模型预测

关于matlab分析电流THD的一些探究和记录我其实一直对matlab中分析FFT存在一定的疑问。今天从头开始梳理一下。总谐波失真 Total Harmonic Distortion（THD）通常定义为各次谐波分量的均方根值之和与基波分量的均方根值之比，用百分比表示。对于电流信号，标准计算公式为：

模型预测控制专题（十一）—— 基于改进型扩张状态观测器MESO的MPFCC我们在上一节总结了观测器自身的一些限制，明确了需要优化的方向。那么在这一小节来学习别人都是怎么处理这个问题的。

模型预测控制专题（十）—— 现有观测器限制分析前一节文章中仅仅是从宏观上讨论现有方法值得优化的方向，模型预测控制专题（九）—— 进一步优化的方向-CSDN博客

模型预测控制专题（九）—— 进一步优化的方向我们在前面探究了基础的MFPCC方法实现以及参数的影响，对这种方法已经有了一个基础的了解。本次任务接到的是要对前沿方向进行预研，重点指出了两个子类方向智能化及预测控制。预测控制是经过DPCC到MFPCC的迭代，已经找到基座了，考虑按照MFPCC的大体框架往后推进。但是作为传统电控出身的我，智能化如何推进是我一直头疼的问题。

模型预测控制专题（八）—— 带宽参数影响分析在上一节我们分析了无模型电流预测控制中的比例增益的影响。具体带宽因素的影响还未进行分析。领导要求把参数的影响全都评估一遍，那就都弄了吧。

模型预测控制专题（六）—— 基于ESO的无模型预测电流控制在前五小节中，我们系统阐述了多种基于模型的电流预测控制（DPCC）策略；本文自此开始，将探索基于超局部模型的电流预测控制策略。这两类方法最本质的区别在于所依托的模型不同：前者完全依赖永磁同步电机的精确数学模型实现控制，而后者则基于单输入单输出（SISO）的超局部模型完成电流的预测与控制。

【01-机器学习入门：理解Scikit-learn与Python的关系】在当今的数据科学和人工智能领域，机器学习已经成为了一个不可或缺的组成部分。而对于那些刚刚踏入这一领域的新手来说，理解机器学习的基本概念和找到合适的工具进行学习和实践是至关重要的第一步。在众多的机器学习工具中，Python语言及其强大的库Scikit-learn无疑是最受欢迎和广泛使用的组合之一。本文旨在为初学者提供一个清晰的指南，帮助理解Scikit-learn库与Python之间的关系，并展示如何使用它们进行机器学习的入门学习。

深度学习-Pytorch如何保存和加载模型用pytorch构建模型，并训练模型，得到一个优化的模型，那么如何保存模型？然后如何又加载模型呢？pytorch 目前在深度学习具有重要的地位，比起早先的caffe，tensorflow，keras越来越受到欢迎，其他的深度学习框架越来越显得小众。

基于神经网络的电力系统的负荷预测一、背景介绍：电力系统负荷预测是生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组的启停、减少旋转备用容量、合理安排检修计划、降低发电成本和提高经济效益。负荷预测按预测的时间可以分为长期、中期和短期负荷预测。其中，短期负荷预测中，周负荷预测(未来1周)、日负荷预测(未来24小时)及提前小时预测对于电力系统的实时运行调度至关重要。负荷预测对电力系统控制、运行和计划都有着重要意义。因为对未来时刻进行预调度要以负荷预测的结果为依据，负荷预测结果的准确性将直接影响调度的结果，从而对电力系统

【目标检测】YOLOv5算法实现(九)：模型预测本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github，删减了源码中部分内容，满足个人科研需求。本系列文章主要以YOLOv5为例完成算法的实现，后续修改、增加相关模块即可实现其他版本的YOLO算法。

我是有底线的