CN115062692B 永磁同步电机状态量预测模型构建方法及状态量预测方法 （北京交通大学）_第1页
CN115062692B 永磁同步电机状态量预测模型构建方法及状态量预测方法 （北京交通大学）_第2页
CN115062692B 永磁同步电机状态量预测模型构建方法及状态量预测方法 （北京交通大学）_第3页
CN115062692B 永磁同步电机状态量预测模型构建方法及状态量预测方法 （北京交通大学）_第4页
CN115062692B 永磁同步电机状态量预测模型构建方法及状态量预测方法 （北京交通大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

TaoLiuetal..Sensopredictivecontrolparallelobserverunderpauncertainty.IETPowerElectron..2卷438–449.永磁同步电机状态量预测模型构建方法及本发明提供了一种永磁同步电机状态量预述方法采集包括采样时刻驱动物理量和对应状个数据点中的驱动物理量与状态量之间的相关时期信息输入量及历史期信息输入量及输出状2步骤S1，按预定频率采集预定时间段内的永磁同步步骤S3，计算每个数据点中的每个驱动物理量与状态量之步骤S4，将每个采样时刻的第二驱动物理量集合与对步骤S5，搭建状态量预测模型，所述状态量预测模型包括步骤S6，采用训练集对所述状态量预测模型进行训练，并31)]步骤S7，采集永磁同步电机当前时刻的第二驱动物理量集合中对应的所有驱动物理步骤S8，采集当前时刻前一个滑动窗口长度内的每步骤S9，将同时期信息输入量和历史期信息输入4驱动物理量和状态量进行拼接作为历史期信息输入量，将终点时刻对应的状态量作为输5理量与状态量之间的相关性或计算第一驱动物理量集合中所有驱动物理量两两之间的相据序列进行滑窗处理后得到如下形式的((n-L)/s)1)]finshis126[0028]本发明实施例所提供的永磁同步电机状态量预测模型构建方法及状态量预测方[0033]在时间序列分析领域中，深度学习被认为具有强大的时尤其当中的循环神经网络(RNN)因为能够有效捕捉时间上的依赖关系而被广泛应用在自然[0034]然而注意到虽然理论上网络模型基于训练数据能够学习小化的经验风险——预测值和真实值的差异，最直接的距离度量方式便是计算均方误差7常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。归一化是对PMSM电机的时间序列数据进行min-max归8每个驱动物理量的第三相关性达到阈值的所有窗口长度可取值所构成的集合中的最小值驱动物理量和状态量进行拼接作为历史期信息输入量，将终点时刻对应的状态量作为输2]其中，第一学习模块为同时期信息学习模块，采用全连接网络/前馈神经网络结构(Full91)]his2构建方法及状态量预测方法，基于深度学习神经网络并结合PMSM状态参数物理变化原理，示范性实施例，说明书

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论