一、基于神经状态空间的非线性系统建模研究（论文文献综述）
陈瑞阳[1]（2021）在《一类迟延系统的建模与参数估计》文中进行了进一步梳理
焦焕炎[2]（2021）在《基于强化学习的地铁站空调系统节能控制策略研究》文中研究指明近年来,随着我国城市轨道交通的迅速发展和众多地铁站的快速建设、运营,其相应的能耗总量也迅速增长,能耗问题日益凸显。为了给乘客提供一个相对舒适的候车环境,空调系统在地铁站中得到了广泛应用。而地铁站空调系统的能源消耗较大,约占车站总能耗的35%,且能源利用效率不高。造成这种现象的主要原因是空调系统具有非线性、强耦合、大滞后等特点,传统的控制方法无法兼顾舒适性和节能的问题,而且目前大多数地铁站均是对空调风系统和水系统单独控制,无法保证整个系统的节能效果。为解决上述问题,本论文提出了基于强化学习的空调系统风水联动节能控制策略,在保证车站环境舒适性要求的前提下,使系统尽可能节约能源,这对降低地铁系统能耗具有重要的现实意义。强化学习作为人工智能领域中一种极具发展前景的机器学习技术,具有自适应、自学习能力,能够实现复杂系统的全局优化控制,是充分发挥空调系统节能潜力的有效方法之一。为解决强化学习智能体在线训练收敛时间长的问题,本论文采用三层前馈神经网络建立了空调系统模型,首先确定了模型输入输出参数和网络结构,然后对其进行训练,并将训练完成的模型作为离线训练强化学习智能体的模拟环境,减少了系统学习的时间。为了提升算法效率,同时针对地铁站空调系统多维连续动作空间的特点,本论文提出了基于多步预测的深度确定性策略梯度改进算法;为实现风系统和水系统联动控制,本论文将地铁站空调水系统和末端风系统视为一个整体,设计了智能体框架,将其用于与环境模型进行交互训练,在保证地铁站台温度要求的前提下,使整个系统的能效比最大化。此外,为了确定最佳的训练次数,本论文还设置了智能体训练终止条件,有效减少了训练时间,进一步提升了算法效率。最后,本论文基于武汉某地铁站空调系统的实测运行数据,利用Py Charm软件,基于Tensor Flow框架,编写了算法程序进行仿真实验。结果表明,本论文所提出的控制策略取得了良好的控制效果,在满足地铁站台温度要求的前提下,与目前实际工程系统相比,能源节省约17.908%,提高了地铁站空调系统的能源利用效率;与此同时,本论文的改进算法与传统深度确定性策略梯度法相比,智能体训练次数减少了86次,提升了算法效率。
冯浩东[3]（2021）在《公共建筑冷冻站系统建模与预测控制策略研究》文中进行了进一步梳理目前我国建筑能耗占社会总能耗的21.7%左右,其中空调冷冻站系统能耗约占40%以上。冷冻站系统属于复杂热工过程,设备众多,具有回路间耦合、非线性、大滞后以及时变等复杂特性,机理建模困难,而传统的基于数据驱动的建模方法又难以兼顾离线建模和在线修正两方面的性能,造成系统整体优化控制困难。另一方面,由于冷冻站系统属于多回路耦合的复杂非线性系统,传统PID控制参数整定困难,造成系统在工况变化情况下容易发生振荡,且PID控制无法兼顾满足冷量需求和节能两方面的性能。课题组经过调研发现,由于系统容易发生振荡,目前实际工程中冷冻站控制系统在经过12个制冷季的运行后大多被改为手动运行方式,管理和控制粗放,造成极大的能源浪费,因此非常有必要研究冷冻站系统建模和智能优化控制策略,以实现在满足建筑冷量需求的前提下尽可能节能的控制目标。由于冷冻站各设备之间能效互相牵制,某台设备达到高能效状态无法保证系统整体节能,为了能够实现在满足建负荷要求的前提下使整个冷冻站系统能效最佳,本论文提出一种基于负荷预测的冷冻站系统能效比预测控制策略。预测控制的基础是预测模型、滚动优化和反馈校正,鉴于冷冻站为非线性系统,需要研究抗干扰能力强且易于工程实现的冷冻站系统模型构建和在线修正方法,以及计算量小、占用存储空间少的非线性系统滚动优化算法。为改善模型在线修正和模型移植性能,本论文提出一种基于改进Takagi-Sugeno（TS）模糊模型的冷冻站负荷和能效比动态建模方法,首先确定了冷冻站负荷和能效比两个模型的结构和参数;然后基于粒子群算法对模糊C-均值聚类方法进行了优化,以解决传统模糊C-均值聚类算法在迭代求解时对初值的选取要求较高,且易陷入局部最优的问题,从而完成结构辨识;在此基础上,采用扩展卡尔曼滤波算法进行模糊模型后件参数在线修正,以解决场测数据噪声较大引起的参数辨识效果较差的问题,同时提升建模效率。本论文使用研究对象广州某公共建筑的冷冻站运行数据对所构建的负荷和能效比模型性能进行了验证,两个模型相对误差分别是2.75%和2.25%,符合工业控制要求;在此基础上,本论文利用另一座公共建筑的数据对所建立的模型进行模型可移植性验证,结果表明移植后的模型误差在±6%以内,满足工业控制需求。由于冷冻站系统具有非线性,优化求解困难,目前相关领域通常采用HamiltonJacobi-Bellman（HJB）（动态规划）算法进行非线性系统优化求解,但是HJB算法计算量大,占用存储区多,不易工程实现。为此,研究团队提出一种基于神经网络的非线性预测优化算法,采用三层前馈神经网络作为优化反馈控制器,将控制系统优化目标函数,即满足建筑负荷和系统能效比最优作为神经网络优化性能指标,基于Euler-Lagrange算法和随机梯度下降法,对神经网络控制器权值进行滚动优化,以解决Euler-Lagrange开环控制对随机干扰和不确定性敏感的问题,同时避免出现动态规划算法的“维数灾”问题。本论文将上述算法应用于研究对象广州某公共建筑冷冻站系统控制,实验结果表明,本论文所提出的神经网络预测控制策略与PID控制相比,在满足建筑冷量需求的情况下系统平均能效提高约32.5%,并且在控制过程中能够克服各种变化和不确定性因素的影响,具有更好的动态和稳态性能,且该算法占用存储空间适中、计算量小,易于工程实现。在此基础上,鉴于系统优化目标为满足建筑负荷和系统能效比需求,为解决优化目标函数中的性能指标权重自适应调整的问题,本论文设计了权重自适应模糊控制器,并将其加入至预测控制系统的优化目标函数中,模糊控制器根据时变的建筑负荷和系统能效比实时查询模糊控制表得到目标函数最优权重。实验结果表明,在采用神经网络预测优化控制方法的基础上,相较于未加入权重自适应模糊控制器而言,冷冻站系统制备冷量更贴合冷负荷需求量,在保证需求冷量的前提下提高系统能效比约为6.93%。
