CN116050461A - 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 - Google Patents
运用卷积神经网络确定模糊控制理论隶属度函数的改进法 Download PDFInfo
- Publication number
- CN116050461A CN116050461A CN202211575941.9A CN202211575941A CN116050461A CN 116050461 A CN116050461 A CN 116050461A CN 202211575941 A CN202211575941 A CN 202211575941A CN 116050461 A CN116050461 A CN 116050461A
- Authority
- CN
- China
- Prior art keywords
- power
- neural network
- convolutional neural
- fuel cell
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Abstract
本发明提供了一种运用卷积神经网络确定模糊控制理论隶属度函数的改进法,包括:步骤S1:进行卷积神经网络输入层的计算和确定;步骤S2:搭建卷积神经网络,对输入的相关功率进行池化训练,并得到卷积计算,构建损失函数J,运用梯度下降法优化卷积核权重,直至达到收敛条件,最终输出得到相关功率的隶属度函数;步骤S3:建立模糊规则和模糊推理系统,使用模糊逻辑控制理论将相关隶属度函数转换为优化后的总功率和燃料电池功率;最终建立与传统离线算法对比的寻优函数,验证卷积神经网络结合模糊逻辑控制对解决动态问题的可行性。应用本技术方案不仅结合了传统的离线优化算法的优点,同时具有了实时决策的能力,用于计算大规模的工况数据以提高效率。
Description
技术领域
本发明涉及有关卷积神经网络实际应用于船舶能量管理策略技术领域,特别是一种运用卷积神经网络确定模糊控制理论隶属度函数的改进法。
背景技术
基于优化型的控制策略大体可以分成两类,一种为全局优化控制策略,另一种为实时优化控制策略。全局优化控制策略又称为离线优化控制策略,通过计算给定的在某个限定的区间中的多变量非线性函数,并运用最优控制理论对其进行设计得到局部最优解的控制策略。但这类优化策略计算往往依赖于工况,面对高维变量和大量的计算时,则会难以解决。
动态规划法(DP)和庞特里亚金极值原理(PMP)作为常见的全局优化能量管理策略方法,能够有效地解决非线性动态系统的最优控制问题。但是在实际的工况计算下,由于没有相统一的方法来处理问题,面对不同的问题时需要参考其本身的不同特性并结合独特的技巧方法来完成计算。模糊逻辑控制作为基于规则的控制策略,能够解决复杂的非线性时变问题,但是隶属度函数和规则的确定往往取决于设计者的经验和直觉,效果不佳。
发明内容
有鉴于此,本发明的目的在于提供一种运用卷积神经网络确定模糊控制理论隶属度函数的改进法,不仅结合了传统的离线优化算法的优点,同时具有了实时决策的能力,用于计算大规模的工况数据以提高效率。
为实现上述目的,本发明采用如下技术方案:运用卷积神经网络确定模糊控制理论隶属度函数的改进法,包括以下步骤:
步骤S1:进行卷积神经网络输入层的计算和确定;
步骤S2:搭建卷积神经网络,对输入的相关功率进行池化训练,并得到卷积计算,构建损失函数J,运用梯度下降法优化卷积核权重,直至达到收敛条件,最终输出得到相关功率的隶属度函数;
步骤S3:建立模糊规则和模糊推理系统,使用模糊逻辑控制理论将相关隶属度函数转换为优化后的总功率和燃料电池功率;最终建立与传统离线算法对比的寻优函数,从而验证卷积神经网络结合模糊逻辑控制对解决动态问题的可行性。
在一较佳的实施例中,所述步骤S1包括以下步骤:
步骤S11:给定一种海上船舶的固定工况和行驶状态,构建一种混合燃料动力系统,建立相关的数学模型;
步骤S12:运用一种离线优化控制策略对目标函数进行拆分计算,得到在一系列时间内的局部最优解,以局部最优解作为卷积神经网络输入层。
在一较佳的实施例中,所述海上船舶的固定工况和行驶状态具体包括船舶的工况信息、船舶的航行参数、船舶的负载功率需求。
在一较佳的实施例中,建立船舶混合燃料电池动力系统,船舶混合燃料电池动力系统由燃料电池能量系统和锂电池能量系统,组成并根据所述的混合燃料电池系统,建立出对应的数学模型。
在一较佳的实施例中,根据锂电池SOC动态变化量修正燃料电池的输出功率,使锂电池稳定在最优的荷电状态区域,再通过等效氢能最小原理将锂电池的电能消耗量转化为氢气的消耗量,建立起每一个采样时间上的氢消耗总量;
首先定义锂电池SOC的参考值为
其中SOCupper为设定的锂电池核电状态上限;SOClower为设定的锂电池核电状态下限;
燃料电池的输出功率PFC为
PFC=PLoad+kSOCPBA,ch
