蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Theve...蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。展开更多
为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由...为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由于回声状态网络初始化参数选取后就不再改变,缺乏自适应性,往往导致逼近能力不能达到最优;而烟花算法具有爆发性、瞬时性、分布并行性和可扩充性等优点;为了提高建模的精确性,故利用烟花算法对回声状态网络进行参数优化。通过模拟烟花的爆炸来建立数学模型,计算个体适应度值选择最优个体。建模结果与微电网并网仿真的实测数据对比,验证了该建模方法的合理型和准确性,说明所建模型具有较好的实际应用价值。展开更多
文摘为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由于回声状态网络初始化参数选取后就不再改变,缺乏自适应性,往往导致逼近能力不能达到最优;而烟花算法具有爆发性、瞬时性、分布并行性和可扩充性等优点;为了提高建模的精确性,故利用烟花算法对回声状态网络进行参数优化。通过模拟烟花的爆炸来建立数学模型,计算个体适应度值选择最优个体。建模结果与微电网并网仿真的实测数据对比,验证了该建模方法的合理型和准确性,说明所建模型具有较好的实际应用价值。