基于变预测时域的电动汽车轨迹跟踪控制

针对在不同车速下由于车辆动力学参数改变导致轨迹跟踪的误差变大的问题,研究电动汽车自适应性轨迹跟踪控制器设计。首先,基于模型预测控制(model predictive control,MPC)设计轨迹跟踪控制器,对比分析不同车速下不同预测时域对轨迹跟踪的影响;其次,通过仿真结果,发现不同车速下采用恒定预测时域,轨迹跟踪在不同速度下自适应性变差,易产生较大的跟踪误差;最后,设计了基于车速变化的变预测时域轨迹跟踪控制器。CarSim/MATLAB/Simulink联合仿真结果表明,改进后的轨迹跟踪控制器在不同车速下轨迹跟踪具有良好的控制精度和稳定性。

基于模型预测控制的微电网优化调度

模型预测控制(model predictive control,MPC)作为一种滚动优化方法,能够很好的处理可再生能源出力不确定的问题。经典模型预测控制的预测时域长度固定,不能很好的适应经济调度问题。文章提出了变预测时域长度的模型预测方法,根据日前预测光伏风力发电、负荷数据,使用遗传算法合理配置每个时刻的预测时域长度值,获得更低的运行成本。

考虑蓄电池健康的微电网群模型预测控制能量管理策略

为提高新能源消纳能力,减少微电网群运行成本,设计考虑蓄电池健康的微电网群模型预测控制(MPC)能量管理策略。通过模拟蓄电池2种充电模式,将微电网群数学模型和约束方程表述为混合整数线性规划(MILP)优化问题,并与MPC框架相结合,在满足约束条件的基础上对优化问题进行在线求解。考虑到微电网能量管理以日前调度为主,提出变时域MPC寻优策略,进一步减小额外的寻优计算量。基于硬件在环实验平台对所提策略进行验证,结果表明,该策略可最大限度利用新能源,减少微电网群购电成本,实时性好,恒压充电模式可有效保护蓄电池健康。

基于松弛约束Hammerstein非线性模型的增程式APU预测控制

针对增程式辅助动力单元(APU)工作点切换过程的转速控制,提出了一种基于Hammerstein非线性模型的预测控制策略。通过稀疏最小二乘支持向量机-自适应混沌粒子群优化(SLSSVM-ACPSO)算法辨识激励响应数据建立了发动机Hammerstein非线性模型,在模型预测控制求解最优控制序列时,采用松弛因子松弛约束边界,并设计了有效集(ASM)-ACPSO组合算法求解,在控制过程中应用了变预测时域策略。建立系统仿真模型,仿真结果显示:在热机点切换至低负荷点及低负荷点切换至中负荷点的过程中稳定时间分别为2.57 s和2.77 s,转速最大超调率分别为2%和1.6%,均优于两种对比策略;在中负荷点向高负荷点切换过程中,转速超调率较大,但控制过程转矩变化更平缓。仿真结果表明模型预测控制策略控制APU系统转速响应快、转速超调率小,发动机转矩超调量小,具有良好的动态控制效果。