一种TCN的改进模型及其在短期光伏功率区间预测的应用

为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network,TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network,DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm,SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation,KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。

YOLOv5的改进算法及其在自动驾驶多目标检测的应用研究

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节,而在复杂天气条件下多目标检测精度低仍是一个挑战性问题。提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法。该方法采用K-means++算法对数据集中的目标样本聚类,以获得更符合不同目标尺度的锚框,提高多目标定位及其实体分割的精度;在原YOLOv5的骨干网络中添加Coordinate Attention(坐标注意力)模块,以提高模型的特征提取能力;将原YOLOv5网络中的PANet(路径聚合网络)结构替换为BiFPN(双向特征金字塔)结构,实现自上而下与自下而上的深浅层特征双向融合,提高模型对不同尺度目标的整体检测精度。对比实验结果表明:改进后的YOLOv5算法获得了更好的性能,目标检测的mAP达到了92.2%,比改进前的YOLOv5算法提升了8.47%。

基于电网阻抗的并网逆变器准比例谐振控制

随着新能源大规模接入电网,新能源并网逆变器在与电网交互引发的次/超同步振荡问题引起了广泛关注。此类振荡问题与并网逆变器的输出阻抗和电网阻抗特性密切相关。采用谐波线性化方法建立了三相LCL型并网逆变器的小信号输出阻抗模型,分析了不同电流控制策略对其输出阻抗的影响,通过阻抗比奈奎斯特判据分析了电网阻抗变化对系统稳定的影响。采用无源阻尼与有源阻尼相结合的方法抑制LCL滤波器的固有谐振尖峰,再根据公共耦合点电网阻抗的变化调节准比例谐振(quasi proportional resonance,QPR)控制器参数以及电容电流反馈系数,使系统阻尼基本保持不变,增强系统鲁棒性,确保系统稳定运行。时域仿真与数值分析结果证明了所提控制策略的有效性。

基于阻抗的电动汽车并网逆变器的稳定性分析

针对电动汽车向电网馈送能量(V2G)时,车载并网逆变器与电网之间的交互作用引起的并网逆变器不稳定和电能质量问题,首先采用基于阻抗的稳定分析方法研究电动汽车并网逆变器与配电网之间的交互作用;其次根据阻抗比奈奎斯特判据分析配电网阻抗对并网逆变器稳定性的影响,采用谐波线性化方法建立考虑锁相环的单相LCL型并网逆变器小信号阻抗模型,并提出一种基于电压前馈的并网逆变器自适应相位补偿控制策略,以便确保其具有足够的稳定裕度。最后通过仿真验证了所提控制策略的有效性。

基于SOC的锂动力电池组双向主动均衡控制

电动汽车锂动力电池组中单体电池的不一致性会导致电池组的容量和使用寿命的衰减,严重影响了电动汽车的性能。为此设计了一种以双向Buck-Boost拓扑为主电路的主动均衡控制系统,采用极限学习机(Extreme Learning Machine,ELM)预测电池的荷电状态(State of Charge,SOC),并以SOC作为主要的均衡判据,提出了一种新型的主动均衡控制策略,实现了锂电池组在充电过程和静置状态下的主动均衡。实验结果表明:所提出的双向主动均衡控制方法可以准确高效地实现均衡目标,且能量损耗较少。

锂电池和超级电容混合电动汽车的能量管理

锂电池+超级电容混合供电方案是解决纯电动汽车(Electric Vehicle, EV)动力性、经济性不足的有效方法,但混合电源纯电动车的能量分配策略与整车的能量效率及电池安全性等性能密切相关,为此以磷酸铁锂电池组(B)+超级电容器组(C)混合双电源电动汽车测试平台为研究对象,首先在ADVISOR中上搭建出测试平台的模型,然后提出一种基于模糊逻辑的能量分配策略,并与基于逻辑门限的能量分配策略在电池组的放电电流和功率、能量回收及能耗等方面进行了对比。仿真与测试结果比较表明,采用模糊逻辑能量分配策略的混合电源电动汽车在整车动力性、经济性和电池安全性等方面可以获得更好的性能。

