猿创征文|给妈妈做个相册——在服务器上搭建Lychee相册的保姆级教程
社区首页 (3596)





请编写您的帖子内容
社区频道(5)
显示侧栏
卡片版式
学习交流
闲聊灌水
全部
博文收录
Ada助手

23
评分
回复


【Simulink】基于占空比三矢量MPC的三相并网逆变器电流控制(无差拍原理)
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
复制链接 扫一扫
分享

26
评分
回复


【Simulink】基于占空比双矢量MPC的三相并网逆变器电流控制(无差拍原理)
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。
复制链接 扫一扫
分享

19
评分
回复


【Simulink】基于混合多矢量MPC的三相并网逆变器电流控制(调制模型预测控制)
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。
复制链接 扫一扫
分享

24
评分
回复


【Simulink】基于三矢量MPC的三相并网逆变器电流控制(无差拍原理)
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。
复制链接 扫一扫
分享

22
评分
回复


【Simulink】基于双矢量MPC的三相并网逆变器电流控制(无差拍原理)
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。
复制链接 扫一扫
分享

24
评分
回复


【Simulink】基于三矢量MPC的三相并网逆变器电流控制(调制模型预测控制)
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。
复制链接 扫一扫
分享

30
评分
回复


【论文写作】Latex学位论文编译问题记录
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。
复制链接 扫一扫
分享

60
评分
回复


【HiL-Speedgoat】3.HDL编译常见报错与解决方案
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。
复制链接 扫一扫
分享

105
评分
回复


【Simulink】光伏电池MPPT恒定电压法、增量电导法、扰动观察法
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。
复制链接 扫一扫
分享

132
评分
回复


【Simulink】光伏电池数学模型详细公式推导
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。
复制链接 扫一扫
分享

71
评分
回复


【Simulink】电池双向DC/DC+ADRC+FCS-MPC直流母线稳压
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。
复制链接 扫一扫
分享

69
评分
回复


【Simulink】基于FCS-MPC的单相整流器电流控制(Matlab Function)
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。
复制链接 扫一扫
分享

76
评分
回复


【Simulink】基于FCS-MPC的三相整流器电流控制(Matlab Function)
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。
复制链接 扫一扫
分享

478
评分
回复


【Simulink】查找表Direct Lookup Table (n-D)用法
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。
复制链接 扫一扫
分享

94
评分
回复


【HiL-Speedgoat】2.控制系统模型:单相并网逆变器
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。
复制链接 扫一扫
分享

104
评分
回复


【Simulink】三相并网逆变器数学模型(HiL)
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。
复制链接 扫一扫
分享

87
评分
回复


昇思25天学习打卡营第25天|DCGAN生成漫画头像
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
复制链接 扫一扫
分享

86
评分
回复


昇思25天学习打卡营第24天|CycleGAN图像风格迁移互换
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。
复制链接 扫一扫
分享

92
评分
回复


昇思25天学习打卡营第23天|Pix2Pix实现图像转换
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,
复制链接 扫一扫
分享

88
评分
回复


昇思25天学习打卡营第22天|Diffusion扩散模型
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。
复制链接 扫一扫
分享
为您搜索到以下结果: