永磁同步电机并联法模型预测转矩控制

针对永磁同步电机(PMSM)模型预测转矩控制(MPTC)权重系数设计和调节的问题,采用并联法MPTC将多目标成本函数加权求和转换为单目标成本函数电压矢量集合求交集,从而消除权重系数。建立PMSM并联法MPTC,分析磁链控制电压矢量集合和转矩控制电压矢量集合中电压矢量个数对系统控制性能的影响。进一步建立考虑开关次数控制的并联法MPTC,并采用模糊控制器动态调节开关次数,控制电压矢量集合的电压矢量个数。仿真结果表明,PMSM并联法MPTC无需权重系数设计和调节。模糊并联法MPTC可根据系统实时运行状态动态调整控制目标集合电压矢量的个数,从而优化系统控制性能。

并联卷积神经网络的近红外光谱定量分析模型

近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

基于双层级联模型预测电流控制的零序环流抑制策略

逆变器并联系统在运行过程中,由于功率分配不均、控制参数失配等因素导致两逆变器开关状态不同步,使得环路中产生零序环流。为此,提出一种基于双层级联模型预测电流控制的零序环流抑制策略,通过将零序环流加入综合目标函数,选取最优开关状态组合实现零序环流的抑制。同时,通过改变目标函数结构、利用双层级联的方式进行开关状态组合选取,在消除权重系数对控制系统影响的同时减轻计算负担。最后,通过仿真和试验验证了所提控制策略的有效性。

基于自适应电流预测模型的LCL型三电平逆变器并联零序环流抑制策略

提出了一种基于自适应电流预测模型的零序环流抑制策略,该策略适用于共直流母线的并联运行的三电平逆变器。首先构建了零序环流等效模型,分析证明了并联系统的中点电位差和共模电压差为零序环流激励源;随后提出了一种基于预测模型的零共模电压控制方法,兼顾了中点电位平衡的控制效果并改善了并网电流质量,同时对并联系统之间的零序环流进行了有效抑制;其次设计了一种自适应电流预测模型,提高了在参数失配下并网电流的跟踪性能,减少了误差;最后通过MATLAB/Simulink平台搭建仿真模型,验证了所提控制策略的可行性和有效性。

模型预测和PI并联控制的光伏并网研究

并网逆变器是光伏发电系统并入电网的关键设备,其主要作用是将光伏电池板产生的直流电能通过变换后接入电网,通过对并网逆变器进行控制,使并网电流满足接入电网的要求。采用传统比例积分(PI)控制并网逆变器很难兼顾快速性与准确性,针对该问题,将模型预测和PI并联控制的方法应用到光伏并网系统中,在外界光照环境变化的条件下,该并联控制系统能够使并网电流有较高的动态响应速度,面对突变快速调节;在稳态时,能够跟随给定做到无静差调节。研究结论表明,所提控制策略下并网逆变器电流总谐波畸变率(THD)低于5%,并联控制系统能够提高光伏系统并网电流电能质量,有效抑制电流THD。

基于自适应超螺旋滑模观测器的Buck变换器无模型预测控制

针对三相交错并联Buck变换器在外部干扰下影响系统鲁棒性和动态性能的问题,本文提出一种基于自适应超螺旋滑模观测器的无模型预测控制策略。首先,建立超局部模型代替原有的数学模型,设计自适应超螺旋滑模观测器估计超局部模型中的动态部分。然后,引入最小二乘法预测电流误差趋势,动态调整观测器增益矩阵。最后,构建离散方程,设计代价函数,实现无模型预测控制。实验结果验证了所提算法可以有效抑制因外部扰动产生的稳态误差,且相较于传统无模型预测控制具有更好的鲁棒性和动态性能。

基于非线性扩张状态观测器的交错并联Buck变换器无模型预测控制

针对交错并联Buck变换器在复杂环境下受到内外部扰动导致控制性能下降问题,提出一种基于非线性扩张状态观测器的无模型预测控制策略(NESO-MFPC)。建立超局部模型来替换原有先验物理模型,降低控制系统模型精度依赖。设计非线性扩张状态观测器估计超局部模型中未知干扰部分,并补偿到基于超局部模型的预测模型中去,提高抗干扰能力。设计无差拍预测控制策略,保证系统的快速动态响应。仿真结果表明,相比于传统控制方法,该控制策略具有更优的动稳态性能和鲁棒性。

基于随机模型预测控制的并联式混合动力汽车控制策略研究

基于随机模型预测控制算法,对并联式混合动力汽车的转矩分配问题进行了研究。建立马尔科夫模型对需求功率进行预测,并将随机模型预测控制与动态规划相结合,提出了基于模型预测控制,并以消耗最小化为目标进行滚动优化的控制策略。在MATLAB/Simulink平台上搭建了仿真模型,并进行和逻辑门限控制策略的对比仿真。结果表明,与逻辑门限值控制策略相比,采用所提出的的控制策略时车辆能量经济性得到明显提高,说明用马尔科夫模型预测功率需求的控制策略是可行的,且具有良好的实时性。

