无论是在电脑还是手机，在浏览器输入自己搭建的网站名（公网），然后登录账号，即可使用。电脑：手机和电脑均可上传相片（手机还能拍照上传），照片上传速度很快，手机电脑会同步，而且功能齐全。一个免费、美观且易于使用的照片管理系统。github传送门。

目前有两种多矢量的控制方法，分别对应两种不同的计算电压矢量作用时间的方法：一种是基于无差拍控制原理的矢量作用时间计算方法，另一种被称为调制模型预测控制，该方法中每个电压矢量的作用时间与其价值函数成反比，大家可以看我以前的博客，有应用调制模型预测控制方法实现双矢量/三矢量/混合多矢量控制的。其中，基于无差拍控制原理的三矢量模型预测控制又可以分成广义三矢量MPC和占空比三矢量MPC，之前的博客已经介绍了广义三矢量MPC 【Simulink】基于广义三矢量MPC的三相并网逆变器电流控制（无差拍原理）。 本

之前介绍了两种形式的双矢量模型预测控制：一种是基于无差拍控制原理的：【Simulink】基于广义双矢量MPC的三相并网逆变器电流控制（无差拍原理），另一种是调制模型预测控制：【Simulink】基于双矢量MPC的三相并网逆变器电流控制（调制模型预测控制）。本篇博客将采用另一种基于无差拍控制原理的双矢量MPC方法，即基于占空比双矢量MPC。

模型预测控制MPC》专栏里的博客 “【Simulink】基于FCS-MPC的三相并网逆变器电流控制（Matlab Function）” 介绍了三相并网逆变器的FCS-MPC控制，该控制策略，故称为模型预测控制。针对单矢量控制的缺点，和两篇博客分别应用了和调制模型预测控制。

传统FCS-MPC在一个周期内只能作用，控制效果较差。目前有两种的控制方法，分别对应两种不同的计算电压矢量作用时间的方法：一种是基于的矢量作用时间计算方法，另一种被称为，该方法中每个电压矢量的作用时间与其价值函数成反比，大家可以看我以前的博客📖，有应用调制模型预测控制方法实现双矢量/三矢量控制的。上一篇博客采用了基于无差拍控制原理的双矢量模型预测控制：👉本篇就来接着介绍三矢量的控制方法。

传统FCS-MPC在一个周期内只能作用单一电压矢量，控制效果较差。目前有两种多矢量的控制方法，分别对应两种不同的计算电压矢量作用时间的方法：一种是基于的矢量作用时间计算方法，另一种被称为，该方法中每个电压矢量的作用时间与其价值函数成反比。本篇博客将采用另一种计算电压矢量作用时间的方法，即基于无差拍控制原理的多矢量模型预测控制方法。

介绍了三相并网逆变器的FCS-MPC控制，该控制策略，故称为模型预测控制。介绍了模型预测控制，即在一个控制周期内应用两个电压矢量。最近有朋友问到三矢量，那本篇博客就来介绍模型预测控制，即在一个控制周期内应用三个电压矢量。

最近在用 Latex 写硕士毕业论文，编辑软件是 TexStudio，其中遇到了一些问题，在此记录。👉由于我在摘要使用了两个缩写（标注了全称），正文遇到同样的缩写词时候没有标注全称，但是根据论文要求，正文第一次出现缩写还是需要标注全称的。👉在摘要内容后面用论文的摘要是对论文研究内容和成果的高度概括。\gls{MPC}是一种控制方法...以上摘要中使用了 MPC 的缩写，在末尾还原，在正文部分再次出现 MPC 的时候，第一次标注全称，后面就是缩写了。

常见问题数据类型： 内部似乎不能用 double，我一般用 single 类型，特殊的模块在输出端口转 single。像加减乘除这种有多个输入的，数据类型要相同。转换速率： 可以是里面快外面慢，也可以是里面慢外面快，中间需要有 Rate Transition 模块作速率转换。采样频率： 常数的采样时间不能设置成0或者inf。代数环： 有时候 Simulink 仿真不会报错，但是在 HDL 编译的时候就报错了，最简单的方法就是，哪里出现代数环问题，就在哪里加延时。

光伏电池最大功率点追踪（Maximum Power Point Tracking, MPPT）是一种关键的技术，用于最大化光伏系统的能量转换效率。本文主要介绍恒定电压法、增量电导法、扰动观察法。

光伏电池发电的基本原理主要基于光电效应。1️⃣ 光电效应光伏电池的工作原理首先依赖于光电效应。光电效应是指当光子（光的粒子）照射到某些材料（如硅）上时，可以将材料中的电子激发到更高的能量状态，从而使电子脱离原子的束缚，形成。2️⃣ 半导体材料光伏电池通常由半导体材料制成，最常用的材料是单晶硅、多晶硅或者薄膜材料。半导体材料在特定条件下（如掺杂）可以控制其导电性，实现光生电流的产生。3️⃣ P-N 结的形成4️⃣ 光照与电流产生。

当分布式电源发出的电能过剩时，电池储存电能，双向DC-DC变换器处于 Buck 模式，此时能量由直流母线流向电池；当分布式电源发出的电能不足以满足所有负载时，电池释放电能，双向DC-DC变换器切换于Boost模式，此时能量由电池流向直流母线。开关管S1、S2均关断，二极管D1导通 、D2截止。

又到了一年一度的1024节⭐️，我又来水博客了~之前写过这篇博客把应用对象换成。其中电流内环采用控制策略，电压外环采用PI控制策略。将不同开关状态下的u_{ab}(k)值代入电流预测方程得到电流预测值，再根据下面的代价函数，遍历求出最接近参考电流i_r(k+1)下的开关状态，作为下个控制周期的开关状态。

之前写过三相桥式逆变器FCS-MPC，这篇博客把应用对象换成三相桥式整流器。其中电流内环采用FCS-MPC控制策略，电压外环采用PI控制策略。

Direct Lookup Table (n-D) 可以实现从表数据中选择元素、向量或二维矩阵。如果从二维表中选择了一个向量，则输出向量可能是一列或一行，具体取决于模型配置设置。注意模块输入为从0开始的索引，例如，输入3返回该维度中的第四个元素。第一个选择索引对应于顶部(或左侧)输入端口。

上一篇博客提到了什么是HiL(硬件在环)，为什么需要对电路进行数学建模，当然，如果这些部署在Speedgoat的CPU而不是FPGA，可以不经过HDL编译的，也就是说对Simulink中使用的模块要求没有那么严苛，但如果是要部署在FPGA，则需要用内的模块搭建数学模型，或者是通过蓝库Simscape搭建模型然后进行状态空间转换。部署在CPU还是FPGA的一个区别就是不同。一般而言，实时仿真系统包括两个部分，一个是，一个是。

为什么要数学建模？关于这个问题，许老师的书/知乎也已经给出了非常好的答案：知乎：永磁同步电机控制与仿真系列文章 | 电路拓扑式建模与数学建模总的来说，如果要把模型放在Speedgoat的FPGA里面进行实时仿真，需要经过HDL编译，而HDL编译对模型使用的模块有一定要求。

DCGAN（深度卷积对抗生成网络，Deep Convolutional Generative Adversarial Networks）是GAN的直接扩展。不同之处在于，DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。它最早由Radford等人在论文Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks中进行描述。判别器由分层的卷积层、BatchNorm层和Leaky

CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。

Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。而Pix2Pix使用的网络作为一个通用框架，

如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞 ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪。