-
公开(公告)号：CN103258142A
公开(公告)日：2013-08-21
申请号：CN201310218741.2
申请日：2013-06-04
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于天气模式的风电场短期风速预测方法，它涉及基于天气模式的风电场短期风速预测方法，本发明要解决现有风速预测方法没有考虑到风速时间序列在不同的天气条件下会呈现出不同的变化规律，以及模糊聚类给出的聚类结果是球形的，不适合建立回归预测模型的问题。基于天气模式的风电场短期风速预测方法按以下步骤进行：一、对每一个风速样本点进行特征表达；二、使用GPCA算法对特征空间进行子空间分割，将每一样本点投影到对应的子空间中；三、在每一个子空间中，对子空间中的样本点建立一个支持向量机预测模型；四、根据当前时刻样本点对每一个子空间的隶属度，进行集成预测，给出预测结果。本发明可应用于大规模风电资源应用领域。
-
公开(公告)号：CN117283261A
公开(公告)日：2023-12-26
申请号：CN202311460333.8
申请日：2023-11-03
Applicant: 哈尔滨工业大学
IPC: B23P19/00
Abstract: 一种气浮导轨气浮支撑结构精密装配装置及方法，属于超精密装配技术领域。装置是：导轨沿大底板的Y向固定在大底板上，测量尺固定架通过连接块与导轨滑动连接，测量尺套与固定架固定连接，测量尺沿大底板的X向滑动穿出测量尺套，调向台固定在大底板上，调向台与导轨平行设置，气浮导轨装配台通过旋转轴承与调向台连接，I形结构件平行于导轨设置并与气浮导轨装配台定位连接，L形结构件与I形结构件相平行设置并固定安装在气浮导轨装配台上，L形结构件与I形结构件之间的间隙与气浮导轨的气膜厚度相同。本发明的装置及方法便于L形结构件与I形结构件装配，装配过程省时省力，有效提高了装配效率与精度，能够满足超精密设备和装置的高要求。
-
公开(公告)号：CN102738828A
公开(公告)日：2012-10-17
申请号：CN201210214820.1
申请日：2012-06-27
Applicant: 哈尔滨工业大学
CPC classification number: Y02E10/763 , Y02E60/16 , Y02E70/30
Abstract: 利用一体化联合发电单元平抑规模化风电并网功率波动的不确定性的方法，涉及一种抑规模化风电并网功率波动的不确定性的方法。它是为了解决大规模并网风电场功率波动平抑能力不足的问题。其方法：将规模化风电并网功率波动分解为可预报分量和不确定分量的叠加；利用一体化联合发电单元对步骤一中的不确定分量进行界估计，实现传统电源与风电的最优匹配；获取不确定分量的频谱，并对该频谱进行分析，将不确定分量分为超高频、高频、中频、低频四个部分；分别采用超高频跟踪平抑单元、高频跟踪平抑单元、中频跟踪平抑单元和低频跟踪平抑单元进行跟踪平抑；从而实现平抑规模化风电并网功率波动的不确定性。本发明适用于平抑规模化风电并网功率波动的不确定性。
-
Patent Agency Ranking
公开(公告)号：CN103258142B
公开(公告)日：2016-03-23
申请号：CN201310218741.2
申请日：2013-06-04
Applicant: 哈尔滨工业大学
Abstract: 基于天气模式的风电场短期风速预测方法，它涉及基于天气模式的风电场短期风速预测方法，本发明要解决现有风速预测方法没有考虑到风速时间序列在不同的天气条件下会呈现出不同的变化规律，以及模糊聚类给出的聚类结果是球形的，不适合建立回归预测模型的问题。基于天气模式的风电场短期风速预测方法按以下步骤进行：一、对每一个风速样本点进行特征表达；二、使用GPCA算法对特征空间进行子空间分割，将每一样本点投影到对应的子空间中；三、在每一个子空间中，对子空间中的样本点建立一个支持向量机预测模型；四、根据当前时刻样本点对每一个子空间的隶属度，进行集成预测，给出预测结果。本发明可应用于大规模风电资源应用领域。
-
