大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过...大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过深度学习模型实现电路拓扑图识别,并将其转换为电路网表文本;然后向LLM提供网表文本及不同提示词,引导LLM实现网表检查、电路分析、文档生成、知识问答等教学功能,为教师提供高质量的教学设计起点。该方法有望减轻教师负担,提高实验教学的时效性和教学质量,为电力电子实验教学设计提供一种有用工具。展开更多
随着新能源发电比例不断提高,由此引发的短时大规模功率爬坡事件愈加频繁,因此研究多类型储能爬坡功率分配策略对防范极端爬坡风险、保障系统稳定运行具有重要意义。该文提出一种面向紧急爬坡需求的多类型储能功率优化分配策略,引入深...随着新能源发电比例不断提高,由此引发的短时大规模功率爬坡事件愈加频繁,因此研究多类型储能爬坡功率分配策略对防范极端爬坡风险、保障系统稳定运行具有重要意义。该文提出一种面向紧急爬坡需求的多类型储能功率优化分配策略,引入深度强化学习(deep reinforcement learning,DRL)方法以兼顾功率分配的准确性与时效性。首先,以绝热压缩空气储能(adiabatic compressed air energy storage,A-CAES)、风电联合储能、火电联合飞轮储能为代表,分析多类型储能的爬坡互补特性,重点研究A-CAES的非线性热动-气动耦合特征及风储系统的风机转子动能瞬态响应行为,并据此构建多类型储能爬坡功率响应模型;其次,将功率优化分配问题转化为适合DRL的马尔可夫决策过程,并引入学习率动态衰减、策略熵以及状态归一化等训练机制,提出基于近端策略优化算法的电力系统多类型储能爬坡功率分配策略;最后,在多种爬坡场景下开展算例分析。结果表明,所提分配策略能够充分发挥各类储能的调控优势,提高爬坡功率分配的灵活性、精准性、时效性。展开更多
文摘大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过深度学习模型实现电路拓扑图识别,并将其转换为电路网表文本;然后向LLM提供网表文本及不同提示词,引导LLM实现网表检查、电路分析、文档生成、知识问答等教学功能,为教师提供高质量的教学设计起点。该方法有望减轻教师负担,提高实验教学的时效性和教学质量,为电力电子实验教学设计提供一种有用工具。
文摘随着新能源发电比例不断提高,由此引发的短时大规模功率爬坡事件愈加频繁,因此研究多类型储能爬坡功率分配策略对防范极端爬坡风险、保障系统稳定运行具有重要意义。该文提出一种面向紧急爬坡需求的多类型储能功率优化分配策略,引入深度强化学习(deep reinforcement learning,DRL)方法以兼顾功率分配的准确性与时效性。首先,以绝热压缩空气储能(adiabatic compressed air energy storage,A-CAES)、风电联合储能、火电联合飞轮储能为代表,分析多类型储能的爬坡互补特性,重点研究A-CAES的非线性热动-气动耦合特征及风储系统的风机转子动能瞬态响应行为,并据此构建多类型储能爬坡功率响应模型;其次,将功率优化分配问题转化为适合DRL的马尔可夫决策过程,并引入学习率动态衰减、策略熵以及状态归一化等训练机制,提出基于近端策略优化算法的电力系统多类型储能爬坡功率分配策略;最后,在多种爬坡场景下开展算例分析。结果表明,所提分配策略能够充分发挥各类储能的调控优势,提高爬坡功率分配的灵活性、精准性、时效性。
