GTE中文模型在推荐系统中的实际应用案例

æ°¸ç£�å�Œæ­¥ç”µæœºPMSM负载状æ€�ä¼°è®¡é¾™ä¼¯æ ¼è§‚æµ‹å™¨å�„ç§�å�¡å°”曼滤波器矢é‡�æ�§åˆ¶å��æ ‡å�˜æ�¢è‹±æ–‡å¤�ç�°å�«ä¸­æ–‡æŠ¥å‘Šå�¯ä½œä¸ºç»“课作业。 仿真å�Ÿç�†å›¾ç»“æ�œå¯¹æ¯”完全一致。 å�¦å¤–å�«æœ‰å�„ç§�ä¸�å�Œç”µæœºä»¿çœŸåŒ…å�«è¯´æ˜�文档异步电机矢é‡�æ�§åˆ¶PWMSVPWM å…‰ä¼�并网最大功ç�‡è·Ÿè¸ªMPPT é�—ä¼ ç®—æ³•GAã€�ç²’å­�群PSOã€�ShenJ网络优化PIDå�‚数模糊PID 矢é‡�æ�§åˆ¶äººå·¥ShenJ网络ANNå�Œé¦ˆé£�机并网模å�‹å®šå­�侧电网侧æ�§åˆ¶å�Œé¦ˆé£�机并网储能系统以支æŒ�一次频ç�‡å�«æœ‰å¯¹åº”çš„è‹±æ–‡æ–‡çŒ®ã€‚æœ€è¿‘åœ¨ç ”ç©¶å�„类电气系统相关项目å�‘ç�°äº†ä¸�少有趣且å®�用的内容今天就æ�¥å’Œå¤§å®¶åˆ†äº«ä¸€æ³¢ã€‚æ°¸ç£�å�Œæ­¥ç”µæœºPMSM负载状æ€�估计ä¸�矢é‡�æ�§åˆ¶æ°¸ç£�å�Œæ­¥ç”µæœºåœ¨ç�°ä»£å·¥ä¸šä¸­åº”用广泛对其负载状æ€�准确估计以å�Šæœ‰æ•ˆçš„矢é‡�æ�§åˆ¶è‡³å…³é‡�è¦�。负载状æ€�ä¼°è®¡é¾™ä¼¯æ ¼è§‚æµ‹å™¨Luenberger Observeré¾™ä¼¯æ ¼è§‚æµ‹å™¨æ˜¯ä¸€ç§�常用的状æ€�观测器它通过æ�„é€ ä¸€ä¸ªä¸�å®�际系统相似的观测器模å�‹åˆ©ç”¨ç³»ç»Ÿçš„输入和输出信æ�¯æ�¥ä¼°è®¡ç³»ç»Ÿçš„内部状æ€�。# 简å�•ç¤ºæ„�é¾™ä¼¯æ ¼è§‚æµ‹å™¨ä»£ç �å®�际需结å�ˆå…·ä½“系统å�‚数调整 import numpy as np # 系统矩阵A, B, C A np.array([[0, 1], [-1, -2]]) B np.array([[0], [1]]) C np.array([[1, 0]]) # 观测器å¢�益L L np.array([[1], [2]]) def luenberger_observer(x_hat, u, y): x_hat_dot A.dot(x_hat) B.dot(u) L.dot(y - C.dot(x_hat)) x_hat x_hat x_hat_dot * dt return x_hat这段代ç �中我们定义了系统矩阵Aã€�Bã€�C以å�Šè§‚测器å¢�益L。luenbergerobserver函数通过计算估计状æ€�的导数xhatdot并结å�ˆæ­¥é•¿dt更新估计状æ€�xhat。å�¡å°”曼滤波器Kalman Filter家æ—�å�¡å°”曼滤波器基äº�系统的状æ€�空间模å�‹åˆ©ç”¨æµ‹é‡�值和系统的动æ€�模å�‹æ�¥æœ€ä¼˜ä¼°è®¡ç³»ç»ŸçŠ¶æ€�。åƒ�扩展å�¡å°”曼滤波器EKF还能处ç�†é��线性系统。# 简å�•çº¿æ€§å�¡å°”曼滤波器示æ„� # åˆ�始化å�‚æ•° A 1 H 1 Q

01 R

1 x_hat 0 P 1 def kalman_filter(z): global x_hat, P # 预测步骤 x_hat_minus A * x_hat P_minus A * P * A Q # 更新步骤 K P_minus * H / (H * P_minus * H R) x_hat x_hat_minus K * (z - H * x_hat_minus) P (1 - K * H) * P_minus return x_hat这里我们先进行预测步骤得到预测状æ€�xhatminus和预测å��方差Pminus然å��通过更新步骤结å�ˆæµ‹é‡�值zæ�¥ä¿®æ­£ä¼°è®¡çŠ¶æ€�xhatå’Œå��方差P。矢é‡�æ�§åˆ¶ä¸�å��æ ‡å�˜æ�¢çŸ¢é‡�æ�§åˆ¶é€šè¿‡å��æ ‡å�˜æ�¢å°†æ°¸ç£�å�Œæ­¥ç”µæœºçš„定å­�电æµ�分解为励ç£�电æµ�和转矩电æµ�å®�ç�°å¯¹ç”µæœºè½¬çŸ©å’Œç£�通的解耦æ�§åˆ¶ã€‚常è§�çš„å��æ ‡å�˜æ�¢æœ‰å…‹æ‹‰å…‹å�˜æ�¢Clark Transform和帕克å�˜æ�¢Park Transform。import numpy as np def clark_transform(i_a, i_b, i_c): alpha i_a beta (1 / np.sqrt(

) * (2 * i_b i_a) return np.array([alpha, beta]) def park_transform(alpha, beta, theta): d alpha * np.cos(theta) beta * np.sin(theta) q -alpha * np.sin(theta) beta * np.cos(theta) return np.array([d, q])clarktransform函数将三相电æµ�iaã€�ibã€�ic转æ�¢ä¸ºä¸¤ç›¸é�™æ­¢å��æ ‡ç³»ä¸‹çš„alphaå’Œbeta分é‡�park_transform函数å†�将其转æ�¢ä¸ºä¸¤ç›¸æ—‹è½¬å��æ ‡ç³»ä¸‹çš„då’Œq分é‡�。永ç£�å�Œæ­¥ç”µæœºPMSM负载状æ€�ä¼°è®¡é¾™ä¼¯æ ¼è§‚æµ‹å™¨å�„ç§�å�¡å°”曼滤波器矢é‡�æ�§åˆ¶å��æ ‡å�˜æ�¢è‹±æ–‡å¤�ç�°å�«ä¸­æ–‡æŠ¥å‘Šå�¯ä½œä¸ºç»“课作业。 仿真å�Ÿç�†å›¾ç»“æ�œå¯¹æ¯”完全一致。 å�¦å¤–å�«æœ‰å�„ç§�ä¸�å�Œç”µæœºä»¿çœŸåŒ…å�«è¯´æ˜�文档异步电机矢é‡�æ�§åˆ¶PWMSVPWM å…‰ä¼�并网最大功ç�‡è·Ÿè¸ªMPPT é�—ä¼ ç®—æ³•GAã€�ç²’å­�群PSOã€�ShenJ网络优化PIDå�‚数模糊PID 矢é‡�æ�§åˆ¶äººå·¥ShenJ网络ANNå�Œé¦ˆé£�机并网模å�‹å®šå­�侧电网侧æ�§åˆ¶å�Œé¦ˆé£�机并网储能系统以支æŒ�一次频ç�‡å�«æœ‰å¯¹åº”的英文文献。值得一æ��的是仿真å�Ÿç�†å›¾ç»“æ�œå¯¹æ¯”完全一致这为我们验è¯�算法和æ�§åˆ¶ç­–略的有效性æ��供了有力支æŒ�也å�¯ä½œä¸ºç»“è¯¾ä½œä¸šçš„ä¼˜è´¨ç´ æ��å�Œæ—¶è¿˜é…�有中文报告对ç�†è§£æ•´ä¸ªè¿‡ç¨‹å¾ˆæœ‰å¸®åŠ©ã€‚ä¸�å�Œç”µæœºä»¿çœŸä¸�æ�§åˆ¶é™¤äº†æ°¸ç£�å�Œæ­¥ç”µæœºé¡¹ç›®é‡Œè¿˜æœ‰å�„ç§�ä¸�å�Œç”µæœºä»¿çœŸåƒ�异步电机矢é‡�æ�§åˆ¶PWMå’ŒSVPWM。异步电机矢é‡�æ�§åˆ¶PWMä¸�SVPWMPWM脉冲宽度调制通过æ�§åˆ¶åŠŸç�‡å¼€å…³å™¨ä»¶çš„导通和关断时间比æ�¥è°ƒèŠ‚输出电å�‹çš„大å°�和频ç�‡ã€‚# 简å�•PWMæ�§åˆ¶ç¤ºæ„� def pwm_control(duty_cycle, T): on_time duty_cycle * T off_time T - on_time # 这里å�¯è¿›ä¸€æ­¥æ·»åŠ 硬件驱动相关逻辑 return on_time, off_timeSVPWM空间矢é‡�脉宽调制SVPWM 则是基äº�空间矢é‡�的概念通过å�ˆç�†é€‰æ‹©ç”µå�‹çŸ¢é‡�æ�¥å�ˆæˆ�期望的输出电å�‹çŸ¢é‡�ç›¸æ¯”ä¼ ç»ŸPWM它能æ��高直æµ�电å�‹åˆ©ç”¨ç�‡å‡�å°‘è°�波。具体å®�ç�°ä»£ç �较为å¤�æ�‚涉å�Šåˆ°æ‰‡åŒºåˆ¤æ–­ã€�矢é‡�作用时间计算等步骤。而且æ¯�ç§�仿真都带有说æ˜�æ–‡æ¡£æ–¹ä¾¿æ·±å…¥å­¦ä¹ å’Œç�†è§£ã€‚å…‰ä¼�并网最大功ç�‡è·Ÿè¸ªMPPT在å�¯å†�生能æº�领域光ä¼�并网系统的最大功ç�‡è·Ÿè¸ªæ˜¯æ��高光ä¼�å�‘电效ç�‡çš„关键。# 简å�•çš„MPPT算法示æ„�如扰动观察法 import numpy as np def mppt_pv(voltage, current, step_size): power_last voltage * current voltage_new voltage step_size current_new measure_current(voltage_new) # å�‡è®¾æ­¤å‡½æ•°æµ‹é‡�对应电å�‹ä¸‹ç”µæµ� power_new voltage_new * current_new if power_new power_last: step_size step_size else: step_size -step_size return voltage_new, step_size扰动观察法通过ä¸�断扰动光ä¼�阵列的工作点比较å‰�å��功ç�‡å¤§å°�æ�¥è°ƒæ•´å·¥ä½œç‚¹ä½¿å…¶å�‘最大功ç�‡ç‚¹é� 近。优化算法ä¸�æ�§åˆ¶ç­–ç•¥é�—ä¼ ç®—æ³•GAã€�ç²’å­�群算法PSOä¸�ShenJ网络优化PIDå�‚æ•°é�—ä¼ ç®—æ³•æ¨¡æ‹Ÿç”Ÿç‰©è¿›åŒ–è¿‡ç¨‹é€šè¿‡é€‰æ‹©ã€�交å�‰å’Œå�˜å¼‚ç­‰æ“�作寻找最优解。粒å­�群算法则是模拟鸟群觅食行为æ¯�个粒å­�æ ¹æ�®è‡ªèº«å’Œç¾¤ä½“的最优ä½�置调整é£�行方å�‘。ShenJ网络这里æ�¨æµ‹æ˜¯æ‹¼å†™æœ‰è¯¯å�¯èƒ½æ˜¯ç¥�ç»�网络ANN也å�¯ç”¨äº�优化PIDå�‚数。# 简å�•é�—ä¼ ç®—æ³•ç¤ºæ„� import numpy as np # åˆ�始化ç§�群 population_size 10 chromosome_length 5 population np.random.randint(0, 2, size(population_size, chromosome_length)) def fitness_function(chromosome): # 这里å�‡è®¾æ ¹æ�®æŸ“色体计算适应度的函数 return np.sum(chromosome) # 选择æ“�作 def selection(population, fitness_values): total_fitness np.sum(fitness_values) selection_probabilities fitness_values / total_fitness selected_indices np.random.choice(len(population), sizelen(population), pselection_probabilities) return population[selected_indices] # 交å�‰æ“�作 def crossover(parent1, parent

