永磁同步电机电流控制策略比较分析

在电机控制中根据场合要求会采用不同的电流控制策略。对永磁同步电机的4种主要电流控制策略进行了分析并总结了各自的特点。主要针对最大转矩电流比(MTPA)控制、零直轴电流(i_d=0)控制、单位功率因数(cosφ=1)控制以及恒磁链控制方法,在转矩确定的情况下,对交直轴电流、定子电流及功率因数进行比较分析。按照不同控制方式在MATLAB/Simulink中搭建了仿真模型。4种不同控制方法的仿真试验表明:定子电流幅值从高至低依次为cosφ=1控制、恒磁链控制、i_d=0控制和MTPA控制;功率因数从高至低依次为cosφ=1控制、恒磁链控制、MTPA控制和i_d=0控制。最后对比分析了凸极系数不同时4种控制方法的电流和功率因数变化。     

考虑可再生能源不确定性的风-光-储-蓄多时间尺度联合优化调度

提出一种计及可再生能源不确定性的风电、光伏、电化学储能和变速抽水蓄能电站多能互补协同的优化调度方法。考虑电化学储能和变速抽水蓄能电站的互补调节特性,建立风-光-储-蓄联合运行的多时间尺度调度架构。在日前调度阶段,考虑风电和光伏出力的相关性,生成基于生成式对抗网络和峰值密度聚类算法的日前风光联合出力典型场景,综合考虑风光出力的不确定性和抽水蓄能电站与电化学储能的容量特性,建立面向调峰需求的随机优化日前调度模型;在日内优化阶段,以最小化弃风弃光与电网备用电能为目标,构建变速抽水蓄能电站出力修正方法,制定电化学储能日内调度计划;在实时校正阶段,基于模型预测控制方法,以日内优化调度结果为参考,对电化学储能出力进行精确控制,最小化风光预测误差的影响。算例分析结果表明,所提方法可以有效减小电网负荷峰谷差,平抑风光联合出力波动,提升可再生能源消纳率。     

基于Transformer和双残差网络的图像去模糊算法研究

在单幅图像去模糊网络的设计中,已广泛采用了由“粗到精”的策略。经典的基于深度学习的多尺度网络模型通常将子网络与多尺度输入图像堆叠,并从底层子网络到顶层子网络逐渐提高图像的清晰度,将不可避免地产生图像特征信息丢失问题以及较高的时间成本。针对上述问题,构建了一种基于编解码器结构的多输入多输出U型网络。首先,在编码器结构中采用Transformer模型代替传统卷积网络模型以充分获取图像特征信息;其次为了恢复高频细节特征,在解码器结构中设计了双残差网络;最后,提出多尺度融合算法,有效融合了多尺度特征。在GoPro上的仿真实验表明,通过引入Transformer,所提算法分别在PSNR与SSIM评价指标和运行时间上均优于主流算法,PSNR与SSIM值分别为31.15 dB、0.957 7,同时从视觉上可以得到更多的图像细节。     

一种改进CBAM机制和细节恢复的单幅图像去雾算法

图像去雾作为图像增强的基本问题得到了广泛关注，已成为具有挑战性的研究方向。针对目前图像去雾算法中先验方法与深度学习方法存在的颜色失真以及雾霾残留问题，提出了一种基于注意力机制的细节恢复的图像去雾算法。首先，引入改进CBAM模块，设计出注意力基本块并将基本块封装成组块；其次，为加强组块内信息交互能力，组块间引入了密集连接残差块；最后，设计细节恢复模块对去雾图像进行细节恢复，以进一步减轻雾霾残留的影响。数值仿真实验表明：在RESIDE数据集上，所提算法与主流去雾算法相比取得了较高的峰值信噪比和结构相似度，同时在真实图像上也得到了更好的视觉效果。