跟踪区间优化的风力机最大功率点跟踪控制

基于收缩跟踪区间的最大功率点跟踪控制能够改善湍流风速条件下大转动惯量风力机的风能捕获效率。但是,该方法仅依据平均风速优化设定收缩跟踪区间,忽略了湍流强度、风力机的某些气动、结构参数(如最佳叶尖速比、转动惯量等)等其它影响因素。考虑到跟踪区间优化设定与多种因素存在难以解析描述的复杂关系,提出了一种运用径向基函数神经网络优化跟踪区间的最大功率点跟踪控制。该改进方法以平均风速和湍流强度作为神经网络的输入变量,以具体风力机仿真数据作为训练样本,以补偿系数作为神经网络的输出变量。从而使得跟踪区间的优化设定不仅能够考虑变化的风速条件,而且能同时反映具体风力机的气动、结构设计。最后,对模拟风速序列进行了仿真计算与比较分析,验证了该方法的有效性和优越性。

基于新型列控系统的区间车次号跟踪技术探讨

将列车位置信息与实时采集的轨道电路状态信息相结合,进行多层次的列车定位,提出一种基于新型列控系统下的区间列车车次号的逻辑跟踪方法。该方法解决在新型列控系统下,多趟列车驶入同一闭塞分区,CTC系统无法对列车车次号进行逻辑跟踪的问题,为调度指挥提供精准可靠的车次号信息。

考虑湍流频率因素的风力机最大功率点跟踪控制

湍流风速的频率会影响风力机最大功率点跟踪(maximum power point tracking,MPPT)的性能,却被目前的MPPT控制及其改进方法所忽略。因此,为进一步提高风能捕获效率,该文基于收缩跟踪区间的功率曲线调整方式,采用响应面近似模型构建最佳起始转速与3种风速特征指标(平均风速、湍流强度、湍流频率)的函数关系,进而提出能够更加全面响应湍流风况变化的改进功率信号反馈法。该方法对湍流风速的考虑更为完善,因而能进一步提高风能捕获效率以及风力机MPPT对湍流风况的适应性。最后,利用美国国家可再生能源实验室(national renewable energy laboratory,NREL)开发的FAST(fatigue,aerodynamics,structures,and turbulence)软件,针对NREL CART3风力机进行了仿真比较分析,验证了该方法的有效性与先进性。

基于区间特性和变量软约束的模型预测控制算法

针对传统的区间模型预测控制算法的性能指标函数设计复杂,以及被控变量进入区间后稳态轨迹变化幅度大的缺点,提出一种区间特性和变量软约束的模型预测控制算法.该算法仅利用期望输出区间的上下限,通过预测输出与区间的等式关系构造区间跟踪偏差项,同时利用预测输出和操作变量的增量二次型构造变量软约束项,减小区间内的稳态轨迹的变化幅度,上述两项合称为软约束区间跟踪性能指标项.以回转窑模型为被控对象进行仿真,表明了算法的有效性.