摘要：提出一种基于二阶线性自抗扰控制(LADRC)的飞轮储能系统直流母线电压二次控制策略来应对飞轮储能系统频繁充放电切换带来的母线电压波动问题,其将母线电压及微分值分别视为状态变量,负载功率、参数不确定性等内外干扰视为扩展状态量进行扰动观测器设计。该策略能将工况切换造成电压波动的观测扰动量实时补偿至控制量中,实现扰动补偿。加入二次控制解决LADRC面对非常值扰动会存在稳态误差的问题,保证飞轮储能系统在充放能切换过程中母线电压具备较好的快速响应和抗干扰性能的同时实现无差控制。最后通过仿真验证了所提策略的有效性。

摘要：为应对风电系统经济效益控制和实时性要求的新挑战,针对风力发电控制系统,提出了一种非线性经济模型预测控制策略。在最大化发电功率的同时减少了塔架和齿轮箱等关键结构的疲劳负荷,设计了一个滚动时域估计器为优化提供有意义的初始化。优化问题求解方面,利用相邻采样时刻间非线性规划程序的相似性,实现了算法的实时迭代求解。以5 MW风电机组作为研究对象,在ACADOS框架下实时迭代求解最优控制问题。仿真结果表明:所提控制策略能够有效提高系统运行经济效益并且能够实现实时控制。

摘要：为了根据超临界直流炉机组动态特性设计直流炉机组协调控制算法,以某超临界600 MW直流炉燃煤机组为研究对象,建立该机组的机理模型。考虑到长短时记忆(long short-term memory,LSTM)神经网络算法在处理长时序列数据的优越性,对于所建机理模型中锅炉部分复杂的工质吸热方程和蒸汽压差方程以及汽轮机部分复杂的过热蒸汽流量方程和负荷系数方程,采用LSTM神经网络结合机组真实运行数据进行方程拟合,建立了能够捕获机组各状态运行特性的复杂方程优化子模型。对于所建立模型中的动态参数,结合机组的动态运行数据,采用改进的差分进化算法进行参数寻优,最终得出机组完整的状态方程模型。对于所建立的模型进行开环阶跃扰动测试和闭环运行验证,结果表明所建立的模型能够精确地反映超临界机组的动态运行特性,模型闭环运行过程中的主蒸汽压力、分离器蒸汽焓值和机组负荷的平均绝对百分比误差均小于1.76%,故所建立模型可用于超临界机组协调控制算法研究。

摘要：针对存在负荷扰动的多区域互联电力系统负荷频率控制问题,本文提出一种自适应事件触发预测增强型分布式模型预测控制策略.首先,将整个互联系统按区域划分为若干个动态耦合的子系统,构造扰动观测器对外界未知扰动进行估计.通过在优化问题中考虑调速器阀门限制并引入扰动估计,构建预测增强型分布式预测控制器,实现各子系统的负荷频率控制.此外,基于当前时刻与最新触发时刻状态间偏差设计自适应事件触发机制以更好协调系统性能和计算负担.结果表明,当系统存在负荷扰动时,所提控制策略在满足控制要求的同时显著降低计算负担,且所提策略在系统参数存在不确定的情况下具有良好的鲁棒性.

摘要：针对无人机自主巡检风机需对桨叶进行精准定位的问题,设计了一种基于风机局部图的无人机位姿修正和叶尖定位系统。无人机依据风机参数飞至指定位置获取风机局部图,使用Yolov5实现对轮毂、塔筒的目标检测和特征提取。对概率渐进式Hough直线检测结果筛选后,利用K-means聚类得到桨叶中心线,依靠轮毂特征和桨叶中心线夹角更新无人机位姿,获取近距离粗略正对风机局部图。设计无人机位姿修正系统并对其收敛性进行了证明,该系统以风机局部图中像素坐标差值作为偏差控制量,计算世界坐标系下无人机运动量,实现无人机正对风机,轮毂位置位于图像中心。最后,结合无人机位姿信息与风机参数解算桨叶叶尖坐标,实现叶尖精准定位。该算法基于Gazebo仿真实现,定位精度达亚米级,为风机运维提供理论依据。

