-
公开(公告)号：CN118331384A
公开(公告)日：2024-07-12
申请号：CN202410287477.6
申请日：2024-03-13
Applicant: 三峡大学
IPC: G05F1/67 , C25B1/04 , C25B15/02 , C25B9/65 , C25B9/19 , H02J3/00 , H02J3/32 , G06F17/11 , G06F17/18
Abstract: 本发明公开一种基于INC的光储耦合制氢系统控制方法及系统，包括：搭建光储耦合制氢系统的数学模型，建立光伏电池模型、电化学储能系统模型和PEM电解槽模型；光伏系统以及储能系统均通过变流器与直流母线直接相连，并相应采取MPPT控制和自适应控制方法，负荷端连接PEM电解槽；采用下垂控制叠加双向DC‑DC变流器作为锂电池输出端接口来实现输出或吸收光伏电源波动能量，实现对储能系统充放电的控制；分析光伏电池及PEM电解槽的工作特性，基于改进电导增量法的变步长MPPT算法，引入与电流I相关的系数对特性曲线dP/dU的值进行修正；本发明通过改进电导增量法的变步长MPPT算法使得光伏直流耦合制氢系统的能量转化率和产氢效率得到显著提高。
-
公开(公告)号：CN116896120A
公开(公告)日：2023-10-17
申请号：CN202310648268.5
申请日：2023-05-30
Applicant: 三峡大学
Abstract: 本发明涉及计及双馈风机故障特性的变流器控制参数分区间辨识方法，包括：根据双馈风机变流器典型控制方程确定待辨识参数；确定每个故障区间下的主导控制参数；搭建双馈风机仿真模型，利用改进粒子群优化算法对主导控制参数进行分区间辨识；在不同电压跌落程度的短路故障工况下验证辨识结果的有效性。本发明考虑了各控制参数对局部区间故障工况响应曲线的影响，将故障特性曲线从时域角度划分为故障前、故障中和故障后三个区间，通过斯皮尔曼相关系数法选取与三区间响应数据强相关的控制参数，利用IPSO算法对双馈风机的控制参数进行分区间辨识，有效提高了控制参数的辨识精度。
-
公开(公告)号：CN116306183A
公开(公告)日：2023-06-23
申请号：CN202310139086.5
申请日：2023-02-16
Applicant: 三峡大学
IPC: G06F30/25 , H02J3/38 , G06F30/27 , G06N3/006 , G06N3/0442 , G06F111/08 , G06F113/06
Abstract: 本发明涉及考虑全风速范围的双馈风机变流器控制参数辨识方法，包括：确定待辨识的双馈风机变流器控制参数，采集不同控制参数下的各观测量输出响应数据集，计算待辨识参数与不同观测量间的相关性，选取观测量；利用门控循环单元得到各待辨识控制参数的初步辨识值；基于初步辨识值，利用改进粒子群算法分别对双馈风机不同运行状态下的控制参数进行精确辨识；在三相故障扰动下计算实测曲线与辨识曲线响应误差，验证辨识结果的准确性。本发明在GRU模型初步辨识值的基础上，以风速为依据划分三种不同运行状态，利用改进粒子群算法分别对不同运行状态下的双馈风机变流器控制参数进行了精确辨识，有效解决了风电的随机出力特性影响辨识精度的问题。
-
公开(公告)号：CN115800245A
公开(公告)日：2023-03-14
申请号：CN202211372516.X
申请日：2022-11-03
Applicant: 三峡大学
Abstract: 基于SARIMA‑随机森林组合模型的短期负荷预测方法，包括以下步骤：利用滑动窗口对原始负荷数据进行分组，对各组的待测周前‑次日数据集进行分解得趋势项、季节项和残差项；建立SARIMA模型，预测趋势项得到初步预测结果和残差；聚类天气因素获取相似日，分组构建天气‑残差数据集并建立随机森林回归模型，学习天气因素对残差的影响，利用网格搜索法选择模型参数；组合模型的预测结果，对比天气聚类、残差训练对负荷预测准确率的影响。该方法能够在已知待测日历史负荷和天气因素的条件下准确预测次日负荷，提高了预测准确率。
-
公开(公告)号：CN116227320A
公开(公告)日：2023-06-06
申请号：CN202211550049.5
申请日：2022-12-05
Applicant: 三峡大学
IPC: G06F30/27 , G06F17/10 , G06N3/08 , G06N3/006 , G06N3/0442
