什么是神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)網(wǎng)絡(luò)控制技術(shù)是一項(xiàng)復(fù)雜的系統(tǒng)控制技術(shù)，一般應(yīng)用在變頻器的控制中，它是通過(guò)對(duì)系統(tǒng)的辨識(shí)、運(yùn)算后對(duì)變頻器進(jìn)行控制的一種新技術(shù)。

而且神經(jīng)網(wǎng)絡(luò)控制可以同時(shí)控制多個(gè)變頻器，所以應(yīng)用在多個(gè)變頻器級(jí)聯(lián)控制中比較合適。

谷歌人工智能寫作項(xiàng)目：愛(ài)發(fā)貓

周期性間歇控制為什么用于神經(jīng)網(wǎng)絡(luò)

什么是神經(jīng)網(wǎng)絡(luò)控制技術(shù)？

神經(jīng)網(wǎng)絡(luò)控制技術(shù)是一項(xiàng)復(fù)雜的系統(tǒng)控制技術(shù)，一般應(yīng)用在變頻器的控制中，它是通過(guò)對(duì)系統(tǒng)的辨識(shí)、運(yùn)算后對(duì)變頻器進(jìn)行控制的一種新技術(shù)。

而且神經(jīng)網(wǎng)絡(luò)控制可以同時(shí)控制多個(gè)變頻器，所以應(yīng)用在多個(gè)變頻器級(jí)聯(lián)控制中比較合適。

什么是神經(jīng)網(wǎng)絡(luò)控制技術(shù)

神經(jīng)網(wǎng)絡(luò)控制技術(shù)是一項(xiàng)復(fù)雜的系統(tǒng)控制技術(shù)，一般應(yīng)用在變頻器的控制中，它是通過(guò)對(duì)系統(tǒng)的辨識(shí)、運(yùn)算后對(duì)變頻器進(jìn)行控制的一種新技術(shù)。

而且神經(jīng)網(wǎng)絡(luò)控制可以同時(shí)控制多個(gè)變頻器，所以應(yīng)用在多個(gè)變頻器級(jí)聯(lián)控制中比較合適。

神經(jīng)網(wǎng)絡(luò)是什么？

生物神經(jīng)網(wǎng)絡(luò)主要是指人腦的神經(jīng)網(wǎng)絡(luò)，它是人工神經(jīng)網(wǎng)絡(luò)的技術(shù)原型。

人腦是人類思維的物質(zhì)基礎(chǔ)，思維的功能定位在大腦皮層，后者含有大約10^11個(gè)神經(jīng)元，每個(gè)神經(jīng)元又通過(guò)神經(jīng)突觸與大約103個(gè)其它神經(jīng)元相連，形成一個(gè)高度復(fù)雜高度靈活的動(dòng)態(tài)網(wǎng)絡(luò)。

作為一門學(xué)科，生物神經(jīng)網(wǎng)絡(luò)主要研究人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能及其工作機(jī)制，意在探索人腦思維和智能活動(dòng)的規(guī)律。

人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)在某種簡(jiǎn)化意義下的技術(shù)復(fù)現(xiàn)，作為一門學(xué)科，它的主要任務(wù)是根據(jù)生物神經(jīng)網(wǎng)絡(luò)的原理和實(shí)際應(yīng)用的需要建造實(shí)用的人工神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)相應(yīng)的學(xué)習(xí)算法，模擬人腦的某種智能活動(dòng)，然后在技術(shù)上實(shí)現(xiàn)出來(lái)用以解決實(shí)際問(wèn)題。

因此，生物神經(jīng)網(wǎng)絡(luò)主要研究智能的機(jī)理；人工神經(jīng)網(wǎng)絡(luò)主要研究智能機(jī)理的實(shí)現(xiàn)，兩者相輔相成。

人工神經(jīng)網(wǎng)絡(luò)的定義，詳細(xì)說(shuō)明

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks,ANN），一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。

這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱為“訓(xùn)練”。

（引自《環(huán)球科學(xué)》2007年第一期《神經(jīng)語(yǔ)言：老鼠胡須下的秘密》）概念由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。

它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)具有四個(gè)基本特征：（1）非線性非線性關(guān)系是自然界的普遍特性。

大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯(cuò)性和存儲(chǔ)容量。

（2）非局限性一個(gè)神經(jīng)網(wǎng)絡(luò)通常由多個(gè)神經(jīng)元廣泛連接而成。一個(gè)系統(tǒng)的整體行為不僅取決于單個(gè)神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過(guò)單元之間的大量連接模擬大腦的非局限性。

