-
公开(公告)号：CN116702409A
公开(公告)日：2023-09-05
申请号：CN202310096337.6
申请日：2023-02-10
Applicant: 北京华能新锐控制技术有限公司
IPC: G06F30/20 , G06Q50/06 , H02J3/38 , H02M7/5387 , H02M1/12 , G06F113/06
Abstract: 本方法公开了一种基于直驱风力发电单元的风电场电磁暂态仿真方法，包括以下操作步骤：S1：风电场的拓扑结构；S2：分析单个VSC换流器的解耦方法；S3：LC/LCL滤波器解耦方法S4：对LCL滤波器可用T型分网组合元件进行解耦S5：集电线路解耦方法；S6：将上述直驱风力发电单元各部分解耦模型进行拼接；S7：计算时序。本方法所述的一种基于直驱风力发电单元的风电场电磁暂态仿真方法，此方法首先利用矩阵分裂原理，按照状态变量进行分组，并将直驱风力发电单元分解为多个子系统，采用半隐式延迟解耦方法实现直驱风力发电单元不同状态变量组之间的时间延迟解耦，在提高直驱风力发电单元电磁暂态仿真的计算效率的基础上还兼顾了较高的仿真精度。
-
公开(公告)号：CN115395502A
公开(公告)日：2022-11-25
申请号：CN202210852465.4
申请日：2022-07-20
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本发明涉及光伏发电技术领域，具体提供一种光伏电站功率预测方法及系统，包括：定期采集光伏电站的环境参数和实际功率，将采集的环境参数按照采集时间先后排序得到参数序列；利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率，所述预测模型包括主策略模型和多个子策略模型，多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器；计算预测功率与相应实际功率的误差，并将所述误差反馈至所述预测模型以修正所述预测模型。本发明基于元学习结构构建短期的功率预测模型，从而实现对光伏电站的短期功率预测，提高了功率预测精度。
-
公开(公告)号：CN114977293A
公开(公告)日：2022-08-30
申请号：CN202210616846.2
申请日：2022-06-01
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本发明提供一种基于风‑光伏‑燃料电池的微电网频率控制的方法，该方法包括：采用线性化传递函数分别对微电网的发电资源和储能系统源进行建模；将发电资源和所述储能系统进行整合形成微电网，建立基于风力‑光伏‑燃料电池的微电网线性化模型；基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器；基于蝙蝠优化算法对微电网频率控制器的性能进行优化。本发明的方法通过基于线性自抗扰控制算法设计的微电网频率控制器，能够有效抑制风速和负荷扰动对系统频率的影响。
-
公开(公告)号：CN115393626A
公开(公告)日：2022-11-25
申请号：CN202210823750.3
申请日：2022-07-14
Applicant: 北京华能新锐控制技术有限公司
IPC: G06V10/764 , G06V10/82 , G06V10/771 , G06T7/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种风机叶片表面缺陷识别系统及方法，该系统包括基于VGG16的用于表面缺陷识别的FCCNN网络模型，FCCNN网络模型包括特征提取器和分类器，特征提取器包括若干个卷积层、若干个最大池化层和若干个全局平均池化层，分类器包括若干个Dropout层和若干个全连接层，特征提取器中的卷积层均采用基于ImageNet预训练后的权值作为初始权值。本发明解决了计算机视觉识别产品表面缺陷时存在的识别准确率较低的问题，实现了产品表面缺陷的准确识别，在缺陷识别问题中具有良好的适用性、有效性，可以实现缺陷的更准确识别，有效确保产品出厂质量，并为工艺参数的优化以及生产调控管理的决策提供准确的参考依据。
-
公开(公告)号：CN115392542A
公开(公告)日：2022-11-25
申请号：CN202210905924.0
申请日：2022-07-29
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本申请提供了一种基于AEEMD和LSTM的风功率预测方法及装置，通过采用基于模态分形特征的自适应集合经验模态分解(Adaptive Ensemble Empirical Mode Decomposition,AEEMD)方法，根据不同模态分量展现出不同的分形维数，并采用粒子群优化算法寻优模态分量分形维最小时的白噪声参数，能够实现EEMD的最佳分解状态，并结合具有良好的非线性建模能力的长短时记忆网络(Long Short Term Memory,LSTM)对AEEMD分解得到的模态分量进行风功率预测，预测精度更高，从而能够提高风能利用效率。