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。

计及变压器和线路阻抗的双馈风力发电机转子侧阻抗建模研究

双馈风力发电机(doubly-fed induction generator,DFIG)的阻抗模型是分析和抑制风力发电机并网振荡问题的有效手段之一。在实际工程中,DFIG机组通常通过Y/D升压变压器接入输电网,但是现有的阻抗模型仅考虑DFIG本身模型,而未考虑网侧变压器以及线路阻抗对模型的影响,影响稳定分析的准确度。为了更加准确地分析DFIG风机与电网的之间交互行为,采用谐波线性化的方法,建立了计及变压器和线路阻抗的DFIG转子侧的正负序阻抗模型。该模型不但包含了异步电机、转子侧变换器、锁相环(phase-locked loop,PLL)以及控制环路,同时在建模的过程中考虑了网侧的线路阻抗和变压器对模型的影响。然后,通过频域仿真分析锁相环、变压器以及电网线路阻抗等因素对转子侧的正负序阻抗模型的影响。最后,与时域仿真结果作对比,验证了阻抗模型的正确性。结果表明:并网变压器对DFIG转子侧的正序阻抗模型的相角特性影响较大,而对幅值特性影响较小;通过DFIG转子侧阻抗模型可以预测DFIG与电网阻抗交互作用潜在的并网谐振点。

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。

基于MPA-LSTM模型和Bootstrap方法的短期光伏功率区间预测

光伏发电功率的波动性和间歇性为电力系统调度管理带来巨大的挑战,精确的光伏功率区间预测是解决上述问题的一种有效途径。为此,本文提出了一种基于LSTM网络的新型短期光伏功率区间预测模型。采用MPA对LSTM网络的隐含层神经元数和训练批次数等超参数进行自动寻优,以克服随机选取LSTM模型参数过程中存在的盲目性、费时等问题;并将MPA-LSTM模型用于光伏功率点预测。然后,采用Bootstrap方法分析模型预测结果的误差分布,确定模型预测输出的区间范围。最后,通过对比仿真验证所提模型的有效性。结果表明:本文所提的MPA-LSTM模型均方误差的平均值为1.09%,优于SVM、LSTM、PSO-LSTM和MPA-SVM模型;Bootstrap方法能够准确地描述给定置信度水平下的光伏功率波动范围。

一种纯电动车及双向电能转换实验平台

鉴于传统内燃机汽车所带来的能源消耗、环境污染;纯电动汽车研究的实验平台十分缺乏,大部分是在虚拟的汽车仿真软件下进行,难以准确反映真实的实车系统。介绍一种以磷酸铁锂电池组为主能量源、超级电容为辅助能量源的纯电动汽车及双向电能转换实验平台。测试结果显示,所介绍的实验平台除了可以进行纯电动汽车各关键部件的性能测试、能量管理测试、运行在工况和踏板模式外,还能与电网进行双向电能转换。

基于台架实验的单/双能量源纯电动汽车性能研究

大部分单/双能量源纯电动汽车的性能研究是在ADVISOR,PSAT等虚拟的汽车仿真软件下进行,忽略了实车系统的机械特性、电池组的物理特性、双向DC/DC变换器的转换效率及能量管理系统的响应时间等因素,难以准确反映实车系统。提出以磷酸铁锂电池组为主能量源、超级电容为辅助能量源的纯电动汽车测试系统为研究对象,测试不同工况下系统的能量消耗、纯电动车的动力性能和制动能量回收效率。结果表明:双能量源系统在制动能量回收率及动力性能等方面优于单能量源系统;双向DC/DC变换器的转换效率对双能量源系统的内部能量消耗产生重要的影响。