聯(lián)想記憶是非局限性的典型例子。（3）非常定性人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時(shí)，非線性動(dòng)力系統(tǒng)本身也在不斷變化。

經(jīng)常采用迭代過(guò)程描寫動(dòng)力系統(tǒng)的演化過(guò)程。（4）非凸性一個(gè)系統(tǒng)的演化方向，在一定條件下將取決于某個(gè)特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。

非凸性是指這種函數(shù)有多個(gè)極值，故系統(tǒng)具有多個(gè)較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元處理單元可表示不同的對(duì)象，例如特征、字母、概念，或者一些有意義的抽象模式。

網(wǎng)絡(luò)中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號(hào)與數(shù)據(jù)；輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。

神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度，信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中。

人工神經(jīng)網(wǎng)絡(luò)是一種非程序化、適應(yīng)性、大腦風(fēng)格的信息處理，其本質(zhì)是通過(guò)網(wǎng)絡(luò)的變換和動(dòng)力學(xué)行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。

它是涉及神經(jīng)科學(xué)、思維科學(xué)、人工智能、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科。

人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺(jué)、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)。

歷史沿革1943年，心理學(xué)家W.S.McCulloch和數(shù)理邏輯學(xué)家W.Pitts建立了神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型，稱為MP模型。

他們通過(guò)MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法，證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能，從而開(kāi)創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)研究的時(shí)代。1949年，心理學(xué)家提出了突觸聯(lián)系強(qiáng)度可變的設(shè)想。

60年代，人工神經(jīng)網(wǎng)絡(luò)的到了進(jìn)一步發(fā)展，更完善的神經(jīng)網(wǎng)絡(luò)模型被提出，其中包括感知器和自適應(yīng)線性元件等。

M.Minsky等仔細(xì)分析了以感知器為代表的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的功能及局限后，于1969年出版了《Perceptron》一書(shū)，指出感知器不能解決高階謂詞問(wèn)題。

他們的論點(diǎn)極大地影響了神經(jīng)網(wǎng)絡(luò)的研究，加之當(dāng)時(shí)串行計(jì)算機(jī)和人工智能所取得的成就，掩蓋了發(fā)展新型計(jì)算機(jī)和人工智能新途徑的必要性和迫切性，使人工神經(jīng)網(wǎng)絡(luò)的研究處于低潮。

在此期間，一些人工神經(jīng)網(wǎng)絡(luò)的研究者仍然致力于這一研究，提出了適應(yīng)諧振理論（ART網(wǎng)）、自組織映射、認(rèn)知機(jī)網(wǎng)絡(luò)，同時(shí)進(jìn)行了神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)理論的研究。以上研究為神經(jīng)網(wǎng)絡(luò)的研究和發(fā)展奠定了基礎(chǔ)。

1982年，美國(guó)加州工學(xué)院物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型，引入了“計(jì)算能量”概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。

1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計(jì)算機(jī)的研究做了開(kāi)拓性的工作，開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究，1985年，又有學(xué)者提出了波耳茲曼模型，在學(xué)習(xí)中采用統(tǒng)計(jì)熱力學(xué)模擬退火技術(shù)，保證整個(gè)系統(tǒng)趨于全局穩(wěn)定點(diǎn)。

1986年進(jìn)行認(rèn)知微觀結(jié)構(gòu)地研究，提出了并行分布處理的理論。

人工神經(jīng)網(wǎng)絡(luò)的研究受到了各個(gè)發(fā)達(dá)國(guó)家的重視，美國(guó)國(guó)會(huì)通過(guò)決議將1990年1月5日開(kāi)始的十年定為“腦的十年”，國(guó)際研究組織號(hào)召它的成員國(guó)將“腦的十年”變?yōu)槿蛐袨椤?/p>

在日本的“真實(shí)世界計(jì)算（RWC）”項(xiàng)目中，人工智能的研究成了一個(gè)重要的組成部分?；緝?nèi)容人工神經(jīng)網(wǎng)絡(luò)模型主要考慮網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元的特征、學(xué)習(xí)規(guī)則等。

目前，已有近40種神經(jīng)網(wǎng)絡(luò)模型，其中有反傳網(wǎng)絡(luò)、感知器、自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。

根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可以分為：（1）前向網(wǎng)絡(luò)網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。

