CN114839439A - 一种基于pid优化的大脑情感学习的谐波电流检测方法 - Google Patents
一种基于pid优化的大脑情感学习的谐波电流检测方法 Download PDFInfo
- Publication number
- CN114839439A CN114839439A CN202210393710.XA CN202210393710A CN114839439A CN 114839439 A CN114839439 A CN 114839439A CN 202210393710 A CN202210393710 A CN 202210393710A CN 114839439 A CN114839439 A CN 114839439A
- Authority
- CN
- China
- Prior art keywords
- model
- phase
- layer
- pid
- fuzzy
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 37
- 230000008451 emotion Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 30
- 210000004727 amygdala Anatomy 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 17
- 230000002450 orbitofrontal effect Effects 0.000 claims description 9
- 210000005153 frontal cortex Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于PID优化的大脑情感学习的谐波电流检测方法,包括:S1:对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型;S2:将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式;S3:构建PID优化的控制算法对模型进行监督分类学习训练,并通过李雅普诺夫函数选定模型的PID优化学习率;S4:将训练数据作为模型输入,对模糊大脑神经网络模型进行训练,直至模型收敛;S5:将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型,对电网中的谐波电流进行检测。
Description
技术领域
本发明涉及电力检测技术领域,尤其涉及一种基于PID优化的大脑情感学习的谐波电流检测方法。
背景技术
电源、输配电系统、用电设备以及电力系统是电网中谐波电流产生的四大来源。电网中谐波电流会导致线损加剧、传感精度和运行稳定性下降、以及干扰与温升等情形。因此,能否准确地实时检测出电网中的谐波并对其加以监视是非常重要的。现有的傅里叶变换检测方法存在检测误差大等问题。
为此,本发明提出一种基于PID优化的大脑情感学习的谐波电流检测方法。
发明内容
有鉴于此,本发明的目的在于提出一种基于PID优化的大脑情感学习的谐波电流检测方法,以保证电网中谐波电流检测的准确性与实时性。
为解决上述问题,本发明采用如下技术方案:
一种基于PID优化的大脑情感学习的谐波电流检测方法,包括如下步骤:
S1:对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型;
S2:将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式;
S3:构建PID优化的控制算法对模型进行监督分类学习训练,并通过李雅普诺夫函数选定模型的PID优化学习率;
S4:将训练数据作为模型输入,对模糊大脑神经网络模型进行训练,直至模型收敛;
S5:将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型,对电网中的谐波电流进行检测。
进一步的,S1具体包括如下步骤:
S1.1:对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,采样后的数据存储为一个具有3×1的矩阵,表示为x1=Ua,x2=ia,x3=ib,x4=ic;
S1.2:构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型(5层信号逐层往下输送),具体如下:
第1层:信号传输到下一层,表达式如下:
第2层:采用高斯函数进行归一化,表达式如下:
第3层:该层神经元代表模糊规则的预处理部分,其结果是通过“乘”计算得到的,其输出表达如下:
其中,符号Π表示累乘运算符;i表示周期采样的序列,j为第j层的模糊集;
第4层:将传输到该层的信号和函数链接网络的输出信号相乘,表示如下:
其中,函数链接网络的表达式如下:
第5层:模糊大脑神经网络模型的输出Out表示为:
Out=a-o,
a=yav,
o=yoω,
其中,a和o分别代表杏仁核和眶额皮层模型的输出,v和ω分别为杏仁核和眶额皮质模型的权重;
S1.3:构建的模糊大脑情感学习神经网络模型改写为如下的表达形式:
权重值的更新规律如下:
v(n+1)=v(n)+Δv(n),
ω(n+1)=ω(n)+Δω(n),
S1.4:进一步定义模型的输出与参考输出yd,使得估计误差渐进收敛于零附近的一个小区域,表达式如下:
e(n)=yd-y(n).
