局部阴影光伏发电系统中基于改进PSO的MPPT控制

光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法（maximum power point tracking,MPPT）容易陷入局部寻优,无法跟踪到全局最大功率点. 针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法. 该方法在普通粒子群算法的基础上不断改变学习因子和权重系数,以提高算法收敛的速度和精度. 将其应用于局部阴影条件下的光伏发电系统最大功率点跟踪中,并在RT-LAB实时仿真平台中以两个接受不同光照强度的光伏阵列为例进行实时仿真验证. 仿真结果表明,两峰情况下本文所提出的自适应学习因子粒子群算法能够在0.298 s左右跟踪到全局最大功率点,普通粒子群算法需要约0.615 s,而扰动观察法陷入了局部最大功率点,本文所提算法能够有效提高系统的收敛速度和精度并且适用于多峰情况. 最后设置仿真算例验证本算法适用于光照突变的情况.      

应对移动阴影的车载光伏步进扫描快速功率追踪

移动阴影给车载光伏最大功率跟踪（maximum power point tracking，MPPT）带来巨大挑战. 为提高移动阴影遮挡下的功率追踪速度，提出一种新的车载光伏全局最大功率跟踪（global maximum power point tracking，GMPPT）自适应步进扫描方法. 首先，分析温度及辐照强度对光伏单体输出特性的影响规律，基于温度及短路电流预测光伏单体开路电压；其次，基于串联光伏阵列的最大功率点电压与光伏单体输出特性的关系，以及局部阴影条件下多峰曲线峰值点电压和功率的变化特性，提出功率追踪步进扫描的自适应步长求取方法；最后，通过仿真及样车试验对所提算法进行可行性测试和评估. 结果表明:与常规扫描法相比，本算法的追踪速率最高可提升74%，且可避免严重遮挡时无法追踪全局最大功率点的问题.      

最大功率跟踪的光伏并网逆变器研究

光伏并网发电系统是光伏系统发展的趋势．根据光伏阵列的特性，设计了一套新型的能实现最大功率跟踪的光伏并网逆变器．逆变器由DDDC和DDAC两个部分组成并通过Dclink相连接，控制部分采用基于DSP(TMS320F240)控制的最大功率跟踪和电流跟踪控制策略，实现了与网压同步的正弦电流输出，逆变器效率为0.78，功率因数为0.97，输出电流的基波分量占电流总量的99．6％．     

船舶运动路径跟踪迭代滑模控制设计

针对欠驱动船舶带有的内部不确定、外界干扰下路径跟踪控制问题,提出基于差分进化算法的自适应迭代滑模跟踪控制方法,以提高控制系统性能.以分离型船舶非线性模型为基础,利用绝对有界的双曲正切函数进行迭代滑模面设计.计算机仿真验证了该方法的可行性.     

双馈风力发电系统的转子侧变换器高阶滑模控制

为了提高双馈电机功率解耦控制的动态性能,提出了一种高阶滑模控制策略.首先分析了双馈异步电机数学模型以及基于电压定向矢量控制原理,然后针对传统控制方法在实现功率解耦存在动态性能不佳现象以及风机模型的非线性,构造一种基于幂次函数趋近律的高阶滑模控制器,最终实现了变速恒频双馈风力发电机有功、无功功率动态解耦控制.仿真结果表明,所提出的控制策略的精度、鲁棒性、动静态性能均优于传统PI控制器.     

变速恒频DFIG的fal函数积分滑模控制

双馈发电机有功、无功功率的解耦控制是变速恒频双馈风力发电系统的关键技术.首先对双馈异步发电机的动态数学模型以及基于定子磁场定向的矢量控制方案进行了分析,进而针对传统矢量控制在双馈风力发电机功率解耦过程中的动态性能不佳现象,提出基于积分滑模变结构控制方案,并将幂次函数引入积分滑模控制中,构建了基于幂次函数的积分滑模控制器,实现了双馈风力发电机有功、无功功率的解耦及风能最大追踪.仿真实验表明与传统PI控制器相比,该控制策略具有优良的动、静态性能和控制精度.     

城轨ATO系统子空间预测控制方法

为提高城市轨道交通列车自动驾驶(automatic train operation,ATO)系统跟踪给定运行曲线的精度,基于子空间辨识方法,利用列车运行的历史数据,建立与实际运行状态相吻合的非线性子空间预测控制模型,设计子空间预测控制器,实现模型辨识数据和参数在线更新.运用MATLAB软件对比分析传统动力学模型与子空间预测控制模型的跟踪能力.结果 表明:子空间预测控制模型在速度、位移、加速度的跟踪精度上有明显优势,牵引/制动特性更加缓和.子空间预测控制模型可以保证列车运行安全、准时,并提高乘客乘坐舒适性.     