這種網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

（2）反饋網(wǎng)絡(luò)網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個(gè)無(wú)向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。

Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要內(nèi)容，它的適應(yīng)性是通過(guò)學(xué)習(xí)實(shí)現(xiàn)的。根據(jù)環(huán)境的變化，對(duì)權(quán)值進(jìn)行調(diào)整，改善系統(tǒng)的行為。

由Hebb提出的Hebb學(xué)習(xí)規(guī)則為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。Hebb規(guī)則認(rèn)為學(xué)習(xí)過(guò)程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強(qiáng)度隨著突觸前后神經(jīng)元的活動(dòng)而變化。

在此基礎(chǔ)上，人們提出了各種學(xué)習(xí)規(guī)則和算法，以適應(yīng)不同網(wǎng)絡(luò)模型的需要。

有效的學(xué)習(xí)算法，使得神經(jīng)網(wǎng)絡(luò)能夠通過(guò)連接權(quán)值的調(diào)整，構(gòu)造客觀世界的內(nèi)在表示，形成具有特色的信息處理方法，信息存儲(chǔ)和處理體現(xiàn)在網(wǎng)絡(luò)的連接中。

根據(jù)學(xué)習(xí)環(huán)境不同，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。

在監(jiān)督學(xué)習(xí)中，將訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端，同時(shí)將相應(yīng)的期望輸出與網(wǎng)絡(luò)輸出相比較，得到誤差信號(hào)，以此控制權(quán)值連接強(qiáng)度的調(diào)整，經(jīng)多次訓(xùn)練后收斂到一個(gè)確定的權(quán)值。

當(dāng)樣本情況發(fā)生變化時(shí)，經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。使用監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型有反傳網(wǎng)絡(luò)、感知器等。非監(jiān)督學(xué)習(xí)時(shí)，事先不給定標(biāo)準(zhǔn)樣本，直接將網(wǎng)絡(luò)置于環(huán)境之中，學(xué)習(xí)階段與工作階段成為一體。

此時(shí)，學(xué)習(xí)規(guī)律的變化服從連接權(quán)值的演變方程。非監(jiān)督學(xué)習(xí)最簡(jiǎn)單的例子是Hebb學(xué)習(xí)規(guī)則。競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則是一個(gè)更復(fù)雜的非監(jiān)督學(xué)習(xí)的例子，它是根據(jù)已建立的聚類進(jìn)行權(quán)值調(diào)整。

自組織映射、適應(yīng)諧振理論網(wǎng)絡(luò)等都是與競(jìng)爭(zhēng)學(xué)習(xí)有關(guān)的典型模型。

研究神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)力學(xué)性質(zhì)，主要采用動(dòng)力學(xué)系統(tǒng)理論、非線性規(guī)劃理論和統(tǒng)計(jì)理論，來(lái)分析神經(jīng)網(wǎng)絡(luò)的演化過(guò)程和吸引子的性質(zhì)，探索神經(jīng)網(wǎng)絡(luò)的協(xié)同行為和集體計(jì)算功能，了解神經(jīng)信息處理機(jī)制。

為了探討神經(jīng)網(wǎng)絡(luò)在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會(huì)發(fā)揮作用。混沌是一個(gè)相當(dāng)難以精確定義的數(shù)學(xué)概念。

一般而言，“混沌”是指由確定性方程描述的動(dòng)力學(xué)系統(tǒng)中表現(xiàn)出的非確定性行為，或稱之為確定的隨機(jī)性。

“確定性”是因?yàn)樗蓛?nèi)在的原因而不是外來(lái)的噪聲或干擾所產(chǎn)生，而“隨機(jī)性”是指其不規(guī)則的、不能預(yù)測(cè)的行為，只可能用統(tǒng)計(jì)的方法描述。

混沌動(dòng)力學(xué)系統(tǒng)的主要特征是其狀態(tài)對(duì)初始條件的靈敏依賴性，混沌反映其內(nèi)在的隨機(jī)性。

混沌理論是指描述具有混沌行為的非線性動(dòng)力學(xué)系統(tǒng)的基本理論、概念、方法，它把動(dòng)力學(xué)系統(tǒng)的復(fù)雜行為理解為其自身與其在同外界進(jìn)行物質(zhì)、能量和信息交換過(guò)程中內(nèi)在的有結(jié)構(gòu)的行為，而不是外來(lái)的和偶然的行為，混沌狀態(tài)是一種定態(tài)。

