排序方式: 共有81条查询结果,搜索用时 15 毫秒
1.
当风速高于额定风速时,风电机组需要进行变桨距控制,调节桨叶桨距角使输出功率稳定在额定功率附近。风速受风切效应和塔影效应的影响,在风轮旋转平面内的风速分布不均匀,因此统一变桨距控制得不到较好的控制效果。风力发电系统具有强非线性、时变不确定性等特点,模糊PID控制完成变桨距控制虽然可以很好地解决非线性问题,但模糊PID控制只着重模糊性,没有考虑到风速变化会带来的随机误差。在分析了风切效应、塔影效应对风速的影响和风电机组各参数之间的关系的基础上,提出基于云模型的独立变桨距控制系统。运用Matlab仿真软件和RT_LAB仿真实验平台对控制系统进行仿真,仿真结果表明输出功率恒定在额定功率附近,且超调小,稳定性强,取得较为理想的控制效果。 相似文献
2.
从高炉煤气生产的实际工况出发,对异常数据产生的原因和特点进行分析。针对现有异常检测方法运算效率低下的问题,提出一种改进的局部异常因子检测算法。该算法首先利用五数总括法剔除掉大量的正常数据,然后再用一种相对k距离的比值表示剩余离群点的异常程度,进而判断异常数据。仿真实验表明:改进方法检测所需的时间比传统的局部异常因子方法检测所需的时间更少,且检测效果更加准确、直观。 相似文献
3.
4.
针对农田环境中多机器人协同作业的问题,提出一种基于资源的任务分配算法,用于在具有机器人资源的再填充站的长期任务中高效地执行多个任务.针对多机器人任务分配问题,对多机器人任务进行建模,并分析任务相关模型及任务能量指标.在进行拍卖算法任务分配时,在考虑机器人数目约束、工作时间约束、距离约束的基础上,加入任务执行能力的约束,考虑机器人在长期任务执行期间资源量消耗问题,使各个农机有序地为农田地块服务,降低整个系统的执行代价,提高任务完成量.利用MATLAB平台进行仿真实验,生成多机器人多任务点的分配优化结果,并设置多组不同数量的机器人,对比该算法同其他三种算法的效果.仿真结果表明,该算法可以有效地提高作业效率,在相同条件下使资源消耗量及任务完成量达到最优,证明了其优越性,同时计算结果与实际作业完成量更接近,提高了结果的精准性. 相似文献
5.
针对混合电力系统中要求状态估计数据精度高及数据计算量小进行探索研究。提出了两种状态估计构架用于多级策略下SCADA/PMU混合量测的电力系统状态估计。第一个构架是利用先验状态信息(APSI)和正交分块吉文斯旋转提高基于SCADA/PMU量测装置的状态估计的数据处理能力。第二个构架是一个依赖于融合估计的三级方案,优化之前已经确定的SCADA/PMU估计量测值。对多级策略在计算量和精确性上的优化进行详细的描述和比较。在IEEE 30节点系统测试系统进行仿真验证,验证了提出的多级策略能有效地减少状态估计的计算量及增加量测数据的同步性和准确性。 相似文献
6.
针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。 相似文献
7.
建立以终点碳和温度为间距的氧气用量非等间距灰色数列预测模型,并利用广义回归神经网络对灰模预测结果进行非线性组合优化,得到氧气质量的综合预测值.通过采集到的某钢厂实际生产数据,建立氧气质量的组合预测模型,得到平均相对精度达到97.39%的一步预测值.验证结果表明该组合模型是准确而有效的. 相似文献
8.
电力系统是典型的非线性系统,当电力系统遭受周期性负荷扰动时,只要周期性负荷的幅值满足一定条件,就可能诱发混沌振荡.电力系统中的混沌振荡可能导致电压崩溃,严重危害系统的稳定与运行安全.鉴于此,针对四阶电力系统,基于有限时间稳定原理,设计一种反馈控制器,对系统发生的混沌进行控制.数值仿真分析表明,所设计的控制器能够有效地对电力系统发生的混沌进行控制,并且对外在干扰和系统参数具有很强的鲁棒性,当减小所设计的控制律中的指数参数,或者增大其余任意控制律参数时,系统恢复到目标平衡态所需的时间都将减少. 相似文献
9.
为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围.提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型.利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列.借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果.以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验.结果表明,CEEMDAN-PE-IALO-KELM模型的区间预测结果准确性和可靠性更高. 相似文献
10.