基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

改进乌鸦算法的光伏阵列MPPT研究

在局部遮阴或光照不均匀的情况下,光伏阵列的功率-电压(P-U)特性曲线会出现多个极值点.传统智能优化算法普遍存在收敛速度慢、精度低和易陷入局部最优等缺陷.为解决该问题,提出改进乌鸦算法(ICSA)的MPPT控制方法.在种群初始化上,引入基于反向学习的Tent混沌初始化策略,增加种群多样性,帮助跳出局部最优;在算法位置跟踪上,引入异花授粉策略与共享机制相结合更新乌鸦位置,提高算法收敛速度和精度.通过建模仿真,证明了改进乌鸦算法在复杂环境条件下跳出局部最优能力更强、具有更快的追踪速度和更高的精度.     

基于改进蝙蝠算法的激光供能无人机MPPT技术

激光供能无人机操作简单、安全性高,其采用光伏电池板接收能量进行作业。在复杂遮荫情况下,无人机上光伏电池板的P-V曲线存在多极值点问题,传统最大功率点追踪算法易陷入局部最优且追踪速度较慢等。针对这一问题提出了一种改进的蝙蝠算法,首先通过反向学习进行种群初始化,增强群体分布的均匀性,避免陷入局部最优;同时引入收缩因子,加快算法收敛速度。最后在Matlab/Simulink中搭建光伏阵列电路仿真模型证明了改进的蝙蝠算法在具有较好的速度性和稳定性。     

激光供能无人机集群充电策略研究

在复杂的环境中,单个无人机(UAV)执行任务的效率比较低,因此UAV越来越趋向于集群化、协作化。对于激光供能UAV集群来说,高效的充电调度对提高UAV集群的生存能力至关重要。本文提出了一种基于实时能量检测的在线充电策略(REDOCS)。根据UAV各个时刻的剩余能量计算出UAV的实时能量消耗率,然后计算每个UAV的剩余飞行时间以此来选择需要充电的UAV。相较于离线充电策略,REDOCS可以在提高整个网络的运行效率的同时降低UAV集群迫降率。最后通过算例验证,证明了REDOCS在UAV集群充电调度上表现更优。     

基于改进卡尔曼滤波的激光补给无人机跟瞄方法研究

激光供能为无人机长时间工作提供了保障,但是激光供能对捕获、跟踪和对准(APT)系统具有较高的要求。本文针对无人机距离地面补给站远、激光跟踪延迟、无人机供给能量不足等问题,提出一种基于自适应卡尔曼滤波算法,采用当前统计模型构建,通过残差检测对无人机模型进行实时的修正,加快位置更新速度,实现激光对无人机的最优跟踪。经过仿真表明,传统卡尔曼滤波算法的误差角度在0.2°左右,本方法的误差角度在0.1°以内,能实现较好的跟踪效果。