混沌動(dòng)力學(xué)系統(tǒng)的定態(tài)包括：靜止、平穩(wěn)量、周期性、準(zhǔn)同期性和混沌解?；煦畿壘€是整體上穩(wěn)定與局部不穩(wěn)定相結(jié)合的結(jié)果，稱之為奇異吸引子。

一個(gè)奇異吸引子有如下一些特征：（1）奇異吸引子是一個(gè)吸引子，但它既不是不動(dòng)點(diǎn)，也不是周期解；（2）奇異吸引子是不可分割的，即不能分為兩個(gè)以及兩個(gè)以上的吸引子；（3）它對(duì)初始值十分敏感，不同的初始值會(huì)導(dǎo)致極不相同的行為。

發(fā)展趨勢(shì)人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)，如模式、語(yǔ)音識(shí)別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用。

人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動(dòng)人工智能和信息處理技術(shù)不斷發(fā)展。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計(jì)算智能，成為人工智能的一個(gè)重要方向，將在實(shí)際應(yīng)用中得到發(fā)展。

將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開(kāi)辟了新的途徑。神經(jīng)計(jì)算機(jī)的研究發(fā)展很快，已有產(chǎn)品進(jìn)入市場(chǎng)。光電結(jié)合的神經(jīng)計(jì)算機(jī)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。

高分懸賞！！！求解神經(jīng)網(wǎng)絡(luò)控制器？？？ 100

如何在眾多mppt實(shí)現(xiàn)方法中合理選取最佳方案

MPPT技術(shù)已成研究熱點(diǎn)，其控制方法多樣，控制效果不盡相同，實(shí)現(xiàn)過(guò)程也大有區(qū)別。根據(jù)文[123]，可將各種控制方法分為間接近似控制法、直接采樣控制法以及人工智能控制法3大類。

間接控制法主要有曲線擬合法、查表法等;直接采樣控制法主要有干擾觀測(cè)法、電導(dǎo)增量法等;人工智能控制法主要有模糊控制法、神經(jīng)網(wǎng)絡(luò)控制法等。

目前主要文獻(xiàn)均針對(duì)某一特定方法進(jìn)行研究，缺乏對(duì)各種控制方法實(shí)際應(yīng)用效果的系統(tǒng)化比較研究，采用實(shí)際控制平臺(tái)進(jìn)行實(shí)用性研究的則更少。

本文根據(jù)方法分類，選取最具代表性的干擾觀測(cè)法、電導(dǎo)增量法、模糊控制法作為研究對(duì)象，分別建立控制模型，采用MATLAB/Simulink對(duì)系統(tǒng)主電路及控制系統(tǒng)進(jìn)行整體仿真，并在實(shí)驗(yàn)平臺(tái)上對(duì)各種方法分別進(jìn)行實(shí)驗(yàn)研究。

1各典型控制方法實(shí)現(xiàn)原理1.1干擾觀測(cè)法的實(shí)現(xiàn)干擾觀測(cè)法的原理是先讓光伏陣列工作在某一參考電壓下，檢測(cè)輸出功率，在此工作電壓基礎(chǔ)上加一正向電壓擾動(dòng)量，檢測(cè)輸出功率變化。

若輸出功率增加，表明光伏陣列最大功率點(diǎn)電壓高于當(dāng)前工作點(diǎn)，需繼續(xù)增加正向擾動(dòng);若所測(cè)輸出功率降低，則最大功率點(diǎn)電壓低于當(dāng)前工作點(diǎn)，需反向擾動(dòng)工作點(diǎn)電壓[425]。

1.2電導(dǎo)增量法的實(shí)現(xiàn)電導(dǎo)增量法通過(guò)比較光伏陣列的電導(dǎo)增量和瞬間電導(dǎo)來(lái)改變控制信號(hào)。

由光伏陣列特性曲線可知最大功率點(diǎn)處滿足電導(dǎo)條件：其中，VPV和IPV分別為光伏陣列輸出的電壓和電流，PPV為光伏陣列輸出的瞬時(shí)功率。根據(jù)判定結(jié)果調(diào)整參考電壓即可實(shí)現(xiàn)控制。

1.3模糊控制法的實(shí)現(xiàn)定義輸出偏差E及其變化率CE作為模糊控制器的輸入，將控制系統(tǒng)所需要的控制變化量以微分dD的形式從模糊控制器輸出。