Abstract: 本发明公开一种基于LSTM‑IPSO的双馈风机控制参数辨识方法，包括如下步骤：利用RT‑LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型；增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数‑输入特征集；使用LSTM神经网络对控制参数‑输入特征集进行训练预测，得到预测初始值和寻优范围；利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；判断辨识模型的可靠性；本发明解决了低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN119921286A
公开(公告)日：2025-05-02
申请号：CN202411905480.6
申请日：2024-12-23
Applicant: 三峡大学
Abstract: 本发明公开一种基于母线电压分层的电氢混合储能直流微网协调控制方法：包括以下步骤：步骤1：搭建电氢混合储能直流微电网系统的数学模型，建立风力发电系统模型、电化学储能系统模型和氢储能系统模型；步骤2：基于母线电压波动范围，为系统划分运行工况；步骤3：氢储能系统采用基于模糊算法的下垂控制和恒压控制；步骤4：电化学储能系统采用类虚拟同步机控制和恒电压控值；本发明通过基于母线电压分层的电氢混合储能直流微网协调控制方法使得直流微网母线电压在源荷波动条件下保持稳定，具有良好的动态性能，并有效改善氢储能系统的过充过放问题。
-
公开(公告)号：CN118611416A
公开(公告)日：2024-09-06
申请号：CN202410550091.X
申请日：2024-05-06
Applicant: 三峡大学
IPC: H02M1/42 , G06F30/373 , H02M3/158 , H02M1/00 , G06F111/06
Abstract: 基于拉格朗日乘数法的单相Boost APFC变换器效率与功率密度综合优化方法，分析单相Boost APFC变换器的拓扑结构和工作原理；推导单相Boost APFC变换器中各元件的电流表达式；推导单相Boost APFC变换器中各元件的功率损耗表达式并设计升压电感磁芯；推导单相Boost APFC变换器的效率表达式，分析效率与内部参数之间的关系；推导单相Boost APFC变换器的无源元件的总体积表达式；设置约束条件构建单相Boost APFC变换器效率和功率密度优化的拉格朗日函数，对目标函数求偏导并令导数为零，求出最优效率和功率密度下的开关频率和升压电感值。本发明优化单相Boost APFC变换器内部参数，在考虑磁通密度和电流纹波限制的情况下，采用拉格朗日乘数法求解最优效率，进而提高了设计工作的效率。
-
公开(公告)号：CN117008472A
公开(公告)日：2023-11-07
申请号：CN202310757706.1
申请日：2023-06-25
Applicant: 三峡大学
IPC: G05B13/04 , G06N3/0442 , G06N3/0985
Abstract: 一种基于LSTM自适应PI控制的光伏MPPT方法，步骤为：Step1、建立光伏组件数学模型，构成整个光伏发电系统；Step2、在每个参考电压下调节不同的PI参数进行控制，采样对应的输出电压波形数据；Step3、对数据集进行处理，对电压数据进行归一化处理，限定预处理数据在区间[0,1]内；Step4、进行神经网络权值训练通过训练得到每个参考电压对应的最优Kp、Ki值；Step5、重新选择对应最优Kp、Ki值；Step6、判断光伏系统是否满足在最大功率点运行；Step7、监测光伏系统运行工况是否发生突变，满足工况突变条件，则重启控制算法，并重新选择对应的PI参数最优值。在光伏阵列MPPT控制过程中准确地自适应调节PI，使光伏阵列输出功率具有更快的动态响应且输出电压振荡减小。
-
-
公开(公告)号：CN115729211A
公开(公告)日：2023-03-03
申请号：CN202211446047.1
申请日：2022-11-18
Applicant: 三峡大学
IPC: G05B23/02
Abstract: 一种实测建模一体化自动测试系统及测试方法，包括测试模块、辨识模块和分析模块；测试模块用于新能源控制器硬件在环仿真测试，为辨识模块提供实测数据支撑；辨识模块用于新能源控制器机电模型参数辨识，参数辨识为基于硬件在环实测数据，通过编写辨识算法自动地修改辨识模型中各待辨识参数，直至满足辨识精度要求并自动输出最优辨识参数；分析模块用于新能源机电暂态建模测试，验证辨识模块中参数辨识结果的正确性，通过设置不同的测试工况，自动地进行机电暂态仿真，并对每次仿真结果与硬件在环测试结果自动进行误差分析。本发明替代传统的手动测试工作，自动地进行硬件在环测试、参数辨识及机电暂态建模测试，并对结果数据进行自动保存。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.017 seconds)
