一种电力负荷分段概率预测方法
    6.
    发明公开

    公开(公告)号:CN116706867A

    公开(公告)日:2023-09-05

    申请号:CN202211656055.9

    申请日:2022-12-22

    Applicant: 安徽大学

    Abstract: 本发明公开了一种电力负荷分段概率预测方法,根据SEIR传染病动力模型,针对疫情建立疫情的流行期、爆发期、管控期、恢复期阶段划分模型,基于注意力机制实现不同疫情阶段负荷的特征提取;基于长短期记忆神经网络,实现不同疫情阶段负荷的点预测;基于分位数回归方法,实现不同疫情阶段负荷的概率预测。通过分析不同疫情阶段对负荷预测的影响,有效减少由于疫情阶段特性对预测结果的波动性干扰,通过长短期记忆人工神经网络模型方法对电力负荷进行概率预测,表征疫情波动对电力负荷的影响,具有良好的预测精度,将能够为规划、运行调度等提供更为可靠的负荷预测数据,降低系统的预测风险,提高经济性。

    一种考虑负荷不确定性的区域综合能源系统周期划分方法

    公开(公告)号:CN116205435A

    公开(公告)日:2023-06-02

    申请号:CN202211656514.3

    申请日:2022-12-22

    Applicant: 安徽大学

    Abstract: 本发明公开了一种考虑负荷不确定性的区域综合能源系统周期划分方法,包括建立负荷不确定性的类波函数模型,提出负荷不确定性原理,采用定性与定量分析相结合的综合评价方法,建立类量子势能函数的评价模型,量化评价规划前后势能函数;优化求解规划周期的划分原则,得到一种考虑负荷不确定性的区域综合能源系统周期划分方法。通过本发明方法可定性定量的评价某些难以描述的变量关系,可以从侧面实现某些无法建模的变量之间的参数估计,生成的规划方案优化规划周期划分,及时调整规划周期,避免负荷预测与实际偏差过大造成的损失,使得能源规划可以根据区域发展及时调整。

    子模块故障下多电平储能变换器结温优化控制方法

    公开(公告)号:CN116111640A

    公开(公告)日:2023-05-12

    申请号:CN202211557776.4

    申请日:2022-12-06

    Applicant: 安徽大学

    Abstract: 子模块故障下多电平储能变换器结温优化控制方法,步骤如下:S1、实时监测各个桥臂电流ijk、各个桥臂内子模块i开关信号Sjk_i、各个桥臂内子模块i电容电压ucjk_i、各个桥臂内子模块i的散热片温度Thjk_i;S2、根据功率器件的损耗表达式得到各个桥臂的功率损耗Ploss_jk;S3、计算各个桥臂的结温Tjk;S4、针对多电平储能变换器桥臂间结温不平衡,将桥臂结温中的最小值设定为参考值Tref,通过调节各个桥臂中子模块电容电压波动Vjk_r。本申请无需改变多电平储能变流器子模块拓扑结构或调制策略,对多电平储能变流器输出电压波形质量影响小且控制逻辑设计简单易于实施。本申请在实现多电平储能变换器结温平衡控制的同时不会增加硬件和软件实现成本。

    基于变分类频率的多电平储能变流器结温平衡控制方法

    公开(公告)号:CN116247956A

    公开(公告)日:2023-06-09

    申请号:CN202211557801.9

    申请日:2022-12-06

    Applicant: 安徽大学

    Abstract: 基于变分类频率的多电平储能变流器结温平衡控制方法,步骤如下:S1、实时监测各个桥臂电流ijk、各个桥臂内模块i开关信号Sjk_i、各个桥臂内模块i电容电压ucjk_i、各个桥臂内模块i的散热片温度Thjk_i;S2、由监测得到的桥臂电流ijk,开关信号Sjk_i,电容电压ucjk_i,根据功率器件的损耗表达式得到各个桥臂的功率损耗Ploss_jk;S3、利用各个桥臂开关器件的损耗Ploss_jk,各个桥臂的散热片温度Thjk和结温表达式,计算各个桥臂的结温Tjk;S4、将桥臂结温中的最小值设定为参考值Tref,通过调节各个桥臂中电容电压平衡控制的分类频率fjk_s。本申请无需改变多电平储能变流器子模块拓扑结构或调制策略,对多电平储能变流器输出电压波形质量影响小且控制逻辑设计简单易于实施。

    一种VMD-A-TCN多元负荷预测方法
    10.
    发明公开

    公开(公告)号:CN118863167A

    公开(公告)日:2024-10-29

    申请号:CN202411015368.5

    申请日:2024-07-26

    Applicant: 安徽大学

    Abstract: 本发明提出一种VMD‑A‑TCN多元负荷预测方法,首先利用聚类方法,结合负荷的周期性规律,构建第一重分段即周期性分段规则,以挖掘负荷不同周期的时序特征,得到典型负荷曲线;在此基础上,利用基于峰谷时刻的重要点分段方法,将典型负荷曲线分段,构建第二重分段规则;然后计算多元负荷间基于相关性系数的加权相似性,筛选相似日作为预测模型的数据集;对数据集中的多元负荷进行变分模态分解得到多个不同的本征模态函数,以降低负荷序列的非线性,同时为降低预测的时间复杂度把熵值相近的IMF聚合;最后采用融合注意力机制的时序卷积网络进行预测,得到预测结果,本发明所提方法能够有效提高预测结果的准确率。

Patent Agency Ranking