-
题名计及模型泛化能力的小水电机群动态等值方法研究
被引量：6
- 1
-
-
作者
王鹏
张真源
黄琦
张国洲
王妮
-
机构
电力系统广域测量与控制四川省重点实验室(电子科技大学)
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2018年第14期4138-4147,共10页
-
基金
国家自然科学基金项目(51607025)~~
-
文摘
在中国西南地区存在大量小水电机群集中并网的现象,在分析其对大电网影响时,现有小水电机群等值模型存在泛化能力不强的问题,即等值模型虽然可以很好地重现已记录的故障信息,但是却难以准确表征系统在未知故障下的动态特征。为解决这个问题,该文针对传统等值模型泛化能力不强的原因进行详细分析,并提出计及模型泛化能力的小水电机群动态等值新方法。通过同调性判别,对小水电机群进行分群与多机表征;采用五阶发电机模型对单台等值电机进行建模,并对发电机本体和励磁参数进行辨识;利用灵敏度分析方法,将待辨识参数分为关键参数和非关键参数,避免等值模型多解问题;针对电力系统高度非线性化的特征,基于多目标优化算法对关键参数和非关键参数进行分步辨识。最后,在四川某水电外送通道模型中验证所提方法的有效性。
-
关键词
小水电机群
动态等值
模型泛化能力
关键参数
多目标优化
-
Keywords
small hydroelectric generation stack
dynamicequivalent
model generalization ability
key parameter
multi-objective optimization
-
分类号
TM743
[电气工程—电力系统及自动化]
-
-
题名含有固体氧化物燃料电池的广义负荷建模
被引量：6
- 2
-
-
作者
张剑
孙元章
彭晓涛
方华亮
-
机构
武汉大学电气工程学院
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2011年第4期78-84,共7页
-
文摘
随着智能电网、微电网、分布式发电技术的发展,配网侧将接入大量的分布式电源。考虑分布式发电的广义负荷建模具有重大的理论研究与实际应用价值。基于Matlab/Simulink建立固体氧化物燃料电池(solid oxide fuel cell,SOFC)及其并网系统的动态模型,研究其外特性,指出含有SOFC的配电网络的广义负荷模型结构,只需在传统的综合负荷模型(synthesis load model,SLM)的虚拟母线上增加一个有功随电压变化的有功功率源。辨识参数需要增加SOFC相对纯负荷的比例、功率调节器的比例与积分放大倍数3个参数。算例表明,所提出的模型结构的描述能力、内插外推能力及参数辨识的稳定性较好。
-
关键词
广义负荷建模
固体氧化物燃料电池
分布式电源
参数辨识
模型结构
模型泛化能力
-
Keywords
generalized load modeling
solid oxide fuel cell （SOFC）
distributed generator
parameter identification
model structure
generalization capability
-
分类号
TM74
[电气工程—电力系统及自动化]
-
-
题名计及历史数据熵关联信息挖掘的短期风电功率预测
被引量：28
- 3
-
-
作者
史坤鹏
乔颖
赵伟
黄松岭
刘志君
郭雷
-
机构
清华大学电机工程与应用电子技术系
电力系统及发电设备控制和仿真国家重点实验室清华大学
国网吉林省电力有限公司
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2017年第3期13-18,共6页
-
基金
国家自然科学基金资助项目(51077078)
国家科技支撑计划资助项目(2015BAA01B01)~~
-
文摘
对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。
-
关键词
关联信息挖掘
熵相关系数
相关性冗余
模型泛化能力
-
Keywords
association information mining
entropy correlation coefficient（ECC）
correlation redundancy
model generalization ability
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名三相单级光伏并网系统对配电网侧负荷建模的影响
被引量：19
- 4
-
-
作者
张剑
孙元章
-
机构
武汉大学电气工程学院
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2011年第2期73-78,共6页
-
基金
国家科技支撑计划重点项目(2008BAA13B04)~~
-
文摘
基于MATLAB/Simulink建立了三相单级光伏并网系统的动态模型,研究了其外特性,指出含有三相单级光伏并网系统的广义负荷模型结构,只需在传统的综合负荷模型结构的虚拟母线上增加一个有功随电压变化的有功功率源。待辨识参数需要增加光伏阵列的3个特性参数、与光伏阵列并联的电容器的电容值、光伏发电相对纯负荷的比例以及电压控制器的比例与积分放大倍数,共增加7个参数。提出了参数辨识策略:先通过统计调查数据采用聚合算法,得到聚合后的广义负荷参数,低灵敏度参数可以固定为聚合参数,高灵敏度参数可在聚合后的参数附近采用遗传算法辨识。算例表明,采用所提出的模型与参数辨识策略辨识出来的参数的描述能力、泛化能力较好。
-
关键词
广义负荷建模
光伏发电
分布式电源
参数辨识
模型结构
模型泛化能力
-
Keywords
generalized load modeling
photovoltaic generation
distributed generator
parameter identification
model frame
model generalization capability
-
分类号
TM615
[电气工程—电力系统及自动化]
-
-
题名基于熵权综合关联度数据挖掘的风电功率实时预测研究
被引量：8
- 5
-
-
作者
杨茂
马剑
李大勇
苏欣
孙涌
-
机构
现代电力系统仿真控制与绿色电能新技术吉林省重点实验室(东北电力大学)
国网吉林省电力有限公司通化供电公司
东北电力大学理学院
国网淄博供电公司
-
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2019年第12期3578-3585,共8页
-
基金
国家自然科学基金（51307017）
吉林省产业技术与专项开发项目（2014Y124）
国家重点研发计划（2018YFB0904203）
-
文摘
采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。
-
关键词
关联信息挖掘
熵权综合关联系数
相关性冗余
模型泛化能力
-
Keywords
association information mining
entropy weight comprehensive correlation coefficient
correlation redundancy
model generalization ability
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名基于自适应圆边际的深度人脸识别算法
被引量：4
- 6
-
-
作者
才华
孙俊
朱瑞昆
朱新丽
赵义武
-
机构
长春理工大学电子信息工程学院
长春中国光学科学技术馆
长春理工大学空间光电技术研究院
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2021年第11期2424-2432,共9页
-
基金
国家自然科学基金委员会-中国科学院天文联合基金项目(U1731240).
-
文摘
人脸识别是计算机视觉的一个重要研究方向,其中有效的损失函数在人脸识别中起着至关重要的作用。针对现有损失函数没有考虑边际情况,导致模型收敛有限,且在不均衡样本中泛化能力不强的问题,提出自适应圆边际损失函数方法,对边际自身进行研究。通过对边际进行自适应学习,为不同类别学习独有的边际,产生自适应圆边际。为少量样本学习更大边际,从而对少量样本数据类内压缩更紧凑,使模型泛化能力更强,对5种常见的人脸识别基准Megaface、IJB-C、LFW、LFW BLUFR和YTF进行广泛分析和实验验证。结果表明,该方法在不均衡数据集中对现有方法的精确度整体提高了0.5%,有效提高了模型泛化能力,具有明确的收敛状态。
-
关键词
深度人脸识别
自适应圆边际
损失函数
模型泛化能力
收敛状态
-
Keywords
deep face recognition
adaptive circle margin
loss function
model generalization ability
convergence state
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
