基于神经网络预测控制的节能电梯能量管理

随着电梯的日益增多,电梯节能问题引起越来越多的关注。针对节能型电梯中超级电容的储能管理问题,提出一种基于神经网络预测控制策略的新方法来动态预测电梯运行中所需的能量。首先根据电梯当前停层、目的停层以及载荷信息,建立反向传播神经网络(BPNN)模型并通过样本训练确定各神经元的权值和偏置值,然后利用该模型在线预测电梯每个行程吸收或回馈的能量,据此调节超级电容的平衡电压实现提前储能/泄能,补偿电梯运行过程中所需的尖峰功率。此外,根据电梯载荷和行程信息动态调整超级电容的平衡电压,可以充分利用超级电容的能量存储空间,在某些行程下除了补偿尖峰功率,还能够补偿一部分额定功率,优化网侧整流器的功率容量。最后通过MATLAB/Simulink搭建的仿真平台和实验样机验证了本方法的可行性。

补偿网络对Cascode结构放大器线性度的改善

宽带功率放大器是现代多频段无线通信系统中的关键器件.Cascode结构由于其良好的带宽特性以及输出阻抗特性,被广泛应用在宽带功率放大器的设计当中.带宽和线性是宽带功率放大器的重要指标.通常用RLC补偿网络可以增加Cascode结构功率放大器的带宽.本文提出通过选择合适的RLC补偿网络电路参数,使得晶体管处于良好的工作状态,可以实现在增加Cascode放大器带宽的同时,改善其线性度.从电路原理上分析了——补偿网络改善功率放大器非线性的原因,并利用Volterra级数方法计算了三阶交调截止点(IP3),证实了IP3可以改善3dB±.采用2μm InGaP/GaAs HBT半导体工艺流片后,测试结果表明,其3dB工作宽带扩展了1GHz(带宽从1.5GHz扩展到2.5GHz),IP3改善了3dB,与计算结果非常一致.