-
公开(公告)号：CN114566971B
公开(公告)日：2024-09-24
申请号：CN202210196338.3
申请日：2022-03-01
Applicant: 东北大学秦皇岛分校
Abstract: 可再生能源出力的间歇性和负荷的随机性给电网安全运行带来了挑战，最优潮流需要实时求解以有效帮助电网运营商做出有效的实时决策。本发明提出了一种基于近端策略优化算法的实时最优潮流计算方法，涉及电力系统规划控制领域。首先依据电力系统的拓扑结构、历史信息和潮流求解器构建电力系统仿真环境；然后搭建近端策略优化算法的智能体，在离线训练过程中与环境进行交互并优化智能体参数。离线训练结束后，智能体依据电网中实时状态提供最优动作，得到接近最优的潮流解，实现在线应用。本发明在IEEE14节点系统中进行训练和验证，并与MATPOWER的最优潮流标准解进行比较，验证了该方法在计算实时最优潮流上的有效性。
-
公开(公告)号：CN114552678B
公开(公告)日：2024-09-24
申请号：CN202210230225.0
申请日：2022-03-09
Applicant: 东北大学秦皇岛分校
Abstract: 交直流微电网被认为是分布式发电的一种有效的解决方案。本发明提出一种考虑恒功率负载与小信号稳定性的系统及控制方法，涉及电力电子领域；本发明建立了微电网中包括源侧的输出阻抗和负载侧包括恒功率负载的输入阻抗模型，然后提出了一种级与内模原理的模糊准比例谐振控制方法的，然后对推导的小信号模型进行小信号稳定性分析，研究带有恒功率负载对系统的影响，由于方法在高频有高的幅值裕度，因此提出的模糊比例谐振控制能够增强微电网的小信号稳定性。最后通过pscad和matlab仿真说明了该控制方法的有效性。
-
公开(公告)号：CN116596237A
公开(公告)日：2023-08-15
申请号：CN202310553152.3
申请日：2023-05-17
Applicant: 东北大学秦皇岛分校
IPC: G06Q10/0631 , G06Q50/06 , G06Q50/30 , G06Q30/0283 , G06F17/11
Abstract: 本发明提供一种基于用户环境感知的耦合电网‑交通网能流优化方法，涉及电力技术领域。本发明通过多元离散选择模型，对用户环境感知意识影响下的路径决策行为进行概率化表征，建立环境感知型路网交通流均衡分配准则，建立基于用户环境感知意识的耦合电网‑交通网能流优化模型，实现环境感知型能流均衡优化。本发明的方法通过在耦合电网‑交通网能流优化模型中考虑用户环境感知意识的影响，在网络达到环境感知型均衡状态时，有效提升了充电站所整合可再生能源的利用效率，实现了充电站本地可再生能源平均利用率49.52％的增幅；同时，更为低碳清洁的交通流、充电负荷需求分配结果，有效降低了配电网运营成本，实现了配电网总购电量6.8％的降幅。
-
公开(公告)号：CN115423128A
公开(公告)日：2022-12-02
申请号：CN202211066557.6
申请日：2022-08-31
Applicant: 东北大学秦皇岛分校
Abstract: 本发明涉及一种非侵入式异常负荷行为的监测方法、电子设备和存储介质，所述方法包括，获取非侵入式负荷监测设备的实时监测数据并去噪；所述监测数据包括：所述非侵入式负荷监测设备监测的预选电力电路的总电压和总电流数据；针对去噪后的监测数据，将存在负荷状态转换的监测数据作为有效监测数据；基于预先构建的功率策略，对有效监测数据进行颜色编码处理，获得每一电力电路对应的总电压和总电流的V‑I轨迹图像；将所述V‑I轨迹图像输入到训练的条件生成对抗网络，基于生成的特征重构图像判断各电力电路是否存在异常负荷。其有益效果是，能够解决现有技术中非侵入式负荷监测扩展性低、灵活度低、监测误差高的技术问题。
-
公开(公告)号：CN109274095B
公开(公告)日：2020-07-14
申请号：CN201811275320.2
申请日：2018-10-30
Applicant: 东北大学秦皇岛分校
IPC: H02J3/00
Abstract: 本发明公开了一种基于互信息的低压配电网用户拓扑估计方法及系统，其中，所述方法包括：步骤S1，获取用户电压时间序列数据和变压器电压时间序列数据；步骤S2，根据用户电压时间序列数据和变压器电压时间序列数据计算用户电压之间的互信息以及用户与变压器之间的互信息；步骤S3，根据用户与变压器之间的互信息依靠K均值聚类算法进行用户相位识别；步骤S4，构建拓扑模型；步骤S5，针对相位识别后的用户利用最小生成树算法根据用户电压之间的互信息的大小完成拓扑估计。与现有技术相比，本发明不依赖已知拓扑，无需额外载波，不受配电台区负载影响，没有现场测试接线问题，不存在安全隐患，提高拓扑估计的速率。
-
Patent Agency Ranking
公开(公告)号：CN109274095A
公开(公告)日：2019-01-25
申请号：CN201811275320.2
申请日：2018-10-30
Applicant: 东北大学秦皇岛分校
IPC: H02J3/00