宋鹏翔[4]（2021）在《插电式混合动力公交车工况预测与智能能量管理策略研究》文中研究说明在全球能源短缺和环境污染日益严峻的背景下,新能源汽车领域关键技术不断发展,大力推进插电式混合动力汽车的发展是通往全面普及纯电动汽车的必由之路。插电式混合动力系统是一种非线性、多变量且时变的复杂系统,由于其特殊的能量分配结构,对发动机、电机等动力源的控制与传统混合动力系统相比更为复杂,能量管理策略作为混合动力系统的关键技术之一,如何在满足车辆行驶需求和驾驶员动力需求的前提下对各动力源进行优化控制,实现各动力源高效合理地工作,进一步挖掘其节能潜力从而提高整车的燃油经济性是当前插电式混合动力系统研究的关键,同时也是新能源汽车产业发展的迫切需求。本文以双电机同轴混联插电式混合动力公交车为研究对象,开展了行驶工况构建方法、混合动力系统建模、未来工况预测方法、预测能量管理策略、智能能量管理策略以及硬件在环试验研究,完成了插电式混合动力车辆系统建模,仿真分析,能量管理策略验证的工作流程。本文依托国家重点研发计划“插电/增程式混合动力系统动态建模优化与动态控制方法”项目,主要研究内容包括以下六个方面:1)插电式混合动力公交车行驶工况构建。选定某城市具有代表性的公交线路,对其线路特征进行分析并完成车辆原始行驶工况数据的采集工作,采用小波变换方法对原始数据进行滤波降噪处理,然后将原始行驶工况数据划分为独立的短行程片段,选取可充分体现行驶工况数据特点的特征参数,筛选前四个主成分并采用自组织映射神经网络算法对所有的短行程工况样本根据特征参数的相似程度进行聚类分析,得出聚类结果后将其组合得到所构建的某公交线路行驶工况,并通过与原始工况数据特征参数的对比验证所构建工况的合理性。2)整车纵向动力学建模与能量管理策略构建。首先对双电机同轴混联插电式混合动力公交车的构型特点以及不同工作模式下的能量流展开了详细分析,并在仿真环境Matlab/Simulink下按照正向建模的思路建立了包含发动机、驱动电机和ISG电机以及动力电池组的插电式混合动力系统整车纵向动力学模型,同时基于所构建的行驶工况,建立了在工程实际上常用的基于规则的能量管理策略以及可保证全局最优的基于动态规划的能量管理策略模型,对两种基准策略进行合理性验证,并为后续能量管理策略的研究进一步提供了参考评价标准。3)建立基于数据驱动预测方法的车辆未来行驶车速预测模型。首先建立基于马尔可夫链的车速预测模型,采用贝叶斯估计求解初始转移概率矩阵,并基于所构建的循环工况,针对不同预测时域对车速进行多次预测,然后结合驾驶意图序列和历史车速序列建立基于RBF神经网络车速预测模型,在对所构建神经网络进行合理性验证的基础上对未来车速进行预测,对比分析了RBF神经网络预测模型和马尔可夫链预测模型在预测精度方面的差异,并验证了引入驾驶意图序列在RBF神经网络车速预测模型中的有效性。4)提出了一种分层预测能量管理策略。将庞特里亚金最小化原理与模型预测控制相结合,提出了基于PMP-MPC的插电式混合动力系统分层预测能量管理策略,上层控制器主要接收车速预测模型所预测的未来车速序列,并根据车辆状态采用PMP算法求解预测时域内的最优控制序列,下层控制器根据上层控制器的计算结果最终将控制指令输出给整车模型。并对基于PMP-MPC的能量管理策略进行仿真试验,分析了预测时域对控制效果的影响,并将PMP-MPC策略与结合动态规划算法和模型预测控制的DP-MPC能量管理策略进行对比分析,验证了PMP-MPC策略在燃油经济性和计算效率方面的优势。5)提出了基于深度强化学习的智能能量管理策略。结合深度学习的结构和强化学习的思想,探索了一种基于深度强化学习的插电式混合动力系统能量管理策略架构,基于双深度Q网络和深度确定性策略梯度两种深度强化学习算法分别开发了对应的能量管理策略,并对两种策略进行了仿真试验。与本文所提出的PMP-MPC能量管理策略进行对比分析,结果表明在随机行驶工况下基于深度强化学习的智能能量管理策略更具适应环境变化这种不确定性的能力,所受到环境的随机变化对整车经济性的影响较小,为插电式混合动力系统在随机行驶环境下的鲁棒性问题提供了新的思路和解决方案。6)对预测能量管理策略和智能能量管理策略进行硬件在环仿真试验。通过搭建硬件在环试验平台,将本文所提出的两种类型能量管理策略分别下载到真实控制器中,在实时仿真环境下对能量管理策略的控制效果进行了验证,由硬件在环试验结果表明所提出的两种类型能量管理策略均具有较好的实时性,且取得了良好的控制效果。
刘启东[5]（2021）在《事件驱动下非线性马尔科夫跳变系统的可靠滤波及故障检测》文中提出事件触发（Event-triggered）或事件驱动（Event-driven）策略是一种新兴的传输或采样机制,以适应新兴系统中所要求的智能与协同特性。其主要思想是在数据传输或采样前端设置一种决策或判断机制,即仅对满足事件驱动条件的信息予以传输,以减少有限网络资源的非必要消耗。面对与以往有着天渊之别的数据吞吐量,该策略能够有效缓解网络带宽压力,实现资源的有效利用。事件驱动策略已经被利用于控制领域,具有十分广阔的应用前景。受以上背景的启发,在充分查找科研文献及进行应用需求分析的前提下,本文针对一种特殊的非线性不确定系统——非线性马尔科夫跳变系统进行研究,并针对其进行事件驱动故障检测及可靠滤波两方面进行探究。本文的主要工作如下:1.首先,通过阅读与总结文献资料,深入剖析国内外发展现状,从事件驱动、故障检测、可靠滤波及非线性系统的建模等方面的背景知识出发进行阐述,详细介绍本文的研究动机及意义。2.其次,本文对事件驱动策略下的非线性马尔科夫跳变系统的可靠滤波方法进行了研究。具体工作包括对实际非线性系统进行建模,对可靠滤波器及故障检测滤波器的形式进行构建,对事件驱动传输策略进行实现,再引入有限频性能来实现对特定频域信号的针对或对信号频率的充分利用。3.在确定了可靠滤波器及检障滤波器的形式及其所要满足的性能条件后,运用李雅普诺夫稳定性理论探究两种滤波器的稳定性及相应性能,再通过矩阵变换等手段进行推导,得出在稳定且满足有限频域性能的前提下,可靠滤波器及检障滤波器的存在条件及其线性求解方式。4.利用所得到的求解方法,给出在不同前提或侧重点下的最优求解方式,并设计相关的步骤及算法,以得出滤波器的结构增益,构建并获得残差。对于故障检测方法,在获取残差信号之后设计相应的残差函数,并以其为基础设计报警策略。最终实现故障检测及可靠滤波。5.最后进行仿真实验,首先利用Matlab/Simulink平台进行系统结构的搭建,具体包括系统模型及滤波器模型的构架,事件驱动传输策略的实现,设定具体的系统结构及各项参数（包括马尔科夫系统的跳变信号、事件驱动参数、故障及扰动形式等）及性能指标,再利用LMI工具箱对滤波器增益进行求解,并将所求的滤波器增益代入系统,验证滤波效果及检障效果,并对其进行分析与总结。
杨朵[6]（2021）在《燃料电池空气供给系统控制与故障诊断策略研究》文中指出氢能作为21世纪能源变革的重点之一,具有清洁性、热值高、安全可控的优点。质子交换膜燃料电池是氢能应用的重要形式,作为新能源汽车的动力源之一,得到了政府的大力扶持和推广。在车载环境中,复杂的道路环境和频繁的加减速对燃料电池系统的动力性和安全性提出了高要求。燃料电池系统的动态性能主要由空气供给系统决定,空气进气参数控制不当会导致输出性能降低,损害电堆寿命。因此,研究燃料电池空气供给系统的管控问题,对保障燃料电池稳定运行、提升动态性能具有重要意义。本论文对燃料电池系统的外部动态特性进行建模,并提出了基于简化模型的空气供给系统控制方法和故障诊断策略,主要工作及创新点如下:1)针对多参数、多变量的燃料电池系统动态特性建模问题,分析了不同参数、环境条件对燃料电池输出性能的影响,构建了燃料电池电堆电化学模型和空气供给子系统模型,有效反映了动态工况下系统中空气在各个位置的压力、流量和组分变化以及电堆电输出性能变化;进而,针对燃料电池系统模型非线性、结构复杂、难以应用的问题,借助参数拟合和非线性系统控制等方法,建立面向控制的燃料电池系统模型。