一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。

基于风速预测的改进爬山法最大功率追踪策略

针对变速变桨风速发电机组如何在低风速时最大限度地捕获风能,提出了一种基于风速预测的改进爬山法最大功率追踪策略。首先搭建由模糊粗糙集(FRS)和神经网络预测(LSTM)两部分组成的预测模型,利用模糊粗糙集对噪声的敏感性,对风机多传感器采集的自然特性时间序列参数进行分析,通过属性约简,将输入信息的空间维数简化,确定神经网络的输入参数,作为后者LSTM神经网络预测模型部分的输入。利用LSTM在时间深度上有效避免梯度传播消失的特性,通过训练学习,抽取逼近隐含的输入输出的非线性关系,捕获时间序列风速上各个信息的关联度和时间延展度,得到风速的提前一步预测。然后依靠预测的风速信息,从搜索方向确定,搜索区间优化,避免最大功率点附近频繁波动3个方面改进了传统爬山法,避免传统方法的不足。通过GH bladed软件实验仿真表明:提出的最大功率追踪控制策略能够有效避免了风速变化情况下错误的搜索方向,提高追踪速度,明显减少风机在MPP点处的振荡,有效提高了风能捕获效率。

STM32的单目视觉室内平面跟踪定位

针对室内平面移动物体的定位,提出了一种基于STM32的单目视觉室内平面跟踪定位方式。在平面内放置标定点,通过标定,求取出图像坐标系与世界坐标系实际的对应关系,实时追踪图像坐标系,依照对应关系推算出实际位置。为了验证该方法的有效性,采用比对平面移动物体与特定点误差的方法,同时直观地观测对应点之间的距离关系。实验中测得的移动位置与实际位置相对误差小于1.5%,对于精度要求一般的室内定位需求有着较高的实用性。

基于线结构光检测的Arduino分拣机械臂

通过对当前工业机器人技术应用发展状况及机械臂智能化现状的研究,设计了一种基于Arduino的智能小型机械臂,采用D-H法描述了4自由度模块化机械臂操作空间,获得以关节角度为变量的正运动学模型。运用矩阵逆乘的解析法,得到了机械臂逆运动学的完整解析解。结合线结构光三维视觉,实现了目标物体的识别抓取功能,弥补了二维相机获取深度信息的不足。实验证明,该智能小型机械臂设计合理,具备良好的准确性和稳定性,简单轻便且实用价值高,具有一定的市场前景。