: crossover_point np.random.randint(1, len(parent

) child1 np.concatenate((parent1[:crossover_point], parent2[crossover_point:])) child2 np.concatenate((parent2[:crossover_point], parent1[crossover_point:])) return child1, child2 # å�˜å¼‚æ“�作 def mutation(chromosome, mutation_rate): for i in range(len(chromosome)): if np.random.rand() mutation_rate: chromosome[i] 1 - chromosome[i] return chromosome这段é�—ä¼ ç®—æ³•ä»£ç �å®�ç�°äº†ç§�群åˆ�始化ã€�适应度计算ã€�选择ã€�交å�‰å’Œå�˜å¼‚等基本æ“�作。模糊PIDä¸�矢é‡�æ�§åˆ¶äººå·¥ShenJ网络ANNå�Œé¦ˆé£�机并网模å�‹æ¨¡ç³ŠPIDæ ¹æ�®æ¨¡ç³Šé€»è¾‘调整PIDå�‚数能更好地适应系统的é��线性和时å�˜æ€§ã€‚矢é‡�æ�§åˆ¶äººå·¥ç¥�ç»�网络å�Œé¦ˆé£�机并网模å�‹åœ¨å®šå­�侧和电网侧æ�§åˆ¶æ–¹é�¢å�‘挥é‡�è¦�作用å�¯å®�ç�°å�Œé¦ˆé£�机并网储能系统对一次频ç�‡çš„支æŒ�。并且还有对应的英文文献å�¯ä¾›æ·±å…¥ç ”究。以上就是这次分享的å�„ç±»ç”µæ°”é¢†åŸŸé¡¹ç›®å†…å®¹å¸Œæœ›å¯¹å¤§å®¶å­¦ä¹ å’Œç ”ç©¶æœ‰æ‰€å¸®åŠ©ã€‚æ— è®ºæ˜¯ç”µæœºæ�§åˆ¶ã€�å…‰ä¼�并网还是优化算法都有许多值得深挖的地方一起æ�¢ç´¢å�§

免费看tvb片官方版-免费看tvb片官方版应用