针对直驱式永磁同步风力发电系统风速多变、非线性和强扰动的问题,提出一种基于模糊控制和线性自抗干扰控制(Linear Active Disturbance Retection Control,LADRC)的混合控制方法。首先对线性自抗扰中的扩张状态观测器(Linear Extended ...针对直驱式永磁同步风力发电系统风速多变、非线性和强扰动的问题,提出一种基于模糊控制和线性自抗干扰控制(Linear Active Disturbance Retection Control,LADRC)的混合控制方法。首先对线性自抗扰中的扩张状态观测器(Linear Extended State Observer,LESO)进行改进,提高对扰动观测的能力,同时利用模糊控制动态调整LADRC控制参数,增强系统的抗干扰能力和鲁棒性。仿真结果表明,与传统PI控制器相比,该方法能够更好地估计风速引起的转矩波动,准确跟踪额定转速,实现风能利用最大化。展开更多
准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络...准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。展开更多
文摘针对直驱式永磁同步风力发电系统风速多变、非线性和强扰动的问题,提出一种基于模糊控制和线性自抗干扰控制(Linear Active Disturbance Retection Control,LADRC)的混合控制方法。首先对线性自抗扰中的扩张状态观测器(Linear Extended State Observer,LESO)进行改进,提高对扰动观测的能力,同时利用模糊控制动态调整LADRC控制参数,增强系统的抗干扰能力和鲁棒性。仿真结果表明,与传统PI控制器相比,该方法能够更好地估计风速引起的转矩波动,准确跟踪额定转速,实现风能利用最大化。
文摘准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。
