同质集成激光器、反射镜和探测器的通信芯片及制备方法

    公开(公告)号:CN110716260B

    公开(公告)日:2020-07-07

    申请号:CN201910862907.1

    申请日:2019-09-12

    Abstract: 本发明公开了一种同质集成激光器、反射镜和探测器的通信芯片及制备方法,芯片基于硅衬底氮化镓晶圆制备,采用相同工艺步骤制备了两个单片集成的激光二极管,反射镜在刻蚀激光二极管的阶梯状台阶时同时获得,激光二极管在受激辐射模式下工作时作为光源向外发射调制激光信号,在自发辐射模式下工作时作为探测器探测来自外部的激光信号,激光器发出的调制激光信号通过自由空间传输,经氮化镓反射镜反射后到达探测器。本发明的制备方法简化了工艺步骤,降低了工艺难度,提高了制备成功率,而且对准精度更高,制成的通信芯片能够实现基于镜面反射的同质集成片上高速激光通信,有效增强了通信芯片的通信性能,可广泛应用于激光通信和激光传感领域。

    一种双三相电机低振动容错控制方法

    公开(公告)号:CN118748523B

    公开(公告)日:2025-03-04

    申请号:CN202410761740.0

    申请日:2024-06-13

    Abstract: 本发明提供了一种双三相电机低振动容错控制方法,首先根据双三相电机断路故障后的耦合关系改变控制器谐波平面的参考电流,使得转矩输出平稳;其次设计了一种使载波谐波倍频化的调制方法,在每个控制周期通过随机数选择传统中心化调制方法或者载波谐波倍频化方法,实现了随机调制,并计算各相脉宽调制的比较值;最后将各相脉宽调制的比较值与固定载波周期为Ts的三角载波的载波值进行比较,得到双三相的脉宽调制信号,并通过逆变器输出到双三相电机。本发明在保持控制频率固定的情况下,降低了高频谐波的幅值,使得电机的高频振动得到抑制,最终实现了双三相电机的低振动容错控制。

    一种基于Pareto最优的光伏发电超短期功率区间预测方法

    公开(公告)号:CN115618982A

    公开(公告)日:2023-01-17

    申请号:CN202110734031.X

    申请日:2021-06-30

    Abstract: 本发明提供了一种基于Pareto最优的光伏发电超短期功率区间预测方法,包括以下步骤:步骤S01:对多目标优化问题进行描述;步骤S02:使用光伏发电区间预测帕累托最优优化准则;步骤S03:计算基于余弦的非线性相关性度量;步骤S04:运用K‑Means分类;步骤S05:运用多目标遗传算法建立基于NSGA‑II的光伏发电功率概率区间预测模型。本发明提供的方法以光伏发电超短期发电功率为研究对象,提出了一种基于ELM的光伏发电输出功率的区间预测多目标优化模型。用改进的非支配排序多目标遗传算法(Non‑dominated Sorting Genetic Algorithm II(NSGA‑II))以平均区间宽度最小与置信概率最高为目标函数对ELM网络参数进行优化,得到一组给定置信概率下的帕累托最优预测区间。相比于传统多目标转化成单目标方法有更好的实用性。

    一种基于Bootstrap的光伏发电输出功率超短期概率预测方法

    公开(公告)号:CN115545255A

    公开(公告)日:2022-12-30

    申请号:CN202110734021.6

    申请日:2021-06-30

    Abstract: 本发明属于光伏发电领域,涉及一种基于Bootstrap的光伏发电输出功率超短期概率预测方法。本发明提供了一种基于Bootstrap的光伏发电输出功率超短期概率预测方法,包括以下步骤:步骤S01:使用Bootstrap方法对光伏发电输出功率进行预测;步骤S02:计算模型偏差不确定性的量化方差;步骤S03:计算数据噪声不确定性量化方差。本发明提供的方法从ELM回归方法本身的不确定性与数据噪声不确定性角度出发,分别以方差的形式对数据噪声与回归模型的模型偏差给预测结果带来的不确定性进行量化,通过Bootstrap方法对光伏发电输出功率进行预测,统计ELM回归的模型不确定性量化方差,然后对数据噪声的不确定性进行量化,解决了传统神经网络Bootstrap技术无法应用到基于ELM的Bootstrap方法的问题。

    一种基于PIO-LSSVM的短期负荷预测方法

    公开(公告)号:CN114611741A

    公开(公告)日:2022-06-10

    申请号:CN202011442482.8

    申请日:2020-12-08

    Abstract: 本发明公开了一种基于PIO‑LSSVM的短期负荷预测方法,涉及PIO‑LSSVM负荷预测领域,其技术方案要点是:LSSVM模型对电力需求总量变化趋势进行预测,并引人基于PIO算法的参数优化技术来提高LSSVM预测短期负荷量的精度和收敛速度,LSSVM最小二乘支持向量机将最小二乘线性系统引入支持向量机,最小二乘支持向量机的优化指数采用平方项,采用等式约束用于替换标准支持向量机方法中的不等式约束,并把标准支持向量机中解的二次规划问题简化成求解线性方程问题,利用海量外部因素数据,该模型以负荷数据和气象、经济信息为输入因子,引入鸽群优化算法优化模型参数,通过仿真验证了改进预测模型的准确性和有效性。

Patent Agency Ranking