基于多辅助电源的电动汽车能量管理策略仿真研究
这是一篇关于光伏电池,数学建模,模糊控制,粒子群算法的论文, 主要内容为当今社会中,电动汽车的使用越来越普及,然而其续航能力以及电池寿命仍然是行业内的瓶颈问题。为了解决这一问题,本文提出一种由锂电池、超级电容和光伏电池搭配的多辅助电源的混合储能系统。锂电池具有高能量密度的特性,因此作为主电源为储能系统提供主要能源;超级电容具有高功率密度的特性,因此作为第一辅助电源为储能系统提供高功率需求;光伏电池属于可再生性能源电池,将其作为第二辅助电源为储能系统提供再生能源,提高电动汽车续航能力。为验证本文想法的合理性,以电动汽车混合储能系统为对象,开展了模型建立和能量管理策略及优化的仿真研究。首先,本文研究了锂电池、超级电容和光伏电池的工作特性,并选取合适的等效电路在MATLAB/SIMULINK中建立出三种储能元件的等效模型。采用电导增量法作为光伏电池的MPPT控制算法,并验证了算法的可行性。在超级电容半主动式拓扑结构的基础上引入光伏电池,设计出多辅助电源混合储能系统的拓扑结构。其次,分析了电动汽车行驶过程中的动力学因素,根据循环工况匹配出仿真所需的电机规格以及各储能元件参数。搭建了电动汽车整车模型,为仿真实验提供环境基础。然后,设计了电动汽车行驶过程中混合储能系统的五种工作模式,并按照这五种工作模式设计了三种能量管理策略,分别是逻辑门限值能量管理策略、模糊控制能量管理策略以及粒子群算法改进模糊控制的能量管理策略并对改进前后进行了对比分析。最后,使用混合仿真方法,在ADVISOR电动汽车仿真平台搭载前文搭建的整车模型、储能系统模型以及能量管理策略模型进行了仿真对比实验。仿真结果证明了本文提出的多辅助电源混合储能系统的确能够有效降低锂电池SOC的下降速率,提升电动汽车续航能力。相比逻辑门限值和未改进的模糊控制能量管理策略,本文设计的粒子群改进模糊控制能量管理策略能够降低锂电池工作电流,加大超级电容保护锂电池的程度,提高锂电池寿命,并在不同的循环工况下也有着优秀的适应力。本文设计的多辅助电源混合储能系统达到预期目标,具有良好的可靠性与稳定性,能够配合的循环工况进行工作,未来在电动汽车能量管理的应用上可以提供参考。
基于改进知识获取共享算法的光伏电池模型参数辨识及其最大功率点跟踪方法研究
这是一篇关于光伏电池,光伏阵列,局部阴影情况,元启发式算法,参数辨识,最大功率点跟踪的论文, 主要内容为在“双碳”战略中,光伏发电尤为重要。作为多项研究的前提条件,光伏发电系统模型的准确建立极为必要。同时,研究最大功率点跟踪方法是降低发电成本的关键。因此,本文重点研究了光伏电池参数提取和最大功率点跟踪技术。首先,提出了一种基于多策略知识获取共享算法(MSGSK)的光伏电池模型参数辨识方法,以解决知识获取共享算法GSK在提取光伏电池参数时暴露的局部开发能力较弱的问题。为提高收敛速度,设计了参数自适应机制和混沌精英学习策略;为平衡引入两种策略后过强的局部开发,设计了回溯差分变异策略。为验证MSGSK的有效性,引入了光伏模型参数辨识实验,结果表明,MSGSK提高了GSK的收敛性和精确度。其次,设计了基于强化学习知识获取共享算法(RLGSK)的光伏电池模型参数辨识方法,以实现辨识结果性能的进一步提高。为解决MSGSK参数自适应机制调节方式过于死板的问题,通过强化学习机制优化了个体分流机制,实现GSK算法参数的灵活调整。通过基于性能的种群规模缩减机制,实现计算资源的优化分配。为验证RLGSK的有效性,引入了光伏模型参数辨识实验,结果表明RLGSK在提升精度和收敛性的基础上进一步提高了鲁棒性。通过成分分析实验,证明RLGSK实现了优化分配。另一方面,设计了基于差分进化知识获取共享混合算法(HDEGSK)的最大功率点跟踪(MPPT)方法,以解决光伏发电系统实际应用中面临的实时性和精确性挑战。考虑到传统MPPT算法收敛快速但初值敏感,通过HDEGSK优化了传统MPPT算法的初值。HDEGSK算法将GSK与差分进化的更新方式通过改进的个体分流机制进行了有效耦合。为验证HDEGSK的有效性,引入了光伏MPPT实验,结果表明,HDEGSK优化的传统算法极大的提升了实时性和精确性。最后,为进一步减少功率损失,设计了“一步到位式”MPPT技术。提出了一种基于性能导向的差分进化知识获取共享混合算法(PG-HDEGSK),在HDEGSK的基础上引入了基于性能导向的自适应参数调整机制和种群规模缩减机制,优化了计算资源的分配。通过参数辨识实验证明,在性能上:PG-HDEGSK>RLGSK>HDEGSK>MSGSK>GSK。通过分析不同光照强度下的参数辨识结果建立了多峰特性的功率预测模型。为验证预测模型的有效性,通过恒压法和恒流法进行MPPT实验,结果表明,“一步到位式”MPPT技术跟踪精度极高,跟踪误差进一步减小。
