基于VMD-IPSO-RFR模型的光伏发电功率预测

针对预测数据噪声过大或超参数调整不当,导致随机森林回归(RFR)模型预测光伏发电功率精度不高的问题,提出一种基于变分模态分解(VMD)结合改进的粒子群(IPSO)优化随机森林回归(RFR)的光伏预测模型。该方法先用灰色关联度系数法(GRA)选取相似日,再使用VMD把相似日功率数据分解为一系列相对平稳的子模态,突出光伏发电功率的局部特征信息,降低数据的不稳定性,然后利用IPSO对RFR中超参数进行寻优,将优化后的IPSO-RFR模型对各个分量进行预测,最后将预测结果进行叠加重构。实例证明,该模型在晴天和阴雨天的预测平均绝对百分比误差分别为10.64%和5.42%,预测精度相对较高。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于旋转高频注入的IPMSM位置检测改进研究

传统的旋转高频信号注入方法存在位置识别不准确、系统延时长、计算复杂等缺点,IIR(无限冲激响应)数字滤波器可以解决这些问题。选用MATLAB中的Fda Tool(Filter Design and Analysis Tool)工具箱可以满足滤波器的设计需求,工具箱提供了具体的操作界面进行数字滤波器的设计,只需要输入需要的滤波器类型和滤波器的相关数值,就能够获得设计的数字滤波器,最后将滤波器输出到仿真中。改进的旋转高频信号注入方法可以优化滤波,利用IIR数字滤波器获得负相序电流信号,得到的电流信号误差最小。外差处理电流信号得到转子位置误差信号,减少了滤波器的使用,降低了系统的延时时间。最后,对系统进行线性相位补偿,使得估计的转子位置延迟最小。搭建了IPMSM无位置传感器矢量控制仿真,以此验证算法的有效性。仿真实验结果表明:通过IIR数字滤波器及线性相位补偿,在低速范围内能够准确估计转子的位置与速度,与传统高频信号注入法相比,其估计精度更高。