【摘 要】
:
智能电网中分布式能源系统的控制问题是当前能源和控制领域的热点研究问题,但是当前的分布式能源系统问题研究对于系统的参数不确定性以及有界扰动问题研究的较少。因此本文以有界扰动下分布式能源系统为研究对象,结合李雅普诺夫(Lyapunov)稳定性理论,根据从H∞控制出发,到分布式状态反馈模型预测控制(Model predictive control,MPC),再到分布式输出反馈模型预测控制的思路,系统研究
论文部分内容阅读
智能电网中分布式能源系统的控制问题是当前能源和控制领域的热点研究问题,但是当前的分布式能源系统问题研究对于系统的参数不确定性以及有界扰动问题研究的较少。因此本文以有界扰动下分布式能源系统为研究对象,结合李雅普诺夫(Lyapunov)稳定性理论,根据从H∞控制出发,到分布式状态反馈模型预测控制(Model predictive control,MPC),再到分布式输出反馈模型预测控制的思路,系统研究了分布式能源系统的负荷频率控制(Load frequency control,LFC)问题。本文的工作主要包括以下三个方面:1.研究了具有系统参数不确定性和有界扰动的分布式能源系统的H∞控制策略。首先,建立包含有界扰动和参数不确定性的子系统模型;其次,利用Lyapunov稳定性理论保证分布式能源系统的区域稳定性,且同时将系统约束纳入算法考虑;最后在每个采样时刻在线求解优化问题,得到基于状态反馈的H∞控制器。该H∞控制器在保证优化问题具有有效性的同时,又能保证分布式能源系统的负荷频率稳定。2.研究了具有固定时滞与有界扰动的分布式能源系统的分布式状态反馈模型预测控制策略。首先,建立包含有界扰动与时滞的子系统模型;其次提出了相容性约束来保证全局系统稳定性,同时将系统约束纳入算法考虑,并进行算法的递归可行性和稳定性分析;最后,加入模型相关调度(Model-dependent scheduling,MDS)策略降低通信利用率。基于MDS通信策略的分布式状态反馈模型预测控制算法保证了分布式能源系统的负荷频率稳定。3.研究了存在有界扰动的分布式能源系统的分布式输出反馈预测频率控制策略。首先,考虑系统状态具有不可测性与有界扰动,离线设计了状态观测器从而得到系统状态估计值;其次,基于状态估计值设计分布式输出反馈预测频率控制方法并同时将约束问题纳入考虑;最后证明分布式输出反馈预测频率控制保证了分布式能源系统的负荷频率稳定。
其他文献
文章从隧道数字孪生技术体系、全寿命周期数字孪生体构建技术、隧道土建工程性能化数字孪生研究、隧道交通工程性能化数字孪生研究四方面探究了高速公路隧道数字孪生体系的构建方法,最终在体系指导下,完成白兆隧道数字孪生系统构建研究。
时间触发以太网(Time-triggered Ethernet,TTE)是一种新型的实时以太网协议,广泛应用于航空航天领域等高可靠性、高实时性要求的系统领域。然而目前时间触发以太网采用离线调度表生成算法,对于时间触发(Time Tirggered,TT)消息的保护时间不能随着网络的变化动态调整,造成时间触发消息的保护时间过长导致网络链路资源的浪费,或时间触发消息的保护时间不够引起时间触发消息冲突,
智能汽车是当前汽车发展与研究的主要方向。智能汽车研究的关键问题包括环境感知、车辆定位和车辆运动的规划与控制等。紧急情形下,提前感知障碍物和合理预测避障轨迹将直接影响智能汽车行驶的安全性。本文研究建立在实验室项目基础上,以基于障碍物网联感知的避障轨迹预测为研究对象,主要研究内容如下:1.针对本文研究对象,进行障碍物网联感知系统设计。从车联网通讯系统展开研究,搭建障碍物网联感知系统架构;进而,根据研究
智能网联汽车的信息共享对提高交通道路安全有着至关重要的作用。而汽车定位又是其中基础而关键的问题,通过共享定位信息可以提高智能网联汽车的定位精度。因此,将智能网联汽车的网联技术和定位技术相结合具有十分重要的研究价值。通过对国内外相关领域研究现状的调研和分析发现,现有研究针对智能网联汽车定位技术可分为自身定位和非自身定位两类:一是通过自身传感器定位;二是利用网联环境下非自身定位信息进行协同定位。在自身
本文以目前我国高速公路智慧隧道管控平台的市场前景需求为出发点,分析了数字孪生技术的应用,介绍了智慧隧道管控平台的架构与功能,进一步分析了智慧隧道管控平台的市场前景,以期为智慧化隧道管控提供新方法。
随着工业网络智能化、数字化程度的显著提高,对于网络中数据传输的实时性和可靠性有着更加迫切的要求。时间敏感网络(Time Sensitive Network,TSN)是一种应用于数据链路层,旨在构建低延时、低抖动和高可靠性的以太网技术,解决了标准以太网中无法满足实时性和可靠性通信的问题。为了确保传输可靠性,时间敏感网络提出了IEEE 802.1CB(Frame Replication and Eli
在任何数据集中,偏离大多数常规模式的事件称为罕见事件。这些事件可能是任何异常活动,欺诈、入侵或可疑异常事件,这可能对该领域应用有害或有用。这些活动称为异常,重视异常活动对整个系统的稳定性和精准性是非常重要的,因为这种未被发现的事件可能是系统中任何形式的表现模式。异常活动在各个场景下大都包含了重要的信息,忽视它们往往会造成不可挽回的经济损失,这使得异常检测成为重要的研究内容。近年来,深度神经网络在各
语音识别、声纹识别等语音处理模型由于其成本低、效率高等优点被广泛应用于智能会议、客服会话处理场景中。然而,若对未经处理的音频操作,识别效果不仅会受到环境或噪声等其它因素的影响,而且不同人连续说话这种现象会对语音模型产生限制,这些不良影响会导致语音处理模型性能的下降。说话人差异性分析任务能够根据音频信号生成对应的更加结构化的文本信息,使其它语音处理模型能够针对每一位说话人在其对应发声时间内的信息作处
随着无人机(Unmanned Aerial Vehicle,UAV)技术的飞速发展,无人机被广泛应用在灾害救援、应急等场合,用于收集地面节点(Ground Node,GN)信息,并及时传送给数据中心,为后期决策提供第一手资料。在这些突发、紧急应用场景中,UAV的任务完成时间是关注的重点之一。当前研究主要集中在如何规划UAV飞行轨迹以减少任务完成时间。事实上,GN的运行状态,如GN上传吞吐量、GN剩
随着生态环境的变化,雾、霾现象在各大地区呈现多发状态。雾、霾天气情况下采集到的图像出现严重的质量降低。降质后的图像严重影响室外计算机视觉系统的工作性能。且当前遥感图像已被广泛运用于军事国防、灾害应急响应以及生态环境监测等领域。由于其他计算机视觉任务依托于图像信息,因此对图像去雾任务展开深入研究十分重要。随着卷积神经网络(Convolutional Neural Network,CNN)在各大任务上