2)针对燃料电池空气供给存在的时滞性和供氧不足问题,采用过氧比为控制指标,提出了基于模糊预测控制的空气流量控制策略。首先,提出了基于T-S模糊理论的系统模型简化方法,将复杂的非线性模型通过动态小信号方法线性化,以获取过氧比与控制变量的线性模型。其次,提出了基于T-S线性模型的广义预测控制器对过氧比进行实时控制。此外,为了提升系统的输出性能和效率,提出了基于净输出功率最优原则的过氧比控制指标。最后,在全工作范围的阶跃电流工况下验证了该方法能够有效降低空气供给的超调量和提升系统的动态响应速度。3)针对燃料电池空气压力和流量控制相互耦合的问题,首先,将非线性系统模型通过输入输出反馈线性化进行解耦,得到过氧比和阴极压力与控制变量之间的直接对应关系;此外,针对电堆阴极压力的观测问题,提出了一种扩张状态观测器对阴极压力进行实时估计。进而,基于反馈线性化后的模型,提出了一种滑模预测控制进行压力和流量的联合控制。利用系统的相对阶数设计滑模面和对应的预测模型。通过仿真实验证明所提的滑模预测控制算法能够实现稳定的压力和流量协调控制,具有精度高、响应快、鲁棒性强的优点。4)针对燃料电池空气系统的流量故障诊断问题,将故障信号作为系统附加状态,构建系统的增广模型。首先,利用不同工作点的动态小信号模型进行融合形成系统全工作范围的线性变参数模型,并基于此模型设计对应的增广状态观测器。进一步,在观测器设计中考虑系统干扰和噪声的影响,利用李雅普诺夫稳定性定理设计观测器增益以最小化这些系统不确定性对故障诊断造成的影响。此外,基于增广状态观测器估计到的流量故障值设计过氧比估计器,提出了相应的过氧比容错控制器。最后,通过动态工况验证了不同故障类型下故障诊断方法的有效性,从而保障了系统的安全性,维持稳定、高效的动态输出性能。5)针对燃料电池动力系统的安全高效管控问题,设计了面向车用燃料电池系统的管控策略,为燃料电池系统的工程化应用提供了解决思路。管控策略能够有效实现系统的启停控制、供气控制、尾排、水热管理和故障诊断等功能。控制策略集成到硬件系统中,通过在环仿真平台验证了控制策略的有效性和可靠性。
徐伟[7]（2021）在《光伏发电系统的建模及智能MPPT算法研究》文中研究说明随着新能源技术的推广成熟和绿色低碳经济的蓬勃发展,研究人员正不断向长期困扰人类社会发展的两大难题能源短缺和环境污染发起冲击。太阳能凭借其储量充足,清洁环保、可再生等显着优势愈发受到各国政府重视,光伏发电技术利用光生伏打效应以吸收光子能量并对外输出清洁电能备受人们的青睐。光伏发电系统（Photovoltaic Power System,PVPS）在实际运行过程中容易受到天气、温度、湿度等多重因素影响从而导致其功率输出发生变化。为探究环境因素对于PVPS的影响,通过分析光伏电池单、双二极管模型的优缺,提出基于Lambert＿W函数的光伏电池双二极管显式模型,摒弃了传统建模中复杂的迭代过程,避免隐式超越方程的求解困难。利用光伏电池数据手册提取模型参数并推广得到光伏组件和阵列的数学模型,对PVPS中的热斑现象展开成因分析并提出解决措施。以Matlab/Simulink为工具比较了不同工况环境下PVPS特性曲线差异并得到局部阴影下的多峰特性曲线,为优化控制提供了精确的PVPS仿真模型。为提高PVPS在复杂工况下的光电转换效率,采用最大功率跟踪（Maximum Power Point Tracing,MPPT）技术对PVPS进行优化控制。结合误差反向传播人工神经网络（Back Propagation ANN,BP-ANN）的自学泛化能力和粒子群算法（Particle Swarm Optimization,PSO）的全局多目标寻优能力组成了基于BP-ANN&PSO混合算法实现PVPS复杂工况下的MPPT。通过采集PVPS各工况信息以及最大功率点数据对BP-ANN参数进行训练优化,将其结果作为PSO算法粒子位置更新的限制依据并对粒子速度更新参数进行改进,最终实现复杂工况下PVPS的全局寻优。对比传统MPPT的P&O、INC算法能够有效避免早熟现象的发生,稳态精度、暂稳态特性均有一定提升,保证PVPS持续对外输出最大功率。针对PVPS潜在波动性和间歇性缺陷,在PVPS基础上引入功率型器件超级电容器和能量型器件蓄电池组成混合储能系统实现对直流母线电压波动的平抑。利用半桥式双向DC/DC变换器与直流母线进行互联以实现能量的双向传递,通过对光储系统内部功率平衡、工作模式分析,基于状态空间平均法设计双闭环控制器,即以电流内环、电压外环的方式进而控制双向DC/DC变换器开关管的通断,保障光储系统直流母线电压在合理范围内工作,持续向负荷输送优质电能并利用Matlab/Simulink平台进行仿真分析。
康硕[8]（2020）在《电液式负载模拟器耦合特性及非线性加载控制策略研究》文中研究表明运载火箭推力矢量伺服机构是火箭的运动控制子系统,其性能优劣直接影响火箭在发射过程中的控制性能与可靠程度。在其研发过程中,通常采用一类电液式负载模拟器来实现地面性能测试。因此,负载模拟器对实际环境载荷变化情况的模拟精度高低与加载性能好坏直接决定推力矢量伺服机构的性能测试数据是否准确有效,进而间接影响火箭发射过程的可靠性。本文针对模拟载荷加载过程中所涉及的加载动力学建模问题与固有耦合特性问题进行了深入探讨,进而设计了相应的非线性加载控制策略,用以实现模拟载荷的高精度加载。首先,根据电液式负载模拟器的实际机械结构,提出了一种多扰动耦合力加载模型,其中考虑了来自被试推力矢量伺服机构的位置扰动、加载液压缸内部摩擦以及传动机构间隙等各类扰动因素对载荷加载过程的综合影响;并从理论上阐释了多余力现象的产生机理。通过对比仿真结果与实际工程现象,验证了所提模型的合理性,为后续分析非线性耦合扰动对加载性能的影响和设计基于模型的非线性加载控制策略奠定了理论基础。针对加载液压缸内部摩擦与传动机械间隙影响的精确补偿问题,对如何获得实际负载模拟试验系统中摩擦与间隙的精确数学描述进行了研究。考虑摩擦动态特性与间隙不连续特性,分别提出了适用于参数辨识的改进广义麦克斯韦尔滑移摩擦模型与拟线性间隙模型。继而,相应地设计了基于粒子群优化算法的摩擦参数辨识方法与结合二阶滑模速度观测器、递归最小二乘法的间隙参数辨识方法,解决了非线性模型参数难以准确辨识的问题。根据上述辨识方法与试验数据,获得了实际系统中的摩擦与间隙精确模型,并分析了各扰动参数摄动对加载性能的影响,进一步完善了前述多扰动耦合力加载模型,为后续设计非线性扰动的精确补偿方法提供了可行性。针对如何在多扰动耦合影响下实现模拟载荷的高精度加载问题,基于所建多扰动耦合力加载模型,分别设计了改进自适应终端滑模加载控制策略与基于控制输入抗饱和的几乎干扰解耦加载控制策略。首先,从改善加载过程鲁棒性的角度出发,提出了一种基于速度观测器的改进自适应终端滑模加载控制策略,该方法既可同时抑制位置扰动与间隙作用的影响,其有限时间收敛特性又可保证系统的动态性能,且其自适应项可对摩擦参数不确定性进行有效补偿。其次,采用将外部干扰从力加载过程解耦的思路,并考虑增强控制策略的工程实用性,又提出了一种基于控制输入抗饱和的几乎干扰解耦加载控制策略;此方法基于位置扰动与输出加载力的耦合特性分析与微分几何理论设计,通过选取合适的控制参数可将力跟踪误差减小至精度指标范围内,且无需考虑外部扰动的形式与边界,更为简单易行;此外,通过加入饱和补偿辅助子系统,减小了由硬件限幅引起的控制信号振荡,进而消除了相应的响应滞后现象,有效改善了加载过程的动态品质。最后,上述两种加载控制策略在改善力加载精度与动态性能方面的有效性均得到了仿真验证。为了验证上述所提出的两种加载控制策略在实际工程应用中的可行性,搭建了负载模拟试验系统,分别对二者的有效性进行了试验验证;并在此基础上,分别对比归纳了所提非线性控制策略与工业中常用的基于结构不变性前馈补偿的PID策略之间,以及两种非线性加载控制策略之间的性能差异,从而针对如何在不同应用场合下选取合适的加载控制策略给出指导意见。
