针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(cluste...针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(clustering with optimal evaluation function,COEF)算法,实现天气状态场景的自适应分类;基于极限学习机构建基础值预测模型,并阐明多场景的补偿机理,通过对不同天气场景设计针对性的误差补偿模型,实现对基础预测值的多尺度校正,提高算法的预测精度。最后,选择不同地域和气候特点的多场站实际数据进行仿真测试。仿真结果表明:与物理模型及传统机器学习算法相比,所提出的光功率预测方法在多时间尺度、多场景工况下均有更好的预测效果。展开更多
针对直流到直流(direct-current to direct-current,DC-DC)变换器在负载切换时,传统的控制策略无法取得良好的动态性能问题,提出一种模型补偿自抗扰控制方法,将其应用于DC-DC变换器系统。通过建立BUCK型DC-DC变换器控制系统模型,提出电...针对直流到直流(direct-current to direct-current,DC-DC)变换器在负载切换时,传统的控制策略无法取得良好的动态性能问题,提出一种模型补偿自抗扰控制方法,将其应用于DC-DC变换器系统。通过建立BUCK型DC-DC变换器控制系统模型,提出电压外环及电流内环线性自抗扰,并在此基础上对电压外环设计基于扰动补偿的模型自抗扰控制策略。对DC-DC变换器模型自抗扰控制系统进行模拟仿真,仿真结果表明:所提出的数学模型补偿自抗扰方式在电压追踪性能和鲁棒性方面更具优势。展开更多
文摘针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(clustering with optimal evaluation function,COEF)算法,实现天气状态场景的自适应分类;基于极限学习机构建基础值预测模型,并阐明多场景的补偿机理,通过对不同天气场景设计针对性的误差补偿模型,实现对基础预测值的多尺度校正,提高算法的预测精度。最后,选择不同地域和气候特点的多场站实际数据进行仿真测试。仿真结果表明:与物理模型及传统机器学习算法相比,所提出的光功率预测方法在多时间尺度、多场景工况下均有更好的预测效果。
文摘针对直流到直流(direct-current to direct-current,DC-DC)变换器在负载切换时,传统的控制策略无法取得良好的动态性能问题,提出一种模型补偿自抗扰控制方法,将其应用于DC-DC变换器系统。通过建立BUCK型DC-DC变换器控制系统模型,提出电压外环及电流内环线性自抗扰,并在此基础上对电压外环设计基于扰动补偿的模型自抗扰控制策略。对DC-DC变换器模型自抗扰控制系统进行模拟仿真,仿真结果表明:所提出的数学模型补偿自抗扰方式在电压追踪性能和鲁棒性方面更具优势。