摘要：常规蒸汽调节阀主要承担功率调节任务,同时兼顾小范围的一次调频,凝结水节流可在一定程度上改变机组的能量分布,是一种有潜力、可供选择的辅助调频手段。为深入探究凝结水节流的调频能力,剖析了其工作原理及优势,建立了凝结水节流系统的静、动态模型,分析了调频特性,并给出了调频边界条件。为综合提高凝结水节流一次调频性能,将系统动态模型进行线性化,进而设计了一种基于模型切换的模糊预测控制策略:在预测控制算法中引入模糊逻辑,实时修正控制加权系数,根据工况变化,动态切换预测模型以提升控制品质。基于某600 MW机组的实际数据开展算例分析,结果表明:凝结水节流静、动态调频能力随着机组负荷升高而提升,具有一次调频工程应用价值;与传统PID和模糊参数自整定PID控制器相比,在不同工况下,所提出的控制策略的调节时间和性能指标均较优异,对于工况变化具有较好的适应性。

摘要：针对汽车门板紧固件在复杂场景下存在的检测准确度较低和实时性较差的问题,提出一种小目标改进算法YOLOv8-SOD(small object detection)。在主干网络引入SPD(space-to-depth)模块和自适应权重分配模块,在算法的颈部网络输出位置增加选择性注意力模块,将CIOU损失函数替换为MPDIOU损失函数。实验结果表明,YOLOv8-SOD算法平均检测精度为99.1%,比模板匹配方法和YOLOv8算法分别提高了9.4%、2%,达到了工厂生产流水线的检测标准,具有实用价值。

摘要：针对大规模风电利用中的风场尾流和机组载荷问题,提出一种不依赖尾流模型的协调优化控制方案。通过对风电场能效水平和机组疲劳特性的分析,利用机组有功功率、关键结构转矩和推力系数构造风电场能效提升和机组载荷抑制的优化目标。基于小信号法和多目标模型预测控制设计线性化机组控制器,利用基于电磁转矩和桨距角的二自由度机组控制框架实现机组优化控制。所提方案基于风电机组自身运行状态优化调整,无需在风电场范围内利用预置尾流模型迭代优化。仿真结果表明,所提方案在风速不准确测量的环境中具有良好的鲁棒性,可实现中低风速范围内的风电场能效提升和机组载荷抑制。

摘要：针对遥感图像目标检测存在背景信息干扰严重、待检测目标尺寸差异大等问题,提出一种结合倒残差自注意力机制的目标检测方法。首先,使用具有强特征提取能力的倒残差自注意力机制骨干网络充分提取目标特征,降低复杂背景信息的干扰;其次,构造多尺度空间金字塔池化模块,提供多尺度感受野,增强捕捉不同尺寸目标的能力;最后,提出轻量级特征融合模块,对骨干网络提取的特征图进行融合,充分结合低层与高层特征,提高网络对不同尺寸目标的检测能力。与传统网络及其他改进目标检测算法进行对比,实验发现该方法的检测精度明显优于其他算法。此外,在DIOR数据集和RSOD数据集上设计消融实验,结果表明,该方法在DIOR数据集与RSOD数据集上的平均精度均值比YOLOv8算法分别提升4.6和4.2百分点,明显提升遥感图像目标检测的精度。

摘要：近年来,随着深度学习技术的发展,卷积神经网络(convolutional neural network,CNN)和Transformer在图像超分辨率(super-resolution,SR)领域取得了显著的进展.但是,对于图像全局特征的提取,过去的方法大多采用的是堆叠单个算子重复计算来逐步扩大感受野的方式.为了更好地利用全局信息,提出了对局部、区域和全局特征进行显式建模.具体来说,通过通道注意增强卷积、基于划分窗口的Transformer和CNN的双分支并行架构、标准的Transformer和划分窗口的Transformer双分支并行架构,以一种层次递进的方式对图像的局部信息、区域与局部信息、全局与区域信息进行提取和融合.此外,设计了一种层次特征融合方式来对CNN分支提取到的局部信息和划分窗口的Transformer提取到的区域信息进行特征融合.大量的实验表明,所提网络在轻量级SR领域实现了更好的结果.例如,在Manga109数据集的4倍放大实验中,该网络的峰值信噪比(PSNR)相较于SwinIR提升了0.51 dB.