姚玉鑫[9]（2020）在《智能化伺服阀流量控制系统的参数辨识及控制研究》文中研究表明在工业4.0的背景下,智能化液压元件的开发已经成为该领域的一大热门,作为伺服控制系统的核心元件,伺服阀的智能化近年来越来越受到人们的重视,首先就是基于模型化的研究。而准确的数学模型离不开有效的参数辨识方法,也有利于系统的优化控制。本文以QDY60伺服阀作为本体进行智能化改造,提出一种智能化伺服阀流量控制系统,深入开展系统参数辨识与控制研究。具体内容安排如下:首先是理论建模。考虑到伺服阀的类型为双喷嘴挡板力反馈二级电液伺服阀,详细介绍了伺服阀的结构和工作原理,阐述了伺服阀智能化改造的过程,将带有转速传感器的液压马达与伺服阀集成,用于动态流量检测,从而更好地实现流量控制。对智能化伺服阀流量控制系统进行机理建模,给出每个环节的传递函数,并进行简化得到系统的动态模型。其次阐述了系统辨识的原理和过程,介绍了最小二乘法和L-M算法,明确辨识过程中的准备工作,包括待辨识模型结构的选择、输入信号的种类、采样时间、数据处理方法等。在此基础上,对智能化伺服阀流量控制系统模型开展参数辨识仿真研究,并将仿真结果与理论结果进行分析比较和验证。考虑到实际系统总是存在非线性、外界干扰等因素导致模型发生变化,为此本文选择鲁棒性更好的模糊控制方法对智能化伺服阀流量控制系统进行动态特性仿真研究。最后是实验验证,依托于液压元件及系统创新实验平台,开展智能化伺服阀流量控制系统实验研究。先分析了系统的阶次,然后对系统模型进行辨识,讨论其降阶的可能性,并通过残差分析对模型进行了检验。同时设计模糊控制器对智能化伺服阀流量控制系统模型进行优化控制,研究系统动态性能,将试验结果与理论和仿真分析结果进行对比和讨论,证实研究结果的正确性。
任伟杰[10]（2020）在《多元时间序列的特征分析与建模研究》文中提出多元时间序列广泛存在于实际复杂系统中,多个变量之间存在着复杂的耦合关系。挖掘出时间序列数据中蕴含的有用信息,对实际复杂系统的分析与建模具有重要意义。本文以复杂系统产生的多元时间序列为研究对象,针对多元时间序列的特征选择、因果关系分析和特征提取问题展开研究,为模型构建合适的输入特征,最终提升模型的精度和计算效率。本文的研究内容包括以下三个方面:（1）针对多元时间序列的特征选择问题,提出全局互信息特征选择方法。该方法将互信息特征选择转化为全局优化问题,应用全局搜索策略进行求解,提出基于单目标和多目标优化的全局互信息特征选择算法,然后根据结合过滤式和封装式的混合特征选择框架确定最优特征子集,为特征选择问题提供一种新的求解思路。此外,针对多变量混沌系统,提出基于联合互信息的非均匀状态空间重构方法。该方法将非均匀嵌入与特征选择相结合,首先推导出低维近似的联合互信息准则,选择状态空间的延迟变量,然后采用条件熵准则确定嵌入维数,具有较高的计算精度和效率。重构的状态空间不仅能够恢复原系统的动力学特性,而且可以有效去除冗余信息。（2）针对多元时间序列的因果关系分析问题,提出基于Hilbert-Schmidt独立性准则（Hilbert-Schmidt independence criterion,HSIC）-Lasso 的非线性 Granger 因果分析模型。由于传统Granger因果模型仅限于分析二元时间序列的线性因果关系,本文将其扩展至分析多元时间序列的非线性因果关系。该方法首先对原始时间序列进行平稳性检验和状态空间重构,然后将输入和输出样本映射到再生核Hilbert空间中,并建立HSIC-Lasso回归模型,最后根据显着性检验结果确定Granger因果关系。本文方法不仅能够获得准确的非线性因果关系,而且可以同时进行多个输入对输出的因果关系分析,具有较高的计算效率,适合解决高维系统的因果分析问题。（3）针对时间序列的特征提取问题,提出一种混合特征提取方法。该方法首先根据不同类型的特征提取方法分别提取特征,全面描述时间序列的复杂特性,然后设计基于类可分离性的特征选择算法,为分类模型选择最优特征子集。此外,针对单个极限学习机分类结果不稳定的问题,提出基于线性判别分析的集成极限学习机模型。该模型从数据样本扰动、输入属性扰动和算法参数扰动三方面提升基学习器的多样性,从而提高分类器的泛化性能和结果的稳定性。本文提出的混合特征提取与集成分类器相结合的方法具有很高的分类精度,在医学信号特征提取和分类中具有广阔前景。
二、基于神经状态空间的非线性系统建模研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经状态空间的非线性系统建模研究（论文提纲范文）
（2）基于强化学习的地铁站空调系统节能控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地铁站空调系统风水联动控制 |
| 1.2.2 强化学习在暖通空调系统中的应用 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第2章 系统描述 |
| 2.1 地铁站空调系统概述 |
| 2.1.1 地铁站通风空调系统组成 |
| 2.1.2 地铁站环境控制要求 |
| 2.2 研究对象 |
| 2.3 系统能效分析 |
| 2.4 系统控制目标 |
| 2.5 本章小结 |
| 第3章 系统建模 |
| 3.1 神经网络概述 |
| 3.2 系统模型参数选择 |
| 3.2.1 地铁站环境影响因素 |
| 3.2.2 模型输入输出参数 |
| 3.3 数据采集与预处理 |
| 3.3.1 数据采集 |
| 3.3.2 数据预处理 |
| 3.4 神经网络参数设置 |
| 3.4.1 隐含层神经元个数 |
| 3.4.2 激活函数 |
| 3.4.3 损失函数与优化器 |
| 3.5 模型性能分析 |
| 3.6 本章小结 |
| 第4章 基于多步预测的强化学习控制 |
| 4.1 强化学习概述 |
| 4.1.1 强化学习要素 |
| 4.1.2 强化学习核心思想 |
| 4.1.3 强化学习算法分类 |
| 4.2 基于多步预测的强化学习算法 |
| 4.2.1 Actor-Critic算法 |
| 4.2.2 基于多步预测的DDPG算法 |
| 4.3 地铁站空调控制系统设计 |
| 4.4 本章小结 |
| 第5章 仿真实验 |
| 5.1 实验环境与程序设计 |
| 5.1.1 实验环境 |
