电机自学习，参数辨识相关的专利，为国产主流变频器公司xx所编写

通过改进的粒子群算法，结合4阶龙格库塔法，对J-A磁滞模型进行参数辨识

针对表贴式永磁同步电机无位置传感器矢量控制系统, 提出一种具有电机参数在线辨识的基于Super-twisting algorithm的自适应二阶滑模观测器.在两相静止坐标系下,将模型参考自适应方法与基于Super-twisting algorithm的二阶滑模方法相结合,实现反电动势的准确估计.采用李亚普诺夫理论证明观测器的稳定性,并由李亚普诺夫稳定性方程推导定子电阻和转子转速的自适应律.在同步旋转坐标系下,采用二阶滑模观测器估计永磁磁链,并将其输入位置跟踪观测器估计转子位置.该算法充分抑制了滑模抖振,同时避免了低通滤波和相位补偿环节的使用,转子位置检测不受定子电阻和永磁磁链变化的影响,具有较强的鲁棒性.仿真结果验证了所提出算法的有效性.

精品教育教学资料

精品教育教学资料

在论坛上学习了一些关于递推最小二乘的原理和算法，参考了一些程序，写了一下关于递推最小二乘的程序，辨识结果没有问题。原理推导可以在论坛上查找。

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。

针对电能质量中的复合扰动信号分析问题，提出一种粒子群优化(PSO)和匹配追踪(MP)算法相结合的分层搜索的原子分解方法。首先应用MP算法提取基波分量，对于去除基波分量的残差信号，利用快速傅里叶变换找寻能量最大的频率成分，采用PSO算法粗搜索出最佳匹配粒子，然后以最佳匹配粒子为中心，在一定范围内重新离散化，生成小规模原子库，再应用MP算法有针对性地进行细搜索，最终得到最佳匹配原子，提取出电能质量复合扰动特征参数。仿真结果表明，该方法能克服MP算法匹配时间长、计算量大及PSO优化MP算法残差积累过大、容易陷入局部最优、匹配参数不准确等缺点，且具有一定的抗噪性和实时性。

随着人工智能技术的飞速发展，深度神经网络在计算机视觉、信号分析和自然语言处理等领域中都得到了广泛应用.自然语言处理通过语法分析、语义分析、篇章理解等功能帮助机器处理、理解及运用人类语言.

详细阐明了频率特性、典型环节与开环系统频率特性、频域稳定判据、频域稳定域度等问题，深入浅出、简单易懂。