基于多辅助电源的电动汽车能量管理策略仿真研究
这是一篇关于光伏电池,数学建模,模糊控制,粒子群算法的论文, 主要内容为当今社会中,电动汽车的使用越来越普及,然而其续航能力以及电池寿命仍然是行业内的瓶颈问题。为了解决这一问题,本文提出一种由锂电池、超级电容和光伏电池搭配的多辅助电源的混合储能系统。锂电池具有高能量密度的特性,因此作为主电源为储能系统提供主要能源;超级电容具有高功率密度的特性,因此作为第一辅助电源为储能系统提供高功率需求;光伏电池属于可再生性能源电池,将其作为第二辅助电源为储能系统提供再生能源,提高电动汽车续航能力。为验证本文想法的合理性,以电动汽车混合储能系统为对象,开展了模型建立和能量管理策略及优化的仿真研究。首先,本文研究了锂电池、超级电容和光伏电池的工作特性,并选取合适的等效电路在MATLAB/SIMULINK中建立出三种储能元件的等效模型。采用电导增量法作为光伏电池的MPPT控制算法,并验证了算法的可行性。在超级电容半主动式拓扑结构的基础上引入光伏电池,设计出多辅助电源混合储能系统的拓扑结构。其次,分析了电动汽车行驶过程中的动力学因素,根据循环工况匹配出仿真所需的电机规格以及各储能元件参数。搭建了电动汽车整车模型,为仿真实验提供环境基础。然后,设计了电动汽车行驶过程中混合储能系统的五种工作模式,并按照这五种工作模式设计了三种能量管理策略,分别是逻辑门限值能量管理策略、模糊控制能量管理策略以及粒子群算法改进模糊控制的能量管理策略并对改进前后进行了对比分析。最后,使用混合仿真方法,在ADVISOR电动汽车仿真平台搭载前文搭建的整车模型、储能系统模型以及能量管理策略模型进行了仿真对比实验。仿真结果证明了本文提出的多辅助电源混合储能系统的确能够有效降低锂电池SOC的下降速率,提升电动汽车续航能力。相比逻辑门限值和未改进的模糊控制能量管理策略,本文设计的粒子群改进模糊控制能量管理策略能够降低锂电池工作电流,加大超级电容保护锂电池的程度,提高锂电池寿命,并在不同的循环工况下也有着优秀的适应力。本文设计的多辅助电源混合储能系统达到预期目标,具有良好的可靠性与稳定性,能够配合的循环工况进行工作,未来在电动汽车能量管理的应用上可以提供参考。
基于多辅助电源的电动汽车能量管理策略仿真研究
这是一篇关于光伏电池,数学建模,模糊控制,粒子群算法的论文, 主要内容为当今社会中,电动汽车的使用越来越普及,然而其续航能力以及电池寿命仍然是行业内的瓶颈问题。为了解决这一问题,本文提出一种由锂电池、超级电容和光伏电池搭配的多辅助电源的混合储能系统。锂电池具有高能量密度的特性,因此作为主电源为储能系统提供主要能源;超级电容具有高功率密度的特性,因此作为第一辅助电源为储能系统提供高功率需求;光伏电池属于可再生性能源电池,将其作为第二辅助电源为储能系统提供再生能源,提高电动汽车续航能力。为验证本文想法的合理性,以电动汽车混合储能系统为对象,开展了模型建立和能量管理策略及优化的仿真研究。首先,本文研究了锂电池、超级电容和光伏电池的工作特性,并选取合适的等效电路在MATLAB/SIMULINK中建立出三种储能元件的等效模型。采用电导增量法作为光伏电池的MPPT控制算法,并验证了算法的可行性。在超级电容半主动式拓扑结构的基础上引入光伏电池,设计出多辅助电源混合储能系统的拓扑结构。其次,分析了电动汽车行驶过程中的动力学因素,根据循环工况匹配出仿真所需的电机规格以及各储能元件参数。搭建了电动汽车整车模型,为仿真实验提供环境基础。然后,设计了电动汽车行驶过程中混合储能系统的五种工作模式,并按照这五种工作模式设计了三种能量管理策略,分别是逻辑门限值能量管理策略、模糊控制能量管理策略以及粒子群算法改进模糊控制的能量管理策略并对改进前后进行了对比分析。