其中kSOC为基于SOC状态的PFC调节系数;PLoad为模拟负载功率;PBA,ch为锂电池的标准充电功率;
式中基于SOC状态的PFC调节系数kSOC为
其中μ为比例系数,用于快速平衡锂电池的充放电状态;
根据动态规划法,在一段连续的时间里,平均分隔成一连串的采样时间,在每一个采样时间上建立最优值函数,并且对这些最优值函数进行求解,从而得到两组时间t与负载功率PLoad和燃料电池功率PFC的相关函数组,确定卷积神经网络的输出层。
在一较佳的实施例中,其所述的卷积神经网络包括输入层、卷积层、池化层、全连接层四个部分组成;
将所述的总功率PLoad和燃料电池功率PFC在在采样时间上的相关函数组作为输入层的输入;
卷积层对输入的负载功率PLoad和燃料电池功率PFC进行特征提取,并且将这两组功率转化为加权功率;
池化层使用混合运算符号的组合对加权功率进行池化;
全连接层对池化层池化的结果进行处理得到相关功率的隶属度函数f(P);
在卷积神经网络的训练过程中,通过构建损失函数对训练的结果数据进行预测,并使用梯度下降法进行训练更新卷积核参数,直至损失函数达到收敛条件,以此输出最终的相关功率隶属度函数f(PFC)和f(PLoad)。
在一较佳的实施例中,运用模糊逻辑控制理论,建立模糊推理系统和模糊规则,系统的输入分别为合燃料电池的负载功率PLoad和综合电荷状态系数SOC,系统的输出为混合燃料电池功率PFC,建立输入量和输出量的隶属度函数;输入量SOC有三个隶属度集合,分别是L、M和H;
输入量负载功率PLoad以及输出量燃料电池功率PFC有五个隶属度集合,分别是VL、L、M、H和VH;其中,VL、L、M、H和VH分别表示非常低Very Low、低Low、中Medium、高High和非常高Very High;
在一较佳的实施例中,建立关于动态规划法得出的功率结果与卷积神经网络训练结合模糊逻辑控制计算得出的功率结果之间的寻优函数,寻优函数如下文所示
寻优函数的最终计算结果不超过累计误差指标则可以说明卷积神经网络训练结合模糊逻辑控制策略的计算结果可近似替代于动态规划法对船舶工况的最优实时决策结果。
与现有技术相比,本发明具有以下有益效果:将卷积神经网络应用在模糊逻辑控制的求解隶属度函数的过程中,通过建立混合燃料电池动力系统的数学模型,调节DC/DC变换器的输出功率,得到相关电池的功率作为输入层,并搭建多层卷积神经网络进行训练计算,构建损失函数,通过梯度下降法,最后以满足收敛条件的隶属度函数作为输出层来进行模糊逻辑控制策略的计算。由于过去的隶属度函数多依靠于设计者的经验和直觉,因此引入卷积神经网络则可以更高效的计算大规模工况数据。
附图说明
图1为本发明优选实施例的卷积神经网络结合模糊逻辑控制的流程示意图;
图2为本发明优选实施例的船舶航行工况图;
图3为本发明优选实施例的混合燃料电池动力系统数学模型图;
图4为本发明优选实施例的通过卷积神经网络计算隶属度函数的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式;如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
图1为本发明一实施例一种卷积神经网络应用于轮渡船舶计算最佳功率分配的方法的流程示意图。在该实施例中,包括以下步骤:
S1:进行卷积神经网络输入层的计算和确定。
S1.1:给定一种海上船舶的固定工况和行驶状态,构建一种混合燃料动力系统,建立相关的数学模型。
S1.2:运用一种离线优化控制策略对目标函数进行拆分计算,得到在一系列时间内的局部最优解,以局部最优解作为卷积神经网络输入层。
S2:搭建卷积神经网络,对输入的相关功率进行池化训练,并得到卷积计算,构建损失函数J,运用梯度下降法优化卷积核权重,直至达到收敛条件,最终输出得到相关功率的隶属度函数。
S3:建立模糊规则和模糊推理系统,使用模糊逻辑控制理论将相关隶属度函数转换为优化后的总功率和燃料电池功率。最终建立与传统离线算法相对比的寻优函数,从而验证卷积神经网络结合模糊逻辑控制对解决动态问题的可行性。
根据具体的例子实施中,给出所述船舶的工况信息,
所述船舶的航行参数,
所述船舶的负载功率需求
根据所述的参数信息,建立船舶混合燃料电池动力系统,该系统由两个能量系统组成,具体包括:
一个是燃料电池能量系统,由于燃料电池的输出电压变化幅度较大且要低于与之相连的母线电压,因此需要与单向直流-直流(DC/DC)变换器级连来隔离负载的高频冲击,并且能够更好地控制工作点,使系统更可靠稳定。
另一个是锂电池能量系统,由于锂电池具有高效和高功率密度性的优点,并且可以及时吸收燃料电池负载突变时产生的电网冲击,因此作为二次辅助电源则会使系统更加稳定,并且在锂电池的SOC足够高的情况下,可以通过调节燃料电池级连的DC/DC变换器对动力系统的输出功率进行调节分配,因此采用与工作点直连的方式来提高系统的能量利用率,最后根据所述的混合燃料电池系统,建立出数学模型,
