基于XGBoost的双层协同实时校正超短期光伏预测

针对超短期光伏预测应对突发过程性天气时准确性普遍下降,而通过实时气象监测校正辐射值对设备要求较高、对精细化预报依赖性强的问题,以数据驱动为理念,提出了基于XGBoost的双层协同实时校正超短期光伏预测模型。根据大气运动的连续演变性和自相似性,从机器学习角度推演气象整体连续变化的过程,提升预测精度。首先,基于数值天气预报(NWP),在基准层建立强相关气象特征的预测模型。然后,在实时层由临近时段内的基准层动态预测情况挖掘潜在的气象变化规律,并推测未来预测时段气象因素对于光伏出力的影响,对时段内基准预测值进行逐点校正。采用中国杭州滨江一实际光伏电站实采数据进行算例分析,分别与基于NWP特征学习、时序分析、误差推移的XGBoost预测模型以及决策树、支持向量机、长短期记忆网络这3种经典预测模型相比较,结果表明所提模型具有更高的超短期光伏预测精度。

基于粒子滤波的机器人搬运轨迹协同定位方法

为全面提升自治机器人在搬运行进过程中的的绝对定位能力,提出基于粒子滤波的机器人搬运轨迹协同定位方法。在粒子滤波跟踪框架中,通过选取定位隐含层的方式,计算轨迹滤波梯度,完成基于粒子滤波的轨迹定位环境搭建。在此基础上,利用满足标定规则的粒子滤波器,校正机器人搬运轨迹的协同误差,并以此为条件推导出定位条件熵,完成基于粒子滤波机器人搬运轨迹协同定位方法的顺利应用。模拟对比实验结果显示,应用新型轨迹协同定位方法后,绝对定位精度可达到90%以上,传统定位方法遗留问题得到有效解决。