| 5.1.2 程序设计 |
| 5.2 智能体训练 |
| 5.3 训练结果分析 |
| 5.4 改进算法与传统DDPG算法性能比较 |
| 5.5 控制策略测试结果 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（3）公共建筑冷冻站系统建模与预测控制策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中央空调系统预测控制研究 |
| 1.2.2 冷冻站系统预测模型构建 |
| 1.2.3 预测模型参数校正 |
| 1.2.4 非线性预测控制算法研究 |
| 1.3 研究内容 |
| 1.4 研究方案 |
| 1.5 论文结构 |
| 第2章 系统描述 |
| 2.1 中央空调系统概述 |
| 2.1.1 中央空调系统基本原理 |
| 2.1.2 冷冻站系统制冷原理 |
| 2.2 冷冻站系统设备 |
| 2.2.1 制冷机组 |
| 2.2.2 水泵 |
| 2.2.3 冷却塔 |
| 2.3 本论文研究对象 |
| 2.4 冷冻站系统能效比分析 |
| 2.5 本章小结 |
| 第3章 基于T-S模型的冷冻站系统建模 |
| 3.1 T-S模糊模型 |
| 3.2 T-S模糊模型建模流程 |
| 3.2.1 基于模糊C-均值聚类算法的结构辨识 |
| 3.2.2 粒子群算法 |
| 3.2.3 基于粒子群算法的改进模糊C-均值聚类算法 |
| 3.2.4 基于扩展卡尔曼滤波的后件参数辨识 |
| 3.3 模型输入参数 |
| 3.3.1 负荷预测模型输入参数 |
| 3.3.2 系统能效比模型输入参数 |
| 3.4 数据预处理 |
| 3.5 模型性能指标 |
| 3.6 预测模型辨识结果分析 |
| 3.6.1 负荷预测模型结果 |
| 3.6.2 系统能效比预测模型结果 |
| 3.7 模型在线修正仿真实验 |
| 3.7.1 负荷预测模型在线修正 |
| 3.7.2 能效比预测模型在线修正 |
| 3.8 本章小结 |
| 第4章 冷冻站系统非线性预测控制策略研究 |
| 4.1 模型预测控制概述 |
| 4.2 神经网络非线性预测控制算法 |
| 4.2.1 预测控制优化目标函数 |
| 4.2.2 神经网络滚动优化控制算法 |
| 4.3 冷冻站系统预测控制策略 |
| 4.3.1 神经网络预测控制器结构 |
| 4.3.2 冷冻站系统预测控制优化目标函数 |
| 4.3.3 神经网络预测控制器在线寻优算法 |
| 4.4 冷冻站系统预测控制仿真实验 |
| 4.5 本章小结 |
| 第5章 权重自适应模糊控制器设计 |
| 5.1 模糊逻辑控制理论 |
| 5.1.1 模糊集合和语言变量 |
| 5.2 模糊控制器结构 |
| 5.2.1 模糊化 |
| 5.2.2 模糊规则库 |
| 5.2.3 确定模糊决策方法 |
| 5.3 仿真测试实验 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（4）插电式混合动力公交车工况预测与智能能量管理策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 插电式混合动力汽车研究概况及发展趋势 |
| 1.3 能量管理策略研究现状及发展趋势 |
| 1.3.1 基于规则的能量管理策略 |
| 1.3.2 基于优化的能量管理策略 |
| 1.4 存在问题与主要研究内容 |
| 第2章 基于历史数据的插电式混合动力公交车工况构建 |
| 2.1 行驶工况构建方法 |
| 2.2 原始行驶工况数据采集试验 |
| 2.2.1 行驶工况数据采集方法 |
| 2.2.2 试验线路与试验车辆选取 |
| 2.2.3 行驶工况数据采集 |
| 2.2.4 行驶工况数据预处理 |
| 2.3 原始行驶工况特征参数分析 |
| 2.3.1 短行程片段划分与特征参数计算 |
| 2.3.2 基于主成分分析的特征参数筛选 |
| 2.4 基于自组织映射神经网络的短行程样本聚类分析 |
| 2.4.1 SOM神经网络原理 |
| 2.4.2 基于SOM神经网络的聚类分析 |
| 2.5 行驶工况的合成与验证 |
| 2.6 本章小结 |
| 第3章 插电式混合动力公交车建模与能量管理策略 |
| 3.1 双电机同轴混联式构型分析 |
| 3.2 插电式混合动力公交车动力学模型建立 |
| 3.2.1 整车及部件基本参数 |
| 3.2.2 整车动力学建模 |
| 3.3 基于规则的插电式混合动力系统能量管理策略 |
| 3.3.1 EV-CD-CS能量管理策略制定 |
| 3.3.2 仿真验证及结果分析 |
| 3.4 基于动态规划算法的最优能量管理策略 |
| 3.4.1 确定性动态规划算法理论基础 |
| 3.4.2 目标问题构建及数值求解 |
| 3.4.3 仿真验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于数据驱动的工况预测方法研究 |
| 4.1 工况预测方法 |
| 4.2 基于马尔可夫链模型的车速预测方法 |
| 4.2.1 马尔可夫链基本概念 |
| 4.2.2 马尔可夫链预测模型 |
| 4.2.3 基于马尔可夫链的车速预测 |
| 4.3 基于RBF神经网络模型的车速预测方法 |
| 4.3.1 基于模糊控制的驾驶意图识别 |
| 4.3.2 RBF神经网络预测模型 |
| 4.3.3 基于RBF神经网络模型的车速预测 |
| 4.4 本章小结 |
| 第5章 基于PMP-MPC的分层预测能量管理策略研究 |
| 5.1 基于模型预测控制的能量管理策略 |
| 5.1.1 模型预测控制基本原理 |
| 5.1.2 基于模型预测控制的能量管理策略问题构建 |
| 5.2 基于PMP-MPC的分层预测能量管理策略 |
| 5.2.1 庞特里亚金最小化原理 |
| 5.2.2 基于PMP-MPC的能量管理策略设计 |
| 5.3 基于PMP-MPC的预测能量管理策略仿真验证 |
| 5.3.1 预测时域对控制效果影响分析 |
| 5.3.2 PMP-MPC与 DP能量管理策略对比分析 |
| 5.3.3 PMP-MPC与 DP-MPC能量管理策略对比分析 |
| 5.4 本章小结 |
| 第6章 基于深度强化学习的智能能量管理策略研究 |
| 6.1 强化学习基本理论 |
| 6.1.1 强化学习基本概念 |
| 6.1.2 强化学习算法分类 |
| 6.2 基于深度强化学习的能量管理策略问题构建 |
| 6.3 基于DDQN的 DRL能量管理策略 |
| 6.3.1 双深度Q网络算法 |
| 6.3.2 基于DDQN的 DRL能量管理策略设计 |
| 6.3.3 基于DDQN能量管理策略仿真分析 |
| 6.4 基于DDPG的 DRL能量管理策略 |
| 6.4.1 深度确定性策略梯度算法 |
| 6.4.2 基于DDPG的 DRL能量管理策略设计 |
| 6.4.3 基于DDPG能量管理策略仿真分析 |
| 6.5 能量管理策略对比分析 |
