基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

基于卡尔曼滤波和支持向量机的风电功率实时预测研究

为了提高风电场风电功率实时预测精度,并为风电场输出功率的合理调度提供参考依据,提出了一种基于滚动的自回归积分滑动平均模型(ARIMA)和支持向量机(SVM)相结合的卡尔曼融合预测模型。通过对风电功率序列进行分析得出ARIMA模型,用其作为卡尔曼滤波的状态方程。再用SVM预测得出观测方程,用卡尔曼滤波将二者结合起来实现融合多步预测。具体的实例分析中采用了国家能源局的评价指标对预测精度进行评价。通过预测结果可以看出,融合预测算法中可以实现预测误差相互抵消的状况,减少了误差累积,提高了预测的精度。     

混沌理论在电力系统负荷预测中应用综述

电力系统负荷的准确预测,对电力系统安全、高效运行有重要作用。负荷存在混沌特性,而基于混沌理论的预测较好地刻画了负荷物理属性,预测精度高。并主要介绍了混沌理论在负荷预测中的应用。首先,概述了基于混沌理论预测的机理,介绍了几种混沌特性判别的方法。然后,介绍了几种预测模型。最后,对现有预测模型总结和展望。     

电力有源滤波器(APF)技术的探讨

随着大功率开关器件的广泛应用,电力系统谐波抑制及无功补偿问题变得日益迫切,电力有源滤波技术是解决上述问题的有效手段。首先简要介绍电力有源滤波技术的特点、基本原理,然后介绍APF的主要控制策略,最后对APF技术应用中应考虑的一些问题作简单介绍。     

ControlLogix系统在水厂气浮工艺中的应用

为了提高水厂的效率和自动化程度,采用了Rockwell公司的ControlLogix系统,实现水厂气浮工艺的自动监控。重点研究了ControlLogix的可编程序控制器(ProgrammableLogicController,PLC)-人机接口(HumanMachineInterface,HMI)系统在水厂气浮工艺中的应用。结果表明:系统硬件、软件设计方案合理,能够实现预想的功能,证明了该方案的可行性。     

风电功率超短期预测误差的非参数估计分布研究

准确的风电功率预测有利于含大规模风电电力系统的安全可靠、持续稳定运行,掌握风电功率预测误差的分布特征,对风电大规模并网有重要意义.以吉林省某风电场的实测数据为例,对风电功率进行超短期预测,利用非参数估计对预测误差分布进行拟合,分析了非参数估计与预测方法、预测时间间隔、预测误差概率分布形态以及风电场装机容量的关系,验证了所提出方法的有效性.     

天然气采集过程防砂装置的应用

天然气生产过程中经常会出现气井出砂,砂粒随着高速流动的天然气一起流入地面集输管网,在气流方向改变时,高速运动的砂粒会对设备、阀门、管线等造成冲蚀磨损,尤其在管线弯头处经常出现磨穿刺漏现象,形成极大安全风险。采取限制配产、控制生产压差的办法会降低气井产能。在确定气田出砂类型后,采用了机械法除砂。在不影响气田生产的条件下,研发井下防砂工具,地面防砂装置,阀组等配套除砂工具,实现了气田防砂提产,安全运行的目的。     

现代电能质量控制技术及其发展

处于信息社会的现代高新技术产业及信息设备要求高可靠性及高动态品质的电能供应.对基于电力电子技术的电能质量控制技术及其发展进行了较全面的介绍,对各种电能质量控制技术进行了简单的对比,并根据中国电力供求两方面的现状指出改善电能质量是一项系统工程并具有迫切性.     

基于数字信号处理的风电功率日周期性研究

风电功率具有波动性和间歇性,大规模风电并网对电网运行产生不利影响。主要对风电功率波动特性进行分析。基于数字信号处理,将风电功率数据作为数字信号进行处理。通过自相关系数分析发现风电功率数据具有一定的周期性。利用有限傅里叶分解提取日周期分量,并从能量角度分析了日周期分量在不同时间尺度和不同装机容量下的分布特性。日周期分量在风电功率中所占比例随时间和空间的不同发生变化。时间段越长日周期分量所占比例越小;随着风电场数量的增加,日周期分量所占比例将明显增加。     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.