为了避免多个目标带来的复杂计算,根据锂电池SOC动态变化量修正燃料电池的输出功率,使锂电池稳定在最优的荷电状态区域,再通过等效氢能最小原理将锂电池的电能消耗量转化为氢气的消耗量,就可以建立起每一个采样时间上的氢消耗总量,
首先定义锂电池SOC的参考值为
其中SOCupper为设定的锂电池核电状态上限,/%;SOClower为设定的锂电池核电状态下限,/%。
燃料电池的输出功率PFC为
其中kSOC为基于SOC状态的PFc调节系数;PLoad为模拟负载功率,kW;PBA,;h为锂电池的标准充电功率,kW。
式中基于SOC状态的PfC调节系数kSOC为
其中μ为比例系数,用于快速平衡锂电池的充放电状态。
根据动态规划法(DP算法),在一段连续的时间里,平均分隔成一连串的采样时间,在每一个采样时间上建立最优值函数,并且对这些最优值函数进行求解,从而得到两组时间t负载总功率PLoad和燃料电池功率PFC的相关函数组,确定卷积神经网络的输出层。
其所述的卷积神经网络包括输入层、卷积层、池化层、全连接层四个部分组成;
将所述的总功率PLoad和燃料电池功率PFC在在采样时间上的相关函数组作为输入层的输入;
所述的卷积层对输入的负载功率PLoad和燃料电池功率PFC进行特征提取,并且将这两组功率转化为加权功率;
所述的池化层使用混合运算符号的组合对加权功率进行池化;
所述的全连接层对池化层池化的结果进行处理得到相关功率的隶属度函数f(P)。
在卷积神经网络的训练过程中,需要通过构建损失函数对训练的结果数据进行预测,并使用梯度下降法或反向传播算法进行训练更新卷积核参数,直至损失函数达到收敛条件,以此得到最终的相关功率的隶属度函数f(PFC)和f(PLoad)。
采用L2范数正则化建立损失函数J:
式中,N代表划分时间的个数,即为训练样本的数量,α为正则化强度。深度学习通过梯度下降法反推每层中的加权系数ωi,直至损失函数J达到收敛条件。为了避免学习过程出现过拟合的状态,一旦学习模型的泛化能力下降,学习过程就会停止或减慢,这时需要调整α。
最终,构建模糊规则和模糊推理系统,检测模糊逻辑控制策略输出的相关功率的计算结果,相比于动态规划法计算的结果是否满足相对累积误差在5%以内的指标,如不满足需对卷积神经网络进行完善;如满足要求,得出计算模糊逻辑控制隶属度函数的卷积神经网络。
实施例二:
图2为船舶航行的工况参数表,图3为混合燃料电池动力系统的示意图
在本实施例中,根据图3的混合燃料电池动力系统的数学模型,假定该系统由三个能量系统组成,具体包括:
一个是燃料电池能量系统,由于燃料电池的输出电压变化幅度较大且要低于与之相连的母线电压,因此需要与单向直流-直流(DC/DC)变换器级连来隔离负载的高频冲击,并且能够更好地控制工作点,使系统更可靠稳定。
一个是锂电池能量系统,由于锂电池具有高效和高功率密度性的优点,并且可以及时吸收燃料电池负载突变时产生的电网冲击,因此作为二次辅助电源则会使系统更加稳定,并且在锂电池的SOC足够高的情况下,可以通过调节燃料电池级连的DC/DC变换器对动力系统的输出功率进行调节分配,因此采用与工作点直连的方式来提高系统的能量利用率。
最后一个为超级电容能量系统,超级电容器有较高的功率密度,远大于一般的锂离子电池,但其本身的续航力不足,通过与直流-直流(DC/DC)变换器连接可以较好的提高系统效率和进行功率能量的分配。
根据图1中的S1,开始建立混合燃料电池动力系统的数学模型,并根据式子(1)-(3)运用等效氢能消耗最小原理避免多个目标的带来的复杂计算量,再通过动态规划法求解得出一系列时间内三个能量系统的功率组,作为搭建的卷积神经网络输入层。
依据S2搭建包含输入层,卷积层,池化层,全连接层,输出层在内的卷积神经网络,卷积层主要功能为对输入层进行特征识别和提取,池化层是对卷积层提取的特征进行降采样处理,减少卷积计算的复杂度和提高特征提取的鲁棒性,全连接层则作为卷积单元的纽带使卷积网络达成完整而紧密的学习训练流程,最终输出得到相关功率的隶属度函数。
建立L2范数正则化的损失函数J,通过梯度下降法来进行卷积核的权重更新和参数学习,直至损失函数J达到了具体的收敛条件,则可以最终确定卷积神经网络的输出层为相关功率的隶属度函数。
依据S3,构建模糊规则和模糊推理系统,检测模糊逻辑控制策略输出的相关功率的计算结果,相比于动态规划法的计算结果是否满足相对累积误差在5%以内的指标,如不满足需对卷积神经网络进行完善;如满足要求,得出计算模糊逻辑控制隶属度函数的卷积神经网络。
还需说明的是,尽管结合优选实施方案具体展示和介绍了本发明,但相关领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (8)
1.运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,包括以下步骤:
步骤S1:进行卷积神经网络输入层的计算和确定;