其中,y(n)是函数y在采样n时刻的数值;
上述公式可进一步写成:
e(n+1)=yd-y(n+1) (1)
函数y(n+1)用泰勒级数展开,表达如下:
其中σn是残差,ΔX(n)为采集物理量的增量;
公式(1)进一步表达为:
进一步的,S2中所述的误差追踪控制系统的状态空间表达形式;
e(n+1)=e(n)-B(n)u(n)+ω(n) (2)
进一步的,S3具体包括如下步骤:
S3.1:引入如下PID优化算法:
其中,Δe(n)=e(n)-e(n-1)/n-(n-1),KP,KI,KD是优化学习率的参数矩阵,e(n)代表在n时刻参考值与当前值的差,e(i)代表在i时刻参考值与当前值的差,Δe(n)代表在n时刻参考值差值与当前值差值的差值;
S3.3:建立李雅普诺夫函数如下:
其中,P是正定对称的矩阵;
定义李雅普诺夫函数的增量为ΔV(n)=V(n+1)-V(n),即V(n+1)=ΔV(n)+V(n);V(n+1)可进一步表达为:
其中,I3是3阶的单位矩阵,γ是抗干扰性能指标;
S3.4:定义一个矩阵G,由式(4)可得:
将公式(6)代入(5)后,得到:
选定PID优化学习率参数矩阵KP,KI,KD,满足上述条件使不等式成立,以保证模型在训练过程中快速与准确收敛。
进一步的,S4中所述训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
基于上述方案,本发明还提供一种计算机可读的存储介质,所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的基于PID优化的大脑情感学习的谐波电流检测方法。
有益效果:
本发明提供的基于PID优化的大脑情感学习的谐波电流检测方法通过PID优化学习率参数矩阵KP,KI,KD的合理选定保证模型在训练过程中快速与准确收敛。本发明提供的谐波电流检测方法具有较好的泛化能力和较快的学习速度,可以保证电网中谐波电流检测的准确性与实时性,适宜进一步推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的简要流程示意图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本实施例一种基于PID优化的大脑情感学习的谐波电流检测方法,包括如下步骤:
S1:对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型;具体为:
S1.1:对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,采样后的数据存储为一个具有3×1的矩阵,表示为x1=Ua,x2=ia,x3=ib,x4=ic;
S1.2:构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型(5层信号逐层往下输送),具体如下:
第1层:信号传输到下一层,表达式如下:
第2层:采用高斯函数进行归一化,表达式如下:
第3层:该层神经元代表模糊规则的预处理部分,其结果是通过“乘”计算得到的,其输出表达如下:
其中,符号Π表示累乘运算符;i表示周期采样的序列,j为第j层的模糊集;
第4层:将传输到该层的信号和函数链接网络的输出信号相乘,表示如下:
其中,函数链接网络的表达式如下:
第5层:模糊大脑神经网络模型的输出Out表示为:
Out=a-o,
a=yav,
o=yoω,
其中,a和o分别代表杏仁核和眶额皮层模型的输出,v和ω分别为杏仁核和眶额皮质模型的权重;
权重值的更新规律如下:
v(n+1)=v(n)+Δv(n),
ω(n+1)=ω(n)+Δω(n),
S1.4:进一步定义模型的输出与参考输出yd,使得估计误差渐进收敛于零附近的一个小区域,表达式如下:
e(n)=yd-y(n).
其中,y(n)是函数y在采样n时刻的数值;
上述公式可进一步写成:
e(n+1)=yd-y(n+1) (1)
函数y(n+1)可用泰勒级数展开,表达如下:
其中σn是残差,ΔX(n)为采集物理量的增量;
公式(1)进一步改写为:
S2:将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式,表达式具体如下;
e(n+1)=e(n)-B(n)u(n)+ω(n) (2)
S3:构建PID优化的控制算法对模型进行监督分类学习训练,并通过李雅普诺夫函数选定模型的PID优化学习率;具体如下:
S3.1:为了有效地训练模糊小脑神经网络模型,引入如下PID优化算法:
其中,Δe(n)=e(n)-e(n-1)/n-(n-1),KP,KI,KD是优化学习率的参数矩阵,e(n)代表在n时刻参考值与当前值的差,e(i)代表在i时刻参考值与当前值的差,Δe(n)代表在n时刻参考值差值与当前值差值的差值;
S3.3:建立李雅普诺夫函数如下:
其中,P是正定对称的矩阵;
定义李雅普诺夫函数的增量为ΔV(n)=V(n+1)-V(n),即V(n+1)=ΔV(n)+V(n);V(n+1)可进一步表达为:
其中,I3是3阶的单位矩阵,γ是抗干扰性能指标;
S3.4:定义一个矩阵G,由式(4)可得:
将公式(6)代入(5)后,得到:
选定PID优化学习率参数矩阵KP,KI,KD,使得公式(7)成立,以保证模型在训练过程中快速与准确收敛。
S4:将训练数据作为模型输入,对模糊大脑神经网络模型进行训练,直至模型收敛;其中,训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
S5:将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型,对电网中的谐波电流进行检测。以实现对谐波电流检测进行在线的应用。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于PID优化的大脑情感学习的谐波电流检测方法,其特征在于,包括如下步骤:
S1:对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型;
S2:将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式;
S3:构建PID优化的控制算法对模型进行监督分类学习训练,并通过李雅普诺夫函数选定模型的PID优化学习率;
S4:将训练数据作为模型输入,对模糊大脑神经网络模型进行训练,直至模型收敛;
S5:将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型,对电网中的谐波电流进行检测。
2.根据权利要求1所述的一种基于PID优化的大脑情感学习的谐波电流检测方法,其特征在于,S1具体包括如下步骤:
S1.1:对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样,采样后的数据存储为一个具有3×1的矩阵,表示为x1=Ua,x2=ia,x3=ib,x4=ic;
S1.2:构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型,具体如下:
第1层:信号传输到下一层,表达式如下:
第2层:采用高斯函数进行归一化,表达式如下:
第3层:该层神经元代表模糊规则的预处理部分,其结果是通过“乘”计算得到的,其输出表达如下:
其中,i表示周期采样的序列,j为第j层的模糊集;
第4层:将传输到该层的信号和函数链接网络的输出信号相乘,表示如下:
其中,函数链接网络的表达式如下:
第5层:模糊大脑神经网络模型的输出Out表示为:
Out=a-o,
a=yav,
o=yoω,
其中,a和o分别代表杏仁核和眶额皮层模型的输出,v和ω分别为杏仁核和眶额皮质模型的权重;
S1.3:构建的模糊大脑情感学习神经网络模型改写为如下的表达形式:
权重值的更新规律如下:
v(n+1)=v(n)+Δv(n),
ω(n+1)=ω(n)+Δω(n),
S1.4:进一步定义模型的输出与参考输出yd,使得估计误差渐进收敛于零附近的一个小区域,表达式如下:
e(n)=yd-y(n).
