基于RFF及GWO-PF的锂电池SOC估计

为了提高锂电池剩余电量估计的准确性,提出一种在线参数辨识与改进粒子滤波算法相结合的锂电池SOC估计方法。针对粒子滤波中的粒子退化问题,引入灰狼算法,利用灰狼算法较强的全局寻优能力优化粒子分布,保证粒子多样性,有效抑制粒子退化现象,提高滤波精度。采用带遗忘因子的递推最小二乘法实时更新模型参数,并与改进粒子滤波算法交替运行,进一步提高SOC的估计精度。实验结果表明,改进算法的平均估计误差始终保持在±0.15%以内,相比扩展卡尔曼滤波与无迹卡尔曼滤波算法,在电池SOC估计上有更高的估计精度与稳定性。     

输入受限情况下基于Hamilton系统的风力发电机组协同控制

针对风力发电复杂非线性系统,在输入受限情况下,研究风力机如何实现变风速运行下的最大风能捕获,使其工作在最佳功率曲线,以提高风能利用率,并探究多风力机的协同控制问题。建立风力发电复杂非线性系统的Hamilton模型,设计预置控制器实现风力机的最大风能捕获。基于非线性扇区法的饱和函数处理方法,设计一种无记忆状态反馈控制器,实现多风力机的协同控制。实验结果表明在变风速运行且输入受限的情况下,风力发电机组能保持在期望的转速下运行,既实现了变风速条件下的最大风能捕获,又实现了抗输入饱和情况下的多机组协同控制。     

基于改进多元宇宙优化算法的光伏系统最大功率点跟踪

在局部遮蔽条件下,光伏阵列的功率输出曲线呈现多峰特性,传统控制算法无法持续准确地跟踪最大功率输出点,该文提出一种基于改进多元宇宙优化(MVO)算法跟踪全局最大功率点的方法(IMVO)。引入螺旋更新和自适应压缩因子,增强了算法的全局搜索能力;改变旅行距离率的更新方式,加快了算法的收敛速度,3方面改进有效提高了算法的寻优能力。仿真结果表明:在均匀光照、局部遮蔽和变光照强度3种条件下,改进多元宇宙优化算法均能持续稳定地跟踪最大功率点,在收敛时间和收敛精度上均有较大提高,由此验证了该算法在最大功率点跟踪控制中的可行性。     

基于小波包变换和随机森林算法的光伏系统故障分类

针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法是结合集成学习理论和随机子空间方法的一种算法,可以对多种故障做出准确分类。使用PSCAD/EMTDC搭建独立光伏发电系统,选取12种故障进行模拟,得到600个故障样本,选取其中360个样本用于训练分类器,240个样本用于测试分类器的分类性能。仿真结果表明:该方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。与RBF神经网络分类器相比,故障分类准确率提高了4.17%,对进一步实现光伏系统故障诊断研究具有重要意义。     

基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题，提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型，并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入，利用PF算法全局优化的能力寻优超参数，包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数，提高网络的预测能力；引入Dropout层，避免网络过拟合，提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证，对4块电池在不同预测起始点下的容量估计和寿命情况进行预测，并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明，PF-LSTM容量估计的RMSE与MAE均在2%以内，且寿命预测误差在3个循环以内，相比于其他算法精度最高。