基于超声波定位的无轨运输机随动控制系统设计

随着我国农业尤其是温室农业的不断发展,生产运输工具也在不断革新。为了满足广大工作者对智能化运输工具的需求,设计了一款基于超声波跟随的无轨运输系统。系统使用三角定位算法进行定位,采用STM32单片机为主控制器,采用收发分离的超声波模块进行测距,采用E18-D80NK进行避障,采用电桥电路进行称重,采用HC-05与手机APP进行通信。考虑到使用环境温湿度对超声波信号的影响,加入温湿度采集系统,所有的信息通过OLED进行实时显示,对温室农业的效率提升有积极意义。

铅酸蓄电池组分布式在线监测与状态诊断

为提高电储能用铅酸蓄电池组状态检测的实时性、准确性及方便性,提出了一种铅酸蓄电池组分布式在线监测新方法。基于铅酸蓄电池电化学工作机理,分析了蓄电池处于恒流均充、恒压均充、浮充及放电过程中的工作状态特征及端电压变化规律,阐述了在自然负载波动下的内阻在线检测原理及方法。分别研究了基于单体蓄电池端电压、温度分布及实时内阻的健康状态筛选方法,并进一步提出了基于以上单参数筛选结果的综合分级评估策略。选用基于控制局域网(CAN)的分布式网络测控系统架构,以STM32F103为核心控制芯片,设计了分布式在线监测系统。该系统具有安装简便、实时性强、灵敏度高等优点,对提升电力、通信、金融等行业的安全、可靠性具有现实意义。

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。

光伏发电组件在线监测与故障诊断系统研制

该文提出了基于峰值发电功率估计及最大功率电压估计的光伏组件在线故障诊断方法。以光辐射强度(S)及温度(T)为参变量,依据光伏组件有关出厂技术参数推算出峰值功率Pm(Si,Ti)和开路电压Uoc(Si,Ti)标准值空间分布;采用二维平面分段双线性插值法求取光辐射强度-温度平面内任意点的峰值功率基准值Pm(S,T)及开路电压基准值Uoc(S,T)。以此为基础,引入了最大功率评价系数(KP)和峰值功率电压评价系数(KV),阐述了依据实际KP,KV实现光伏组件在线故障诊断的判定方法。基于智能化光伏组件设想,采用分布式网络系统架构并完成了智能监测终端单元电路设计。该系统具有安装方便、成本低廉、实时性强、灵敏度高等优点。

基于数据扩充的光伏组件故障诊断方法

针对光伏发电组件故障类型复杂且监测困难的问题,在原始小样本数据的基础上,提出基于数据扩充的光伏组件故障诊断方法。首先,在光伏发电组件等效模型基础上,建立以光伏发电组件输出电压、输出电流、太阳辐照度及组件表面温度为输入量的单隐含层BP神经网络故障诊断模型,并基于Kolmogorov定理确定隐含层神经元数量;其次,引入原始小样本数据源及白噪声扩充原始数据后的数据源;最后,在同一故障诊断模型下,对两种数据源进行诊断准确率及效率的对比分析。结果表明,利用白噪声扩充后的数据进行诊断,其准确率达到100%,高于原始数据诊断的平均准确率81.25%。故该故障诊断方法可实现对组件故障类型的判断,具有一定的实用性,可为工程应用中利用小样本数据进行光伏组件故障诊断提供参考。