其中,y(n)是函数y在采样n时刻的数值;
上述公式可进一步写成:
e(n+1)=yd-y(n+1) (1)
函数y(n+1)用泰勒级数展开,表达如下:
其中σn是残差,ΔX(n)为采集物理量的增量;
公式(1)进一步表达为:
4.根据权利要求3所述的一种基于PID优化的大脑情感学习的谐波电流检测方法,其特征在于,S3具体包括如下步骤:
S3.1:引入如下PID优化算法:
其中,Δe(n)=e(n)-e(n-1)/n-(n-1),KP,KI,KD是优化学习率的参数矩阵,e(n)代表在n时刻参考值与当前值的差,e(i)代表在i时刻参考值与当前值的差,Δe(n)代表在n时刻参考值差值与当前值差值的差值;
S3.3:建立李雅普诺夫函数如下:
其中,P是正定对称的矩阵;
定义李雅普诺夫函数的增量为ΔV(n)=V(n+1)-V(n),即V(n+1)=ΔV(n)+V(n);V(n+1)可进一步表达为:
其中,I3是3阶的单位矩阵,γ是抗干扰性能指标;
S3.4:定义一个矩阵G,由式(4)可得:
将公式(6)代入(5)后,得到:
选定PID优化学习率参数矩阵KP,KI,KD,满足上述条件使不等式成立,以保证模型在训练过程中快速与准确收敛。
5.根据权利要求1所述的一种基于PID优化的大脑情感学习的谐波电流检测方法,其特征在于,S4中所述训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
6.一种计算机可读的存储介质,其特征在于:所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现如权利要求1至5之一所述的基于PID优化的大脑情感学习的谐波电流检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393710.XA CN114839439A (zh) | 2022-04-15 | 2022-04-15 | 一种基于pid优化的大脑情感学习的谐波电流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393710.XA CN114839439A (zh) | 2022-04-15 | 2022-04-15 | 一种基于pid优化的大脑情感学习的谐波电流检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114839439A true CN114839439A (zh) | 2022-08-02 |
Family
ID=82566607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210393710.XA Pending CN114839439A (zh) | 2022-04-15 | 2022-04-15 | 一种基于pid优化的大脑情感学习的谐波电流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839439A (zh) |
-
2022
- 2022-04-15 CN CN202210393710.XA patent/CN114839439A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ekinci et al. | An effective control design approach based on novel enhanced aquila optimizer for automatic voltage regulator | |
Li et al. | A novel nonlinear optimization method for fitting a noisy Gaussian activation function | |
Liu et al. | On the stability analysis of systems of neutral delay differential equations | |
CN113722877B (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
CN110647042A (zh) | 一种基于数据驱动的机器人鲁棒学习预测控制方法 | |
Esparza et al. | Neural networks in virtual reference tuning | |
Kraft et al. | A summary comparison of CMAC neural network and traditional adaptive control systems | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
Lin et al. | An adaptive control method for the dissolved oxygen concentration in wastewater treatment plants | |
Skolik et al. | Robustness of quantum reinforcement learning under hardware errors | |
Norrlöf | Disturbance rejection using an ILC algorithm with iteration varying filters | |
Li et al. | State observer-based fuzzy echo state network sliding mode control for uncertain strict-feedback chaotic systems without backstepping | |
Duddeti et al. | Order reduction of LTI systems using balanced truncation and particle swarm optimization algorithm | |
Tang et al. | A changing forgetting factor RLS for online identification of nonlinear systems based on ELM–Hammerstein model | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
Li et al. | Multi-dimensional Taylor network adaptive predictive control for single-input single-output nonlinear systems with input time-delay | |
Liu et al. | Fault diagnosis for TE process using RBF neural network | |
CN115577573B (zh) | 同步发电机输出电流的预测方法、装置、设备和存储介质 | |
CN114839439A (zh) | 一种基于pid优化的大脑情感学习的谐波电流检测方法 | |
CN116936966A (zh) | 电池温度监控方法、装置及储能系统 | |
Li et al. | Solving ordinary differential equations using an optimization technique based on training improved artificial neural networks | |
Rauh et al. | Verification and reachability analysis of fractional-order differential equations using interval analysis | |
Rauh et al. | Quantification of Time-Domain Truncation Errors for the Reinitialization of Fractional Integrators | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
Wongsa et al. | Deep deterministic policy gradient for magnetic levitation control |
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 |