本文關(guān)鍵詞：新能源系統(tǒng)中基于DC-DC變換器的能量管理，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著能源問題的加劇,新型能源(風(fēng)能、太陽能、燃料電池等)吸引了越來越多的關(guān)注。在新能源系統(tǒng)的能量管理問題中,DC-DC變換器起著非常關(guān)鍵的作用,因?yàn)樾履茉窗l(fā)電系統(tǒng)的輸出不穩(wěn)定,不能直接連接負(fù)載,因而需要經(jīng)過各級(jí)DC-DC變換器,轉(zhuǎn)換到能適應(yīng)不同類型負(fù)載的工作電壓。為此,提前預(yù)知DC-DC變換器的輸入(即新能源發(fā)電系統(tǒng)的輸出)、為DC-DC變換器建立合適的物理模型并作觀測(cè)和控制,對(duì)構(gòu)建實(shí)際可用的新能源系統(tǒng),具有重要意義。本文即圍繞這兩方面,實(shí)現(xiàn)了如下創(chuàng)新：●解決了DC-DC變換器大信號(hào)模型不易判斷能觀性的難題,提出了該模型的統(tǒng)一的能觀性判據(jù)和非線性觀測(cè)器設(shè)計(jì)方法。該判據(jù)源自SBLS (structured bilinear systems)系統(tǒng),基于圖理論,具有理論直觀、計(jì)算量小的特點(diǎn),使用該判據(jù)成功驗(yàn)證了boost電路和superbuck電路的能觀性,而非線性觀測(cè)器基于port-Hamiltanian模型,具有便于尋找Lyapunov函數(shù)、容易得到觀測(cè)誤差的收斂條件的優(yōu)點(diǎn),并成功用于boost電路的電流觀測(cè),觀測(cè)值與真實(shí)值吻合度非常好�！襻槍�(duì)能量預(yù)測(cè)的馬爾可夫鏈模型中時(shí)間序列離散化的關(guān)鍵性,提出了SKC(Spectral-analysis-based K-means clustering)方法,對(duì)變量較少的數(shù)據(jù)集有很好的離散化效果。實(shí)驗(yàn)表明SKC方法離散化得到的類簇分布比傳統(tǒng)的等距離散法和譜聚類方法更合理。基于SKC方法,將MC-TPM (Markov chain transition probability matrix)模型應(yīng)用在風(fēng)能預(yù)測(cè)上,比基于等距離散法的模型效果更優(yōu)。最后分析了馬爾可夫鏈模型用于時(shí)間序列預(yù)測(cè)的局限性。
【關(guān)鍵詞】：DC-DC變換器 能觀性分析 非線性觀測(cè)器 能量預(yù)測(cè) 離散化方法 馬爾可夫鏈模型
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM46
【目錄】：

• 致謝5-7
• 摘要7-8
• Abstract8-12
• 第一章 緒論與綜述12-22
• 1.1 背景12-13
• 1.2 國(guó)內(nèi)外研究進(jìn)展13-18
• 1.2.1 DC-DC變換器建模和控制技術(shù)13-17
• 1.2.2 發(fā)電系統(tǒng)能量預(yù)測(cè)技術(shù)17-18
• 1.3 論文主要研究?jī)?nèi)容18-20
• 1.3.1 DC-DC變換器能觀性分析和觀測(cè)器設(shè)計(jì)18-19
• 1.3.2 時(shí)間序列的預(yù)測(cè)19-20
• 1.4 創(chuàng)新點(diǎn)和論文結(jié)構(gòu)20-22
• 第二章 DC-DC變換器建模22-34
• 2.1 引言22
• 2.2 平均模型的產(chǎn)生背景和數(shù)學(xué)原理22-24
• 2.3 應(yīng)用：三類DC-DC電路24-31
• 2.3.1 Boost電路24-27
• 2.3.2 Superbuck電路27-30
• 2.3.3 SEPIC電路30-31
• 2.4 模型驗(yàn)證31-33
• 2.5 本章小結(jié)33-34
• 第三章 DC-DC變換器觀測(cè)和控制34-66
• 3.1 引言34
• 3.2 大信號(hào)模型的能觀性分析34-46
• 3.2.1 圖論基礎(chǔ)34-38
• 3.2.2 DC-DC變換器能觀性分析38-43
• 3.2.3 應(yīng)用：Boost電路和Superbuck電路43-46
• 3.3 DC-DC變換器觀測(cè)器設(shè)計(jì)46-54
• 3.3.1 基于port-Hamiltanian模型的觀測(cè)器設(shè)計(jì)48-49
• 3.3.2 應(yīng)用：Boost電路49-54
• 3.4 DC-DC變換器控制器設(shè)計(jì)54-65
• 3.4.1 狀態(tài)空間MPC方法54-56
• 3.4.2 有效集法56-58
• 3.4.3 應(yīng)用：SEPIC電路58-65
• 3.5 本章小結(jié)65-66
• 第四章 能量預(yù)測(cè)66-84
• 4.1 引言66
• 4.2 時(shí)間序列的離散化方法66-69
• 4.2.1 等距離散法66-67
• 4.2.2 SKC方法67-69
• 4.3 MC-TPM模型69-71
• 4.4 應(yīng)用：風(fēng)能預(yù)測(cè)71-80
• 4.4.1 離散化方法比較72-76
• 4.4.2 MC-TPM模型最佳參數(shù)選取76-78
• 4.4.3 預(yù)測(cè)效果比較78-80
• 4.5 模型局限性80-83
• 4.6 本章小結(jié)83-84
• 第五章 總結(jié)和展望84-85
• 5.1 研究成果總結(jié)84
• 5.2 后續(xù)工作展望84-85
• 參考文獻(xiàn)85-89
• 作者簡(jiǎn)歷89-90
• 攻讀學(xué)位期間取得的研究成果90

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前1條

1 周封;金麗斯;劉健;張?jiān)倮?;基于多狀態(tài)空間混合Markov鏈的風(fēng)電功率概率預(yù)測(cè)[J];電力系統(tǒng)自動(dòng)化;2012年06期

  本文關(guān)鍵詞：新能源系統(tǒng)中基于DC-DC變換器的能量管理，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：282071