若當(dāng)前采樣和上次采樣數(shù)值分別用n和n-1來(lái)表示，則可定義模糊控制器輸入變量ec(n)及其變化率Δec(n)的函數(shù)表達(dá)式為:定義模糊控制規(guī)則為:若當(dāng)前正向調(diào)節(jié)控制PWM占空比使輸出功率增加，則繼續(xù)正方向調(diào)整，反之則反方向調(diào)節(jié)，調(diào)節(jié)幅度由具體的模糊規(guī)則表和隸屬度函數(shù)經(jīng)模糊控制器輸出決定。

定義模糊集合:ZO=零PS=正小PB=正大NB=負(fù)大NS=負(fù)小。定義模糊函數(shù)F(ec(n)，Δec(n))的輸入輸出隸屬度函數(shù)E、CE、dD如圖1所示。

對(duì)模糊控制器輸出dD進(jìn)行積分運(yùn)算，即得控制所需的占空比D，輸出作用于主電路開(kāi)關(guān)器件。

2系統(tǒng)仿真根據(jù)MPPT的控制方法，建立由光伏電池通過(guò)Buck電路對(duì)蓄電池進(jìn)行最大功率充電的主電路模型，采用MATLAB/Simulink進(jìn)行仿真，模型中包括光伏電池模塊、主電路模塊和控制模塊，其電氣主電路模型如圖2所示。

圖1隸屬度函數(shù)E、CE和dD定義圖2MATLAB/Simulink平臺(tái)的電氣主電路模型控制部分根據(jù)傳感器采樣獲得數(shù)據(jù)分別采用上述不同控制方法進(jìn)行MPPT控制，最后輸出開(kāi)關(guān)器件的控制信號(hào)。

仿真中，光伏電池模型額定功率為300W，在0.025、0.03、0.035s不同時(shí)刻改變光照強(qiáng)度PU分別為700、800、900、1000W/m2，溫度參數(shù)定為25℃。

為便于比較，采樣頻率統(tǒng)一為5kHz，干擾觀測(cè)法和電導(dǎo)增量法的電壓參考值單步變化量均為0.1V，模糊控制則由控制算法自身判定。

干擾觀測(cè)法控制的MPPT仿真輸出曲線如圖3所示，圖3a為光伏電池PV輸出的電壓、電流曲線，圖3b為最大功率點(diǎn)跟蹤效果圖，系統(tǒng)從光照強(qiáng)度為700W/m2曲線右側(cè)啟動(dòng)，顯示在光照強(qiáng)度劇烈變化下的跟蹤過(guò)程。

仿真中，圖3a電流波形上升沿較陡，說(shuō)明能快速準(zhǔn)確地進(jìn)行MPPT跟蹤;圖3a輸出電壓電流振蕩明顯，說(shuō)明在最大功率附近反復(fù)調(diào)整;圖3b反映出MPPT運(yùn)行點(diǎn)左右擺動(dòng)較大。

圖3干擾觀測(cè)法控制下的MPPT仿真輸出曲線同理，電導(dǎo)增量法控制的MPPT仿真輸出曲線如圖4所示。

圖4電導(dǎo)增量法控制下的MPPT仿真輸出曲線仿真中，圖4a上升沿陡、超調(diào)量較小，體現(xiàn)系統(tǒng)動(dòng)態(tài)響應(yīng)較好;圖4b中MPPT運(yùn)行點(diǎn)較為穩(wěn)定，擺動(dòng)幅度小，說(shuō)明系統(tǒng)MPPT跟蹤效果較為理想，動(dòng)穩(wěn)態(tài)精度均較高。

模糊控制法MPPT仿真輸出曲線如圖5所示。

圖5模糊控制法控制下的MPPT仿真輸出曲線仿真中，圖5a電壓電流波形輸出均較平穩(wěn)，說(shuō)明系統(tǒng)穩(wěn)態(tài)性能較好;圖5a中電流輸出超調(diào)衰減較慢，體現(xiàn)動(dòng)態(tài)響應(yīng)不夠靈活的缺點(diǎn);圖5b體現(xiàn)MPPT運(yùn)行點(diǎn)較為穩(wěn)定。

3系統(tǒng)實(shí)驗(yàn)實(shí)驗(yàn)平臺(tái)由300W光伏陣列、蓄電池組、LEM霍爾電壓電流傳感器等組成。

系統(tǒng)由傳感器采樣經(jīng)調(diào)理電路轉(zhuǎn)換后由TMS320F2812DSP根據(jù)采樣數(shù)據(jù)和控制算法最終輸出PWM控制脈沖控制開(kāi)關(guān)器件，從而實(shí)現(xiàn)整個(gè)系統(tǒng)的控制。

