CN117807490A - 基于卷积神经网络的并网换流器参数识别方法及装置 - Google Patents
基于卷积神经网络的并网换流器参数识别方法及装置 Download PDFInfo
- Publication number
- CN117807490A CN117807490A CN202311619274.4A CN202311619274A CN117807490A CN 117807490 A CN117807490 A CN 117807490A CN 202311619274 A CN202311619274 A CN 202311619274A CN 117807490 A CN117807490 A CN 117807490A
- Authority
- CN
- China
- Prior art keywords
- grid
- connected converter
- neural network
- convolutional neural
- parameter identification
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 130
- 230000006870 function Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 239000003990 capacitor Substances 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于卷积神经网络的并网换流器参数识别方法及装置。该基于卷积神经网络的并网换流器参数识别方法包括：获取并网换流器阻抗数据；将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。本发明可以提高参数辨识的精度和效率。
Description
技术领域
本发明涉及电力系统技术领域，具体地，涉及一种基于卷积神经网络的并网换流器参数识别方法及装置。
背景技术
目前，新能源装机占比正在不断提升，变流器是新能源并网系统中的关键设备，其大规模接入给电力系统稳定性带来问题，阻抗分析法是目前常用的稳定性分析方法，要对包含新能源并网的系统进行稳定性分析，其模型及参数的准确性是分析新能源并网系统的前提。然而由于涉密等原因，难以从设备生产厂家直接获取控制器参数，这就需要一种能够反映变流器阻抗特性的参数获取方法。这种方法可以更准确地理解和控制变流器的工作状态，从而更好地分析和优化新能源并网系统，提高新能源的利用效率和电网的稳定性。
阻抗分析法是由阻抗匹配法则衍生出来的，是分析级联系统稳定性的经典方法。它的基本思想是通过测量设备的输入和输出之间的关系，来确定设备的阻抗特性。
阻抗分析法通常需要测量设备的电压和电流，然后通过这些测量值计算阻抗。这通常需要使用特定的测量设备和计算方法。在基于卷积神经网络(CNN)的并网换流器参数辨识方法中，阻抗分析法可以提供准确的参数估计，对于系统的非线性和不确定性具有良好的鲁棒性，可以实时进行参数辨识，这对于动态系统如并网换流器来说非常重要，可以与CNN结合使用，利用CNN的强大学习能力，进一步提高参数辨识的准确性和效率。
基于阻抗一致性方法去辨识参数,可确保并网换流器稳定性和可靠性，防止系统的不稳定和谐波扩散；可以更好地处理非线性和动态变化，因而提供更准确的参数估计；可以实现实时参数辨识，这对于新能源并网换流器的实时控制和优化非常重要；对于系统的不确定性和扰动具有良好的鲁棒性，这对于新能源并网换流器的稳定运行非常重要。
卷积神经网络(CNN)是一种用于处理具有类似网格结构数据(如图像、音频、时间序列等)的深度学习算法。核心思想是利用卷积操作来提取输入数据中的特征，并通过池化操作降低特征图的尺寸。这种特征提取和降维的过程可以帮助网络更好地理解输入数据的结构和内容。
作为一种深度学习技术，CNN可以从大量数据中学习并提取有用的特征。利用CNN进行并网变流器的参数辨识，可以优化新能源并网系统，更准确地理解和控制变流器的工作状态，从而更好地优化新能源并网系统，提高新能源的利用效率和电网的稳定性，从而促进新能源的发展。
目前的公开的论文和发明，还没有一种方法能够实现基于卷积神经网络的新能源并网换流器参数辨识：传统的系统辨识方法如最小二乘法具有难以得到全局最优解及对非线性系统往往不能得到满意效果等缺点；新型系统辨识方法如粒子群算法、模拟退火算法等具有易陷入局部最优解、寻优时间长等缺点。
发明内容
本发明实施例的主要目的在于提供一种基于卷积神经网络的并网换流器参数识别方法及装置，以提高参数辨识的精度和效率。
为了实现上述目的，本发明实施例提供一种基于卷积神经网络的并网换流器参数识别方法，包括：
获取并网换流器阻抗数据；
将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
在其中一种实施例中，创建卷积神经网络参数识别模型的步骤包括：
根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据；
根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
在其中一种实施例中，所述并网换流器训练参数包括电流内环比例系数和电流内环积分系数；
根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据包括：
根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数；
根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
在其中一种实施例中，所述并网换流器训练参数还包括：锁相环比例系数和锁相环积分系数；
所述基于卷积神经网络的并网换流器参数识别方法还包括：
根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
本发明实施例还提供一种基于卷积神经网络的并网换流器参数识别装置，包括：
获取模块，用于获取并网换流器阻抗数据；
并网换流器参数模块，用于将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
在其中一种实施例中，还包括：
并网换流器阻抗训练数据模块，用于根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据；
卷积神经网络参数识别模型模块，用于根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
在其中一种实施例中，所述并网换流器训练参数包括电流内环比例系数和电流内环积分系数；
所述并网换流器阻抗训练数据模块包括：
电流内环参数单元，用于根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数；
并网换流器阻抗训练数据单元，用于根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
在其中一种实施例中，所述并网换流器训练参数还包括：锁相环比例系数和锁相环积分系数；
所述基于卷积神经网络的并网换流器参数识别装置还包括：
传递函数模块，用于根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
本发明实施例的基于卷积神经网络的并网换流器参数识别方法及装置利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于卷积神经网络的并网换流器参数识别方法的流程图；
图2是本发明另一实施例中基于卷积神经网络的并网换流器参数识别方法的流程图；
图3是本发明实施例中创建卷积神经网络参数识别模型的流程图；
图4是本发明实施例中S201的流程图；
图5是本发明实施例中卷积神经网络模型的示意图；
图6是本发明实施例中测试阻抗幅值数据曲线示意图；
图7是本发明实施例中测试阻抗相角数据曲线示意图；
图8是本发明实施例中辨识阻抗幅值数据曲线示意图；
图9是本发明实施例中辨识阻抗相角数据曲线示意图；
图10是本发明实施例中基于卷积神经网络的并网换流器参数识别装置的结构框图；
图11为本申请实施例的电子设备9600的系统构成的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等均经过客户授权同意。
缩略语和关键术语定义
卷积神经网络(CNN)：卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。
阻抗分析法：该方法在研究并网逆变器与电网交互系统的阻抗稳定性时，将两者视为两个独立的子系统，根据各自的控制结构和参数特征分别建立阻抗模型，任何一方组成单元的结构和参数发生变化并不会影响到对方，故无需重新建立阻抗模型，降低了系统分析的难度。在获取阻抗模型后，用线性网络结构表示该交互系统的等效电路，再采用阻抗稳定性判据来分析系统稳定性。
参数辨识：是一种将理论模型与实验数据结合起来用于预测的技术。参数辨识根据实验数据和建立的模型来确定一组模型的参数值，使得由模型计算得到的数值结果能最好地拟合测试数据，从而可以对未知过程进行预测，提供一定的理论指导。
锁相环(pll)：锁相环(phase locked loop，pll)是一种利用相位同步产生的电压，去调谐压控振荡器以产生目标频率的负反馈控制系统。在并网逆变器控制中，为实现其并网运行时的有功和无功功率(电流)控制，需要动态获取电网电压的相位信息就要求采用锁相环来锁定电网电压的相位，且在必要时还可提供有关电网电压的频率和相位信息。
鉴于难以从设备生产厂家直接获取控制器参数，本发明实施例提供一种基于卷积神经网络的并网换流器参数识别方法及装置，以提高参数辨识的精度和效率，对于新能源并网换流器的研究和应用具有重要的意义。以下结合附图对本发明进行详细说明。
图1是本发明实施例中基于卷积神经网络的并网换流器参数识别方法的流程图。图2是本发明另一实施例中基于卷积神经网络的并网换流器参数识别方法的流程图。如图1和图2所示，基于卷积神经网络的并网换流器参数识别方法包括：
S101：获取并网换流器阻抗数据。
S102：将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数。
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
具体实施时，使用训练好的卷积神经网络参数识别模型对并网换流器阻抗数据进行分类辨识，得到辨识的类别标签，使用类别标签作为索引，从参数矩阵中获得辨识的参数。可以通过计算各辨识参数与测试参数之间的相对误差和所有误差的平均相对误差以评估此卷积神经网络的参数辨识性能。
图3是本发明实施例中创建卷积神经网络参数识别模型的流程图。如图3所示，创建卷积神经网络参数识别模型的步骤包括：
S201：根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据。
其中，所述并网换流器训练参数包括电流内环比例系数、电流内环积分系数、锁相环比例系数和锁相环积分系数。
图4是本发明实施例中S201的流程图。如图4所示，S201包括：
S301：根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数。
具体实施时，通过如下公式确定电流内环参数：