基于模型预测控制的高速柔性并联机构振动控制

由于高速柔性并联机构系统的非线性和不确定性,提出一种鲁棒模型预测振动控制策略以抑制系统的振动响心。以压电陶瓷为作动器,电阻应变片为传感器,采用有限元方法和模态截断技术建立机构不精确动力学模型。机构动力学模型中的非线性因素、耦合因素及系统高阶模态影响作为扰动,将模态力视为不确定扰动,并且考虑输出噪声对系统的影响,建立系统动态响应的预测模型,以预测输出值。采用Kalman滤波估计器估计系统状态量,以控制电压及其变化率为约束条件,将系统性能指标和约束条件化为一个标准二次规划优化问题,通过求解这一优化问题来得到最优控制输出,形成滚动优化控制输出来抑制系统振动响应。采用表征作动能量的可控性指标和表征观测信号能量的可观性指标,确定作动器和传感器的最优位置。以新型2自由度并联机构为实例,采用实验模态方法得到系统的前2阶固有频率和阻尼比,与有限元方法得到的结果比较分析表明理论模型不精确。基于该模型采用dSPACE实时仿真系统和MATLAB/Simulink搭建鲁棒控制系统,进行振动主动控制试验研究。试验结果表明,所设计的控制器能有效地抑制柔性构件产生的弹性振动,验证了控制器的有效性和鲁棒性。

交错并联Buck-Boost变换器模型预测控制方法

对于交错并联Buck-Boost双向DC-DC变换器,以往大多采用传统移相控制方法,该方法具有变换效率提升困难、各模块电感电流不能自动均流等缺点,对此提出一种新的模型预测均流控制方法对交错并联Buck-Boost双向DC-DC变换器进行控制。该方法借鉴了模型预测控制思想,通过建立预测模型来预测下一时刻变换器中所有可能的开关状态对应的目标函数值,然后根据控制性能要求建立目标函数,最后通过最小化目标函数值确立下一时刻的开关状态,使系统控制目标达到最优。对所提出的模型预测均流控制方法进行仿真及实验验证,仿真结果显示所提出的方法可以使直流母线电压和实际电感电流准确追踪给定值,两电感电流均衡且电流纹波很小,动态过程中直流母线电压超调约为1.5%,变换器动态响应时间为8 ms左右;实验结果显示直流母线电压和电感电流有良好的静态性能,两电感电流均衡且电流纹波很小,动态过程中直流母线电压超调约为5%,变换器动态响应时间约为10 ms,证明了所提出方法的可行性。

三相逆变器并联系统模型预测控制及仿真研究

针对三相逆变器并联系统,设计了一种模型预测控制算法。在dqo旋转坐标系下建立三相逆变器并联系统的状态空间模型,以该模型为基础构建了三相逆变器并联控制系统的预测模型。根据三相逆变器并联系统的控制要求设计预测控制器优化性能函数,通过求解该优化性能函数得出最优控制量的解析表达式,并进行了并联逆变器的热插拔设计,给出了三相逆变器并联系统预测控制器结构框图。基于状态反馈闭环系统特征方程,采用根轨迹法设计了各预测控制器参数。在MATLAB/Simulink中进行了控制算法的建模及仿真验证,结果表明:所构建的模型预测控制器可以实现对三相逆变器并联系统的有效控制,且与传统的功率下垂控制器相比,三相逆变器并联系统的均流性能得到了改善。

适用于地铁能量回馈装置的模型预测控制算法

针对成都地铁10号线能量回馈装置采用的共直流母线并联逆变器,为改善传统基于PI控制器的控制算法的动态性能,给出了一种固定开关频率的模型预测控制算法。该算法通过针对逆变器建立的数学模型得到电流预测值,并将电流预测值代入到评价函数,使评价函数的偏导数为零得到对应的最优调制函数。为了消除由两个逆变器参数的差异而导致的零序环流,给出了一种基于PI控制器的环流抑制方案,并基于MATLAB/Simulink对算法的可行性及性能进行验证。

普通混凝土强度预测的双并联前向神经网络模型

为了预测混凝土强度,在分析普通混凝土的28d强度的影响基础上,建立了混凝土强度预测的双并联前向神经网络模型,介绍了双并联前向神经网络模型的计算过程及其学习方法。通过编程用计算机对混凝土强度预测进行了仿真模拟,结果与鲍罗米公式计算结果比较表明预测精度高,模型可靠。通过与BP网络模型比较发现双并联前向神经网络模型具有更好的收敛效果。

