公开(公告)号：CN117118399A

公开(公告)日：2023-11-24

申请号：CN202311072178.2

申请日：2023-08-24

Applicant: 厦门大学

Inventor： 何良宗 ,  周鸿彦 ,  杨泽龙 ,  罗华耿

IPC: H03H21/00

Abstract: 本发明公开了一种带通滤波器中心频率自适应调节方法及带通滤波器，涉及数字滤波器领域，方法包括：S101，检测带通滤波器的带通输出信号的频率；S102，根据频率生成一对相位差为90°的第一参考信号和第二参考信；S103，基于带通滤波器的输入信号、第一参考信号和第二参考信号，使用最小均方根LMS的自适应线性神经元算法获得陷波输出信号和带通输出信号；S104，重复S01～S103，以通过检测带通输出信号的频率来改变第一参考信号和第二参考信号的频率，从而自适应调节带通滤波器的中心频率。本发明可以快速地自适应调整滤波器的中心频率，从而解决输入信号频率偏移时传统数字带通滤波器产生的幅值衰减和相移问题，提高滤波效果。

公开(公告)号：CN117040254A

公开(公告)日：2023-11-10

申请号：CN202310986720.9

申请日：2023-08-08

Applicant: 厦门大学

Inventor： 何良宗 ,  杨泽龙 ,  周鸿彦

IPC: H02M1/14 ,  H02M3/335

Abstract: 本发明公开了一种基于虚拟分数阶电感的二次纹波电流抑制方法，应用在前端DC/DC变换器与后端DC/AC变换器组成的两级单相逆变器。传统的方法通过在DC/DC变换器中加入一个大的虚拟电阻来抑制二次电流纹波，但大的虚拟电阻会导致负载跳变期间系统动态性能的降低，而小的虚拟电阻无法有效地抑制二次电流纹波，即提高动态性能和减少二次纹波电流是相互矛盾的。本发明提出二次纹波电流抑制方法是通过在DC/DC变换器的输出阻抗回路中构造虚拟负阶电感，既能有效减小二次电流纹波，又能够提高系统的动态性能；此外，所提出的基于虚拟分数阶电感的控制方法可以提高两级单相逆变器系统的稳定性，二次纹波抑制性能与动态性能均优于传统的纹波抑制方法。

公开(公告)号：CN118868617A

公开(公告)日：2024-10-29

申请号：CN202410855008.X

申请日：2024-06-28

Applicant: 厦门大学

Inventor： 何良宗 ,  杨泽龙 ,  程子航 ,  陈道炼 ,  罗华耿

IPC: H02M3/156 ,  G05B13/04 ,  H02M1/36

Abstract: 本发明公开了一种基于自适应动态规划和数据驱动的DC‑DC变换器最优控制方法，应用在基于神经网络控制器的闭环电路中，通过采集输入输出数据，并将数据用于自适应动态规划(Adaptive/Approximate Dynamic Programming，ADP)算法，以此对神经网络控制器的权重和偏置进行更新，不断迭代直至得到最优控制器，将得到的最优控制器直接用于DC‑DC变换器控制。与传统的基于模型的控制方法相比，本方法不需要建立系统的状态空间方程，不依赖于受控过程的数学模型信息，而是直接从数据到控制器设计；除此之外，本方法所求最优控制器具有较快的控制速度和较好的抗干扰能力，在BUCK变换器上的仿真验证结果证明，本发明所提的方法能实现对DC‑DC变换器的最优控制。

公开(公告)号：CN118838171A

公开(公告)日：2024-10-25

申请号：CN202410836487.0

申请日：2024-06-26

Applicant: 厦门大学

Inventor： 何良宗 ,  熊振坤 ,  杨泽龙

IPC: G05B13/04

Abstract: 本发明公开了一种基于分数阶ADAM算法的在线神经网络变换器无模型控制方法，包括：构建在线神经网络控制器；所述神经网络控制器以变换器的输出电压以及变换器的电感电流作为网络输入信号；构建基于神经网络控制器的网络参数的损失函数；所述网络参数基于变换器的时变参数；使用神经网络控制器的输出控制变换器，计算损失函数的值，判断是否达到目标精度，如果没有达到，基于分数阶ADAM算法更新网络参数，直至损失函数的值达到目标精度；如果达到，停止更新网络参数。相比于整数阶ADAM算法，本发明的分数阶ADAM算法下的神经网络控制器具有更好动态响应性能。

公开(公告)号：CN117874463A

公开(公告)日：2024-04-12

申请号：CN202410043908.4

申请日：2024-01-11

Applicant: 厦门大学

Inventor： 何良宗 ,  杨妙龄 ,  程子航 ,  杨泽龙 ,  罗华耿

IPC: G06F18/20 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于神经网络的分数阶系统在线参数辨识方法，包括：对变换器的分数阶模型进行模态分析，并建立分数阶模型下的状态方程；基于Grunwald‑Letnikov分数阶微积分定义建立变换器的分数阶离散模型；根据分数阶离散模型中分数阶电容电压和分数阶电感电流的递推表达式构建神经网络，在变换器的动态响应过程中，以实际采样值为参考值，离散模型的输出值为估计值，并构建均方损失函数；对损失函数求偏导得到各权重对应的梯度表达式，根据梯度下降算法，得到神经网络的权值；根据变换器的离散模型与权重值计算分数阶电感值和分数阶电容值。本发明在无需增加额外电路和传感器的前提下，仅依靠原本闭环控制中所需的电气量实现分数阶电感和分数阶电容等动态元参数的在线辨识。