最新設(shè)計資源

電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計][智能電網(wǎng)]

針對電力系統(tǒng)數(shù)據(jù)具有復雜性、多樣性特點，導致檢索難度過高的問題，設(shè)計了電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率，選取二分量一維混合高斯模型，構(gòu)建電力系統(tǒng)波動概率分布模型。對比概率分布模型模擬的電力系統(tǒng)波動數(shù)據(jù)與量測數(shù)據(jù)，依據(jù)判定閾值辨識電力系統(tǒng)較大波動數(shù)據(jù)條目，構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動數(shù)據(jù)條目的哈希特征，生成二值碼。較大波動數(shù)據(jù)條目檢索時，生成用戶檢索詞的二值編碼，計算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離，并對其加權(quán)處理，利用加權(quán)漢明距離排序數(shù)據(jù)條目，獲取較大波動數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實驗結(jié)果表明，該方法能夠依據(jù)用戶輸入的檢索詞，自適應(yīng)檢索電力系統(tǒng)較大波動數(shù)據(jù)條目，檢索結(jié)果的歸一化折損累積增益均高于0.9，檢索時間低于500 ms。

發(fā)表于：6/18/2025

AirGAN：空調(diào)機理模型增強生成對抗模型[模擬設(shè)計][智能電網(wǎng)]

為引導資源龐大、調(diào)控靈活的空調(diào)負荷參與需求響應(yīng)實現(xiàn)“源荷互動”，保障電網(wǎng)的安全經(jīng)濟運行，各大研究單位開展了樓宇空調(diào)需求響應(yīng)實時控制仿真與實踐研究。然而，如何準確地估算空調(diào)的負荷，并對空調(diào)負荷進行預測是目前面臨的重要挑戰(zhàn)。當前主流方法包括模型驅(qū)動型、數(shù)據(jù)驅(qū)動型兩種方法體系。其中模型驅(qū)動型依賴對空調(diào)負荷的建模，難以實現(xiàn)對空調(diào)負荷復雜變化的模擬。數(shù)據(jù)驅(qū)動則是依賴大量數(shù)據(jù)進行模型訓練，但難以覆蓋空調(diào)負荷的各類特點。為此，擬從模型驅(qū)動及數(shù)據(jù)驅(qū)動相結(jié)合的角度進行空調(diào)負荷的智能擬合，以提升空調(diào)負荷生成預測的準確性和適應(yīng)性。提出了一種基于機制模型與生成對抗網(wǎng)絡(luò)（GAN）相結(jié)合的負荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實際空調(diào)負荷特性。同時，采用GAN判別器對機制模型預測的負荷進行判別，以此訓練機制模型，從而提升其預測精度。

發(fā)表于：6/18/2025