其中，Hi为电流内环参数，Kpc为电流内环比例系数，Kic为电流内环积分系数，s为拉普拉斯算子，ω1为基波角频率。
S302：根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
其中，逆变器参数包括逆变器电压增益、逆变器侧电感、逆变器侧电阻和逆变器电压增益；控制器直流信号包括电流内环PI控制器输出的直流信号d轴分量和电流内环PI控制器输出的直流信号q轴分量。
具体实施时，通过如下公式确定并网换流器阻抗训练数据：
其中，Zp为三相并网逆变器正序输出阻抗，Km为逆变器电压增益，Kd为解耦增益，Kd＝ω1Lf，Lf为逆变器侧电感，Rf为逆变器侧电阻，C为滤波电容，Rd为阻尼电阻，Km为逆变器电压增益，Fs为传递函数，Hi为电流内环参数，D0为电流内环PI控制器输出的直流信号d轴分量，Q0为电流内环PI控制器输出的直流信号q轴分量。
待辨识的参数为Kpc，Kic，Kpp，Kpi，将其带入上述并网换流器模型，生成若干组Zp的阻抗幅值和相角数据，以此作为卷积神经网络训练的样本集(并网换流器阻抗训练数据)。
一实施例中，所述基于卷积神经网络的并网换流器参数识别方法还包括：
根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
具体实施时，通过以下公式确定传递函数：
其中，Fs为传递函数，Hpll为锁相环参数，V1为电网正序基波电压幅值，s为拉普拉斯算子，ω1为基波角频率，Kpp为锁相环比例系数，Kpi为为锁相环积分系数。
推导并网换流器阻抗模型的流程如下：
主电路建模：逆变器输出电压的表达式如下：
其中，via[f]为逆变器输出电压，s为拉普拉斯算子，Lf为逆变器侧电感，Rf为逆变器侧电阻，C为滤波电容，Rc为和滤波电容串联电阻，V[f]为公共连接点处电压，I[f]为公共连接点处电流。由控制方式得到三相变流器输出电压，代入主电路模型，化简得到阻抗模型为：
其中，Z[f]为阻抗。
控制回路建模：注入电压谐波小信号扰动Δup，得到锁相环角θpll＝θ1+Δθ，θ1为稳态时电网锁相角，Δθ为相角扰动。进一步影响电流内环分别得到d轴电流差值和q轴电流差值Δid、Δiq，在电流内环中得到调制波小信号Δca。
锁相环频率特性建模：令θpll＝θ1+Δθ，对三相输入电压进行坐标变换，得到：
Tdq/abc(θPLL)＝Tdq/abc(θ1+Δθ)＝Tdq/abc(θ1)*Tdq/abc(Δθ)；
其中，Tdq/abc(θPLL)为坐标变换后的锁相环角，Tdq/abc(θ1)为坐标变换后的稳态时电网锁相角，Tdq/abc(Δθ)为坐标变换后的相角扰动。
假设Δθ[f]＝Gp(s)*VP，Vp为电流调节器输出在频域下正序表达式，谐波电压到Δθ之间的传递函数Gp(s)＝(干jHpll(s))/(1+V1Hpll(s))，V1为电网正序基波电压幅值，锁相环参数由派克变换得Vq[f]＝干jVp-V1GpVp，Vq为电流调节器输出在频域下负序表达式，则锁相环模型Δθ[f]＝Hpll[f]*Vq[f]，故：
其中，fp为正序电流扰动频率，f1为基波频率。
电流内环模型：电流信号频域表达式如下：
其中，id[f]为电流d轴分量，iq[f]为电流q轴分量，I1为基波电流峰值，为基波电流相位，Ip为正序斜波电流幅值。令电流内环PI控制器输出的直流信号的d轴分量、q轴分量分别为D0和Q0，则有：
其中，cd[f]为d轴调制信号，cq[f]为q轴调制信号。
输出调制信号频域表达式：由ca[f]＝cdcosθpll-cqsinθpll和以下公式：
得到输出调制信号频域表达式为：
其中，ca[f]为调制信号。
故有：
因此得到考虑锁相环时的并网换流器阻抗模型为：
S202：根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
具体实施时，将并网换流器阻抗训练数据转换为正确格式并将其划分为训练集和测试集，这里取0.3的测试集占比，即有30％的数据用于测试。图5是本发明实施例中卷积神经网络模型的示意图。如图5所示，定义卷积神经网络的结构为输入层、卷积层、批量归一化层、ReLU层、最大池化层、全连接层、ReLU层、全连接层、softmax层、分类输出层。
其中，在输入层中定义通道数为1；在卷积层中，指定卷积核的大小为1x3，卷积核的数量取64，即滤波器的数量，在卷积操作中使用了零填充(zero-padding)，使得输出的尺寸与输入的尺寸相同；定义批量归一化层用于加速神经网络的训练过程，并提高模型的泛化能力；定义一个ReLU(修正线性单元)层，ReLU是一种常用的激活函数，用于引入非线性性质，增加神经网络的表达能力；接着是最大池化层，池化窗口的大小指定[1 2]，即是一个1×2的窗口，指定池化操作的步长为1×2，最大池化层用于减小特征图的尺寸，并提取主要特征；全连接层中指定该层的输出大小为100，起将前一层的所有神经元与当前层的所有神经元相连接的作用；接着又定义一个ReLU层，同样用于引入非线性性质；定义一个全连接层；定义一个Softmax层用于将网络的输出转化为概率分布；最后定义一个分类输出层用于进行分类任务的输出。
设置卷积神经网络的训练选项，使用随机梯度下降法(Stochastic GradientDescent with Momentum)作为优化算法；设置最大训练轮数为100；初始学习率为0.001，学习率是控制神经网络权重更新的步长，即每次更新权重时的调整幅度。
初始学习率的选择很重要，如果学习率过大，可能会导致模型在最优解附近震荡，无法收敛；如果学习率过小，可能会导致模型学习过慢，需要更多的训练轮数；指定在每个训练轮次之前对训练数据进行洗牌(随机重排)的操作，这样可以增加训练的随机性，避免模型对数据的顺序产生依赖；在每个训练轮次之后，将使用验证数据集对模型进行评估，以监控模型的性能；设置了每10个训练轮次后就使用验证数据集进行一次验证以控制验证的频率，避免每个训练轮次都进行验证，从而提高训练的效率。训练好卷积神经网络后即可用待辨识的阻抗幅值和相角数据利用卷积神经网络进行参数辨识。