公开(公告)号：CN102738828B
公开(公告)日：2014-12-10
申请号：CN201210214820.1
申请日：2012-06-27
Applicant: 哈尔滨工业大学
CPC classification number: Y02E10/763 , Y02E60/16 , Y02E70/30
Abstract: 利用一体化联合发电单元平抑规模化风电并网功率波动的不确定性的方法，涉及一种抑规模化风电并网功率波动的不确定性的方法。它是为了解决大规模并网风电场功率波动平抑能力不足的问题。其方法：将规模化风电并网功率波动分解为可预报分量和不确定分量的叠加；利用一体化联合发电单元对步骤一中的不确定分量进行界估计，实现传统电源与风电的最优匹配；获取不确定分量的频谱，并对该频谱进行分析，将不确定分量分为超高频、高频、中频、低频四个部分；分别采用超高频跟踪平抑单元、高频跟踪平抑单元、中频跟踪平抑单元和低频跟踪平抑单元进行跟踪平抑；从而实现平抑规模化风电并网功率波动的不确定性。本发明适用于平抑规模化风电并网功率波动的不确定性。
-
公开(公告)号：CN103413174B
公开(公告)日：2016-02-17
申请号：CN201310389450.X
申请日：2013-08-30
Applicant: 哈尔滨工业大学
IPC: G06N3/08
Abstract: 基于深度学习方法的短期风速多步预测方法，涉及一种短期风速的多步预测方法。为了解决目前的风速预测方法存在风速预测效果差的问题。它包括：一：基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型；二：采用逐层贪心方法，结合被测风电场的近期实际风速数据对建立的深度神经网络回归模型进行训练，通过所述模型的非线性映射功能，学习得到所述模型的序列之间的映射关系，来确定深度神经网络回归模型；三：根据确定的深度神经网络回归模型，对被测风电场的实际风速进行多步预测，得到所述被测风电场的风速预测结果。它用于风电场短期风速的预测。
-
公开(公告)号：CN103413174A
公开(公告)日：2013-11-27
申请号：CN201310389450.X
申请日：2013-08-30
Applicant: 哈尔滨工业大学
IPC: G06N3/08
Abstract: 基于深度学习方法的短期风速多步预测方法，涉及一种短期风速的多步预测方法。为了解决目前的风速预测方法存在风速预测效果差的问题。它包括：一：基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型；二：采用逐层贪心方法，结合被测风电场的近期实际风速数据对建立的深度神经网络回归模型进行训练，通过所述模型的非线性映射功能，学习得到所述模型的序列之间的映射关系，来确定深度神经网络回归模型；三：根据确定的深度神经网络回归模型，对被测风电场的实际风速进行多步预测，得到所述被测风电场的风速预测结果。它用于风电场短期风速的预测。
-
公开(公告)号：CN102709926A
公开(公告)日：2012-10-03
申请号：CN201210216019.0
申请日：2012-06-28
Applicant: 哈尔滨工业大学
IPC: H02J3/24
Abstract: 智能电网建设中基于相关向量机的旋转热备用的调度方法，本发明涉及一种基于相关向量机的旋转热备用的调度方法。为解决含规模化风电等新能源电力系统难以设置旋转热备用以平抑风电并网功率波动问题。将初始化设置结果传递到风功率相关向量机预测系统中；风电场风功率采集模块实时将风电场风功率的测量值进行采集，进行数据预处理后将数据传递给风功率相关向量机预测系统中；风功率相关向量机预测系统接收数据，对未来时刻的风功率进行预测，预测的结果为未来时刻的风功率值和风功率的误差带；将得到的预测值和误差带送入到调度控制器中，预测值即为风电场未来的发电计划，误差带代表的功率范围即为对风电场配备的旋转热备用。本发明用于智能电网建设中。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
