热电联产(combined heat and power,CHP)机组与虚拟电厂(virtual power plant,VPP)结合,可以有效提高能源利用效率,增强电力系统运行的可靠性及稳定性。为保证CHP-VPP灵活、低碳、经济运行,文中提出一种聚合风电、光伏、CHP机组、锅炉...热电联产(combined heat and power,CHP)机组与虚拟电厂(virtual power plant,VPP)结合,可以有效提高能源利用效率,增强电力系统运行的可靠性及稳定性。为保证CHP-VPP灵活、低碳、经济运行,文中提出一种聚合风电、光伏、CHP机组、锅炉、碳捕集设备、燃气轮机、燃料电池、储能及电、热负荷的综合能源VPP,并在参与电-热-旋转备用-碳等多市场下,研究其低碳经济协同调度问题。首先,以各时刻VPP在多市场下整体净收益最大为目标,建立其CHP-VPP两阶段鲁棒优化调度模型;然后,考虑新能源出力、市场价格及负荷的不确定性,利用蒙特卡洛法进行场景削减,从而降低系统风险,增强其鲁棒性;最后,采用列与约束生成算法对模型进行求解,得到最恶劣场景下系统运行的经济性最优调度方案。仿真结果表明:所提综合能源VPP结构合理,可通过动态调整碳捕集设备及储能电池,达到平抑新能源出力波动的效果,从而实现碳排放的大幅降低;所提调度策略可有效保证源-荷-储多侧电、热资源的协同优化运行,提高VPP的灵活性、经济性和低碳性。展开更多
随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资...随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程,在基于传统固体各向同性材料惩罚SIMP(solid isotropic material with penalization)散热器拓扑优化方法的基础上,提出一种嵌套神经网络NN(neural network)同步学习的快速迭代方法。首先,构建散热器基于编码器-解码器结构的NN预测模型,即基于散热器形貌迭代进化过程实现优化结构的快速预测;其次,将NN模型与散热器SIMP拓扑优化流程相嵌套,利用迭代过程中的中间形貌同步训练NN;最后,针对单芯片、两芯片模块结构,对比所提方法与传统迭代方法的拓扑优化结果,验证了所提NN同步学习方法的准确性和快速性。展开更多
针对采用直接电流控制策略的电压源换流器(voltage source converter,VSC)控制系统比例积分(PI)参数难以选取的问题,提出了一种优化外环PI控制器参数的方法。首先建立解耦后的外环参数整定模型,然后基于时间乘绝对误差积分(integral of ...针对采用直接电流控制策略的电压源换流器(voltage source converter,VSC)控制系统比例积分(PI)参数难以选取的问题,提出了一种优化外环PI控制器参数的方法。首先建立解耦后的外环参数整定模型,然后基于时间乘绝对误差积分(integral of time multiplied by the absolute value of error,ITAE)准则构造PI参数优化的性能泛函,针对此最优控制模型的特点,论文采用遗传算法进行求解,在PSCAD搭建VSC-HVDC模型进行仿真验证。展开更多
文摘热电联产(combined heat and power,CHP)机组与虚拟电厂(virtual power plant,VPP)结合,可以有效提高能源利用效率,增强电力系统运行的可靠性及稳定性。为保证CHP-VPP灵活、低碳、经济运行,文中提出一种聚合风电、光伏、CHP机组、锅炉、碳捕集设备、燃气轮机、燃料电池、储能及电、热负荷的综合能源VPP,并在参与电-热-旋转备用-碳等多市场下,研究其低碳经济协同调度问题。首先,以各时刻VPP在多市场下整体净收益最大为目标,建立其CHP-VPP两阶段鲁棒优化调度模型;然后,考虑新能源出力、市场价格及负荷的不确定性,利用蒙特卡洛法进行场景削减,从而降低系统风险,增强其鲁棒性;最后,采用列与约束生成算法对模型进行求解,得到最恶劣场景下系统运行的经济性最优调度方案。仿真结果表明:所提综合能源VPP结构合理,可通过动态调整碳捕集设备及储能电池,达到平抑新能源出力波动的效果,从而实现碳排放的大幅降低;所提调度策略可有效保证源-荷-储多侧电、热资源的协同优化运行,提高VPP的灵活性、经济性和低碳性。
文摘随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程,在基于传统固体各向同性材料惩罚SIMP(solid isotropic material with penalization)散热器拓扑优化方法的基础上,提出一种嵌套神经网络NN(neural network)同步学习的快速迭代方法。首先,构建散热器基于编码器-解码器结构的NN预测模型,即基于散热器形貌迭代进化过程实现优化结构的快速预测;其次,将NN模型与散热器SIMP拓扑优化流程相嵌套,利用迭代过程中的中间形貌同步训练NN;最后,针对单芯片、两芯片模块结构,对比所提方法与传统迭代方法的拓扑优化结果,验证了所提NN同步学习方法的准确性和快速性。
文摘针对采用直接电流控制策略的电压源换流器(voltage source converter,VSC)控制系统比例积分(PI)参数难以选取的问题,提出了一种优化外环PI控制器参数的方法。首先建立解耦后的外环参数整定模型,然后基于时间乘绝对误差积分(integral of time multiplied by the absolute value of error,ITAE)准则构造PI参数优化的性能泛函,针对此最优控制模型的特点,论文采用遗传算法进行求解,在PSCAD搭建VSC-HVDC模型进行仿真验证。