图1所示的基于卷积神经网络的并网换流器参数识别方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的基于卷积神经网络的并网换流器参数识别方法利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
表1
表1是并网换流器训练参数表。如表1所示，首先在一定范围内随机生成1000组待辨识参数带入并网换流器阻抗模型中，生成1000组阻抗幅值和相角的数据作为卷积神经网络训练样本集。图6是本发明实施例中测试阻抗幅值数据曲线示意图，图7是本发明实施例中测试阻抗相角数据曲线示意图。图8是本发明实施例中辨识阻抗幅值数据曲线示意图，图9是本发明实施例中辨识阻抗相角数据曲线示意图。如图6-图9所示，使用训练好的并网换流器阻抗模型对测试数据进行分类辨识，得到辨识的类别标签，使用类别标签作为索引，从参数矩阵中获得辨识的阻抗幅值、相角数据和辨识的辨识参数。
表2
表2是各辨识参数与测试参数之间的误差表。如表2所示，计算各辨识参数与测试参数之间的相对误差和所有误差的平均相对误差以评估此卷积神经网络的参数辨识性能，在基于卷积神经网络的新能源并网换流器参数辨识方法下，卷积神经网络能够辨识参数与测试参数之间的误差控制在较小范围内，很好地满足了新能源并网变流器参数辨识的需求。
综上，本发明能够基于新能源并网换流器模型，以待辨识的参数带入上述模型得到多组训练数据，对数据进行预处理，用以训练定义的卷积神经网络，使用训练好的网络辨识参数并计算辨识参数与实际参数之间的误差。基于卷积神经网络的新能源并网换流器参数辨识方法，能够从输入数据中自动学习并识别出有用的特征来提高辨识的精度，CNN强大的并行处理能力使其可以快速处理大量数据，且具有较高的精度，对于提高电力系统的稳定性，提高系统运行效率，促进新能源的发展具有重要意义。
基于同一发明构思，本发明实施例还提供了一种基于卷积神经网络的并网换流器参数识别装置，由于该装置解决问题的原理与基于卷积神经网络的并网换流器参数识别方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
图10是本发明实施例中基于卷积神经网络的并网换流器参数识别装置的结构框图。如图10所示，基于卷积神经网络的并网换流器参数识别装置包括：
获取模块，用于获取并网换流器阻抗数据；
并网换流器参数模块，用于将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
在其中一种实施例中，还包括：
并网换流器阻抗训练数据模块，用于根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据；
卷积神经网络参数识别模型模块，用于根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
在其中一种实施例中，所述并网换流器训练参数包括电流内环比例系数和电流内环积分系数；
所述并网换流器阻抗训练数据模块包括：
电流内环参数单元，用于根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数；
并网换流器阻抗训练数据单元，用于根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
在其中一种实施例中，所述并网换流器训练参数还包括：锁相环比例系数和锁相环积分系数；
所述基于卷积神经网络的并网换流器参数识别装置还包括：
传递函数模块，用于根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
综上，本发明实施例的基于卷积神经网络的并网换流器参数识别装置利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图11是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，基于卷积神经网络的并网换流器参数识别方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
获取并网换流器阻抗数据；
将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
从上述描述可知，本申请提供的基于卷积神经网络的并网换流器参数识别方法利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
在另一个实施方式中，基于卷积神经网络的并网换流器参数识别装置可以与中央处理器9100分开配置，例如可以将基于卷积神经网络的并网换流器参数识别装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于卷积神经网络的并网换流器参数识别方法的功能。
如图11所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图11中所示的所有部件；此外，电子设备9600还可以包括图11中没有示出的部件，可以参考现有技术。
如图11所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲器9141(有时被称为缓冲存储器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本发明实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于卷积神经网络的并网换流器参数识别方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于卷积神经网络的并网换流器参数识别方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取并网换流器阻抗数据；
