基于卡尔曼滤波算法的固体氧化物燃料电池的状态预估研究

固体氧化物燃料电池（SOFC）是一种多输入多输出、强耦合和强非线性的新型发电装置,对其内部状态变量的预估将有助于了解实际SOFC的运行过程和实现高效控制器的设计。本文采用卡尔曼滤波算法对SOFC的状态进行预估。通过对SOFC发电原理的深入分析,建立其离散时间的状态空间模型;采用卡尔曼滤波算法对SOFC的各气体进气侧压力值进行预估,并将预估值带入输出电压方程,对SOFC下一时刻的电压进行预估。MATLAB/Simulink仿真结果表明,氢气、氧气和水蒸气压力的估计值与真实值的误差分别为0.425×10⁵,0.141×10⁵和0.364×10⁵ Pa,远小于各气体压力测量值与真实值的误差1.479×10⁵,1.165×10⁵和1.155×10⁵ Pa,同时SOFC输出电压的估计值较为符合真实值的变化,验证了卡尔曼滤波算法在SOFC状态预估中的有效性和实时性。     

基于T-S模糊逻辑的混合储能孤岛直流微电网功率分配控制

在含混合储能的直流微电网中,传统阻容下垂控制无法解决由线路电阻和负荷功率波动导致的系统功率分配失衡问题。为此,提出一种基于Takagi-Sugeno(T-S)模糊逻辑的自适应阻容下垂控制方法以实现混合储能的分频分配。根据蓄电池和超级电容的物理特性,建立单个蓄电池支路输出电压、蓄电池组间输出功率差额和阻性下垂系数之间的T-S模糊逻辑关系,以及单个超级电容支路输出功率及其变化率、超级电容组间功率差额和容性下垂系数之间的T-S模糊逻辑关系,并由此构建基于T-S模糊逻辑的阻容下垂控制器。推导含混合储能的直流微电网中各部分的平均阻抗模型,并采用阻抗比分析法对微电网的小信号稳定性进行研究。MATLAB/Simulink仿真结果表明,基于T-S模糊逻辑的阻容下垂控制可保证在线路电阻和负荷功率波动情况下系统功率的合理分配。     

固体氧化物燃料电池的神经模糊控制策略研究

固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)具有多输入多输出、强耦合的特点,为了使其输出电压稳定设计了高效控制器,采用神经模糊控制方法对其输出电压进行控制。通过机理分析和实验数据拟合方法分别建立SOFC的机理模型和神经网络模型,在此基础上采用模糊控制策略对SOFC的输出电压进行控制,并应用神经模糊控制方法进一步提高了控制精度。通过MATLAB/Simulink仿真实验发现,SOFC神经网络模型得到的预测电压与实际电压之间的误差小于0.008 V,较其机理模型更加准确,所提出的控制策略能有效控制SOFC的输出电压。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。