步骤S2:搭建卷积神经网络,对输入的相关功率进行池化训练,并得到卷积计算,构建损失函数J,运用梯度下降法优化卷积核权重,直至达到收敛条件,最终输出得到相关功率的隶属度函数;
步骤S3:建立模糊规则和模糊推理系统,使用模糊逻辑控制理论将相关隶属度函数转换为优化后的总功率和燃料电池功率;最终建立与传统离线算法对比的寻优函数,从而验证卷积神经网络结合模糊逻辑控制对解决动态问题的可行性。
2.根据权利要求1所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,所述步骤S1包括以下步骤:
步骤S11:给定一种海上船舶的固定工况和行驶状态,构建一种混合燃料动力系统,建立相关的数学模型;
步骤S12:运用一种离线优化控制策略对目标函数进行拆分计算,得到在一系列时间内的局部最优解,以局部最优解作为卷积神经网络输入层。
3.根据权利要求2所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,所述海上船舶的固定工况和行驶状态具体包括船舶的工况信息、船舶的航行参数、船舶的负载功率需求。
4.根据权利要求2所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,建立船舶混合燃料电池动力系统,船舶混合燃料电池动力系统由燃料电池能量系统和锂电池能量系统,组成并根据所述的混合燃料电池系统,建立出对应的数学模型。
5.根据权利要求1所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,根据锂电池SOC动态变化量修正燃料电池的输出功率,使锂电池稳定在最优的荷电状态区域,再通过等效氢能最小原理将锂电池的电能消耗量转化为氢气的消耗量,建立起每一个采样时间上的氢消耗总量;
首先定义锂电池SOC的参考值为
其中SOCupper为设定的锂电池核电状态上限;SOClower为设定的锂电池核电状态下限;
燃料电池的输出功率PFC为
PFC=PLoad+kSOCPBA,ch
其中kSOC为基于SOC状态的PFC调节系数;PLoad为模拟负载功率;PBA,ch为锂电池的标准充电功率;
式中基于SOC状态的PFC调节系数kSOC为
其中μ为比例系数,用于快速平衡锂电池的充放电状态;
根据动态规划法,在一段连续的时间里,平均分隔成一连串的采样时间,在每一个采样时间上建立最优值函数,并且对这些最优值函数进行求解,从而得到两组时间t与负载功率PLoad和燃料电池功率PFC的相关函数组,确定卷积神经网络的输出层。
6.根据权利要求1所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,其所述的卷积神经网络包括输入层、卷积层、池化层、全连接层四个部分组成;
将所述的总功率PLoad和燃料电池功率PFC在在采样时间上的相关函数组作为输入层的输入;
卷积层对输入的负载功率PLoad和燃料电池功率PFC进行特征提取,并且将这两组功率转化为加权功率;
池化层使用混合运算符号的组合对加权功率进行池化;
全连接层对池化层池化的结果进行处理得到相关功率的隶属度函数f(P);
在卷积神经网络的训练过程中,通过构建损失函数对训练的结果数据进行预测,并使用梯度下降法进行训练更新卷积核参数,直至损失函数达到收敛条件,以此输出最终的相关功率隶属度函数f(PFC)和f(PLoad)。
7.根据权利要求1所述的运用卷积神经网络确定模糊控制理论隶属度函数的改进法,其特征在于,运用模糊逻辑控制理论,建立模糊推理系统和模糊规则,系统的输入分别为合燃料电池的负载功率PLoad和综合电荷状态系数SOC,系统的输出为混合燃料电池功率PFC,建立输入量和输出量的隶属度函数;输入量SOC有三个隶属度集合,分别是L、M和H;
输入量负载功率PLoad以及输出量燃料电池功率PFC有五个隶属度集合,分别是VL、L、M、H和VH;其中,VL、L、M、H和VH分别表示非常低Very Low、低Low、中Medium、高High和非常高Very High;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575941.9A CN116050461A (zh) | 2022-12-08 | 2022-12-08 | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575941.9A CN116050461A (zh) | 2022-12-08 | 2022-12-08 | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050461A true CN116050461A (zh) | 2023-05-02 |
Family