基于改进双闭环控制的光伏并网系统研究

光伏并网系统在光照太强的情况下往往出现输入功率与输出功率不匹配,导致直流母线电容上电压过高的危害.针对这一现象提出一种新型的控制策略,对Boost电路采用三环控制的方案,即传统的电压外环和电流内环再加上直流母线电压保护环,使电路在直流母线电容电压上升时,能自动调节输入功率以匹配输出功率,保证系统额定功率输出,避免系统因直流母线过电压故障导致的系统功率丢失,以提高光伏并网系统工作的可靠性.文中采用两级式结构的单相光伏并网系统,对其控制系统进行了详细地分析设计,并通过PSIM软件进行仿真,验证了该控制策略的有效性.     

新型光伏锂电无均衡管理储能发电系统

提出了一种新型光伏锂电储能系统拓扑结构.在该结构中,光伏电池与锂离子电池单体之间通过控制单元实现能量耦合,通过光伏电池与锂离子电池单体之间的结构耦合,实现锂离子电池的无均衡管理（NBCM）.对该拓扑结构进行了仿真和实验验证,实验结果表明,该光伏锂电储能模组能够在以欠压浮充为投切判据的控制单元工作模式下,实现光伏电池近似MPPT工作的同时,能有效地对锂离子电池进行充放电;与肖特基二极管近似直连相比,通过MOSFET以近似直连的方式耦合选定工作电压的30 W光伏电池与锂离子电池能够提升模组能量效率约8%,在独立运行和并网运行光伏储能发电系统中均可应用.      

不确定条件下基于神经网络的船舶航向滑模鲁棒控制

设计了一种不确定条件下基于神经网络的船舶航向滑模鲁棒控制算法.该算法能够有效决解模型不确定及外界扰动情况下的船舶运动控制问题.从船舶的非线性响应型运动数学模型出发,采用RBF神经网络对船舶系统函数及外部扰动进行有效逼近,再利用Lyapunov稳定性理论和Backstepping方法设计船舶航向控制器.仿真结果表明该控制算法能够很好地跟踪设定信号,并具有很好的鲁棒性.     

基于模型预测控制的智能汽车轨迹跟踪方法比较

针对智能汽车轨迹跟踪问题,基于模型预测控制原理分别采用运动学模型和动力学模型为预测模型,通过对非线性系统进行线性化和离散化处理,根据约束条件、目标函数设计了2种轨迹跟踪控制器。基于Carsim与Matlab/Simulink联合仿真平台,在不同附着系数、不同车速下进行典型轨迹跟踪仿真试验。结果表明:不同工况下,2种模型预测控制器都有良好动态跟踪特性,动力学模型的跟随效果和控制平滑度略优于运动学模型。     

船舶进出港低速航向保持

为了在船舶进出港时,船舶处于浅水域并以低速航行,在风、浪等强扰动作用下,增强航向控制性能,减小能源损耗,选择三阶Nomoto模型,将航速和水深变化反映到模型参数的变化上,基于闭环增益成形算法设计出一种具有适应性的鲁棒PID控制器,建立基于风、浪干扰的非线性船舶运动数学模型,并用S函数来实现。用PID控制器对非线性船舶运动数学模型进行控制,在Simulink环境中对各种水深、船速及海况进行航向控制仿真。从仿真曲线可看出其航向跟踪效果良好,静差为0,且施舵合理,所设计的控制器对非线性船舶运动数学模型具有良好的控制性能。     

车辆多目标自适应巡航显式模型预测控制

为了兼顾车辆自适应巡航控制(ACC)系统的跟踪控制效果和实时性, 提出了基于显式模型预测控制(EMPC)理论的车辆多目标自适应巡航控制方法; 基于车辆间运动学关系建立自适应巡航控制运动学模型, 根据预测控制理论推导预测时域内的跟踪误差预测模型, 并确定车辆安全性、跟踪性、经济性和舒适性等多性能目标函数和约束条件; 运用显式模型预测控制中的多参数规划理论, 将基于反复在线优化计算的闭环模型预测控制系统转化为与之等价的显式多面体分段仿射(PPWA)系统, 通过离线计算获得期望加速度与距离误差、速度误差、自车加速度和前车加速度等状态变量之间的最优控制律, 并设计在线查表的搜索流程, 通过定位当前状态所处分区, 并应用该分区的显式控制律实现自适应巡航控制; 进行了纵向跟踪工况仿真验证, 并与传统MPC-ACC控制方法进行对比。对比结果表明: 在前车正弦加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了53.51%, EMPC-ACC控制下的平均距离跟踪误差为0.220 3 m, 平均速度误差为0.340 1 m·s-1; 在前车阶跃加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了72.96%, EMPC-ACC控制下的平均距离跟踪误差为0.331 9 m, 平均速度误差为0.399 1 m·s-1。可见, 提出的EMPC-ACC控制算法在保证纵向跟踪性能的前提下, 有效地提高了自适应巡航控制的实时性。      

