针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设...针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设计的自适应律实时调整神经网络权值,实现对模型误差和外部干扰的有效补偿。同时,基于Lyapunov稳定性理论设计了固定翼无人机的纵向姿态滑模控制律,确保闭环系统的全局稳定性和有限时间收敛特性。仿真结果表明,与传统PID控制及滑模控制方法相比,本文方法在存在参数摄动和外部干扰的情况下,能够显著提高固定翼无人机纵向姿态控制系统的跟踪精度和鲁棒性能。展开更多
为解决四自由度(4 degree-of-freedom,4-DOF)无人水面船在动态不确定性和外部扰动下的路径跟踪问题,提出一种基于有限时间积分视线(finite-time integral line-of-sight,FT-ILOS)制导的自适应神经网络路径跟踪控制方法。在视线(line-of-...为解决四自由度(4 degree-of-freedom,4-DOF)无人水面船在动态不确定性和外部扰动下的路径跟踪问题,提出一种基于有限时间积分视线(finite-time integral line-of-sight,FT-ILOS)制导的自适应神经网络路径跟踪控制方法。在视线(line-of-sight,LOS)制导框架下,利用有限时间理论,引入积分机制和新的制导机制,实现船舶位置跟踪误差的有限时间收敛,且避免制导积分项引起的饱和风险。基于反步控制法设计框架,结合FT-ILOS制导方法,利用自适应神经网络逼近复合扰动项,利用虚拟参数学习技术解决“维数灾难”问题,同时利用动态面控制技术降低计算复杂度。为减少执行器响应频率和磨损,在控制律与执行器之间建立周期事件触发协议。通过李雅普诺夫稳定性分析证明闭环控制系统中所有信号均有界,通过MATLAB仿真对比实验验证所提控制方法的有效性和鲁棒性。展开更多
随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-...随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-GNN)的混合储能系统自适应频率调节方法,旨在提高多时间尺度下的电网频率调节性能。该方法创新性地将量子计算与深度强化学习和图神经网络相结合,克服了传统方法在处理高维状态空间和复杂时空依赖性方面的局限性。QE-DRL-ST-GNN采用量子状态编码来表示系统状态,利用量子图的卷积提取时空特征,并通过量子变分算法优化强化学习策略。此外,本研究还设计了一种自适应量子电路生成机制,可以根据系统的动态特性自动调整量子电路结构。案例分析结果表明,与传统的量子增强深度强化学习(quantum-enhanced deep reinforcement learning,QE-DRL)方法相比,QE-DRL-ST-GNN方法在极端情况下频率偏差控制在0.05 Hz,而传统DRL方法为0.15 Hz,提高了66.67%;在调节时间方面,QE-DRL-ST-GNN方法在复杂场景中仅需1.67 s,比传统DRL方法缩短47%;与传统DRL方法的83%相比,QE-DRL-ST-GNN方法在极端情况下提高了13%。展开更多
文摘针对固定翼无人机纵向姿态控制中存在模型不确定性和外部干扰等问题,本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法。该方法利用RBF逼近姿态控制系统中的未建模动态,通过设计的自适应律实时调整神经网络权值,实现对模型误差和外部干扰的有效补偿。同时,基于Lyapunov稳定性理论设计了固定翼无人机的纵向姿态滑模控制律,确保闭环系统的全局稳定性和有限时间收敛特性。仿真结果表明,与传统PID控制及滑模控制方法相比,本文方法在存在参数摄动和外部干扰的情况下,能够显著提高固定翼无人机纵向姿态控制系统的跟踪精度和鲁棒性能。
文摘为解决四自由度(4 degree-of-freedom,4-DOF)无人水面船在动态不确定性和外部扰动下的路径跟踪问题,提出一种基于有限时间积分视线(finite-time integral line-of-sight,FT-ILOS)制导的自适应神经网络路径跟踪控制方法。在视线(line-of-sight,LOS)制导框架下,利用有限时间理论,引入积分机制和新的制导机制,实现船舶位置跟踪误差的有限时间收敛,且避免制导积分项引起的饱和风险。基于反步控制法设计框架,结合FT-ILOS制导方法,利用自适应神经网络逼近复合扰动项,利用虚拟参数学习技术解决“维数灾难”问题,同时利用动态面控制技术降低计算复杂度。为减少执行器响应频率和磨损,在控制律与执行器之间建立周期事件触发协议。通过李雅普诺夫稳定性分析证明闭环控制系统中所有信号均有界,通过MATLAB仿真对比实验验证所提控制方法的有效性和鲁棒性。
文摘随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-GNN)的混合储能系统自适应频率调节方法,旨在提高多时间尺度下的电网频率调节性能。该方法创新性地将量子计算与深度强化学习和图神经网络相结合,克服了传统方法在处理高维状态空间和复杂时空依赖性方面的局限性。QE-DRL-ST-GNN采用量子状态编码来表示系统状态,利用量子图的卷积提取时空特征,并通过量子变分算法优化强化学习策略。此外,本研究还设计了一种自适应量子电路生成机制,可以根据系统的动态特性自动调整量子电路结构。案例分析结果表明,与传统的量子增强深度强化学习(quantum-enhanced deep reinforcement learning,QE-DRL)方法相比,QE-DRL-ST-GNN方法在极端情况下频率偏差控制在0.05 Hz,而传统DRL方法为0.15 Hz,提高了66.67%;在调节时间方面,QE-DRL-ST-GNN方法在复杂场景中仅需1.67 s,比传统DRL方法缩短47%;与传统DRL方法的83%相比,QE-DRL-ST-GNN方法在极端情况下提高了13%。
