10.2 构网型变流器引发的次同步振荡与宽频振荡问题:机理分析与抑制技术

构网型变流器次同步与宽频振荡机理及抑制策略解析 新能源并网与储能变流器领域,构网型变流器凭借电压源特性成为弱电网、孤岛供电等场景的关键技术。然而,随着场站规模扩大,次同步振荡与宽频振荡问题日益凸显。其根源在于功率同步环在次同步频段呈现负阻尼效应,以及多控制回路时间尺度冲突、LCL滤波器谐振与数字控制延迟叠加形成高频负阻区。通过阻抗分析可以准确定位失稳频带,而虚拟阻抗重塑、有源阻尼、附加阻尼控制器等手段能够有效抑制振荡,保障多机并联及串补线路等复杂工况下的稳定运行。工程实践中需建立全频段稳定性设计意识,从单机参数整定到场站级阻抗校核,系统性地规避振荡风险。 阅读详情

10.2 构网型变流器引发的次同步振荡与宽频振荡问题:机理分析与抑制技术

10.2.1 引言:新型稳定性挑战的涌现

随着构网型变流器在新型电力系统中的规模化部署,其作为电压源主动支撑电网的能力得到验证的同时,也引发了一系列前所未有的稳定性问题。传统的同步发电机主导的电力系统中,振荡模式主要集中于低频区间。然而,构网型变流器通过快速数字控制实现的虚拟同步、惯性响应等先进功能,其控制环路动态与电网阻抗、其他电力电子设备之间产生了复杂的交互作用。这种交互不仅可能诱发经典的次同步振荡,更可能催生频率范围从数赫兹到数百赫兹甚至上千赫兹的宽频振荡。这类振荡现象传播快、难以阻尼,严重时可导致大规模新能源脱网,对系统安全构成重大威胁。因此,深入理解其产生机理并发展有效的抑制策略,已成为构网技术工程化应用必须攻克的核心难题。

10.2.2 振荡问题的现象与基本分类

构网型变流器接入系统后引发的振荡,可根据其主导频率范围和作用机理进行初步划分。

表10.2-1 构网型变流器引发的主要振荡类型及特征

振荡类型 典型频率范围 主要诱因与控制环节 交互对象 主要危害
次同步/超同步振荡 5 Hz ~ 45 Hz (低于/高于工频) 虚拟转子运动方程(功角环)、有功功率控制环与串补电容或弱电网感性阻抗的谐振。 交流输电网络串联补偿装置、邻近同步发电机轴系。 可能激发同步发电机轴系扭振,损坏设备;导致功率大幅波动。
低频振荡 0.1 Hz ~ 2 Hz 多台构网变流器之间,或构网变流器与同步发电机之间,因虚拟惯量和下垂系数设置不当导致的功角失稳。 其他构网型变流器、同步发电机。 影响区域间功率传输稳定性,类比传统电力系统的低频振荡。
中高频振荡 数十 Hz ~ 数百 Hz 电压控制环、电流控制环(带宽通常在数百Hz)与电网阻抗在特定频段形成的谐振。锁相环或功率同步环的动态也可能参与。 电网背景阻抗、邻近的跟网型变流器。 导致电流和电压波形畸变,触发保护动作,使变流器脱网。
高频振荡 数百 Hz ~ 2000 Hz 开关频率及其边带谐波与电网或滤波器阻抗的相互作用;数字控制延迟。 LCL滤波器谐振峰、线路寄生参数。 加剧电磁干扰,导致器件过应力,影响电能质量。

这些振荡的本质,是变流器控制系统(作为“有源”部分)的输出阻抗 Zout(s)Z_{out}(s)Zout​(s) 与电网等效阻抗 Zg(s)Z_g(s)Zg​(s) 在复频域上不匹配,满足特定的谐振条件。对于由 NNN 台变流器组成的系统,其稳定性可由基于节点导纳矩阵的回比矩阵 L(s)=Yinv(s)Zg(s)L(s) = Y_{inv}(s) Z_g(s)L(s)=Yinv​(s)Zg​(s) 的特征值轨迹来判定,其中 Yinv(s)Y_{inv}(s)Yinv​