| 6.6 本章小结 |
| 第7章 能量管理策略硬件在环试验 |
| 7.1 硬件在环试验平台搭建 |
| 7.2 硬件在环试验结果分析 |
| 7.3 本章小结 |
| 第8章 全文总结与展望 |
| 8.1 本文主要结论 |
| 8.2 本文创新点 |
| 8.3 未来工作计划与研究展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研成果 |
| 致谢 |
（5）事件驱动下非线性马尔科夫跳变系统的可靠滤波及故障检测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 事件驱动策略概述 |
| 1.2.2 非线性系统概述 |
| 1.2.3 可靠滤波与故障检测概述 |
| 1.3 本文主要工作及创新点 |
| 1.4 本文的结构安排 |
| 第2章 事件驱动下非线性马尔科夫跳变系统的可靠滤波 |
| 2.1 引言 |
| 2.2 符号说明 |
| 2.3 系统建模与问题描述 |
| 2.3.1 系统模型 |
| 2.3.2 可靠滤波器 |
| 2.3.3 事件驱动传输策略 |
| 2.3.4 相关引理 |
| 2.3.5 可靠滤波问题描述 |
| 2.4 H_∞可靠滤波器设计 |
| 2.4.1 稳定性分析 |
| 2.4.2 有限频H_∞性能分析 |
| 2.5 仿真算例 |
| 2.6 本章小结 |
| 第3章 事件驱动下非线性马尔科夫跳变系统的故障检测 |
| 3.1 引言 |
| 3.2 系统建模与问题描述 |
| 3.2.1 系统模型 |
| 3.2.2 事件驱动故障检测滤波器 |
| 3.2.3 故障检测问题描述 |
| 3.3 故障检测滤波器设计 |
| 3.3.1 随机稳定性 |
| 3.3.2 有限频H_∞性能分析 |
| 3.3.3 有限频H_-性能分析 |
| 3.4 求解优化算法及阈值设计 |
| 3.5 仿真算例 |
| 3.6 本章小结 |
| 第4章 结论及展望 |
| 4.1 总结 |
| 4.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及参加科研情况 |
（6）燃料电池空气供给系统控制与故障诊断策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 质子交换膜燃料电池系统概述 |
| 1.2.1 发电原理 |
| 1.2.2 燃料供给系统构成 |
| 1.3 国内外现状研究 |
| 1.3.1 燃料电池系统建模现状 |
| 1.3.2 空气供给系统控制方法现状 |
| 1.3.3 燃料电池系统故障诊断策略 |
| 1.4 本论文主要研究工作与章节安排 |
| 1.4.1 主要研究工作 |
| 1.4.2 章节安排 |
| 第2章 质子交换膜燃料电池空气供给系统建模 |
| 2.1 引言 |
| 2.2 燃料电池电堆建模 |
| 2.2.1 电化学模型 |
| 2.2.2 物质模型 |
| 2.2.3 热平衡模型 |
| 2.3 空气供给系统关键部件及模型介绍 |
| 2.3.1 空气压缩机 |
| 2.3.2 供给管道 |
| 2.3.3 中冷器 |
| 2.3.4 加湿器 |
| 2.3.5 回流管道和背压阀 |
| 2.3.6 基于Matlab/Simulink平台的空气供给系统模型实现 |
| 2.3.7 空气供给系统的状态空间模型 |
| 2.4 燃料电池非线性模型简化与线性化方法 |
| 2.4.1 数据拟合 |
| 2.4.2 动态小信号模型 |
| 2.4.3 反馈线性化 |
| 2.5 本章小结 |
| 第3章 燃料电池空气系统流量控制方法 |
| 3.1 引言 |
| 3.2 基于T-S模糊理论的过氧比控制模型 |
| 3.2.1 T-S模糊理论基础 |
| 3.2.2 过氧比的局部小信号模型 |
| 3.2.3 基于T-S理论的燃料电池控制模型 |
| 3.3 基于净功率最优的控制指标设计 |
| 3.4 控制方法设计 |
| 3.4.1 广义预测控制器设计 |
| 3.4.2 FGPC算法的两种应用结构 |
| 3.4.3 算法的进一步改进 |
| 3.5 算法验证和结果分析 |
| 3.5.1 模型精度分析 |
| 3.5.2 不同控制算法下的过氧比控制结果 |
| 3.5.3 系统性能分析 |
| 3.6 本章小结 |
| 第4章 燃料电池空气系统压力流量协同控制策略 |
| 4.1 引言 |
| 4.2 空气系统压力和流量行为分析及描述 |
| 4.3 控制指标的数学表达 |
| 4.4 状态观测器设计 |
| 4.4.1 基于扩张状态观测器的压力估计 |
| 4.4.2 仿真结果 |
| 4.5 压力和流量联合控制方法 |
| 4.5.1 燃料电池空气模型的反馈线性化 |
| 4.5.2 基于线性控制器的压力流量协同控制器 |
| 4.5.3 基于滑模预测控制的压力流量协同控制器 |
| 4.6 仿真验证与结果分析 |
| 4.6.1 所提滑模预测控制方法的仿真结果 |
| 4.6.2 与线性控制器的对比分析 |
| 4.6.3 输出性能分析 |
| 4.7 本章小结 |
| 第5章 基于状态观测器的燃料电池空气系统故障诊断 |
| 5.1 引言 |
| 5.2 考虑故障信息的燃料电池空气系统模型 |
| 5.3 故障观测器设计 |
| 5.3.1 增广鲁棒状态观测器 |
| 5.3.2 稳定性证明 |
| 5.4 仿真结果分析与对比 |
| 5.4.1 LPV观测器中的关键参数设置 |
| 5.4.2 故障估计的仿真结果 |
| 5.4.3 故障估计方法的精度评估和比较 |
| 5.4.4 空气供给系统的容错控制 |
| 5.4.5 系统性能分析 |
| 5.5 本章小结 |
| 第6章 燃料电池管控系统控制策略设计与实现 |
| 6.1 引言 |
| 6.2 燃料电池系统结构 |
| 6.3 管控方案设计 |
| 6.3.1 系统整体架构 |
| 6.3.2 控制软件架构 |
| 6.3.3 底层软件功能描述 |
| 6.3.4 应用层软件架构与功能描述 |
| 6.3.5 空气供给系统管控方案 |
| 6.4 在环仿真平台搭建 |
| 6.5 仿真实验与结果分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（7）光伏发电系统的建模及智能MPPT算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 光伏发电概述 |
| 1.2.1 国内外光伏发电发展 |
| 1.2.2 光伏发电原理及电池分类 |
| 1.3 光伏发电最大功率跟踪技术发展 |
| 1.4 储能概述 |
| 1.5 论文主要工作 |
| 1.5.1 研究内容与创新点 |
| 1.5.2 章节安排 |
| 第二章 光伏发电系统建模 |
| 2.1 光伏发电系统结构 |
| 2.1.1 独立型光伏发电系统 |
| 2.1.2 并网型光伏发电系统 |
| 2.1.3 混合型光伏发电系统 |
