占空比扰动法实现风力系统MPPT 采用直驱式电机,根据Boost变换器结构图,不需要测风装置，也不需要知道风轮的空气动力特性；直接把占空比作为控制参数，只需要一个控制循环，减少了控制器设计的难度。

跟随变异粒子扰动变化的惯性权重PSO算法 (2015年)

光伏技术因其清洁性而得到广泛应用，而逆变器作为其核心设备更是尤为关键，基于提高最大功率点跟踪效率问题，本文提出了一种基于电池分组的并网逆变电路设计，加入了工频变压器，起到了隔离作用，因此较一般电路具有安全且容易实现的特点。控制上采用开环控制，输出电流大小将有前级的最大功率点跟踪控制。对于逆变来说省去了PI反馈、锁相环、算法，统一由控制方法代替。最后进行了硬件实现，并分别通过软件仿真及实际硬件电路测试证明其有效性，且性能较好。

根据太阳能光伏电池的工程数学模型,在Matlab环境下建立了光伏电池仿真模型,分析了光照强度和温度变化对光伏电池输出特性的影响。针对扰动观察法采用固定的扰动步长而难以获得较高跟踪精度和响应速度的问题,提出了一种基于变步长的改进的扰动观察法,并通过对光伏电池控制系统进行仿真,比较了这2种最大功率点跟踪方法的仿真曲线。结果表明,采用改进的扰动观察法的光伏电池控制系统能更快速跟踪最大功率点,且在最大功率点处稳定性较好。

为了提高光伏发电系统的输出效率,提出了基于变步长扰动观察法的最大功率点跟踪方法。该控制方法以光伏电池的数学模型为基础,以光伏输出功率的变化为判断依据,通过对光伏电池的输出电压进行调节,从而实现最大功率点跟踪。在Matlab /Si mulink下进行了系统的建模与仿真,仿真结果表明该算法能够在快速跟踪最大功率点变化的情况下保证跟踪精度。这说明变步长扰动观察法具有比传统扰动观察法更优异的稳态和动态性能,能够有效提高光伏发电系统的发电效率。

该项目与Itajubá联邦大学的Gabriel CS Almeida题为“智能学习中先进功率质量扰动的鲁棒分类器的机器学习应用”的硕士学位论文相关。 以下是MATLAB代码的详细信息。 新设备的插入，数据流的增加，间歇性生成和大规模计算机化大大增加了当前电气系统的复杂性。 这种增加导致了必要的变化，例如需要更智能的电气网络来适应这种不同的现实。 以大数据，机器学习（ML），深度学习（DL）和模式识别为代表的人工智能（AI）技术的出现代表了基于信息和知识的社会和全球发展的新时代。 随着最近的智能电网（SG），使用这种类型智能的技术的使用将变得更加必要。 本文研究了在SG中使用高级信号处理和ML算法创建高级功率质量扰动的鲁棒分类器的方法。 为此，使用随机元素生成已知的PQ干扰模型，以逼近实际应用。 从这些模型中，随着这些干扰的产生，产生了成千上万的信号。 使用离散小波变换（DWT）的信号处

用BP神经网络拟合正弦函数sin(2*pi*x)+扰动，并带有扰动

剧烈扰动和扭矩下的姿态和轨道控制 这项工作是我的航天器系统控制研究生讲座项目。 所有这些项目，均由PID控制。 （线性） 为此项目完成了三个模拟1-在没有扭矩的情况下，首先进行转矩模拟。 2-模拟扭矩和干扰。 3-在大扭矩下进行仿真，并同时进行干扰梯度和外部干扰。

三相双极式光伏并网，辐照量可变。mppt用扰动观测法。

＃ 方法： 该算法以张量形式实现麦克斯韦方程的傅立叶变换，允许从 3D 中已知磁化率的圆柱体向前计算感应场。 在 MRI 中，麦克斯韦方程组（Marques 和 Bowtell，2005 年和 Salomir 等人，2003 年）的傅立叶变换允许在磁化率分布和场图之间进行转换。 虽然人体组织中的大多数结构表现出各向同性的磁化率，但一些生物分子被认为具有磁化率各向异性 - 例如，大脑中的髓鞘。 这种各向异性可以用 2 阶张量来表征。 适应这种磁化率张量公式的麦克斯韦方程的傅立叶变换在 Liu 2010 年的方程 9 中导出，磁化率张量成像。 此例程将磁化率的张量公式结合到 3D 实心圆柱体的场畸变前向计算中。 ＃输入输出： 函数 [A]= sus_tensor(PHI,THETA,B0,sus, AA,BB,CC) 输入（在适用的球坐标中）： Φ，0-> pi / 2，外加磁场与圆柱