多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。

基于CKMTOA的SRM转矩分配函数优化补偿控制策略

针对开关磁阻电机SRM(switched reluctance motor)运行时存在较大的转矩脉动,传统控制策略使输出电流波动大、电流可控性低等问题,本文提出了一种基于混沌分子动理论优化算法CKMTOA(chaos kinetic-molecu⁃lar theory optimization algorithm)的SRM转矩分配函数优化补偿控制策略。改进了余弦转矩分配函数,根据优化所得的最佳转矩补偿值对转矩分配函数相转矩参考值进行补偿,在换相开始阶段,对前一相绕组参考转矩值进行补偿,对后一相绕组不做处理;在换相结束阶段,对后一相绕组的参考转矩值进行补偿,对前一相绕组不做处理。同时,本文选择将电流变化率和铜损作为优化目标,利用CKMTOA的全局寻优能力,对最佳开通角、关断角和转矩补偿值进行优化获取,得到最优转矩补偿值,可以有效降低电流的变化率,抑制了换相时的转矩脉动。

基于数值积分面积差值优化MPPT追踪

光伏发电作为目前太阳能利用的主要形式,最大功率点跟踪是其主要的研究热点。常用的太阳能光伏发电最大功率跟踪方法,存在动态响应不足、波动率大、不平稳、在最大功率点处易出现振荡和误判等现象。针对这些问题,提出了一种基于数值积分面积差值优化的MPPT追踪方法。根据I-U特性曲线和P-U特性曲线之间的关系,利用数值积分面积的差值取代扰动步长,通过扰动步长自调节优化来进行最大功率点跟踪。算法用S-函数编写,仿真结果表明,此种方式控制流程简单,对附加设备要求程度较低,控制精度高,动态响应振荡更小,能源利用率提高,能较快较稳地跟踪到最大功率点处。