基于遗传算法和BP神经网络的矿区土壤重金属含量空间分布预测

本研究提出了一种基于遗传算法(Genetic algorithm,GA)和BP神经网络(Back propagation neural network,BPNN)的复合模型——GABP模型,以安徽省池州市某矿区及其周边为研究区,预测了土壤中p H和7种重金属元素(Cd、Pb、Cr、Cu、Ni、Hg、As)含量的空间分布,并与BPNN和反比距离权重法(Inverse distance weighting,IDW)进行了比较。研究结果表明:受采矿活动影响,研究区土壤p H和重金属含量呈显著的空间分异性;GABP复合模型的数据扩增能够有效弥补BPNN对样本数量的依赖,同时结合了地理位置和高程属性,精度评价结果显示GABP模型的平均R^(2)、r、RMSE、MAE分别是IDW和BPNN的3.03倍、2.56倍,2.93倍、2.39倍,0.85倍、0.61倍,0.79倍、0.62倍,预测精度更高。模型解决了传统空间插值方法结果中可能出现负值和边界无法插值的问题,为土壤重金属含量空间分布预测提供了一种新方法。

并联型有源电力滤波器的模型预测电流优化控制

通过坐标变换αβ坐标构建逆变器输出电流的预测模型.通过评估函数对逆变器输出的不同电压矢量进行评估,预测所有可能出现的输出电流值.选择使评估函数取到最小值的一组电压矢量,将最小值对应的开关状态应用到下一采样周期,实现快速跟踪谐波参考电流.当采样频率较高时,针对控制算法产生的延时,建立两步预测模型进行电流预测.利用SIMULINK软件作为仿真平台, 搭建了有源电力滤波器主电路及电流控制电路.仿真结果表明,通过延时补偿的优化控制,可提高并联型有源电力滤波器的补偿特性和动态性能.

基于时间序列预测模型的并联电容器监测系统研究

并联电容器组是电力系统输配电环节中重要的无功补偿装置。本文针对并联电容器组的故障特点进行分析,研制出了并联电容器监测系统。结合并联电容器组的网络拓扑,对其多个支路进行电流波形采集,采用NAR神经网络建立时间序列预测模型,对获取的电流波形进行实时预测和分析,实现对并联电容器组中故障电容器的快速精确定位。通过试验和仿真,验证了所设计的并联电容器监测系统的正确性和有效性。为并联电容器的故障诊断和快速定位提供参考,大大提高了并联电容器的检修效率和智能化水平。

基于在线监测系统与声振特征预测模型的高压并联电抗器运行状态评估方法

高压并联电抗器的声振信号特征是评估其运行状态的重要参考依据。当油箱内部重要结构件因长期振动出现松动,油箱振动形态发生改变,而油箱外部的声振特征变化程度也反映了重要结构件的缺陷程度。该文采用电抗器声振信号在线监测系统,对高压并联电抗器油箱表面振动信号和噪声信号进行持续监测。基于历史声振数据和时间序列预测模型,对未来一段时间内的声振特征进行预测,并对比长短期记忆(LSTM)模型和门控循环单元(GRU)模型下的预测效果。计算结果表明,GRU和LSTM的预测结果均可达到较高精度,并且GRU在计算方面更节约时间,这为高压并联电抗器的状态评估和潜在缺陷诊断提供了及时、有效的参考。在验证预测模型对电抗器声振特征预测精准的基础上,通过对比一段时间内的模型输出结果与实测结果的整体误差,可有效识别油箱内部的潜在缺陷和突发状况。该文的研究结果可在一定程度上降低变电站设备维护成本,提高设备完好率。

一种基于并联组合模型预测站点流量的策略

随着流量数据的增加,网络流量呈现出复杂多变的特点,为了方便站点的运营和网络的管理,需要对网络流量进行预测。当前,网络流量预测多采用回归预测模型、卡尔曼滤波模型、神经网络模型、支持向量机模型等方法。文中考虑高性能计算环境下作业管理系统日志流量的特点和预测需求等因素,通过分析卡尔曼滤波算法和支持向量机的原理与缺点,提出了一种基于时间序列,结合卡尔曼滤波和支持向量机的并联组合模型,并对其进行了测试与分析。结果表明,在相同的环境下,基于卡尔曼滤波算法和支持向量机的并联组合模型相比于卡尔曼滤波算法和支持向量机单个模型对流量的预测与实际流量值误差更小,预测结果也是可靠有效的,更适用于预测站点流量。

一种SiC MOSFET并联的稳态电-热分布预测模型

SiC MOSFET分立器件的并联已在中大功率的电力电子设备中广泛使用,为充分利用并联使用的优势,避免不当并联可能产生的电-热失衡现象,需提前预测开关管并联工作时的稳态电-热分布情况。而由于半导体器件在生产过程中的差异性不可避免,即使是同一厂商生产的同一型号SiC MOSFET,在关键参数如阈值电压U_(TH)和导通电阻R_(DS(ON))上都有所差异,而这些参数正是影响器件并联动静态电流分布和电-热分布的关键参数。本文研究了影响器件并联动静态电流分布和电-热分布的因素以及关键参数的温度分布特性,并在此基础上提出了一种电-热分布特性的预测模型,最后搭建了实验平台验证了预测模型的准确性。

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。