会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

专家报告|西安交通大学刘增副教授：分布式储能中多变流器系统构网控制与振荡分析

2024年5月24-26日，第二十一届中国电气自动化与电控系统学术年会在天津召开，会议邀请西安交通大学刘增副教授在会上作了《分布式储能中多变流器系统构网控制与振荡分析》的报告分享。此报告探讨了分布式储能中多变流器系统的构网控制与振荡特性，主要包括研究背景、系统架构、构网控制技术和系统振荡分析四个方面。在现代电力系统中，分布式储能广泛应用，而多变流器系统在实际运行中面临功率协调、稳定性及控制复杂度等挑战。为应对这些问题，报告从储能变流器的并联架构及构网控制基本原理出发，介绍功率分配、频率电压控制等核心技术，深入分析多变流器间的动态耦合关系，通过基于端口频率特性的系统建模和实验验证揭示系统振荡的成因及抑制方法。本文将对报告内容进行详细解读，帮助读者更好地理解和掌握这一领域的最新研究进展。

  • 2024-11-17
  • 阅读124

东南大学研究团队：基于改进粒子群算法的无线充电系统参数优化

基于LCC-S型补偿拓扑的磁耦合谐振式无线充电（MCR-WPT）系统，建立其数学模型，从工作频率、补偿电感和负载阻抗三个方面分析其对系统传输性能的影响。针对目前高阶补偿拓扑的参数难以达到最优配置的问题，以提高系统的传输效率为优化目标，以输出功率为约束条件，建立其优化模型，对高阶非线性参数最优配置问题进行优化。为避免优化结果陷入局部最优，提出一种基于种群进化的混合粒子群优化（HP？SO）算法，并基于LCC-S型无线电能传输（WTP）系统优化模型对传统的粒子群算法和改进的算法进行仿真对比。结果表明改进的粒子群算法可有效地避免优化结果陷入局部最优。最后，搭建了无线充电系统实验平台，对系统的工作频率特性和负载阻抗特性进行实验分析，实验结果与理论分析和仿真优化结果一致。

  • 2024-11-17
  • 阅读41

电池系统管理|离散型卡尔曼滤波算法基础

电池系统管理 | 离散型卡尔曼滤波算法基础

  • 2024-11-17
  • 阅读42

电池系统管理|电池单体-电池包老化模型搭建概述

目前的寿命模型更多地应用于电池性能评估，基本无法在线应用。——结论

  • 2024-11-17
  • 阅读47

HPPC脉冲响应下锂电池二阶RC模型在线参数识别-递归最小二乘算法

HPPC脉冲响应下锂电池二阶RC模型在线参数识别-递归最小二乘算法

  • 2024-11-17
  • 阅读43

云南民族大学研究团队：基于麻雀算法优化的VMD？CNN？LSTM的短期风电功率研究

考虑相关风电场之间的影响因素可以有效提升新建风电场的风电功率预测精度，提出利用变分模态分解技术（VMD）将单风电场风电功率预处理分解为本征模态函数（IMF），然后将各风电场同频段分量，即低频分量、高频分量和残差分量，组合为二维特征矩阵作为卷积神经网络（CNN）的输入，利用卷积神经网络提取同分量子模态下空间特征信息，输入到长短时记忆网络（LSTM）提取时间序列中的长时依赖关系进行预测，最后将预测结果进行叠加，获得完整的预测结果。组合神经网络的超参数设置相较于单一模型对预测精度的影响更大，采用新型麻雀搜索算法（SSA）可以节省人工手动调制参数的时间、提高超参数设置的精度和效率。使用该方法对某风电集群中的新建基准风电场进行预测，预测结果表明经SSA优化的VMD-CNN-LSTM模型在预测风电集群数据上有较高的精度，预测效果好于对比模型LSTM，CNN-LSTM和SSA-VMD-LSTM。

  • 2024-11-12
  • 阅读66

学术报告|东南大学花为教授：高速化背景下的电机参数在线辨识方法研究

学术报告|东南大学花为教授：高速化背景下的电机参数在线辨识方法研究 ？科技部中青年科技创新领军人才等。主持国家重点研发计划项目课题、973项目子课题、国家自然科学基金、江苏省重大科技成果转化资金、航空科学基金等科研项目 30 多项。共发表论文近200篇，其中SCI检索150 余篇。出版国家级规划教材工部、国际出版社专著2部。申请中国发明专利109件．PCT发明专利1件，己获授权发明专利60件，1件获第42 届瑞士日内瓦国际发明展览会银奖，中国专利优秀奖、江苏省专利项目金奖。

  • 2024-11-11
  • 阅读84

基于LSTM神经网络的双馈风机控制参数辨识方法｜《中国电力》

能源危机促进了新能源的快速发展，以风电为代表的新能源机组在电网中的占比不断提高，但具有间歇性和随机性特征的风电机组通过非线性电力电子变流器大量接入电网对电力系统的安全稳定运行带来巨大挑战，主要原因之一是风机控制参数对其出力特性影响巨大，而风机实际控制参数难以收集，导致研究人员无法获得风机的精确模型，因此，从风机自身特性研究和电力系统稳定性分析的角度来看，对风机的真实控制参数进行高精度辨识具有极为重要的实际意义和研究意义。 《中国电力》2023年第6期刊发了薛飞等人撰写的《基于LSTM神经网络的双馈风机控制参数辨识方法》一文。文章提出一种基于LSTM的双馈风机控制系统参数辨识方法。基于RT-LAB半实物仿真平台获得来自真实控制器的双馈风机硬件在环测试数据，采用Person相关系数法提取高相关性特征并进行神经网络训练，利用LSTM神经网络对双馈风机的控制参数进行辨识。

  • 2024-11-12
  • 阅读385