由于缺少关于廓形的先验知识，具有不确定性被测表面的重构精度取决于采样方法的自适应程度，即在测量过程中对下一采样点的实时合理设置。利用RBF神经网络(Radial Basis Function Neural Network-RBFNN)的非线性映射能力预测被测光滑...
详细信息
由于缺少关于廓形的先验知识，具有不确定性被测表面的重构精度取决于采样方法的自适应程度，即在测量过程中对下一采样点的实时合理设置。利用RBF神经网络(Radial Basis Function Neural Network-RBFNN)的非线性映射能力预测被测光滑表面备选采样点的几何特征响应，并将其不确定度估计代入提出的考虑轮廓曲率影响的MaxCWVar信息标准中用于选择下一个最优测点(Next Best Point-NBP)。以叶片截面自由曲线为例，验证了该方法自适应采样性能的优越性。与其他自适应采样策略的对比表明，基于RBFNN的响应预测对于采样点位置确定具有很好的指导作用；与其他三个常用的NBP选择标准相比，根据MaxCWVar标准得到的采样点分布更为合理，能及时准确地跟随轮廓的几何特征变化，经样本密度与曲率之间的相关性分析得以验证。特别是对采样实时性有较高要求情况下，所提出方法具有更好的重构精度和建模效率。研究成果对于探索快速、智能的复杂无模型光滑曲面重构方法具有启发意义。
新能源的随机性、波动性及弱调节特性给电力系统静态电压的安全及稳定性带来了挑战。针对此问题,提出一种考虑源荷双侧不确定性的高比例新能源电力系统静态电压稳定裕度在线概率评估方法。首先,基于新能源无功调节特性与传统机组的差异,分析了大量新能源替代传统机组对稳定裕度的影响。然后,分析了新能源出力不确定性对稳定裕度分布范围的影响,并建立源荷不确定性模型以生成典型场景。最后,为了应对新能源快速波动性给稳定裕度带来的影响,提出基于优化ELM-KDE的稳定裕度在线概率评估方法。利用优化极限学习机(extreme learning machine,ELM)预测典型场景稳定裕度并通过核密度估计(kernel density estimation,KDE)准确获得其概率分布函数。构建了静态电压稳定期望裕度和静态电压稳定风险度两个指标对结果进行表征。分别在New England 39和IEEE300节点系统进行了仿真测试,并将结果与传统蒙特卡洛方法计算结果对比,验证了所提方法的有效性。
漂浮式海上风力机系统因其处在复杂的风浪环境下,振动问题不可避免,该振动会对风力机系统造成潜在威胁。近年来,风力机系统减振研究及理论实现愈来愈引起学者和工程师们的广泛关注。特别地,浮式海上风力机减振控制系统动力学建模及其主动控制方法研究成为海洋工程和海洋能源领域的热点课题之一。本文主要研究一类基于调谐质量阻尼器（Tuned Mass Damper,TMD）的海上风机系统动力学建模问题及其基于时滞反馈的风力机的主动减振控制方法。主要内容如下:
第一,研究了浮式海上风力机在风浪扰动下的动力学模型及其有效性验证问题。首先,给出了基于TMD的漂浮式海上风力机动力学模型,并采用FAST-SC（Fatigue,Aerodynamics,Structures and Turbulences-Structural Control,FAST-SC）对静水无风时风力机动力学模型进行了仿真分析;其次,针对风浪扰动问题,再次对风力机动力学模型进行了有效性验证。仿真结果表明:所建立的风力机标称模型在静水无风和风浪扰动时,均具有良好的准确性。
第二,研究了一种浮式海上风力机系统不确定模型,并提出一种鲁棒H∞采样控制器设计方法。首先,给出了考虑参数摄动的风力机系统不确定模型;其次,基于Lyapunov稳定性理论,给出了风机系统鲁棒H∞采样控制器存在的充分条件及其设计方法。仿真结果表明:所设计的鲁棒H∞采样控制方法能够有效地抑制平台俯仰角和塔顶纵向位移,且其减振效果优于被动控制。
第三,研究了浮式海上风力机系统的时滞反馈H∞减振控制方法。首先,针对浮式海上风机系统标称模型,提出了一种基于时滞反馈的风机系统减振控制方法。其次,基于Lyapunov稳定性理论,给出了风机系统时滞反馈H∞控制器存在的充分条件和设计方法,并进行仿真验证。仿真结果表明:本文提出的时滞反馈H∞控制器可以有效地减小风机系统的平台俯仰角和塔顶纵向位移的幅值,提高风机系统的安全性。特别地,在控制通道内,人为引入适当大小的时滞,可以显著地改善风机系统的振动幅值,表明时滞在改善风机系统的减振效果方面具有正面作用。
暂无评论