基于单步预测输出差值抑制超调的改进预测控制算法

为抑制传统预测控制算法中产生的超调量同时减小计算规模,提出了一种基于单步预测输出差值抑制超调的改进广义预测控制算法.通过在性能指标函数中引入单步预测输出差值项K[y(k+d+2/k)-y(k+d+1/k)]2有效抑制了2次预测输出之间的剧烈波动,从而有效抑制了超调量的产生,同时计算量的增加很小.算法中同时考虑了系统的时滞特性对控制过程的影响,即单步预测输出差值项施加在当前的输入控制量Δu(k)开始在预测输出中起作用之后.通过柔化系统输入Δu(k+j)有效避免了矩阵求逆运算,因此算法的计算量进一步减小.仿真实验证明该算法不仅可以有效抑制超调的产生而且可以加快算法的跟踪速度.

预测输出的控制系统设计

目的 研究预测输出的控制系统设计技术 .方法 利用系统当前输出信息预测未来输出的控制策略 ,针对系统模型研究了一种设计方法 .结果 对于该校正方法应用于控制对象进行参数整定 ,并进行了系统仿真 .

基于虚拟传感器的坝区多输出自由场地震时程长序列预测模型研究

坝区自由场地震时程的多维长时序预测对于震害快速分析具有重要意义。虚拟传感器是地震物理传感器的补充感知手段,可实现地震时程的预测,然而现有虚拟传感器难以对多个信号做长时序预测,导致大坝震害分析较为滞后。针对上述问题,提出基于TFA-Seq2Seq虚拟传感器的坝区多输出自由场地震时程长序列预测模型。其中,基于多任务学习将Seq2Seq的虚拟传感器改进为“Encoder-3 Decoder”结构,以建立多个坝体物理传感器信号与自由场三个方向长时序地震时程的映射关系,并添加注意力机制捕获多个输入信号的时序依赖关系,以解决同步多输出预测问题及提升预测精度。进一步,引入可逆的时频变换层和其逆变换层改进编码器和解码器,以缩短地震信号的时域长度,提取频域特征,并提出对应的随机强制学习的模型训练策略,从而克服了现有虚拟传感器难以对长序列进行有效预测的缺陷。案例分析表明,该方法实现了坝区自由场三个方向地震信号的超前10 s虚拟感知,且相较于未添加注意力机制和单输出的模型,预测精度分别提高了6.88%和3.32%,研究为震时地震信息的超前感知提供了新思路和新途径。

基于改进神经网络的光伏电站输出功率预测方法

光伏发电系统的输出功率受多种因素(包括天气、电池板温度和日照时长等)制约,表现出显著的随机、波动和间歇性特点,对电力系统的稳定运行构成了威胁。为此,提出基于改进神经网络的光伏电站输出功率预测方法,对电力系统的调度、优化以及能源管理具有重要意义。首先,进行了光伏电站输出功率影响因素的相关性分析,选择总辐照强度和环境温度这2个与光电转换效率有显著相关的因子,并以此为输入;然后,构建了改进神经网络模型;最后,通过该模型实现了光伏电站输出功率的预测。结果表明,利用改进的神经网络对光伏发电系统的出力进行了精确的预测。改进神经网络模型可以基本反映出输出功率的大体趋势,在处理复杂多变的天气条件和电站运行状态时,能够更精准地预测输出功率。

基于事件触发的互联电网负荷频率模型预测输出反馈控制

开放式通信环境不可避免地会导致通信延迟现象的产生,针对多区域负荷频率控制系统提出了基于事件触发的模型预测输出反馈控制方案。模型预测控制器通过延迟通信网络交换预测输入序列,构造Luenberger型观测器以提供传输到本地控制器的状态估计。此外,通过比较实际状态观测值与模型输出反馈控制器中使用的估计值之间的偏差来设计事件触发条件,扩展最大允许的时间间隔,从而减少通信资源的利用。最后,对四区域负荷频率控制系统进行仿真研究,结果表明在具有时变延迟和随机分组丢失的非理想通信网络中,所提出的方法能够提高系统的控制性能,并减少网络信息传输量。

