-
公开(公告)号：CN116629184B
公开(公告)日：2023-09-29
申请号：CN202310904625.X
申请日：2023-07-24
Applicant: 合肥工业大学
IPC: G06F30/373 , G06N3/006 , G06N3/126 , G06N3/0499 , H02M7/537 , G06F111/06
Abstract: 本发明提供了一种逆变器系统的多目标优化方法，属于电力电子技术领域。该优化方法首先以效率、功率密度为目标函数，建立双目标优化模型；利用NSGA‑II算法求解双目标优化模型，得到优秀子代种群；利用前馈型人工神经网络检验子代种群中个体的共模噪声抑制是否达标；将达标的个体在上述双目标优化模型中求得效率‑功率密度解集；根据需要选择实施方案。本发明优化方法，不仅能快速得到所需优化目标的解集，避免计算时间过长的问题，而且能全面评价系统中不同目标的性能特别是共模噪声抑制情况，更符合实际，从而得到可行的逆变器系统设计方案。
-
Patent Agency Ranking
公开(公告)号：CN115021325B
公开(公告)日：2024-03-29
申请号：CN202210713121.5
申请日：2022-06-22
Applicant: 合肥工业大学
IPC: H02J3/40 , H02J3/46 , H02M7/5387 , G06F30/27 , G06N3/04 , G06N3/092 , G06F119/06 , G06F119/08
Abstract: 本发明提供了一种基于DDPG算法的光伏逆变器多目标优化方法，属于电力电子技术领域。该方法包括建立效率优化模型、功率密度优化模型、特殊成本优化模型以及寿命优化模型；确定状态集合、动作集合和归一化后的多目标奖励函数；利用DDPG算法进行离线学习，得到最优策略，对DDPG算法进行应用，根据该最优策略，系统在任一状态、任一权重系数下均能实现效率、功率密度、特殊成本以及寿命的最优化。本发明可以解决复杂的高维设计变量问题，且可避免光伏逆变器设计中的顾此失彼问题，找到满足优化目标的最优方案，充分提升光伏逆变器的性能，不需要重新进行复杂、耗时的寻优求解过程，节省计算资源。
-
公开(公告)号：CN114172403A
公开(公告)日：2022-03-11
申请号：CN202111487731.X
申请日：2021-12-07
Applicant: 合肥工业大学
IPC: H02M7/5387 , H02M1/088 , G06F30/27 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于深度强化学习的逆变器效率优化方法，属于电力电子技术领域。包括建立效率优化模型；确定状态集合、动作集合和奖励函数；利用DDPG算法进行离线学习，得到最优策略；根据该最优策略，系统在状态集合S的任一状态下均能实现效率最大化。本发明的优化方法采用神经网络替代了强化学习的Q‑table查找表，能够解决高维设计变量问题，可以在连续变量区间内以及动态的逆变器额定工作条件下训练，从而直接得到最优设计变量值使效率达到最大，避免了传统优化方法只能在离散区间内寻优会导致最优解丢失的情况，同时不需要重新进行复杂、耗时的寻优求解过程，节省计算资源。
-
公开(公告)号：CN114172403B
公开(公告)日：2023-08-29
申请号：CN202111487731.X
申请日：2021-12-07
Applicant: 合肥工业大学
Abstract: 本发明提供了一种基于深度强化学习的逆变器效率优化方法，属于电力电子技术领域。包括建立效率优化模型；确定状态集合、动作集合和奖励函数；利用DDPG算法进行离线学习，得到最优策略；根据该最优策略，系统在状态集合S的任一状态下均能实现效率最大化。本发明的优化方法采用神经网络替代了强化学习的Q‑table查找表，能够解决高维设计变量问题，可以在连续变量区间内以及动态的逆变器额定工作条件下训练，从而直接得到最优设计变量值使效率达到最大，避免了传统优化方法只能在离散区间内寻优会导致最优解丢失的情况，同时不需要重新进行复杂、耗时的寻优求解过程，节省计算资源。
-
公开(公告)号：CN115021325A
公开(公告)日：2022-09-06
申请号：CN202210713121.5
申请日：2022-06-22
Applicant: 合肥工业大学
IPC: H02J3/40 , H02J3/46 , H02M7/5387 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/06 , G06F119/08
Abstract: 本发明提供了一种基于DDPG算法的光伏逆变器多目标优化方法，属于电力电子技术领域。该方法包括建立效率优化模型、功率密度优化模型、特殊成本优化模型以及寿命优化模型；确定状态集合、动作集合和归一化后的多目标奖励函数；利用DDPG算法进行离线学习，得到最优策略，对DDPG算法进行应用，根据该最优策略，系统在任一状态、任一权重系数下均能实现效率、功率密度、特殊成本以及寿命的最优化。本发明可以解决复杂的高维设计变量问题，且可避免光伏逆变器设计中的顾此失彼问题，找到满足优化目标的最优方案，充分提升光伏逆变器的性能，不需要重新进行复杂、耗时的寻优求解过程，节省计算资源。
-
公开(公告)号：CN116629184A
公开(公告)日：2023-08-22
申请号：CN202310904625.X
申请日：2023-07-24
Applicant: 合肥工业大学
IPC: G06F30/373 , G06N3/006 , G06N3/126 , G06N3/0499 , H02M7/537 , G06F111/06
Abstract: 本发明提供了一种逆变器系统的多目标优化方法，属于电力电子技术领域。该优化方法首先以效率、功率密度为目标函数，建立双目标优化模型；利用NSGA‑II算法求解双目标优化模型，得到优秀子代种群；利用前馈型人工神经网络检验子代种群中个体的共模噪声抑制是否达标；将达标的个体在上述双目标优化模型中求得效率‑功率密度解集；根据需要选择实施方案。本发明优化方法，不仅能快速得到所需优化目标的解集，避免计算时间过长的问题，而且能全面评价系统中不同目标的性能特别是共模噪声抑制情况，更符合实际，从而得到可行的逆变器系统设计方案。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