将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
综上，本发明实施例的计算机可读存储介质利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
本发明实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于卷积神经网络的并网换流器参数识别方法中全部步骤的一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述实施例中的基于卷积神经网络的并网换流器参数识别方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取并网换流器阻抗数据；
将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
综上，本发明实施例的计算机程序产品利用新能源并网换流器模型，基于新能源并网换流器实测数据与给定数据的阻抗一致性目标，实现借助卷积神经网络进行新能源并网换流器的参数辨识，开展新能源并网换流器阻抗一致性的程序验证，可以提高参数辨识的精度和效率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书中的各实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (11)
1.一种基于卷积神经网络的并网换流器参数识别方法，其特征在于，包括：
获取并网换流器阻抗数据；
将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
2.根据权利要求1所述的基于卷积神经网络的并网换流器参数识别方法，其特征在于，创建卷积神经网络参数识别模型的步骤包括：
根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据；
根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
3.根据权利要求2所述的基于卷积神经网络的并网换流器参数识别方法，其特征在于，所述并网换流器训练参数包括电流内环比例系数和电流内环积分系数；
根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据包括：
根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数；
根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
4.根据权利要求3所述的基于卷积神经网络的并网换流器参数识别方法，其特征在于，所述并网换流器训练参数还包括：锁相环比例系数和锁相环积分系数；
所述基于卷积神经网络的并网换流器参数识别方法还包括：
根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
5.一种基于卷积神经网络的并网换流器参数识别装置，其特征在于，包括：
获取模块，用于获取并网换流器阻抗数据；
并网换流器参数模块，用于将所述并网换流器阻抗数据输入卷积神经网络参数识别模型中，得到并网换流器参数；
其中，所述卷积神经网络参数识别模型基于并网换流器训练参数和对应的并网换流器阻抗训练数据训练得到；所述并网换流器阻抗训练数据基于所述并网换流器训练参数获得。
6.根据权利要求5所述的基于卷积神经网络的并网换流器参数识别装置，其特征在于，还包括：
并网换流器阻抗训练数据模块，用于根据所述并网换流器训练参数确定所述并网换流器阻抗训练数据；
卷积神经网络参数识别模型模块，用于根据所述并网换流器训练参数和所述并网换流器阻抗训练数据训练卷积神经网络模型，得到所述卷积神经网络参数识别模型。
7.根据权利要求6所述的基于卷积神经网络的并网换流器参数识别装置，其特征在于，所述并网换流器训练参数包括电流内环比例系数和电流内环积分系数；
所述并网换流器阻抗训练数据模块包括：
电流内环参数单元，用于根据所述电流内环比例系数和所述电流内环积分系数确定电流内环参数；
并网换流器阻抗训练数据单元，用于根据所述电流内环参数、解耦增益、逆变器参数、滤波电容、阻尼电阻、传递函数和控制器直流信号确定所述并网换流器阻抗训练数据。
8.根据权利要求7所述的基于卷积神经网络的并网换流器参数识别装置，其特征在于，所述并网换流器训练参数还包括：锁相环比例系数和锁相环积分系数；
所述基于卷积神经网络的并网换流器参数识别装置还包括：
传递函数模块，用于根据所述锁相环比例系数、所述锁相环积分系数和电网正序基波幅值确定所述传递函数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的基于卷积神经网络的并网换流器参数识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的基于卷积神经网络的并网换流器参数识别方法的步骤。
