摘要本文提出了一种基于神经网络的（NN-based）数据驱动迭代学习控制（ILC）算法，用于具有未知模型和重复任务的非线性单输入单输出（SISO）离散时间系统的跟踪问题。控制目标是使系统的输出在每次迭代过程中跟踪参考轨迹。因此，在每次迭代过程的每个相对时间点上，使用广义回归神经网络（GRNN）作为估计器来解决系统的关键参数，并使用径向基函数神经网络（RBFNN）作为控制器来解决控制输入。

在空地一体化移动边缘计算场景中，无人机凭借机动灵活、部署便捷、覆盖范围广的优势，可作为移动边缘服务节点，搭载算力设备对地面分布式终端用户的计算任务进行实时卸载与就近处理，有效解决传统地面固定边缘基站覆盖盲区大、部署成本高、应急响应能力弱的问题。然而在复杂野外、陌生城市、动态干扰环境下，多无人机协同作业面临飞行障碍物规避、动态环境自适应、终端服务优先级差异化、多机无冲突协同等多重约束。

文献来源：目前，针对售电商交易策略的研究多集中于利 润风险管控、需求响应调用、偏差结算机制等方面。文献[1-2]提出利用期货合同、动态零售电价、多代 理服务等方法实现售电商的风险管控。文献[3-5]基 于条件风险价值法(conditional value-at-risk，CVaR) 度量风险损失，并分析了其对售电商购售电参数的 影响。文献[6]比较了最小最大后悔值法、机会约束、 条件风险价值3种方

传统预测控制凭借动态响应速度快、工程实现简便的优势，在永磁同步电机驱动系统中得到广泛应用。然而，该控制策略高度依赖电机精准参数，实际工况中电机参数失配、负载扰动、未建模动态等干扰问题，严重制约了传统预测控制的控制精度与工况适应性，成为其大规模工程应用的主要瓶颈。针对上述问题，本文以表面式永磁同步电机为研究对象，提出一种基于新型扩展状态观测器的无模型预测电流控制策略。

无人机物流作为解决"最后一公里"配送难题的关键技术，其路径规划需应对复杂城市环境中的动态障碍物、天气变化、续航限制等挑战。基于Q-learning的强化学习算法通过无模型学习机制，在无需预先构建环境模型的情况下，可自适应动态调整路径策略。本文系统梳理了Q-learning在无人机物流路径规划中的技术实现路径，结合三维栅格建模、多目标奖励函数设计、动态探索策略等关键技术，验证了其在路径最优性、收敛速

混合储能永磁同步电机驱动系统仿真模型机理与特性解析。

在 “双碳” 发展战略全面推进的背景下，风电、光伏等清洁能源规模化并网应用已成为能源转型的主流趋势。综合能源系统作为整合多种能源品类、实现多设备协同运行的新型能源载体，能够充分发挥多能互补、梯级利用的优势，有效承接高比例可再生能源接入。但风光能源固有的间歇性、随机性与反调峰特性，使得系统源荷双侧波动加剧，电网负荷峰谷差值不断扩大，弃风、弃光现象频发，不仅增加了系统调度运行压力，也制约了清洁能源的高

无差拍预测电流控制凭借动态响应快、控制精度高、工程实现简便等优势，在表贴式永磁同步电机调速系统中得到广泛应用。但传统无差拍预测电流控制高度依赖电机精准参数，运行过程中电感、磁链等参数失配会大幅恶化电流预测精度，导致系统动态稳态性能下降、电流谐波增大，制约了其工业应用效果。针对该问题，本文提出一种融合增量模型与电流预测误差补偿的鲁棒无差拍预测电流控制及电感在线辨识方法。首先，构建电机增量式无差拍预测

无差拍预测电流控制凭借动态响应快、控制精度高、工程实现简便等优势，在表贴式永磁同步电机调速系统中得到广泛应用。但传统无差拍预测电流控制高度依赖电机精准参数，运行过程中电感、磁链等参数失配会大幅恶化电流预测精度，导致系统动态稳态性能下降、电流谐波增大，制约了其工业应用效果。针对该问题，本文提出一种融合增量模型与电流预测误差补偿的鲁棒无差拍预测电流控制及电感在线辨识方法。首先，构建电机增量式无差拍预测

永磁同步电机凭借高效率、高功率密度、低转矩脉动等优势，广泛应用于工业驱动、新能源装备、智能伺服等领域，其控制系统的动态响应速度、稳态控制精度与抗扰动能力直接决定整机运行性能。电流环作为永磁同步电机矢量控制系统的内环核心，承担着电流快速跟踪、抑制扰动、保障系统稳定运行的关键作用，其控制算法的性能优劣对电机调速、转矩输出特性影响显著。