-
公开(公告)号：CN112883547B
公开(公告)日：2023-03-28
申请号：CN202110055138.1
申请日：2021-01-15
Applicant: 广西大学
IPC: G06F30/20 , G06Q50/06 , H02J3/50 , G06F113/04
Abstract: 本发明提出一种综合能源系统虚拟元胞协同无功辅助服务优化方法。所提方法中的虚拟元胞通过通信技术手段协调控制分布式能源，并采集其状态信息；然后，考虑无功辅助服务，以综合能源系统虚拟元胞的购电成本、网损和电压偏移最小为目标函数建立无功优化模型。最后，提出多级协同的矢量人工压差方法，利用电压偏差程度与无功出力分配关系构造势函数，并通过虚拟元胞控制中心动态调节电压偏差，从而合理调控无功功率，储备足够的无功功率，可保证系统安全稳定运行，并可解决大规模分布式能源接入电力系统造成的不协调问题，减少碳排放，从而达到碳中和的目标。
-
公开(公告)号：CN115459351A
公开(公告)日：2022-12-09
申请号：CN202211271500.X
申请日：2022-10-18
Applicant: 广西大学
Abstract: 本发明提出一种综合能源系统的多尺度多组认知智能调度与控制方法，该方法包括一个多时间尺度融合的控制框架和两个模块，第一个模块是以自适应噪声完备集合经验模态分解和时间序列预测为基础的控制模块，第二个模块是以自适应噪声完备集合经验模态分解和双向长短期记忆网络预测为基础并且融合人工行为认知知识矩阵的调度模块。该方法以综合系统的频率偏差序列、区域控制偏差序列、用户行为和气候因素作为输入，经过控制模块和调度模块分别输出每4秒钟更新的自动发电控制机组控制指令和每5分钟以及60分钟更新的非自动发电控制机组的调度指令。所提方法能解决综合能源系统中发电控制和经济调度不协调的问题，提高控制精度，减小频率偏差。
-
公开(公告)号：CN115183474A
公开(公告)日：2022-10-14
申请号：CN202210755343.3
申请日：2022-06-30
Applicant: 广西大学
IPC: F24H15/156 , F24H15/176 , F24H15/421 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于模型预测与深度强化学习的热水系统控制方法，该方法将监督学习与近端策略优化方法进行结合，用于控制随机行为居住者的热水系统。首先，所提方法中的监督学习包括循环门控单元、深度神经网络判别器和时间序列预测模块。输入政策信息与行为信息，来预测未来一天居住者行为，并输出未来一天近端策略优化方法接入热水系统的概率。若概率小于阈值，则采用两点控制策略并继续训练智能体；反之，则采用近端策略优化方法。其次，所提方法中的近端策略优化方法能学习随机的居住者行为，无需特定调整即能应用在各种不同的居住场合，该方法能直接用于居住者家居，减少所需设备的安装与调试的时间，并且该方法的整体框架解释性比较优异。
-
公开(公告)号：CN113098057B
公开(公告)日：2022-10-11
申请号：CN202110366160.8
申请日：2021-04-06
Applicant: 广西大学
IPC: H02J3/38
Abstract: 本发明提供一种双馈风机参数的多目标高维多分数阶优化方法，该方法能够优化双馈风机中转子侧变流器控制器参数，找到无功误差和转子转速偏差的利益平衡点，协调目标函数之间的关系。本发明所提方法引入高维多分数阶控制器的多维信息数据，并对各维信息数据进行分数阶的分析计算；本发明所提方法将控制理论应用于优化方法中,加快迭代速度；本发明所提方法包含勘探和开发两个搜索部分；本发明所提方法引入阶次算子，在寻优过程中进行自动调整，平衡勘探和开发两个搜索部分，提高全局的搜索能力；实现双馈风机的最大功率点追踪和低电压穿越。
-
公开(公告)号：CN114897139A
公开(公告)日：2022-08-12
申请号：CN202210497899.7
申请日：2022-05-09
Applicant: 广西大学
IPC: G06N3/04 , G06N3/06 , G06N10/60 , G01M13/045
Abstract: 本发明提出一种排序稳定简化稀疏量子神经网络的轴承故障诊断方法，该方法首先对采集到的轴承故障振动数据进行取绝对值计算，再对取绝对值后的数据按照从小到大的规则排序，然后对经过排序处理的轴承故障振动数据进行归一化处理，再对归一化的轴承故障振动数据进行量子化，最后用开关量子神经网络进行故障分类。所提排序稳定简化稀疏量子神经网络的轴承故障方法能解决电机轴承的故障分类问题，实现在线监测功能，提高了网络稳定性，提高了故障分类的准确度，且提高了网络结构的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN114626415A
公开(公告)日：2022-06-14
申请号：CN202210245773.0
申请日：2022-03-14
