带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器，可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿，可提高系统抗负载扰动能力； 提供算法对应的参考文献和仿真模型，支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建，不是从网络上复制得到。

主要对台山电厂#6机组变负荷过程中响应速率较慢,主再热蒸汽温度波动比较大等原因进行分析和研究,并通过一定的控制策略对控制逻辑进行了一定的优化和控制。经过优化后,效果比较明显。通过对该控制策略进行总结建议,对同类型机组有一定的借鉴意义。

资源代码实现了bp全连接神经网络代码 不使用pytorch，tensorflow等神经网络学习框架 一、功能实现： 1.实现自动求导功能 2.实现adam学习率优化器代码，可以提升学习率，加快收敛 3.numpy实现矩阵运算 4.实现softmax交叉熵损失函数 5.实现递归运算每一层神经网络 6.实现训练过程中损失函数loss下降显示，使用matplot实现 二、作用： 1.方便刚入门的小伙伴入门学习神经网络，了解神经网络工作的几大部分 前向计算，激活函数，损失函数，求导 2.复现论文的adam优化器实现，实现一阶矩估计，二阶矩估计 三、能学到什么： 1.adam优化器实际代码实现 2.求导过程计算 3.matplot显示图表 4.numpy矩阵运算实现 5.递归实现层集计算 四、阅读须知： 1.参考本代码之前需要先了解bp神经网络的构成 2.此资源未使用框架，求导也是代码实现，主要是公式求导，后期会推出计算图求导的版本 3.不包含cnn卷积神经网络，不适用于特征提取，后续可能会增加cnn模块 4.本资源目前只实现relu激活函数，需要验证sigmod等激活函数可以自行添加

针对井下不平衡工况会导致STATCOM控制性能变差、影响补偿效果的问题,提出采取改进开关函数法及负序电压前馈控制策略,让STATCOM发出一个与系统负序电压大小和相位都相等的负序电压,来补偿系统负序电压,保证了STATCOM在不平衡工况下的正常运行。仿真结果表明,该控制策略起到了抑制负序电流的作用,有效克服了三相不平衡的影响。

针对宽范围输入的双管Buck-Boost变换器，在Buck和Boost两模式之间进行切换和输入电压发生波动时，电感电流和输出电压存在较大波动的问题，提出了带输入电压前馈的两模式平均电流控制策略。该策略通过将具有电压电流双闭环结构的平均电流控制与单载波-双调制的调制方法相结合，来提高变换器的动态响应性能，实现变换器两模式的自动近似平滑切换，同时对电感电流进行有效控制，保护设备安全。为了克服传统双闭环前馈函数实现和化简困难的缺点，提出将输入电压前馈引入电流内环从而大幅提高了变换器的输入动态响应性能。最后建立了MATLAB／Simulink仿真模型和硬件试验平台，验证了所提控制方法的有效性。

提出了一种新型光伏逆变器拓扑结构，其由罗氏升压电路、三相四开关逆变单元组成，可以有效提高光伏发电效率、降低光伏系统成本。针对该结构逆变器提出了一种新型前馈功率预测控制策略，其通过将自然环境分区后排列，然后逐一对其历史光伏最大功率进行寻优，从而确定相应的前馈功率预测值。该方法具有计算量小、运算速度快、实现简单、控制精度高、可靠性强的显著优点，可以省去传统逆变器控制的直流侧电压闭环，由逆变器本身完成光伏阵列的最大功率点跟踪功能，从而提高系统响应速度与可靠性。仿真与实验结果均验证了所提结构和控制方法的可行性及优越性。

具有随机权重的前馈神经网络的迭代学习算法

程序升温气相色谱法零相差控制，蒋小平，赵登科，色谱分析中，色谱柱的温度控制分为两种，恒温控制和程序升温。程序升温要求温度在一个分析周期内呈线性变化，但在整个分析周期内

本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。

本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。