh) | 一种超高速电机参数在线辨识方法 | |
CN112100946B (zh) | 一种基于故障在线模拟的逆变器开路故障诊断方法及装置 | |
CN116938066A (zh) | 一种基于蜣螂优化算法的永磁同步电机参数辨识的方法 | |
CN106529075B (zh) | 一种考虑分时段的非线性模拟风速方法 | |
CN106655962B (zh) | 基于极限学习机的电动汽车异步电机驱动系统控制方法 | |
CN111293693A (zh) | 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法 | |
Chen et al. | Simulation of surface mounted PMSM Vector Control Based on Fuzzy PI control | |
CN111651939B (zh) | 计及变流器控制参数差异的永磁风电场动态等值建模方法 | |
CN115017625A (zh) | 基于基准特性线的变循环发动机变几何部件特性建模方法 | |
CN114091343A (zh) | 一种光伏功率预测方法及相应的存储介质 | |
CN106788064A (zh) | 基于emd‑elm的感应电机定子电阻参数识别方法 | |
CN113673786A (zh) | 基于rbf和lstm的风力发电机有效风速估计系统及方法 | |
Hu et al. | Research on Whale Optimization BP_PID Algorithm in DC Speed Control of Electric Energy Vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221104 |