Applicant: 广西大学
IPC: G06K9/00 , G06K9/62 , G06V10/774 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06N20/20
Abstract: 本发明提出一种基于人工智能的风电机组复合故障诊断方法，首先，该人工智能方法获取风电机组数据采集与检测系统中的数据样本，通过高斯混合模型的期望最大化聚类方法和懒惰矩阵处理脏数据样本；其次，利用卷积神经网络方法提取特征，建立样本属性空间，将广义零次学习方法用于生成未知故障样本，使用门控方法对样本进行预判分类；通过多元分类器和相似性评估分别完成对单一故障样本与复合故障样本的诊断；最后，通过基于堆叠的集成学习完成风电机组故障的最终诊断。所提人工智能方法能解决故障诊断模型样本需求量大的问题，实现风电机组复合故障的诊断，同时实现风电机组故障的全面诊断，提高风电机组复合故障的诊断精度和诊断速度。
-
公开(公告)号：CN113328122B
公开(公告)日：2022-05-13
申请号：CN202110471490.3
申请日：2021-04-29
Applicant: 广西大学
IPC: H01M8/04992 , H01M8/04298 , G06F30/27
Abstract: 本发明提出一种固体氧化物燃料电池的量子模型预测控制方法，该方法采用量子计算来对模型预测控制进行改进，将量子比特的概率幅表示应用于模型预测控制中，使得模型预测控制的过程表示多个态的叠加，并利用量子旋转门实现滚动优化的更新，实现目标的优化求解。所提量子模型预测控制方法通过量子模型预测控制进行优化控制固体氧化物燃料电池系统的氢气与氧气的输入来实现对固体氧化物燃料电池的功率输出控制。所提量子模型预测控制方法采用滚动优化策略，能够及时弥补由于固体氧化物燃料电池内部或外部扰动引起的不确定性，动态性能较好；所提量子模型预测控制方法能够有效地处理多变量、有约束的问题。
-
公开(公告)号：CN114283117A
公开(公告)日：2022-04-05
申请号：CN202111402706.7
申请日：2021-11-24
Applicant: 广西大学
Abstract: 本发明公开了一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法，该方法首先通过电网无人机巡检图像、公共数据集以及采用图像样本扩充方法构建输电线路绝缘子图像数据库，并利用LabelImg图像标注工具对绝缘子以及绝缘子上的缺陷进行标签制作；其次从减少漏检、提高检测精度这两个方面对YOLOv3的网络结构进行改进，提出基于注意力机制、加权密集连接金字塔结构和双分支跨层注意力模块的改进YOLOv3卷积神经网络；接着通过模型训练与训练参数调整，获得其最优检测模型，最后对输电线路绝缘子缺陷进行检测。本发明能够克服电网巡检图像中绝缘子缺陷尺寸太小、误检和漏检率高的问题，提高了在复杂环境下绝缘子缺陷检测的准确性和快速性，以确保供电系统的安全。
-
公开(公告)号：CN113947427A
公开(公告)日：2022-01-18
申请号：CN202111197462.3
申请日：2021-10-14
Applicant: 广西大学
Abstract: 本发明提出一种灵活能源混合网络动态微分控制的长期价格引导方法，该方法由数据筛选功能、胶囊神经网络、长短期记忆神经网络和随机动态微分控制器组成。该方法考虑分布式能源灵活性需求，以系统状态、温度、假期和政府的用电准则作为输入量，输出最优的价格信号。该方法利用数据筛选功能筛选用电信息中有用的数据，用于基准需求的预测；该方法中的胶囊神经网络和长短期记忆神经网络能解决用户基准需求的预测问题，以最优的预测结果作为输出；该方法中的随机动态微分控制器能通过预测的基准需求和可再生能源发电量得到灵活能源最优的价格引导信号。该方法能降低具有灵活性需求用户的用电成本，能缓解可再生能源发电中的弃电问题。
-
公开(公告)号：CN113947187A
公开(公告)日：2022-01-18
申请号：CN202111197457.2
申请日：2021-10-14
Applicant: 广西大学 , 中国科学院合肥物质科学研究院
Abstract: 本发明提出一种防崩多时间尺度生成式对抗网络发电机参数校正方法，该方法以不同的时间尺度对发电机的随机噪声信号和真实信号进行采样，将采样后的发电机信号数据输入到生成器中；再将采样后的发电机随机噪声信号、发电机真实信号以及生成器生成的生成信号输入到判别器中；设置防崩阈值，判断判别器中得到的判断信号是真实信号的概率是否大于防崩阈值，将大于防崩阈值的数据存入模型数据库中，小于防崩阈值的数据重新经过条件构建生成式对抗网络进行学习。所提方法能有效解决发电机参数校正问题，多时间尺度进行采样能够不断优化得到的结果，实现条件构建生成式对抗网络的生成和判别功能，提高发电机参数校正过程中的防崩能力。
-
-
-
-
-
-
-
-
-
Search Results
246
records
(took 0.024 seconds)