Abstract: 本发明公开了一种基于互信息的低压配电网用户拓扑估计方法及系统，其中，所述方法包括：步骤S1，获取用户电压时间序列数据和变压器电压时间序列数据；步骤S2，根据用户电压时间序列数据和变压器电压时间序列数据计算用户电压之间的互信息以及用户与变压器之间的互信息；步骤S3，根据用户与变压器之间的互信息依靠K均值聚类算法进行用户相位识别；步骤S4，构建拓扑模型；步骤S5，针对相位识别后的用户利用最小生成树算法根据用户电压之间的互信息的大小完成拓扑估计。与现有技术相比，本发明不依赖已知拓扑，无需额外载波，不受配电台区负载影响，没有现场测试接线问题，不存在安全隐患，提高拓扑估计的速率。
-
公开(公告)号：CN117093895A
公开(公告)日：2023-11-21
申请号：CN202310930698.6
申请日：2023-07-27
Applicant: 东北大学秦皇岛分校
IPC: G06F18/24 , G06F18/23 , G06F18/214 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种高炉故障诊断方法，所述方法包括：获取高炉过程实时数据；通过变分模态分解方法提取所述高炉过程实时数据的第一变量特征，并生成拓扑数据；通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，形成分类结果；根据所述分类结果识别高炉设备当前状态。该方案采用变分模态分解，提取变量不同时间尺度的特征，从而减少噪声对故障诊断模型的干扰；通过本方案，可以实现高炉故障自动诊断，提高冶炼效率和质量，降低生产成本，保障生产安全，促进钢铁工业的可持续发展。
-
公开(公告)号：CN110428175A
公开(公告)日：2019-11-08
申请号：CN201910715086.9
申请日：2019-08-05
Applicant: 东北大学秦皇岛分校
IPC: G06Q10/06 , G06Q50/04 , G06F16/215 , G06F16/2458 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的热轧带钢板凸度预报方法，包括以下步骤：S1，采集并记录带钢生产数据，然后对采集到的数据进行预处理，包括缺失值删除、异常值删除、归一化；S2，根据所述带钢生产数据，利用基于Morisita指数的属性选择方法，去除所采集数据中的冗余与不相关属性，筛选出能够表征板凸度变化的最少数量的属性构成预报模型的输入变量集；S3，基于所述的输入变量集建立基于深广卷积神经网络的带钢出口板凸度预报模型，从而获得热轧带钢出口板凸度。本发明利用卷积神经网络中的卷积层提取数据的高阶特征和不变性特征，学习变量间局部相关关系，并结合深度神经网络的全局特征学习能力，显著提高了板凸度预报精度。
-
公开(公告)号：CN119160033A
公开(公告)日：2024-12-20
申请号：CN202410735126.7
申请日：2024-06-07
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供基于混合动作空间的电动汽车充放电决策方法，涉及电动汽车技术领域。该方法具体包括：构建包括若干个电动汽车充电模型的多智能体充电系统；分别构建状态空间、混合动作空间和奖赏函数；采用混合动作空间多智能体软动作‑评论算法为多智能体充电系统构建多智能体强化学习框架并进行初始化；获取t时刻电动汽车的状态，再利用初始化后的多智能体强化学习框架得到t时刻电动汽车选择的连续动作、t时刻电动汽车的瞬时奖励和t+1时刻电动汽车的状态，并放入经验池；从经验池从随机抽取数据样本并输入到多智能体强化学习框架中训练网络参数，得到训练好的多智能体强化学习框架，用于解决电动汽车的充放电决策问题。
-
公开(公告)号：CN117106994A
公开(公告)日：2023-11-24
申请号：CN202310930612.X
申请日：2023-07-27
Applicant: 东北大学秦皇岛分校
IPC: C21B5/00 , G06F18/24 , G06F18/214 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08 , C21B7/24
Abstract: 本发明涉及一种高炉过程监测方法，根据时滞矩阵构建目标监测模型进行训练，监测模型包括图注意力神经网络和门控循环神经网络；将时滞矩阵输入至目标监测模型，生成时空特征向量和残差向量，其中时空特征向量生成特征空间、残差向量生成残差空间；根据KNN算法在特征空间获取每个样本的HD分数，根据KNN算法和残差空间获取每个样本的RD分数；采用KNN算法和HD分数生成第一监测阈值，KNN算法和得到的RD分数生成第二监测阈值；将HD分数与第一监测阈值进行比较生成第一比较结果，RD分数与第二监测阈值进行比较生成第二比较结果，根据第一比较结果和第二比较结果生成监测结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.038 seconds)