11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至4任一项所述的基于卷积神经网络的并网换流器参数识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619274.4A CN117807490A (zh) | 2023-11-29 | 2023-11-29 | 基于卷积神经网络的并网换流器参数识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619274.4A CN117807490A (zh) | 2023-11-29 | 2023-11-29 | 基于卷积神经网络的并网换流器参数识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117807490A true CN117807490A (zh) | 2024-04-02 |
Family
ID=90432594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311619274.4A Pending CN117807490A (zh) | 2023-11-29 | 2023-11-29 | 基于卷积神经网络的并网换流器参数识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807490A (zh) |
-
2023
- 2023-11-29 CN CN202311619274.4A patent/CN117807490A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
| AU2020368222B2 (en) | Adding adversarial robustness to trained machine learning models | |
| Koto | SMOTE-Out, SMOTE-Cosine, and Selected-SMOTE: An enhancement strategy to handle imbalance in data level | |
| CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
| Röhm et al. | Model-free inference of unseen attractors: Reconstructing phase space features from a single noisy trajectory using reservoir computing | |
| US20240177697A1 (en) | Audio data processing method and apparatus, computer device, and storage medium | |
| Hu et al. | Design of recurrent neural networks for solving constrained least absolute deviation problems | |
| CN111723550A (zh) | 语句改写方法、装置、电子设备以及计算机存储介质 | |
| US20220284720A1 (en) | Method for grouping cells according to density and electronic device employing method | |
| US20210064982A1 (en) | Cross-domain homophily quanitifcation for transfer learning | |
| CN117807490A (zh) | 基于卷积神经网络的并网换流器参数识别方法及装置 | |
| CN116978450A (zh) | 蛋白质数据的处理方法、装置、电子设备及存储介质 | |
| CN114861865B (zh) | 高光谱图像分类模型的自监督学习方法、系统、介质和电子设备 | |
| CN112578458B (zh) | 叠前弹性阻抗随机反演方法、装置、存储介质及处理器 | |
| Castro-Garcia et al. | Hammerstein system identification using LS-SVM and steady state time response | |
| CN109670158B (zh) | 一种用于根据资讯数据生成文本内容的方法与设备 | |
| Essl | Topologizing Sound Synthesis via Sheaves | |
| Castano et al. | A fast approximation algorithm for set-membership system identification | |
| Wu et al. | Predicting nash equilibria in bimatrix games using a robust bi-channel convolutional neural network | |
| CN113158495B (zh) | 基于粒子群算法的分子筛工艺条件的生成方法和系统 | |
| CN113659936B (zh) | 一种线性化模型的分段点确定方法及装置 | |
| CN111682532A (zh) | 一种励磁系统无补偿相频特性在线建模方法及存储介质 | |
| CN116227332A (zh) | 一种transformer混合比特量化方法及系统 | |
| CN113505921A (zh) | 一种短期电价预测方法、系统、设备及存储介质 | |
| CN117435803A (zh) | 作业调度方法及装置 |
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 |