一种基于改进深度学习算法的电能质量扰动识别方法

    公开(公告)号:CN110399796A

    公开(公告)日:2019-11-01

    申请号:CN201910542843.7

    申请日:2019-09-02

    Abstract: 本发明涉及一种基于改进深度学习算法的电能质量扰动识别方法,包括步骤:1)获取电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号的九种单一扰动信号及复合电能质量扰动信号;2)结合迁移学习与深度学习,确定预训练深度卷积神经网络模型AlexNet的最佳特征层,冻结参数,进行模型迁移;3)采用SVM代替迁移后的模型的Softmax分类器,获取模型中新的全连接层;4)利用单一扰动信号和复合电能质量扰动信号对最新模型的参数进行微调,完成模型的训练和电能质量扰动信号识别。与现有技术相比,本发明具有避免部分信号丢失,提高训练效率、提高分类准确率等优点。

    不同时间尺度下基于混合储能调度的微网能量优化方法

    公开(公告)号:CN104617590B

    公开(公告)日:2017-10-13

    申请号:CN201410721711.8

    申请日:2014-12-03

    Abstract: 本发明涉及一种不同时间尺度下基于混合储能调度的微网能量优化方法,根据不同时间尺度将微网优化调度分为日前调度和实时调度,日前调度提前一天给出未来24h的运行计划,时间粒度取1h,根据峰谷时段电价差异,优化联络线交互功率和燃料电池FC出力,调度蓄电池SB低储高发套利;实时调度配合日前调度,按照日前计划安排各微源出力,时间粒度取1min,通过一阶低通滤波算法平滑微网内功率波动,应用滑动平均滤波算法对滤波后的波动功率在蓄电池储能和超级电容器之间进行合理分配,为混合储能的优化调度提供了参考。实时跟踪个单元运行状态,及时对日前计划进行调整,提高了优化的精度,更加符合实际调度需求。

    一种Boost变换器控制方法
    6.
    发明授权

    公开(公告)号:CN104079170B

    公开(公告)日:2016-10-19

    申请号:CN201410342093.6

    申请日:2014-07-18

    Abstract: 本发明涉及一种Boost变换器控制方法,在电流内环电压外环的双环控制基础上,将输入电压与负载电流的前馈引入到电流参考的生成环节,消除输入电压与负载电流的变动对输出电压的干扰,简化电流环节,得到电压环传递函数。此方法显著的提高了Boost变换器的输出电压稳定能力,减小输出电压稳态误差,并且在负荷突变过程中有效减小输出电压的暂态突变。本发明所提方法概念清晰,前馈环节设计方法简单,控制效果显著。

    一种基于压缩感知MACSMP的超次谐波测量方法

    公开(公告)号:CN110045184A

    公开(公告)日:2019-07-23

    申请号:CN201910261684.3

    申请日:2019-04-02

    Abstract: 本发明涉及一种基于压缩感知MACSMP的超次谐波测量方法,包括以下步骤:1)对系统超次谐波信号进行离散化处理,超次谐波离散采样序列x(n);2)对得到系统离散化后的信号X(k)进行离散傅里叶变换,得到系统离散化后的信号X(k);3)通过引入插值因子用以提高信号X(k)的频谱分辨率;4)将提高频谱分辨率后的型号公式等效为压缩感知模型;5)采用MACSMP算法对压缩感知模型进行求解,最终得到测量向量。与现有技术相比,本发明具有运行效率高、适应于信号稀疏度未知的情况等优点。

Patent Agency Ranking