風力發(fā)電系統(tǒng)最大風能追蹤問題研究項目摘要

本項目的主要內(nèi)容有三個方面：(1)風力機的非線性建模，針對非線性的風機轉(zhuǎn)矩－轉(zhuǎn)速曲線族的模型，一般都采用廠家實驗數(shù)據(jù)擬合或函數(shù)近似逼近，往往與實際系統(tǒng)模型不合，限制了基于此模型各種控制方法的工程應(yīng)用；(2)低風速下，最大風能追蹤控制器的穩(wěn)定性及對于風速的魯棒性研究；(3)中高風速下的槳矩角控制研究，將槳矩角作為系統(tǒng)控制輸入時，系統(tǒng)為典型的非線性系統(tǒng)，目前基于線性化的方法，控制效果難以令人滿意；(4)設(shè)計風電系統(tǒng)的相關(guān)實驗，驗證上述研究成果。通過本項目的研究，可以提高風能的利用率，在同等裝機容量的條件下，可以增加電能輸出，降低成本，緩解我國的電力短缺和能源危機；還可以對隨機能源優(yōu)化、非線性建模和非仿射型非線性系統(tǒng)的控制方法有所啟示，為完善風力發(fā)電的相關(guān)理論起到促進作用。 2100433B

為了解決如何在很擁擠的環(huán)境下，以及在各個攝像鏡頭的區(qū)域之間有重疊或者沒有重疊情形下追蹤目標物體的問題，我們提出了一種先混合多個視角的視頻數(shù)據(jù)，再檢測背景和前景信息從而進行目標追蹤的多視角目標追蹤算法。在我們的項目中，首先通過將各個視點的信息投影到參考平面以及平行于參考平面的多個平行平面的投影方法混合各個視角內(nèi)信息形成一個四階張量，然后使用增長的張量子空間算法建立背景模型進行前景分割。在對圖像進行預處理階段，我們提出了一類新的凸優(yōu)化模型用于去除帶模糊的乘法噪音。更進一步，我們有提出了使用框架分解和基于l_1范數(shù)的L-curve曲線方法對帶模糊的乘法噪音問題進行處理。最后對目標區(qū)域應(yīng)用貝葉斯定律以及粒子濾波等方法來進行追蹤，連續(xù)兩幀之間的目標運動使用一種仿射的圖像變換來模擬。為了提高運算速度以及增加結(jié)果的準確性，項目組計劃使用并行算法以及在預測目標運動的階段引入時間序列分析的方法，目前這些工作仍然在繼續(xù)進行之中。最后的試驗結(jié)果表明我們的項目所提出方法可以在處理陰影，遮擋，擁擠環(huán)境中的多個目標的追蹤等困難問題上能取得比較好的的試驗成果，可以為項目的進一步研究打下一個良好的基礎(chǔ)。

控制器有不同的策略來找到模組的最大功率輸出。最大功率點追蹤控制器可能有不同的算法，并且視運作條件選擇適當?shù)乃惴ā?h3 class="title-text">最大功率點追蹤擾動觀察法

擾動觀察法（Perturb and observe）的控制器會小幅的增加或減少電壓，并且量測其功率。若功率增加，繼續(xù)依相同方向調(diào)整電壓，一直到功率不增加為止。此方式稱為擾動觀察法（Perturb and observe），是最常見的最大功率點追蹤方式，不過其輸出可能會有小幅的功率震蕩。此算法屬于爬山算法，是依照功率對電壓的曲線在未到最大功率時曲線會上升，超過最大功率時曲線會下降的特性而來的。擾動觀察法因為容易實現(xiàn)，是最常使用的最大功率點追蹤方式。若是配合了適當?shù)墓罍y及適應(yīng)性爬山算法，擾動觀察法可以達到最高的效率。

最大功率點追蹤增量電導法

增量電導法（incremental conductance method）的控制器會漸進式的調(diào)整太陽能模組的電壓及電流，以預測改變電壓后的影響。此方式的控制器計算量較大，但追隨條件變化的速度比擾動觀察法要快。增量電導法和擾動觀察法類似，可能會造成輸出功率的震蕩。此方法會利用太陽能模組的增量電導（incremental conductance, dI/dV)，來計算功率對應(yīng)電壓變化比例(dP/dV)的符號為正或為負。

增量電導法計算最大功率點的方式是比較增量電導（I_Δ/ V_Δ）和模組的電導（I / V）。若二者相同時（I / V = I_Δ/ V_Δ），其輸出電壓即為最大功率點電壓?？刂破鲿S持此電壓，若照射條件改變時，會再重復上述的流程。

最大功率點追蹤電流掃描法

電流掃描法（current sweep method）會針對太陽能模組配合一個掃描用的電流波形，可以每隔一段時間量測且更新電流-電壓曲線的關(guān)系。再依最新的電流-電壓曲線找到最大功率點，設(shè)法使系統(tǒng)運作在最大功率點。

在本項目中，我們提出一種先混合多個視角的視頻數(shù)據(jù)，再檢測背景和前景信息從而進行目標追蹤的多視角目標追蹤算法。現(xiàn)在流行的使用數(shù)個攝像頭視角進行追蹤的算法都是先檢測不同鏡頭內(nèi)多個目標的特征信息進行前景背景分析，然后將得到的信息混合起來進行目標追蹤。然而這種在單個攝像頭視角內(nèi)檢測信息的方法受環(huán)境影響很大，例如發(fā)光物體的反射和陰影，以及各個目標之間有無遮擋的情況等。在我們的項目中，首先通過將各個視點的信息投影到參考平面以及平行于參考平面的多個平行平面的投影方法混合各個視角內(nèi)信息形成一個四階張量，然后使用增長的張量子空間算法建立背景模型進行前景分割，最后對目標區(qū)域應(yīng)用貝葉斯定律以及粒子濾波等方法來進行追蹤，我們將對比現(xiàn)在流行的各種視頻追蹤算法的結(jié)果來驗證我們的結(jié)論。項目預期我們的方法可以在處理陰影，遮擋，擁擠環(huán)境中多個目標的追蹤等困難問題上能取得一定的研究成果，為進一步的研究打下一個良好的基礎(chǔ)。