ID=86115284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211575941.9A Pending CN116050461A (zh) | 2022-12-08 | 2022-12-08 | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117261697A (zh) * | 2023-10-20 | 2023-12-22 | 佛山市清极能源科技有限公司 | 一种燃料电池车辆的能量控制方法及系统 |
-
2022
- 2022-12-08 CN CN202211575941.9A patent/CN116050461A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117261697A (zh) * | 2023-10-20 | 2023-12-22 | 佛山市清极能源科技有限公司 | 一种燃料电池车辆的能量控制方法及系统 |
CN117261697B (zh) * | 2023-10-20 | 2024-04-05 | 佛山市清极能源科技有限公司 | 一种燃料电池车辆的能量控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
CN111062632B (zh) | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 | |
Jia et al. | Optimal load frequency control for networked power systems based on distributed economic MPC | |
CN107732958B (zh) | 一种计及源荷协同恢复的独立微电网黑启动优化方法 | |
CN112926185B (zh) | 一种基于改进核搜索优化的电力经济排放调度方法 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN115577864B (zh) | 基于多模型组合运算的配电网运行优化调度方法 | |
CN110165714A (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
CN116050461A (zh) | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 | |
CN111948562A (zh) | 一种燃料电池全生命周期监控与评估系统 | |
Li et al. | Optimal dual-model controller of solid oxide fuel cell output voltage using imitation distributed deep reinforcement learning | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
He et al. | Biobjective optimization-based frequency regulation of power grids with high-participated renewable energy and energy storage systems | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
CN114928110A (zh) | 基于n-k故障的规划调度协同优化的三层鲁棒优化方法 | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
CN114021249A (zh) | 一种分层的多电飞机混合动力系统模型及能量管理方法 | |
CN112072893B (zh) | 一种合成变量反馈的电力电子变换器控制方法 | |
CN112350316B (zh) | 基于云伸缩因子的变论域云pi负荷频率控制方法 | |
CN115021269A (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
CN113178868A (zh) | 一种柔性互联配电系统电压优化方法 | |
CN113241793A (zh) | 一种计及风电场景的含ipfc电力系统预防控制方法 | |
He et al. | Distributed Optimal Power Scheduling for Microgrid System via Deep Reinforcement Learning with Privacy Preserving | |
Li et al. | Automatic generation control strategy based on deep forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |