基于数据驱动的风力发电系统一步超前预测转速控制

针对风力发电系统转速控制系统的特点,提出了一种基于数据驱动的一步超前预测控制方法。该方法先利用动态线性化技术,采用投影算法在线估计伪偏导数,然后通过最小化一步超前加权性能指标获得广义最小方差预测控制算法;为了取得更好的跟踪效果,引入一个自适应项用于增强输出跟踪能力,使得系统输出响应具有更强的跟踪能力。仿真结果验证了该方法的有效性。     

基于扩张状态观测器的PEMFC电堆温度控制

针对质子交换膜燃料电池(PEMFC)的电堆温度控制系统,提出一种基于扩张状态观测器的PEMFC电堆温度控制器设计方法。首先建立PEMFC的电堆温度模型,并对模型进行非线性变换。根据变换后的模型设计扩张状态观测器,利用扩张状态观测器得到电堆温度的动态过程,并将得到的动态过程信息补偿到控制器中。所设计的控制器不需精确的PEMFC内部传热过程,是一种不基于模型的控制器设计方法,且算法简单,工程实用性强。仿真结果表明所提出的控制方法适合PEMFC电堆温度控制系统的设计,并具有较好的控制效果。     

含混合储能的互联电力系统传感器容错负荷频率控制

为了改善多区域互联系统电能质量的问题,在原有负荷频率控制系统(LFC)的基础上引入由超级电容和蓄电池两者组成的混合储能系统(HESS),并针对电力系统中难以避免的传感器故障问题设计传感器主动容错策略.首先,建立含HESS的LFC系统模型用以减少负荷扰动对系统频率带来的影响;其次,针对带HESS的互联电力系统设计传感器主动容错策略,避免因传感器故障而引发的系统故障;最后,通过对一个三区域带HESS的互联系统进行仿真实验,验证HESS对改善互联系统电能质量的可行性和所提出的容错控制(FTC)的有效性.     

基于三维裂隙网络RQD的确定及最佳测线数量的研究

作为评价岩体质量好坏的重要指标,RQD的应用已十分广泛,其在工程地质与岩土工程的分析中发挥着重要的作用。而通过钻孔的方法进行RQD的获取具有明显缺点。真实岩体不同方向的RQD并不一致,而以垂直于地表的钻孔获取的RQD并不能完全代表整体岩体的好坏程度。引入三维裂隙网络的方法进行RQD的计算,在三维裂隙网络内设立测线,以测线的形式来模拟钻孔,获取指定方向的RQD值。岩体不同于其他人工材料,其具有明显的非均质性,即在不同位置获取的RQD值并不一致,现今RQD的研究则鲜有考虑。对岩体内的最佳测线数量进行了研究。结果表明：当沿x,y与z轴分别存在25,80与55条测线时,可获取岩体各方向的真实RQD值,且最大限度的节省计算时间以实施进一步的研究。     

基于连续控制集的永磁同步直线电机模型预测控制

永磁同步直线电机(permanent magnet linear synchronous motor, PMLSM)目前多被应用于直线牵引系统,例如轨道交通、无绳电梯等.传统的永磁同步直线电机预测控制主要考虑有限控制集模型预测控制(finite-control-set model predictive control, FCS–MPC),在一个系统采样周期从备选的开关状态中选择一个相对最优的开关状态送入逆变器中.该方法的计算量通常随着预测步长的增加呈几何增长,因而限制了其广泛使用.本文针对PMLSM提出一种基于二次优化的连续控制集模型预测控制(continuous-control-set model predictive control, CCS–MPC)策略.该方法在每个周期内选择两组开关状态送入逆变器,表现为两个相邻电压矢量的合成,因而可以达到更为平滑的控制效果.策略结合了FCS–MPC中的扇区划分原理,将扇区中的两个相邻非零矢量和一个零矢量等效合成为二次优化的最优控制矢量.与此同时,在二次优化的框架下CCS–MPC有效地避免了多步预测控制中计算量过大的问题.仿真与实验结果表明在相同条件下,所提方法相较于空间矢量调制以及FCS–MPC能获得更好的PMLSM控制效果.     

基于极限学习机的无监督领域适应分类器

在构建基于极限学习机的无监督自适应分类器时, 隐含层的参数通常都是随机选取的, 而随机选取的参数不具备领域适应能力. 为了增强跨领域极限学习机的知识迁移能力,提出一种新的基于极限学习机的无监督领域适应分类器学习方法, 该方法主要利用自编码极限学习机对源域和目标域数据进行重构学习, 从而可以获得具有领域不变特性的隐含层参数. 进一步, 结合联合概率分布匹配和流形正则的思想, 对输出层权重进行自适应调整. 所提出算法能对极限学习机的两层参数均赋予领域适应能力,在字符数据集和对象识别数据集上的实验结果表明其具有较高的跨领域分类精度.     

基于权重量化与信息压缩的车载图像超分辨率重建

针对智能驾驶领域中需要在内存受限的情况下得到高质量的超分辨率图像的问题,提出一种基于权重八位二进制量化的车载图像超分辨率重建算法。首先,基于八位二进制量化卷积设计信息压缩模块,减少内部冗余,增强网络内信息流动,提高重建速率;然后,整个网络由一个特征提取模块、多个堆叠的信息压缩模块和一个图像重建模块构成,并利用插值后超分辨率空间的信息与低分辨率空间重建后的图像融合,在不增加模型复杂度的基础上,提高网络表达能力;最后,算法中整个网络结构基于对抗生成网络（GAN）框架进行训练,使得到的图片有更好主观视觉效果。实验结果表明,所提算法的车载图像重建结果的峰值信噪比（PSNR）比基于GAN的超分辨率重建（SRGAN）算法提高了0.22 dB,同时其生成模型大小缩小为LapSRN的39%,重建速度提高为LapSRN的7.57倍。     

基于多智能体的电池储能系统SOC均衡控制策略

针对应用二级频率控制器来解决分布式电池储能系统中SOC(荷电状态)的一致性问题,提出一种基于多智能体与下垂控制相结合的SOC均衡控制方法。该方法在不需要中心控制器的情况下,实现多电池储能系统的SOC一致性,不仅能够实现不同容量电池SOC的均衡控制,还能提高交流母线频率的稳态偏差。考虑电池长期使用带来的容量衰减,设计了相应的自适应容量估计算法用于消除扰动。在包含3个电池储能系统和恒功率负载的孤岛交流微电网仿真平台上进行实验,验证了所提方法的有效性。     

基于DsRNN和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络(RNN)长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制(Attention)的双重选择循环神经网络(Double selection Recurrent Neural Network, DsRNN),面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。     

基于ＤｓＲＮＮ 和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络（RNN）长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制（Attention）的双重选择循环神经网络（Double selection Recurrent Neural Network,DsRNN）,面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。