构网型变流器次同步振荡与宽频振荡机理及抑制技术解析 在新能源并网领域,电力电子变流器的稳定性是工程实践中的核心议题。构网型变流器作为支撑弱电网的关键设备,其电压源特性在提供惯量与频率支撑的同时,也引入了次同步振荡与宽频振荡风险。从机理上看,功率同步环与电网阻抗的闭环交互、多环路控制带宽的耦合叠加,使得负电阻效应在特定频段显现,成为振荡的能量来源。借助阻抗分析法与奈奎斯特判据,可精准定位负阻尼区间,为工程诊断提供直观路径。实际应用中,参数优化、虚拟阻抗重塑、附加阻尼控制及无源阻尼构成了从软到硬的完整抑制体系。针对储能电站并联场景,通过录波FFT识别特征频率、仿 阅读详情

相关推荐

构网型变流器次同步与宽频振荡机理及抑制技术实践

随着新能源发电占比不断提升,构网型变流器作为支撑电网电压与频率的关键设备,其控制特性与传统跟网型设备存在本质差异。由于功率同步环、电压电流双闭环以及数字控制延时的相互耦合,构网型变流器在弱电网条件下可能呈现负阻尼特性,进而诱发次同步振荡和宽频振荡,威胁场站安全稳定运行。本文从机理层面解析振荡产生的关键环节,重点介绍虚拟阻抗、附加阻尼控制及多环路协同优化等抑制技术,并结合阻抗扫描、特征值分析和现场调试流程,给出可落地的治理方案与参数整定经验,为新能源场站构网型改造、振荡风险校核以及现场故障排查提供工程实践参考

weixin_29159441的博客 211

构网型VSG变流器宽频振荡抑制:序阻抗建模与虚拟阻抗重塑

随着高比例新能源接入,电力系统惯量与短路容量持续下降,构网型变流器成为维持电压和频率稳定的关键技术。然而,多环路控制结构在宽频段内可能呈现负阻尼特性,引发次同步或高频振荡。阻抗分析法将并网系统视为变流器与电网两个端口网络的交互,通过序阻抗建模可准确刻画不同频段的稳定性边界。SISO序阻抗模型将三相耦合系统解耦为正负序单通道,极大简化了分析复杂度。在此基础上,虚拟阻抗重塑技术能够在不改变硬件的前提下,主动修正输出阻抗的幅相特性,为系统补充所需阻尼。该方法适用于弱电网调试、微电网稳定性分析和参数整定,可从机理上

weixin_34268753的博客 262

第8.3节 构网控制策略:电磁兼容与滤波设计考量

构网型变流器电磁兼容与滤波设计面临新挑战 构网型变流器的电磁兼容问题因其电压源特性和主动支撑控制而更加复杂,主要表现为:控制环路的宽频带交互可能引发低频功率振荡和中高频谐振;虚拟阻抗设计不当会降低系统相位裕度;LCL滤波器谐振风险因构网控制而放大。设计时需遵循扩展准则,使谐振频率避开关键频段,并采用与构网控制兼容的有源阻尼技术。系统级分析需建立完整阻抗模型,通过阻抗稳定性判据进行参数优化,最终在弱电网环境下验证稳定性。这一设计过程强调滤波器参数、控制环路和虚拟阻抗的协同优化。

技术工作者 718

7.1 多构网变流器并联系统的同步稳定性

多机互联与宽频振荡抑制研究摘要 本文探讨了多构网变流器并联系统的同步稳定性问题。与传统电力系统不同,这类系统通过虚拟同步机制实现多机同步,具有耦合路径复杂、参数可设计性强等特点。研究分析了参数失配、网络动态与控制负交互等同步失稳机理,建立了基于节点功率方程和虚拟转子运动方程的数学模型。通过李雅普诺夫直接法和线性化分析法评估系统稳定性,提出了虚拟阻尼优化、一致性协同控制和参数适应性整定等增强策略。研究为新能源电站、储能系统等场景下多机构网系统的稳定运行提供了理论依据和控制方法。

技术工作者 772

构网控制技术在新能源并网中的关键作用与优化策略

构网控制技术是电力电子变流器在新能源并网中的核心控制方法,通过模拟同步机的外特性为电网提供惯量和阻尼支撑。其核心原理包括电压-无功下垂控制和动态无功支撑,能够显著提升系统对电压波动的抑制能力。在新能源电站中,构网型变流器(Grid-Forming Converter)相比传统跟网型控制(Grid-Following)具有更快的动态响应速度,例如在300MW光伏电站中可实现0.3秒内15%额定容量的动态无功支撑。该技术在故障期间的无功电流注入、谐振抑制和多机协调控制等工程实践中展现出关键价值,特别是在海上风电

weixin_31315007的博客 108

【Matlab】风电并网次同步振荡抑制算法

摘要:本文针对风电并网引发的次同步振荡问题,基于Matlab/Simulink平台提出改进粒子群算法(PSO)优化控制策略。通过建立双馈风机并网系统数学模型,设计"振荡检测-参数优化-附加阻尼控制-闭环修正"四级抑制框架。改进PSO算法引入自适应惯性权重和非线性学习因子,优化变流器PI控制参数;结合附加阻尼控制器,实现振荡精准抑制。仿真结果表明,该算法使振荡幅值抑制率达86%,收敛速度提升35%,具有良好的鲁棒性和工程实用性。

unber的博客 210

基于智能感知与频段重塑的构网型光伏逆变器宽频振荡抑制方法研究

摘要 本文针对高比例新能源接入背景下构网型光伏逆变器的宽频振荡问题,提出了一种融合智能感知与频段重塑的抑制方法。首先建立了考虑多控制环耦合的逆变器阻抗模型,基于阻抗无源性准则揭示了不同频段的振荡机理;其次设计了基于深度置信网络的电网状态智能感知模块,实现短路比、振荡频率和阻尼水平的实时辨识;进而提出了基于混合虚拟阻抗与电流前馈的频段自适应阻抗重塑控制策略,根据感知结果动态调整参数使逆变器输出阻抗在全频段满足无源性要求。仿真结果表明,该方法在SCR 1.2-8.0的全工况范围内能将并网电流THD控制在3.5%

AI的内部世界的博客 110

【信息科学与工程学】【物理/化学科学和工程技术】知识体系073——电学基础04

​。

weixin_49199313的博客 2623

SpringBoot和Vue校园社团活动预算报销与物资借用系统源码

包含前后端源码、SQL初始化脚本和启动说明。JDK 17、Spring Boot、Vue;默认H2演示数据库。

rag-ext-part-00

rag-ext-part-00

材料科学一胜百模具钢选材指南:基于工况分类的塑料模冷作热作钢性能对比与应用方案

内容概要:本文是一份关于一胜百(ASSAB)模具钢的全面技术手册,系统介绍了其主要牌号分类、化学成分、硬度特性、热处理工艺及典型应用场景。手册将模具钢分为塑料模具钢、冷作模具钢、热作模具钢和粉末冶金高合金钢四大类,并针对不同工况提供选材建议,重点解析了如718H、S136、XW-42、VIKING、ELMAX、ASP60等常用牌号的性能差异与适用范围。同时,详细说明了在高速端子模、汽车高强钢模具等典型工况下的材料选择、EDM加工处理、去应力回火及镶件设计策略,强调根据实际需求平衡耐磨性、韧性与成本。; 适合人群:从事模具设计与制造的技术人员、材料工程师、热处理工艺师以及采购决策人员,尤其适用于对高端工模具钢有较高要求的工业领域从业者。; 使用场景及目标:①指导在不同成型工艺(如注塑、冲压、压铸)中合理选用一胜百模具钢;②优化模具寿命、加工精度与成本控制;③解决因材料选择不当导致的开裂、磨损、锈蚀等问题;④制定合理的热处理与电加工工艺路线。; 阅读建议:本手册注重实用性与对比分析,建议结合具体项目案例对照查阅,重点关注材料后缀(如ESR、Supreme)对性能的影响,避免仅凭牌号比价而忽视工艺品质差异。

高校技术转移办公室人员如何提升科技成果的市场推广效率?.docx

高校技术转移办公室人员如何提升科技成果的市场推广效率?

国央企创新负责人如何在实现技术引进与孵化过程中,降低信息不对称带来的决策风险?.docx

国央企创新负责人如何在实现技术引进与孵化过程中,降低信息不对称带来的决策风险?

国央企创新负责人在推动科研成果产业化时,如何确保技术成果的匹配质量和落地可行性?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

产业园区运营负责人如何利用平台优化企业与高校院所的协同创新对接?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

产业园区运营负责人在组织科技成果转化对接活动时,如何实现成果与企业的精准匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

AD9122国产替代SXD033 双通道16位1GSPS D/A转换器规格书

深信科技SXD033是AD9122的国产替代产品,双通道16位D/A转换器,更新率1GSPS,采用QFN72封装,并行LVDS接口。本资料为中英文双语规格书,包含产品特性、引脚定义、电气参数、时序及典型应用电路,适用于高速数据采集、通信、测试测量等领域。

产业园区运营负责人如何提升园区科技成果对接效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

一文详解数据仓库、数据湖、湖仓一体和数据网格

本文对数据仓库、数据湖、湖仓一体、数据网格四个技术概念进行了辨析,并对它们的优势和局限给出了对比介绍。

oOBubbleX的博客 2597

Apple CarPlay Certification Guide December 2022 解析V1.0

Apple CarPlay Certification Guide December 2022更新说明

m0_74450450的博客 706

CVAT自动标注避坑指南:从nuctl安装到YOLOv5模型部署的完整流程

本文详细介绍了在CVAT中部署YOLOv5自动标注功能的完整流程与避坑指南。重点解决了从nuctl工具安装、项目创建时因网络问题导致的镜像拉取失败,到最终模型函数部署与CVAT集成的关键步骤。针对国内网络环境,提供了实用的镜像替换方案,帮助用户顺利完成基于CPU的自动化标注环境搭建。

pytorch8learner的博客 229

知识检索中的四大评估指标:准确率、精确率、召回率与F1分数详解

摘要:NLP算法面试中,评估知识检索系统的核心指标包括准确率、精确率、召回率和F1分数。准确率衡量整体预测正确性,但在样本不均衡时可能失真;精确率关注预测正类中的真实比例(查准能力),召回率衡量真实正类被预测的比例(查全能力)。F1分数是两者的调和平均,提供综合评估。这些指标通过混淆矩阵计算,并存在制约关系:提高召回率往往降低精确率,反之亦然。应用场景包括文档检索(评估结果质量和覆盖度)和文本分类(如垃圾邮件过滤)。面试需掌握指标区别、适用场景及平衡方法(如调整阈值)。F1分数在样本不平衡时比准确率更具参考

Ven%的博客 1767

手把手教你用U盘给海信IP501H刷机:GK6323V100C芯片的4.4.2和9.0固件实战

本文详细介绍了海信IP501H电视盒子基于GK6323V100C芯片的刷机实战指南,涵盖Android 4.4.2强刷和Android 9.0免拆刷机两种方案。从工具准备、短接操作到ADB调试,提供全流程解析和常见问题解决方案,帮助用户安全高效地完成刷机操作。

lemon的博客 1464

MYSQL、ORACLE、PostgreSQL数据库对象层次及权限管理对比

本文为出于自己扩展、比较、图形化的思维路径自行总结归纳,可能有些细节不太准确,欢迎指正。MySQL、Oracle、PostgreSQL关系型数据库都有管理员用户、用户、权限管理、表函数索引等数据库对象,schema。但在数据库对象隶属层次上有差异和相同的地方。

rachel_2016的博客 1491

PADS VX2.4差分对设置避坑指南:常见错误与解决方案

本文深度解析了在PADS VX2.4中进行高速PCB设计时,差分对设置的核心要点与常见陷阱。针对Layout规则设置、Router布线实战中的阻抗控制、线长匹配等关键环节,提供了具体的避坑指南和解决方案,帮助工程师确保信号完整性,提升设计质量。

weixin_29216049的博客 362

PyTorch 面试题及详细答案120题(54-70)-- 模型训练与评估

本文介绍了PyTorch模型训练的基本流程和核心概念。主要内容包括: 模型训练基本流程:通过代码示例展示了数据准备、模型定义、损失函数和优化器选择、训练循环(前向传播、反向传播、参数更新)的完整过程,并包含验证集评估的实现。 训练过程中的关键概念: Epoch:完整遍历一次训练集 Batch:将数据分成小批次 Iteration:一个Batch的参数更新过程 三者关系:1 Epoch = N/B Batch = N/B Iteration(N为样本数,B为batch_size) PyTorch数据加载机制:

大剑师兰特的GIS世界 492

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

上一篇: 10.1 构网与跟网的混合与协同运行:构建稳健高效的新型电力电子化电力系统
下一篇: 10.3 面向100%可再生能源电力系统的全构网技术:愿景、挑战与实现路径
FanXing_zl
博客等级 码龄13年 2854粉丝 746原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FanXing_zl

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值