基于扩张状态观测器的虚拟编组触发模型预测控制

为研究实际线路环境下的虚拟编组列车编队控制问题，综合考虑系统的实时性和抗扰性，本文提出一种基于扩张状态观测器的触发模型预测控制方法。首先，基于虚拟编组列车动力学方程搭建多车追踪模型，并设计终端函数，确保系统的稳定性；其次，针对模型预测控制中存在计算效率低和资源浪费的问题，引入事件触发机制，在求解优化问题时增加判断条件，以提高系统的实时性；再次，在前馈通路上加入扩张状态观测器，对环境中存在的扰动实时估计并补偿，减少干扰造成模型不准确的现象，提高模型的抗扰动能力；最后，基于MATLAB和Simulink仿真平台设计4列列车追踪的运行场景，并与传统模型预测控制方法进行对比，从控制精度和计算时间两方面验证所提方法的有效性。仿真结果表明：相较于传统模型预测控制方法，本文所提出的事件触发机制中3个阈值τ为0.001,0.010,0.100的计算效率分别提高了47%,64%,73%；在面对外部扰动时，本文所提算法在抗扰性上提高了33%。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

基于Matlab的飞行模拟器电动加载系统控制仿真研究

电动加载系统是飞行模拟器的重要组成部分,针对飞行模拟器电动加载系统的高度非线性和易受干扰性,在MATLAB环境下,提出一种基于PIDNN的控制方案.分析飞行模拟器的结构,结合外界干扰,整理出系统的数学模型,利用PIDNN控制器优良的自适应功能对该模型进行控制.仿真结果表明:PIDNN控制系统具有良好的动静态特性和鲁棒性,满足实时控制的要求,对飞行模拟器电动加载系统的控制具有一定的参考价值.     

基于预测控制的动车组迭代学习控制方法

针对动车组运行过程中存在非线性扰动、参数时变等问题，以提高动车组的速度跟踪精度和乘客舒适性要求为目标，提出了一种基于预测控制的高速动车组迭代学习控制方法；通过采集动车组先前运行过程中的输入输出数据，使用带遗忘因子的最小二乘法实时辨识广义预测控制(GPC)中的预测模型参数并计算预测输出，根据以往过程的平均模型误差修正该预测输出，利用修正后预测输出引出迭代学习控制律，在线实时计算得到新的控制量，实现动车组速度跟踪；采用修正后预测输出设计二次型迭代学习控制律，通过充分学习列车系统的重复性特性来解决传统比例积分微分(PID)型迭代学习参数整定难、收敛速度慢和鲁棒性差等问题，并给出算法的收敛性证明；以实验室配备的CRH380A型动车组半实物仿真平台对该方法进行了测试，建立了列车的三动力单元模型，使其跟踪设定速度曲线，并与一些传统算法进行对比。仿真结果表明：在第8次迭代过程，基于预测控制的高速动车组迭代学习控制方法得到的动力单元速度与其设定的速度和加速度误差分别在0.3 km·h^-1和0.5 m·s^-2以内，且变化平稳，其性能优于PID、GPC和P型迭代...     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

改进的动车组速度跟踪系统的无模型自适应控制

为了提高列控系统跟踪精度与平稳运行,提出了一种改进的多输入多输出(MIMO)无模型自适应控制(MFAC)方法;基于动态线性化技术,将系统各动力单元输入输出数据等效成更符合高速动车组实际运行特性的全格式动态线性化(FFDL)数据模型;通过在目标准则函数中加入输出误差率,并对输出误差和输出误差率进行加权融合,推导出新的带有输出误差率的无模型自适应控制(MFAC-OER)方案;通过对FFDL数据模型的外界扰动、参数误差等不确定项进行延时估计,进一步提升了算法的控制性能和对系统的等价描述程度;以实验室配备的CRH380A型动车组半实物试验平台对该方法进行仿真测试,使其跟踪济南—徐州的实际速度-位移曲线,并与传统算法进行对比。仿真结果表明：通过MFAC-OER方法得到的动车组各动力单元速度误差为[-0.151,0.136] km·h^-1,控制力和加速度分别在[-48,42] kN和[-0.785,0.687] m·s^-2以内且变化平稳,控制性能优于比例积分微分方法和传统MFAC方法;整体仿真结果证明了MFAC-OER方法不仅能快速到达系统稳态并且具有良...