| 2.2 光伏电池模型 |
| 2.2.1 光伏电池工程数学模型 |
| 2.2.2 光伏电池双二极管显式模型 |
| 2.2.3 光伏电池双二极管模型参数提取 |
| 2.3 光伏组件阵列 |
| 2.3.1 光伏组件阵列模型 |
| 2.3.2 光伏发电系统中的热斑现象 |
| 2.4 光伏发电系统仿真 |
| 2.4.1 均匀光照下光伏发电系统仿真 |
| 2.4.2 阴影工况下光伏发电系统仿真 |
| 2.5 本章小结 |
| 第三章 光伏发电系统最大功率跟踪 |
| 3.1 最大功率跟踪原理 |
| 3.2 直流斩波电路 |
| 3.2.1 降压斩波电路 |
| 3.2.2 升降压斩波电路 |
| 3.2.3 升压斩波电路 |
| 3.2.4 升压斩波电路参数选择 |
| 3.3 常见最大功率跟踪算法 |
| 3.3.1 恒定电压法 |
| 3.3.2 扰动观察法 |
| 3.3.3 电导增量法 |
| 3.3.4 模糊控制算法 |
| 3.3.5 神经网络算法 |
| 3.3.6 遗传算法 |
| 3.4 本章小结 |
| 第四章 基于ANN&PSO混合算法的MPPT |
| 4.1 人工神经网络 |
| 4.1.1 ANN模型 |
| 4.1.2 ANN优化过程 |
| 4.1.3 ANN的分类 |
| 4.2 基于BP-ANN的辅助优化 |
| 4.2.1 BP-ANN神经元及网络结构 |
| 4.2.2 基于BP-ANN的预处理MPPT |
| 4.3 基于ANN&PSO混合算法的MPPT |
| 4.3.1 PSO算法及其数学模型 |
| 4.3.2 基于BP-ANN预处理改进的PSO算法 |
| 4.4 光伏发电系统MPPT |
| 4.4.1 光伏发电系统均匀光照下MPPT |
| 4.4.2 光伏发电系统复杂工况下MPPT |
| 4.5 本章小结 |
| 第五章 光伏发电系统混合储能控制 |
| 5.1 光储系统结构 |
| 5.2 混合储能系统 |
| 5.2.1 蓄电池模型 |
| 5.2.2 超级电容模型 |
| 5.2.3 储能系统中双向直流斩波器 |
| 5.3 基于状态空间平均法的控制策略 |
| 5.3.1 基于状态空间平均法的双向DC/DC变换器建模 |
| 5.3.2 双向DC/DC变换器控制策略 |
| 5.4 光储系统控制策略 |
| 5.4.1 光储系统功率控制流程 |
| 5.4.2 光储系统工作模式及控制单元 |
| 5.5 光储系统仿真 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 1.攻读硕士期间发表的论文 |
| 2.论文相关图表 |
（8）电液式负载模拟器耦合特性及非线性加载控制策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 负载模拟器研究综述 |
| 1.2.1 负载模拟设备的研制开发进展 |
| 1.2.2 负载模拟加载技术的研究进展 |
| 1.3 问题提出及本文主要研究内容 |
| 1.3.1 问题的提出 |
| 1.3.2 主要研究内容及论文结构 |
| 2 电液式负载模拟器系统建模研究 |
| 2.1 引言 |
| 2.2 电液式负载模拟试验系统的基本组成及工作原理 |
| 2.2.1 基本组成 |
| 2.2.2 工作原理 |
| 2.3 考虑多种扰动耦合影响的力伺服加载模型 |
| 2.3.1 力伺服加载过程的基本非线性模型 |
| 2.3.2 考虑位置扰动耦合影响的力伺服加载改进模型 |
| 2.3.3 考虑其它非线性扰动因素耦合影响的力伺服加载改进模型 |
| 2.3.4 力伺服加载装置中的其它环节模型 |
| 2.4 多扰动耦合力加载模型的仿真验证 |
| 2.5 本章小结 |
| 3 负载模拟试验系统非线性扰动因素的建模与参数辨识 |
| 3.1 引言 |
| 3.2 力加载液压缸非线性摩擦特性的建模与参数辨识 |
| 3.2.1 改进GMS摩擦辨识模型的提出 |
| 3.2.2 基于改进GMS模型的摩擦参数辨识方法设计、验证与试验 |
| 3.2.3 力加载液压缸非线性摩擦特性对力加载性能的影响分析 |
| 3.3 加载传动机构非线性间隙特性的建模与参数辨识 |
| 3.3.1 拟线性间隙辨识模型的提出 |
| 3.3.2 基于拟线性间隙模型的非线性参数辨识方法设计 |
| 3.3.3 间隙特性参数辨识方法的仿真验证 |
| 3.3.4 负载模拟试验系统间隙特性的参数辨识结果分析 |
| 3.3.5 加载传动机构非线性间隙特性对力加载性能的影响分析 |
| 3.4 本章小结 |
| 4 基于速度观测器的改进自适应终端滑模加载控制策略研究 |
| 4.1 引言 |
| 4.2 基于有限时间速度观测的扰动间接估计方法 |
| 4.3 改进自适应终端滑模加载控制策略设计 |
| 4.3.1 自适应终端滑模控制律设计 |
| 4.3.2 系统稳定性与有限时间收敛特性分析 |
| 4.4 加载控制效果的仿真验证与结果分析 |
| 4.5 本章小结 |
| 5 基于控制输入抗饱和的几乎干扰解耦加载控制策略研究 |
| 5.1 引言 |
| 5.2 干扰解耦问题的提出与解耦模型的推导 |
| 5.2.1 干扰解耦问题的提出及微分几何相关概念 |
| 5.2.2 标准解耦模型的推导 |
| 5.3 位置扰动与加载力的耦合特性分析及系统局部正则型推导 |
| 5.3.1 位置扰动与加载力的耦合特性分析 |
| 5.3.2 多扰动耦合力加载改进模型的局部正则型推导 |
| 5.4 基于控制输入抗饱和的几乎干扰解耦加载控制策略设计 |
| 5.4.1 几乎干扰解耦控制相关概念 |
| 5.4.2 抗饱和辅助子系统与几乎干扰解耦控制律设计 |
| 5.5 加载控制效果的仿真验证与结果分析 |
| 5.6 本章小结 |
| 6 负载模拟加载试验验证与加载控制策略性能对比 |
| 6.1 引言 |
| 6.2 电液式负载模拟试验系统综合设计 |
| 6.2.1 液压系统的设计与选型 |
| 6.2.2 测控系统设计及上位机软件开发 |
| 6.3 加载控制效果的试验验证与加载控制策略性能对比分析 |
| 6.3.1 加载控制效果的试验验证与结果分析 |
| 6.3.2 非线性加载控制策略的性能对比分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 本文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）智能化伺服阀流量控制系统的参数辨识及控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 伺服控制系统建模方法研究现状 |
| 1.2.2 伺服控制系统参数辨识方法研究现状 |
| 1.2.3 伺服控制系统控制方法研究现状 |
| 1.3 电液伺服阀发展趋势 |
| 1.4 本课题主要研究内容 |
| 第2章 智能化伺服阀流量控制系统建模分析 |
| 2.1 电液伺服阀结构及工作原理 |
| 2.1.1 电液伺服阀结构 |
