matlab仿真逆变器故障模拟牵引逆变器IGBT故障模拟系统

基于模型预测控制的楼宇负荷需求响应研究参考文档：《Model Predictive Control of Thermal Storage for Demand Response》完全复现主要内容：代码主要做的是一个建筑楼宇的需求响应问题，模型的求解采用的是较为创新的模型预测控制，代码非常精品这个程序是一个用于模型预测控制（Model Predictive Control，MPC）的热储存需求响应（Thermal Storage for Demand Response）的程序。它模拟了一个建筑物，该建筑物可以制冷并储存冰，然后在需要时使用冰来提供冷却。建筑物操作员支付动态能源价格，并偶尔接收到负荷削减价格信号。通过使用模型预测控制，对冷却进行调度。程序中使用了时间相关的向量和矩阵来存储数据。每个存储矩阵的列代表一个时间阶段，每个时间阶段的向量或矩阵存储在相应的列中。该程序的单位采用国际单位制（SI）。kW和kWh表示电功率，kWc和kWhc表示冷负荷。两者之间的关系由提供冷却的系统的性能系数（Coefficient of Performance，COP）决定。该程序的状

Matlab小波变换双端行波测距凯伦布尔变换放射状配电网单相故障测距Simulink模型及对应程序。配有对应说明及原理参考文献，适合初学者学习。

西门子S7-1200PLC结构化编程5轴伺服项目项目实现功能：1.三轴机械手X轴-Y轴-Z轴联动取放料PTO脉冲定位控制台达B2伺服2.台达伺服速度模式应用+扭矩模式应用实现收放卷3.程序为结构化编程,每一功能为模块化设计,功能:自动_手动_单步_暂停后原位置继续运行_轴断电保持_报警功能_气缸运行及报警.4.每个功能块可以无数次重复调用，可以建成库，用时调出即可 5.上位机采样威纶通触摸屏6.参考本案例熟悉掌握结构化编程技巧,扩展逻辑思维,借鉴本案例实现自己得第一个项目包括：（1）博图V14SP1-S7-1200PLC程序（2）威纶通触摸屏程序（3）项目CAD电气图纸博图V14SP1.博图V15博图V15.1博图V16均可打开

基于自抗扰控制器ADRC的永磁同步电机FOC1.转速环采用ADRC，和传统PI进行对比来分析ADRC控制性能的优越性。对ADRC中的ESO进行改进，进一步提高了ADRC性能。2.提供算法对应的参考文献和仿真模型仿真模型纯手工搭建，不是从网络上复制得到。仿真模型仅供学习参考

西门子plc与ABB510变频器modbus通讯1，读写变频器的内部参数2，控制变频器启停，读频率电流3，设置变频器输出频率4，配上位机触摸屏学习，简单有详细注释，简单易懂

松下FP-XH伺服控制程序，上下料整套程序。

基于阶梯碳交易成本的含电转气-碳捕集（P2G-CCS）耦合的综合能源系统低碳经济优化调度，采用（Matlab+Yalmip+Cplex）考虑P2G设备、碳捕集电厂、风电机组、光伏机组、CHP机组、燃气锅炉、电储能、热储能、烟气存储罐。

[matlab]10种经典的时间序列预测模型本文演示了 10 种不同的经典时间序列预测方法，它们是1) 自回归 (AR)2) 移动平均线3) 自回归移动平均线4) 自回归积分移动平均线 (ARIMA)5) 季节性自回归积分移动平均线 (SARIMA)6) 具有外生回归量的季节性自回归综合移动平均线 (SARIMAX)8) 具有 ARIMA 误差的回归模型9) 向量自回归 (VAR)10) GARCH 模型11) Glostan、Jagannathan 和 Runkle GARCH 模型

DIY伺服驱动器方案，某成熟量产型号，基于TMS320F28069设计开发。原理图和PCB源格式（AD打开）-控制板 驱动板 电源板 滤波板基于TMS320F28069的控制源代码产品资料，代码注释少，需要有一定基础

调频模型simulink考虑需求响应的调频模型，将需求响应参与调频的过程分为两阶段，第一阶段主要用来快速求解频率最低点，第二阶段用来求解频率稳定值，有具体的对应参考资料

基于S7-200 PLC和组态王组态污水处理控制系统的设计1.1 研究的目的和意义 31.2 国内外发展概况 32 系统设计和实现 42.1设计要求 42.2 系统组成 43 硬件设计 63.1 PLC的选择 63.2主电路图 63.3 控制电路图 103.4 PLC的I O分配 123.5 PLC外围接线图 144 软件设计 174.1 PLC内部使用地址 174.2 PLC程序流程图设计 184.2.1手动模式 184.2.2自动模式 194.3 PLC梯形图 194.4 语句表程序 295 组态画面 305.1 通信设定 305.2数据词典 335.3建立画面 355.4运行 39总 结 42致 谢 43

在风功率预测聚类中，我们使用了数据预处理和PSO-SVM方法。首先，我们使用DBCAN算法提取了风功率异常数据，并使用KMEANS算法对处理后的数据进行聚类。我们进行了三类仿真实验设置。基于上述聚类结果，我们采用粒子群算法（PSO）优化支持向量机（SVM）来对风功率进行分类预测。为了验证我们的方法，我们在Matlab平台上进行了仿真实验。下图展示了风功率数据异常值剔除和分类结果，并展示了经过PSO优化的SVM与未优化的SVM的对比预测结果。同时，我们还展示了聚类前后的结果，验证了通过聚类处理和PSO的优化可以提高风功率预测的准确性。