基于惯量辨识PI自整定永磁伺服电机控制

针对传统PID控制存在的缺陷以及永磁同步电机运行中惯量变化问题,提出了永磁伺服电机惯量辨识PI自整定控制方法。测定电机在匀加速过程中不同时刻转速值,通过转动惯量辨识算法得出转动惯量大小,分析转动惯量与速度环中的参数关系来自动整定控制参数。利用MATLAB工具建立系统仿真模型,并与传统PID控制进行了对比,结果表明:惯量辨识PI自整定控制方法实现了启动高速化、无超调及强抗干扰能力,具有很好的动静态性能,能广泛应用在高精度控制系统中,对解决惯量易变系统提供了一种控制依据。

基于入侵杂草优化算法的支持向量机负荷预测

针对支持向量机(Support Vector Machine,SVM)预测方法中的参数选取主要依靠经验试算实验比对的方法导致难以快速选择合适参数从而影响负荷预测精度的问题,研究了将入侵杂草优化算法(Invasive Weed Optimization,IWO)与支持向量机算法相结合的改进算法。提出控制误差ε的取值,采用入侵杂草寻优算法对惩罚参数C和核函数参数σ进行优化选取,将自动寻优的结果赋给支持向量机,从而实现支持向量机自动寻优。用某市的历史负荷及相关天气等信息数据,通过仿真实验证明了IWO-SVM算法用于短期负荷预测的可行性,以及IWO算法对改善SVM的参数选择的有效性。平均预测误差在3%以内,满足行业要求。

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。