| 2.1.2 电液伺服阀的工作原理 |
| 2.2 智能化伺服阀流量控制系统的组成及原理 |
| 2.2.1 智能化伺服阀组成 |
| 2.2.2 智能化伺服阀流量控制系统工作原理 |
| 2.3 智能化伺服阀流量控制系统数学模型推导 |
| 2.3.1 伺服放大器传递函数模型 |
| 2.3.2 力矩马达传递函数模型 |
| 2.3.3 挡板位移与衔铁转角的关系 |
| 2.3.4 喷嘴挡板位移到滑阀位移传递函数模型 |
| 2.3.5 喷嘴挡板控制滑阀的压力反馈 |
| 2.3.6 流量传感器传递函数模型 |
| 2.3.7 智能化伺服阀流量控制系统传递函数模型 |
| 2.4 本章小结 |
| 第3章 系统辨识理论研究 |
| 3.1 系统辨识 |
| 3.1.1 系统辨识的原理 |
| 3.1.2 系统辨识的步骤 |
| 3.2 递推最小二乘算法 |
| 3.3 L-M算法原理 |
| 3.4 系统辨识的计算机实现 |
| 3.4.1 系统辨识模型的确定 |
| 3.4.2 输入信号的确定 |
| 3.4.3 系统辨识采样时间的确定 |
| 3.4.4 系统辨识数据的处理 |
| 3.5 本章小结 |
| 第4章 智能化伺服阀流量控制系统仿真研究 |
| 4.1 智能化伺服阀流量控制系统参数辨识仿真 |
| 4.1.1 辨识思路分析 |
| 4.1.2 RLS算法下的智能化伺服阀流量控制系统仿真辨识 |
| 4.1.3 L-M算法下的智能化伺服阀流量控制系统仿真辨识 |
| 4.1.4 仿真结果分析 |
| 4.2 智能化伺服阀流量控制系统动态性能仿真研究 |
| 4.2.1 模糊控制原理 |
| 4.2.2 智能化伺服阀流量控制系统模糊控制器设计 |
| 4.2.3 智能化伺服阀流量控制系统模糊控制仿真 |
| 4.3 本章小结 |
| 第5章 智能化伺服阀流量控制系统实验研究 |
| 5.1 实验台介绍 |
| 5.1.1 实验台 |
| 5.1.2 主要元件型号参数 |
| 5.2 智能化伺服阀流量控制系统辨识实验研究 |
| 5.2.1 辨识准备 |
| 5.2.2 RLS算法辨识研究 |
| 5.2.3 L-M算法辨识研究 |
| 5.2.4 辨识结果分析 |
| 5.3 智能化伺服阀流量控制系统动态性能研究 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（10）多元时间序列的特征分析与建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 多元时间序列相关性分析研究现状 |
| 1.2.2 多元时间序列因果关系分析研究现状 |
| 1.2.3 多元时间序列特征选择研究现状 |
| 1.2.4 现有研究工作存在的不足 |
| 1.3 本文研究内容与结构 |
| 2 基于互信息的多元时间序列特征选择方法 |
| 2.1 引言 |
| 2.2 互信息特征选择方法 |
| 2.2.1 互信息的定义和性质 |
| 2.2.2 基于互信息的评价准则 |
| 2.2.3 搜索策略 |
| 2.3 基于单目标和多目标优化的全局互信息特征选择方法 |
| 2.3.1 基于单目标优化的全局互信息特征选择算法 |
| 2.3.2 基于多目标优化的全局互信息特征选择算法 |
| 2.3.3 混合特征选择框架 |
| 2.3.4 时间复杂度分析 |
| 2.4 仿真实例 |
| 2.4.1 Friedman数据特征选择 |
| 2.4.2 大连市气象时间序列预测 |
| 2.5 本章小结 |
| 3 基于联合互信息的非均匀状态空间重构方法 |
| 3.1 引言 |
| 3.2 状态空间重构方法 |
| 3.2.1 均匀嵌入方法 |
| 3.2.2 非均匀嵌入方法 |
| 3.3 非均匀状态空间重构方法 |
| 3.3.1 互信息及其估计方法 |
| 3.3.2 联合互信息的低维近似 |
| 3.3.3 延迟变量的选择 |
| 3.3.4 嵌入维数的确定 |
| 3.3.5 时间复杂度分析 |
| 3.4 仿真实例 |
| 3.4.1 预测模型 |
| 3.4.2 Lorenz时间序列预测 |
| 3.4.3 Henon映射时间序列预测 |
| 3.4.4 气象时间序列预测 |
| 3.4.5 厄尔尼诺时间序列预测 |
| 3.5 本章小结 |
| 4 多元时间序列的非线性因果关系分析方法 |
| 4.1 引言 |
| 4.2 Granger因果关系分析方法 |
| 4.2.1 Granger因果模型 |
| 4.2.2 条件Granger因果模型 |
| 4.2.3 Lasso-Granger因果模型 |
| 4.3 多变量非线性Granger因果分析方法 |
| 4.3.1 Hilbert-Schmidt独立性准则 |
| 4.3.2 HSIC-Lasso回归模型 |
| 4.3.3 基于HSIC-Lasso的Granger因果分析模型 |
| 4.3.4 算法流程与计算复杂度分析 |
| 4.4 仿真实例 |
| 4.4.1 多变量标杆数据因果分析 |
| 4.4.2 空气质量指标与气象时间序列因果分析 |
| 4.5 本章小结 |
| 5 时间序列的特征提取与分类方法 |
| 5.1 引言 |
| 5.2 时间序列的混合特征提取方法 |
| 5.2.1 混合特征提取 |
| 5.2.2 基于类可分离性的特征选择算法 |
| 5.3 集成极限学习机模型 |
| 5.3.1 极限学习机模型 |
| 5.3.2 基于线性判别分析的集成极限学习机模型 |
| 5.4 仿真实例 |
| 5.4.1 数据描述 |
| 5.4.2 脑电时间序列特征提取 |
| 5.4.3 脑电时间序列分类 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
四、基于神经状态空间的非线性系统建模研究（论文参考文献）
- [1]一类迟延系统的建模与参数估计[D]. 陈瑞阳. 内蒙古科技大学, 2021
- [2]基于强化学习的地铁站空调系统节能控制策略研究[D]. 焦焕炎. 北京建筑大学, 2021(01)
- [3]公共建筑冷冻站系统建模与预测控制策略研究[D]. 冯浩东. 北京建筑大学, 2021(01)
- [4]插电式混合动力公交车工况预测与智能能量管理策略研究[D]. 宋鹏翔. 吉林大学, 2021(01)
- [5]事件驱动下非线性马尔科夫跳变系统的可靠滤波及故障检测[D]. 刘启东. 辽宁大学, 2021(12)
- [6]燃料电池空气供给系统控制与故障诊断策略研究[D]. 杨朵. 中国科学技术大学, 2021(09)
- [7]光伏发电系统的建模及智能MPPT算法研究[D]. 徐伟. 东华大学, 2021(09)
- [8]电液式负载模拟器耦合特性及非线性加载控制策略研究[D]. 康硕. 北京交通大学, 2020(03)
- [9]智能化伺服阀流量控制系统的参数辨识及控制研究[D]. 姚玉鑫. 燕山大学, 2020(01)
- [10]多元时间序列的特征分析与建模研究[D]. 任伟杰. 大连理工大学, 2020