-
公开(公告)号：CN115169544A
公开(公告)日：2022-10-11
申请号：CN202211075827.X
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种短期光伏发电功率预测方法及系统。首先获取目标域光伏发电站以及源域光伏发电站的特征数据，对数据进行预处理后划分出训练数据和测试数据，然后构建GRU‑DANN对抗迁移学习模型并对其进行训练，得到训练好的GRU‑DANN对抗迁移学习模型，最后将测试数据输入至训练好的GRU‑DANN对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。本发明可从多样本光伏发电站的数据中自动提取出建立少样本光伏发电站功率预测模型所需要的特征，实现多样本光伏发电站对少样本光伏发电站的有效迁移，以提高少样本光伏发电站的功率预测精度。
-
公开(公告)号：CN116025515B
公开(公告)日：2024-01-12
申请号：CN202310035189.7
申请日：2023-01-10
Applicant: 广东工业大学
Abstract: 本发明提供一种基于解析惯性模型的全变流器型风机参数调试方法，包括以下步骤：S1：分解出全变流器型风机的各控制回路；S2：设定各控制回路的动态方程；S3：根据各控制回路的动态方程分别构建相应控制模态的解析惯性模型；S4：基于解析惯性模型分别获取各控制回路的控制模态特征根；S5：基于控制模态特征根得到控制器参数分别与控制模态阻尼系数、控制模态振荡频率之间的关系；S6：根据动态响应需求，反向推演并调整控制器参数，完成风机参数调试。本发明提供一种基于解析惯性模型的全变流器型风机参数调试方法，解决了目前风机参数调试过程复杂的问题。
-
公开(公告)号：CN116733687A
公开(公告)日：2023-09-12
申请号：CN202310485507.X
申请日：2023-04-28
Applicant: 广东工业大学
Abstract: 本发明涉及一种风机内部模态谐振的检测方法，步骤一：针对风机控制结构分解各控制回路；步骤二：推导控制回路动态方程；步骤三：构建通用转矩分析模型；步骤四：构建交互传递函数；步骤五：根据交互传递函数辨识对运行工况敏感的关键控制模态；步骤六：针对辨识的关键控制模态，求解内部谐振交互所导致的特征根偏移；步骤七：分析变量参与度及特征根偏移大小，确定是否存在谐振拐点。通过对所有控制回路进行详细建模，挖掘不同控制模态间的交互关系。在此基础上，构建了通用转矩分析模型，用于揭示内部模态谐振机理，通过模型的变量参与度和特征根偏移大小来检测和识别共振拐点，用以指导风机运行和参数调节，增强风机运行稳定性。
-
公开(公告)号：CN116070763A
公开(公告)日：2023-05-05
申请号：CN202310101458.5
申请日：2023-02-08
Applicant: 广东工业大学
IPC: G06Q10/04 , G06N3/08 , G06Q50/06 , G06N3/0442 , G06N3/0464
Abstract: 本发明提出一种基于梯度进化的新建风电场风电功率预测方法及系统，涉及风电功率预测的技术领域，从目标风电场及其邻近风电场中获取风电相关数据，并对风电相关数据进行处理然后构建邻近风电场与目标风电场的时空图卷积生成对抗网络，有效地利用一定范围内邻近风电场与目标风电场在时间、空间上关系，构建相似图、相关图、距离图，充分的挖掘时空特性生成数据实现数据扩充，可以提高生成样本的质量，采用进化门控循环单元网络，基于梯度进化计算框架实现不同训练方式的优势互补，交换融合梯度信息，解决由神经网络搭建的门控循环单元网络单一训练方式中可能存在梯度消失、梯度爆炸、局部最优问题，提升风电功率预测精度。
-
公开(公告)号：CN116025515A
公开(公告)日：2023-04-28
申请号：CN202310035189.7
申请日：2023-01-10
Applicant: 广东工业大学
Abstract: 本发明提供一种基于解析惯性模型的全变流器型风机参数调试方法，包括以下步骤：S1：分解出全变流器型风机的各控制回路；S2：设定各控制回路的动态方程；S3：根据各控制回路的动态方程分别构建相应控制模态的解析惯性模型；S4：基于解析惯性模型分别获取各控制回路的控制模态特征根；S5：基于控制模态特征根得到控制器参数分别与控制模态阻尼系数、控制模态振荡频率之间的关系；S6：根据动态响应需求，反向推演并调整控制器参数，完成风机参数调试。本发明提供一种基于解析惯性模型的全变流器型风机参数调试方法，解决了目前风机参数调试过程复杂的问题。
