研究了一种基于太阳能光伏电池的双输入Boost变换器。首先介绍了常见的双输入Boost变换器拓扑结构,详细分析了双输入Boost变换器工作在电感电流连续导电模式(Continuous Conduction Mode,CCM)和断续导电模式(Discontinuous Conduction Mode,DCM)时的工作原理和工作过程。由于太阳能光伏电池具有供电不稳定的特点,根据太阳能光伏电池输出功率与负载功率的关系,在稳定输出电压和功率的基础上实现对新能源的优先利用。根据太阳能光伏模块P-V特性的非线性,采用扰动观察法实现对光伏模块的最大功率点跟踪(Maximum Power Point Tracking,MPPT)。基于PSIM仿真平台,搭建基于MPPT控制算法的双输入Boost变换器的仿真电路,并对仿真结果进行了分析。研究结果表明,所搭建的MPPT算法模型实现了最大功率点的跟踪。
针对在一些假设条件下采用深度卷积神经网络进行变工况场景下基于深度学习模型的轴承故障诊断,其诊断性能会大大降低。本文提出了多尺度卷积联合适配对抗网络(Multi-scale convolution joint adaptive countermeasure network,MSCJACN),即在MS-1DCNN模型中加入了迁移学习算法。通过特征提取模块提取通用特征,在特征提取器的最后两层全连接层上利用联合最大均值差异(Joint maximum mean difference,JMMD)对具体特征进行适配,同时在特征提取器后加域判别器,帮助网络提取域的不变特征。在12种迁移学习任务上进行消融实验,并与其他迁移学习算法进行对比实验,结果表明,MSCJACN在变工况故障诊断场景更具优势。