基于EMD和ABC-SVM的光伏并网系统输出功率预测研究

针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。

基于输出误差预测的模糊预测PID控制及应用

针对实际工业过程中普遍存在的非线性特性,采用T-S模糊模型来描述复杂的非线性系统.利用模糊聚类算法在线竞争学习模糊规则的输入区域中心,并按预先规定的规则之间的重叠度在线确定每条规则的输入区域半径,而模糊规则结论中的参数则由递推最小二乘(RLS)算法得到,得到的模糊局部线性化模型作为每个时刻的受控自回归积分滑动平均(CARIMA)模型.结合广义预测控制(GPC)的思想和有限脉冲响应滤波器,提出了一类新型的模糊预测PID控制器的实现方法,解决了一般预测PID控制器设计当中对系统模型阶次的限制问题.仿真算例说明了该方法的有效性和实用性.

基于输出功率预测的风电机组运行风险度评估

准确评估风电机组运行健康状态对于降低机组故障率、减少运维成本十分有利。输出功率是表征风电机组运行性能的最基本参数之一,输出功率的波动能够直观反映机组运行状态的变化。当实际输出功率明显偏离正常运行状态下的预期值时,则说明机组健康状态可能存在异常,由此文章提出了一种基于输出功率预测的风电机组运行风险度评估方法。首先采用随机森林算法构建了风电机组有功功率短期预测模型,在预测过程中综合考虑了多种气象因素来提高预测精度,进而利用有功功率预测误差对风电机组的风险严重度进行量化;其次,利用模糊C均值算法构建风电机组运行风险严重度离群点模型,实现了对风电机组运行风险等级的明确划分。最后,以江苏南通某风电场实测数据为样本验证了所提方法的合理性与有效性。

基于小波分析和集成学习的光伏输出功率短期预测

针对光伏输出功率的预测精度影响系统安全调度和稳定运行的问题,该文建立了基于小波分析和集成学习的光伏输出功率短期预测模型。考虑到光伏输出功率的波动性与随机性,引入小波分析将数据分解成趋势项和随机项,并分别对其建模。其中,趋势项采用SVM算法,随机项采用BP算法进行预测处理;再考虑到随机项的非平稳性和BP算法的固有缺点,为提高预测精度,将集成学习引入随机项的预测模型。大量测试结果表明,基于小波分析和集成学习的短期预测模型的预测精度优于现有几种模型。

基于Leaky-ESN的光伏发电输出功率预测

利用PVSYSTEM系统产生的数据分析了光伏发电系统输出功率的主要影响因素,并且建立了基于泄露积分型回声状态网(Leaky-ESN)对光伏发电系统输出功率的预测模型。Leaky-ESN比起其他的神经网络具有训练方法简单,预测精度高的优点,因此将光伏发电影响因素的历史数据作为输入和训练样本,对模型输出功率进行预测。仿真结果表明,Leaky-ESN具有很高的预测精度。

反激变换器的输出反馈模型预测控制仿真研究

针对反激变换器的输出电压稳定性问题,提出一种输出反馈模型预测控制方法。建立双线性模型,设计状态反馈和输出反馈模型预测控制器,增加Luenberger-type型观测器确保状态估测动态误差是全局指数稳定;外环PI控制旨在消除电压偏移误差。给出系统存在输入电压和存在输入约束条件下的电感电流全局收敛的闭环稳定性分析。仿真结果表明,相比于PID控制,该方法在保证系统全局稳定性的同时,可以实现系统误差在有限时间内收敛,控制精度能达0.22%,提高了系统的鲁棒性和快速性。

基于灰色神经网络的兆瓦级风电机组输出功率预测研究

随着风电装机容量的增加,准确预测风力发电输出功率对电网的调度、风电的运营维护有重要作用。建立灰色神经网络预测模型,将灰色理论和神经网络这两种控制方法结合在一起,实现整个区域的机组输出功率预测。采用西北酒泉风力发电基地的数据作为样本进行模拟实验,建立1.5兆瓦级风电机组的预测模型验证所提方法的有效正确性,并定量分析了预测误差,结果表明灰色神经网络对兆瓦级风电机组输出功率具有较高的预测精度,具有一定的研究意义。

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78%,最小相对误差仅为0.01%.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.