-
Patent Agency Ranking
公开(公告)号：CN115983494A
公开(公告)日：2023-04-18
申请号：CN202310113171.4
申请日：2023-02-10
Applicant: 广东工业大学
Abstract: 本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，减少因风电波动性带来的误差，然后利用目标风电场数据对模型参数再次训练以进行精调，获得对目标小样本拟合更好的模型，提升新建少样本风电场风电功率预测的精度。
-
公开(公告)号：CN115169543A
公开(公告)日：2022-10-11
申请号：CN202211075821.2
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于迁移学习的短期光伏功率预测方法及系统，先获取源域以及目标域光伏发电站的特征数据并进行预处理，划分得到源域训练数据、目标域的训练数据和测试数据；然后通过源域训练数据对源域预测模型进行训练，找到最佳的源域预测模型；之后通过改进生成对抗网络对目标域训练数据进行增强，获得目标域增强训练数据；再将最佳源域预测模型的权重参数进行迁移，得到目标域预测模型；然后通过增强训练数据训练目标域预测模型，得到最佳目标域预测模型；最后将测试数据输入至最佳目标域预测模型中，得到目标光伏发电站的目标功率。本发明可有效提升对光伏发电站的短期功率进行预测的精度。
-
公开(公告)号：CN115983494B
公开(公告)日：2023-09-12
申请号：CN202310113171.4
申请日：2023-02-10
Applicant: 广东工业大学
Abstract: 本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，减少因风电波动性带来的误差，然后利用目标风电场数据对模型参数再次训练以进行精调，获得对目标小样本拟合更好的模型，提升新建少样本风电场风电功率预测的精度。
-
公开(公告)号：CN115640868A
公开(公告)日：2023-01-24
申请号：CN202210999675.6
申请日：2022-08-19
Applicant: 广东工业大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0475 , G06N3/045 , G06N3/006 , G06N3/0442 , G06N3/086 , H02J3/00 , H02J3/38
Abstract: 本发明涉及风电功率预测的技术领域，更具体地，涉及一种新建风电场少数据风电功率短期预测方法，具体来说，是一种基于进化生成对抗网络和双向门控循环单元的新建风电场少数据风电功率短期预测方法。本发明采用进化计算优化生成对抗网络，使得生成模型能够高效学习原始少数据的边际分布，并生成具有模态多样性和相似边际分布的新数据，以弥补原始小规模数据的局限性，对于新建风电场的少数据风电功率预测精度提升具有实际性的帮助；采用纵横交叉优化算法优化BiGRU网络中Dense层权重和偏置项，能够有效避开模型陷入局部最优并帮助其寻找到全局最优解，对提高少数据新建风电场的风电功率预测精度具有明显的效果。
-
公开(公告)号：CN116733687B
公开(公告)日：2024-01-12
申请号：CN202310485507.X
申请日：2023-04-28
Applicant: 广东工业大学
Abstract: 本发明涉及一种风机内部模态谐振的检测方法，步骤一：针对风机控制结构分解各控制回路；步骤二：推导控制回路动态方程；步骤三：构建通用转矩分析模型；步骤四：构建交互传递函数；步骤五：根据交互传递函数辨识对运行工况敏感的关键控制模态；步骤六：针对辨识的关键控制模态，求解内部谐振交互所导致的特征根偏移；步骤七：分析变量参与度及特征根偏移大小，确定是否存在谐振拐点。通过对所有控制回路进行详细建模，挖掘不同控制模态间的交互关系。在此基础上，构建了通用转矩分析模型，用于揭示内部模态谐振机理，通过模型的变量参与度和特征根偏移大小来检测和识别共振拐点，用以指导风机运行和参数调节，增强风机运行稳定性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.029 seconds)