最后,使用混合仿真方法,在ADVISOR电动汽车仿真平台搭载前文搭建的整车模型、储能系统模型以及能量管理策略模型进行了仿真对比实验。仿真结果证明了本文提出的多辅助电源混合储能系统的确能够有效降低锂电池SOC的下降速率,提升电动汽车续航能力。相比逻辑门限值和未改进的模糊控制能量管理策略,本文设计的粒子群改进模糊控制能量管理策略能够降低锂电池工作电流,加大超级电容保护锂电池的程度,提高锂电池寿命,并在不同的循环工况下也有着优秀的适应力。本文设计的多辅助电源混合储能系统达到预期目标,具有良好的可靠性与稳定性,能够配合的循环工况进行工作,未来在电动汽车能量管理的应用上可以提供参考。
基于深度学习的光伏电池电致发光图像缺陷检测研究
这是一篇关于光伏电池,深度学习,缺陷检测,图像增广,生成对抗网络的论文, 主要内容为光伏电池是光伏发电系统的核心器件,其产品质量直接影响它的光电转换效率与寿命,因此,缺陷检测是其工业生产线上必不可少的一步,但传统缺陷检测方法常常无法满足现代化生产线在检测精度、效率及稳定性等方面的高性能要求。近年来,随着硬件计算能力的大幅提升,基于深度学习的图像缺陷检测方法已逐渐成为主流。本文选取光伏电池产业中应用最广的电致发光(Electroluminescence,EL)图像进行缺陷检测,提出基于深度学习的PVDefect Net检测算法对光伏电池图像进行缺陷检测,以有效提高检测性能,主要内容包括:首先,针对工业生产中光伏电池EL图像数据集不足且获取困难、常规增广图片质量不佳等问题,提出改进掩膜深度卷积生成对抗网络M-DCGAN算法生成高质量的增广缺陷图像。其中,设计了基于Canny的掩膜提取方法和掩膜损失函数以引导网络关注缺陷特征;通过加深网络并插入谱归一化层与Dropout层以兼顾网络的稳定性和增广图像的多样性。实验结果表明,相比于WGAN-GP等多种有效增广算法,基于该M-DCGAN策略的增广图像质量更高,而且令YOLOv5等9种深度学习检测方法的检测精度得到显著提高,说明本文M-DCGAN数据增广技术在诸多常用的深度学习检测算法中具有良好的普适性,更加胜任光伏电池生产流程中缺陷检测数据集的图像增广任务。同时,为解决EL缺陷检测数据集在标注过程中普遍存在的人工成本过高问题,本文提出带有辅助纠错的增广图像自监督标注策略。该策略基于原始数据训练的YOLOv5对增广图像进行检测,并将目标信息转换为标注文件,再使用Dense Net对标注文件进行辅助判别。此方法既降低了标注成本,亦能够部分排除人工主观因素造成的标注偏差。另外,在光伏电池实际生产过程中,部分缺陷会重复出现在某些固定区域,而这些局部重复图像会对网络训练产生偏差,最终导致缺陷的错检或漏检。为此,本文根据协调注意力与卷积块注意力组件思想设计了多分支注意力模块MPCA,以引导网络关注图像整体空间特征,同时基于动态区域感知卷积设计了自适应加权融合分支动态区域感知模块AWFB-DRC,随后将MPCA和AWFB-DRC模块结合构成了PVNet网络结构,并通过实验验证了采用该PVNet结构的YOLOv5深度学习算法能够在保持检测速度的前提下较为显著的提高m AP检测指标,且超过了当前Res Ne Xt等8种主干结构的检测性能。之后,针对EL图像中常存在的因缺陷目标与背景间分界模糊而影响缺陷检测精度的问题,本文基于焦点损失思想设计了频率混合损失函数用以计算网络分类特征图与分类标签矩阵在频域上的损失,令检测模型的分类准确度得到了提升,从而进一步提高了模型的m AP性能指标。最后,由光伏电池EL图像缺陷检测综合性实验可以看出,在检测速度与精准度的要求下,本文结合上述所有改进策略的PVDefect Net算法在检测模型的鲁棒性、精确度等方面均超过了YOLOX等现有其他流行算法,且为工业上的模型迭代需求提供了足够的裕量,能更好地契合光伏电池现代化工业生产需求,为解决光伏电池智能制造生产流程中存在的缺陷检测问题提供了一种科学、有效、较具实用性的解决途径。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/54506.html