基于粒计算的模糊神经建模方法在电能输出预测中的应用

准确地预测电厂的电能输出可以节约成本从而获得最大利润,因此建立一个模型来预测电厂的满载电功率输出是非常重要的。粒计算(Granular Computing,GrC)是一种新型的数据挖掘方法,它将具有类似特性的对象组合在一起,通过选择合适的粒度提取核心信息,减少冗余,降低问题求解的复杂度。本文使用GrC方法,从复杂多维数据集中以信息粒的形式建立初始的模糊推理系统,再通过模糊神经网络学习方法对系统参数进行优化。这种基于GrC的模糊神经(Granular Computing based Neuro-Fuzzy,GrC-NF)建模方法,不仅可以降低问题求解的复杂度,而且可以保持模糊逻辑系统的可解释性,将其与模糊神经网络的结合又提高了建模精度。本文将该方法用于建立电功率输出的预测模型,通过其预测精度的比较表明了该方法的优越性。

基于机器学习的光伏输出功率预测方法研究

光伏发电机组容量在电力系统中的比重日益增大,预测光伏出力对电力系统调度具有极其重要的意义。因为影响光伏发电系统的许多因素随机性较高,使得预测工作难度加大。传统的预测方法对数据的依赖性较强,数据的完整性对预测过程影响很大,因此需要更严谨、便捷的方法使光伏功率的预测工作更加准确、实用。通过对光电站历史数据的探索性分析,对比多种回归预测模型,对影响功率的因素建立神经网络与非线性拟合的组合预测模型。仿真结果表明,组合分步法可以显著降低预测误差,对电网规划、提升新能源发电竞争力、优化调频具有一定的意义。

基于深度置信网络的电力市场需求预测算法

文章旨在研究并开发一种基于深度置信网络(Deep Belief Networks,简称DBN)的电力市场需求预测算法。随着电力市场的日益成熟和复杂,对电力需求的准确预测对于电力系统的稳定运行和电力市场的有效管理至关重要。深度置信网络作为一种高效的深度学习模型,其在特征提取和模式识别方面的优势使其成为电力市场需求预测的有力工具。

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析.首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的M5P算法对风机输出功率预测的高效性和准确性.

基于神经网络的光伏发电系统输出功率预测分析

光伏发电具有较强的随机性和不确定性,在进行大规模并网的过程中,为了降低其对电网产生的影响,有必要对其发电功率进行预测,从而采取应对措施。对基于BP神经网络的光伏发电系统输出功率预测进行了讨论,采用历史发电数据对神经网络预测模型进行训练,从而对未来的发电功率进行预测,该方法相对于光伏发电的间接预测方法具有更高的准确度,希望能够为相关工作提供一定的参考。

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。

雾霾天气下的光伏电站输出功率预测方法研究

预测光伏电站输出功率对于光伏发电并网和电网安全运行具有重要意义,但雾霾天气的存在,对光伏电站输出功率预测产生了不利影响。针对这一问题,利用空气质量指数(air quality index,AQI)设计了雾霾天气下的光伏电站输出功率预测方法。以中国的某座城市为例,分析了不同雾霾天气下AQI与光伏电站输出功率折损率之间的相关性,证明了雾霾会对光伏电站的输出功率产生显著影响,并验证了以AQI=150作为判定AQI是否成为预测模型输入参数的阈值是可行的。该方法显著提高了在雾霾天气下得到的光伏电站输出功率预测精度,同时保证了空气质量较好时输出功率的预测精度。