纯电动汽车磷酸铁锂电池组的建模及优化

鉴于传统神经网络和支持向量机机理复杂、计算量大的缺陷,很难实时跟踪磷酸铁锂电池组复杂快速的内部反应,影响电池荷电状态的估算精度,提出应用一种简单、有效的极限学习机对一额定容量为100 Ah、额定电压为72 V的纯电动汽车磷酸铁锂电池组建模,并分别与BP神经网络、RBF神经网络、支持向量机进行对比;随后,以学习时间和泛化性能为优化目标,应用粒子群方法寻找最佳隐层节点个数;结果表明,基于极限学习机的磷酸铁锂电池组模型的学习时间、泛化性能优于BP神经网络、RBF神经网络、支持向量机;隐层节点优化后,模型的学习时间和泛化性能达到最优。

基于Zigbee的城市路灯智能监控终端控制器设计

针对当前城市路灯照明监控系统水平比较低的现状,提出以一款高性能、低成本的ATmega128单片机为平台,扩展Zigbee无线传输模块,开发一套城市路灯智能监控终端控制器的方案。该控制器在解决城市路灯亮灯率计算、电缆故障定位和防盗等方面,技术先进、成本低,相关技术的适用范围广,具有很好的推广应用前景。

光伏逆变并网系统阻抗建模及其稳定性分析

由于目前并网逆变系统的阻抗建模过程通常忽略了并网逆变器内部的频率耦合效应及其与前级变换器的相互影响,造成稳定分析结果不准确的问题。为此,提出一种考虑频率耦合的组串式光伏逆变并网系统阻抗建模方法。首先,利用模糊控制与PID控制的等效原理拟合出一类模糊MPPT控制的等效传递函数;然后,采用多谐波线性化小信号建模方法建立了一种考虑频率耦合且包含MPPT环节的组串式光伏并网系统整体阻抗模型,并详细分析了直流母线动态对并网逆变系统阻抗特性和稳定性的影响;最后,通过RT-LAB硬件在环仿真实验验证了所提方法的有效性和先进性。结果表明,与非计及频率耦合的阻抗模型相比,考虑频率耦合且包含MPPT环节的阻抗模型更为精确能够更加准确地分析系统的稳定性,并准确预测系统潜在的谐振点。

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。

基于ARM和IEC 61131-3标准的软逻辑控制系统

介绍了基于S3C44B0X和IEC61131-3标准的软逻辑控制系统原理;给出了在uClinux系统下如何实现IEC61131-3标准的软逻辑控制的方法;提出了一种I/O映射机制,解决了编程系统定义的I/O变量和实际物理I/O口的关联问题。

糖厂澄清过程中和pH值控制的RBF神经网络建模研究

澄清工段是亚硫酸法生产蔗糖的关键过程之一,由于该过程是一个复杂的物理、化学过程,具有多输入、大滞后、强非线性、时变参数等特点,因此难以建立其精确的数学模型。为此本文采用径向基函数神经网络(Radial Basis Function NeuralNetwork,RBFNN)来建立该过程的神经网络模型。模型测试结果表明:采用该方法所建的模型精度较高、泛化能力较好,为解决复杂系统的建模问题提供了一种新途径。

DHP算法优化控制开发工具的设计与实现

针对目前自适应动态规划的研究中大多采用Matlab语言编程,存在代码执行效率低、使用不灵活等缺点,采用面向对象的编程技术和C++语言设计了一种基于双启发式动态规划算法(DHP)和执行依赖双启发式动态规划(ADDHP)算法的优化控制开发工具,介绍了开发工具的设计开发思路、工作流程、功能特点、主要界面和使用方法。将该工具用于三容液位实验装置的实时仿真控制,实验结果表明,该开发工具具有使用灵活、训练速度快、执行效率高等优点。

并网光伏系统的在线抗差状态估计

为了充分考虑主动配电网中光伏发电系统的影响,对光伏发电系统进行实时监控,提出了一种并网光伏系统的抗差状态估计方法。搭建了光伏系统模型,建立了相应的量测模型。抗差状态估计能够实现对配电网系统的状态监测,可靠估算出系统的运行状态。文中抗差状态估计采用最小绝对值(Least Absolute Value,LAV)估计算法,不仅具有抵御不良数据的能力,而且计算效率较高。仿真结果表明:该方法能够正确地估算出光伏系统的状态,收敛性较好,并且具有一定的抗差能力,能实现对光伏系统中不良数据的检测和辨识。