基于微分神经网络的永久磁同步电机驱动学习与电流预测
机器学习
2024-12-13 v1 系统与控制
系统与控制
摘要
连续时间建模的学习模型对于理解复杂现象和做出准确预测具有重要意义。本研究提出一种新方法，利用微分神经网络 (DNNs) 来建模非线性系统，具体为永久磁同步电机 (PMSM)，并预测其电流轨迹。通过在 various load 扰动和无负载条件下进行实验验证，我们的方法有效地重建了原始系统，展示出强大的短期和长期预测能力以及鲁棒性。该研究为理解复杂动力学数据的内在动态提供了有价值的见解，并在天气预报、机器人和集体行为分析等领域具有潜在应用前景。
引用
@article{arxiv.2412.09028,
title = {Learning and Current Prediction of PMSM Drive via Differential Neural Networks},
author = {Wenjie Mei and Xiaorui Wang and Yanrong Lu and Ke Yu and Shihua Li},
journal= {arXiv preprint arXiv:2412.09028},
year = {2024}
}