-
Patent Agency Ranking
公开(公告)号：CN115048776A
公开(公告)日：2022-09-13
申请号：CN202210588288.3
申请日：2022-05-27
Applicant: 北京华能新锐控制技术有限公司 , 华能国际电力股份有限公司井冈山电厂
IPC: G06F30/20 , G06N3/00 , G06Q10/04 , G06Q50/06 , H02J3/00 , G06F119/10 , G06F119/14
Abstract: 一种面向海上风电功率预测的分级智能建模方法，由以下4个步骤组成：S1：基于SCADA系统的海上风电机组数据采样；S2：采用带自适应噪声的完全集成经验模态分解对原始数据进行预处理；S3：基于核函数的Arps衰减模型实现非线性扩展模型；S4：引入松鼠算法优化非线性扩展模型的参数；提高了最终功率预测模型的精度，从而达到精确预测风电输出功率的目标。
-
公开(公告)号：CN115017952A
公开(公告)日：2022-09-06
申请号：CN202210662284.5
申请日：2022-06-13
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本发明公开了一种基于多时域平均细分的风机故障诊断方法，包括以下步骤：获取风机正常状态的数据和不同故障状态下的故障状态数据并分别进行MTAD分解，得到MTAD分解后的数据；对MTAD分解出所有频率下的时间序列以波峰绝对值进行模糊熵特征选择，从中选择多个模糊熵较小的时间序列重构特征信号；从风机数据集中随机选取多个数据构建训练集，剩余数据组成特征集；使用训练集训练SVM，使用训练好的SVM模型对测试数据进行准确性和有效性验证，重复多次并分析诊断结果。本发明能够有效地将不同频率下的信号分解开，且可筛选出研究者感兴趣的频段信号，对指定频段外的噪音信号有很强的抑制作用，缩短了计算时间，提升了预测效率。
-
公开(公告)号：CN114967822B
公开(公告)日：2023-09-12
申请号：CN202210588537.9
申请日：2022-05-27
Applicant: 北京华能新锐控制技术有限公司 , 华能国际电力股份有限公司井冈山电厂
IPC: G05F1/67
Abstract: 一种基于二进制非线性搜索的光伏电站FPPT跟踪方法，用于在光伏发电系统FPPT控制过程中，根据功率基准#imgabs0#将其工作点移动到最大功率点的右侧或左侧灵活性功率点；光伏电池电压参考计算模块运行BNS‑FPPT算法，将工作区的功率电压视为一个排序数据集，采用BNS算法在排序数据集执行对数搜索，直到找到目标值；结合非线性二进制搜索算法对光伏电池的灵活性功率点进行跟踪控制，提高了光伏电站的可靠性。
-
公开(公告)号：CN115143059A
公开(公告)日：2022-10-04
申请号：CN202210736108.1
申请日：2022-06-27
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本发明公开了一种改进RNN网络的风机结冰预测方法，包括以下步骤：首先进行数据预处理，随后采用MIV评价指标与t‑分布对SCADA特征进行降维，再输入RNN模型，用于对风力发电机的SCADA数据中的风速、功率、机舱温度进行时间序列上的有效预测，实现对叶片结冰故障机理进行评价。本发明提供的改进RNN网络的风机结冰预测方法，将工业数据与基于特征选择、数据预处理和分类算法的技术相结合，增强了风机结冰预测能力，相较于传统基于数据驱动的风机结冰故障预测，可以有效减小模型不确定性带来的影响，缩短计算时间、提升预测效率，可用于离线SCADA数据故障预测，也可融入在线实时SCADA数据采集系统进行预测。
-
公开(公告)号：CN115130555A
公开(公告)日：2022-09-30
申请号：CN202210607271.8
申请日：2022-05-31
Applicant: 北京华能新锐控制技术有限公司
Abstract: 本发明提供了一种提取用于风电机故障诊断的信息的方法，其挖掘出了SCADA用于故障分类的有效信息。其包括如下步骤：a时间特征提取，输入数据清洗后的SCADA数据，利用回声状态神经网络进行时间特征提取，提取出第v个变量的t时刻输入时间序列{v(1),v(2),...,v(t)}，其中输入序列长度根据实验设定，最终时间特征为Time(t)＝[O(t),x(t)]；b空间特征提取，对各变量在t时刻的相互变化进行提取，对t时刻的各变量通过1*1卷积进行映射，得到多个输出映射，在对多个映射利用1*3,1*5,1*7卷积进行处理，得到空间特征输出Space(t)；c时空特征提取，将Time(t)，Space(t)作为三层前馈神经网络的输入，对该神经网络进行训练，得到最终的分类器。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.051 seconds)