實(shí)驗(yàn)中采用遮蓋部分光伏電池并迅速移開(kāi)的辦法產(chǎn)生光照變化效果，測(cè)試各種方法在光照強(qiáng)度變化下的跟蹤效果。實(shí)驗(yàn)波形如圖6所示。

圖6a波形上升沿和下降沿變化迅速，體現(xiàn)出干擾觀測(cè)法跟蹤速度較快的特點(diǎn)，但上升沿和下降沿均出現(xiàn)電流毛刺，為光照強(qiáng)度劇烈變化時(shí)出現(xiàn)的誤判斷引起，且穩(wěn)態(tài)運(yùn)行時(shí)輸出電流波動(dòng)范圍較大;圖6b上升沿和下降沿均較為平滑，體現(xiàn)動(dòng)態(tài)響應(yīng)快、跟蹤精度高的優(yōu)點(diǎn);圖6c中，當(dāng)光照突然增大，電流增加迅速，但超調(diào)較大，說(shuō)明動(dòng)態(tài)響應(yīng)精度不夠，系統(tǒng)調(diào)節(jié)速度較慢，但電流波形波動(dòng)較小，最后仍能回到初始值，說(shuō)明穩(wěn)態(tài)精度理想。

圖6各種控制方法對(duì)應(yīng)的MPPT實(shí)驗(yàn)波形本系統(tǒng)所用組件開(kāi)路電壓85V左右，額定光照下最大功率點(diǎn)電壓為72V左右，實(shí)驗(yàn)控制和經(jīng)驗(yàn)值完全一致。

43種MPPT方法比較對(duì)以上仿真和實(shí)驗(yàn)進(jìn)行分析可以發(fā)現(xiàn)，干擾觀測(cè)法能快速準(zhǔn)確進(jìn)行MPPT控制，但在最大功率點(diǎn)附近振蕩運(yùn)行，穩(wěn)態(tài)輸出波形有一定波動(dòng);擾動(dòng)步長(zhǎng)設(shè)定無(wú)法兼顧跟蹤精度和響應(yīng)速度，選擇不當(dāng)甚至?xí)霈F(xiàn)電壓失控現(xiàn)象，需進(jìn)行多次嘗試才能選定最佳步長(zhǎng);在光照強(qiáng)度劇烈變化時(shí)會(huì)出現(xiàn)誤判斷。

電導(dǎo)增量法控制效果較理想，最大功率點(diǎn)附近較平穩(wěn)，在光照強(qiáng)度變化劇烈的條件下也能快速跟蹤，跟蹤中無(wú)明顯毛刺現(xiàn)象。

但其算法實(shí)現(xiàn)時(shí)需要反復(fù)微分運(yùn)算，計(jì)算量大，需要高速運(yùn)算控制器，且對(duì)傳感器精度要求較高，否則控制效果也不理想，出現(xiàn)擾動(dòng)和振蕩。本實(shí)驗(yàn)采用的控制器和傳感器性能較高滿足實(shí)驗(yàn)要求，故此問(wèn)題未突顯。

以模糊控制為代表的智能控制技術(shù)不需要精確研究光伏電池的具體特性和系統(tǒng)參數(shù)，系統(tǒng)控制設(shè)計(jì)靈活，穩(wěn)態(tài)精度較高，控制系統(tǒng)魯棒性強(qiáng)。

但模糊控制在光伏系統(tǒng)MPPT控制應(yīng)用中存在動(dòng)態(tài)響應(yīng)較慢、適應(yīng)能力有限、特定條件下易振蕩等固有問(wèn)題;模糊控制算法復(fù)雜，其模糊推理和解模糊過(guò)程需要完成大量浮點(diǎn)運(yùn)算，控制系統(tǒng)實(shí)時(shí)性難以滿足，實(shí)際應(yīng)用中實(shí)現(xiàn)困難，采用TMS320F2812定點(diǎn)DSP難以實(shí)現(xiàn)較高控制頻率，高性能控制需要更高性能的控制器，如TMS320F28335、TMS320VC33等浮點(diǎn)運(yùn)算控制器，但系統(tǒng)成本較高。

神經(jīng)網(wǎng)絡(luò)控制器怎樣搭建

總結(jié)

以上是生活随笔為你收集整理的神经网络在控制中的作用,间歇控制器的工作原理的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。