一种无线电能传输系统输出功率的自适应负载匹配方法

    公开(公告)号:CN114665617B

    公开(公告)日:2024-12-06

    申请号:CN202210276174.5

    申请日:2022-03-21

    Abstract: 本发明公开了一种二维谐振式无线电能传输系统最大输出功率的自适应负载匹配控制方法,该系统包括直流稳压电源,桥式逆变电路,发射线圈谐振电容,发射线圈,接收线圈,接收线圈谐振电容,整流电路,DC/DC变换电路以及负载电阻。该方法包括:根据基尔霍夫电压定律计算系统的输出功率表达式;对系统的输出功率表达式求导,计算输出功率最大时的最优负载;分别计算第一发射线圈、第二发射线圈和接收线圈之间的互感系数;根据DC/DC变换器等效负载和实际负载的关系、所得最优负载表达式及所得互感系数,计算DC/DC变换电路的占空比的精确数值。本发明仅需对接收端的进行参数的测量和对占空比的简单计算,即可实现对最大功率的跟踪控制,实现容易、操作简单。

    一种基于相似日与CEEMDAN-SSA-LSTNet的光伏出力预测方法

    公开(公告)号:CN117236422A

    公开(公告)日:2023-12-15

    申请号:CN202311326058.0

    申请日:2023-10-13

    Abstract: 本发明公开了一种基于相似日与CEEMDAN‑SSA‑LSTNet的光伏出力预测方法,涉及光伏出力预测技术领域包括,首先基于孤立森林算法处理光伏历史出力数据集,剔除替换异常数据,接着采用K‑means++聚类将光伏出力数据根据天气划分为不同的相似日,基于自适应噪声完备集合经验模态分解,分解处理后的数据,并以此为基础使用结合了麻雀搜索优化算法的长短期时间序列网络预测模型对单个分量进行预测,再对预测分量进行重构实现基于CEEMDAN‑SSA‑LSTNet的高精度光伏出力预测。本发明采用相似日与CEEMDAN‑SSA‑LSTNet相结合的预测方法,使用聚类算法融合了相似日分别进行预测,有效提高特殊天气下的预测精准度;采用SSA优化模型超参数,能够降低调整参数的时间成本并解决难以找到最优参数的问题,提高光伏出力预测精度。

    基于遗传算法改进的双卡尔曼滤波的锂电池SOC估计方法

    公开(公告)号:CN115327389A

    公开(公告)日:2022-11-11

    申请号:CN202211054450.X

    申请日:2022-08-31

    Abstract: 本发明公开了基于遗传算法改进的双卡尔曼滤波的锂电池SOC估计方法,包括:建立锂电池等效电路模型和动态系统方程;进行锂电池的OCV测试,将测试数据进行拟合得到开路电压与SOC的关系曲线;利用遗传算法对锂电池等效电路模型中参数辨识过程进行优化,得到最优辨识参数;根据锂电池等效电路模型建立双卡尔曼滤波器离散非线性系统方程,利用最优辨识参数以及锂电池的端电压、电流进行双卡尔曼滤波器迭代。本发明的锂电池SOC估计方法用实数编码遗传算法辨识得到最优化模型参数,最优化模型的电压输出特性与电池的实际电压输出特性基本吻合,具有较高的辨识精度,再将辨识后的参数代入双卡尔曼滤波进行SOC预测,大大提高了估计模型的准确性。

    一种无线电能传输系统输出功率的自适应负载匹配方法

    公开(公告)号:CN114665617A

    公开(公告)日:2022-06-24

    申请号:CN202210276174.5

    申请日:2022-03-21

    Abstract: 本发明公开了一种二维谐振式无线电能传输系统最大输出功率的自适应负载匹配控制方法,该系统包括直流稳压电源,桥式逆变电路,发射线圈谐振电容,发射线圈,接收线圈,接收线圈谐振电容,整流电路,DC/DC变换电路以及负载电阻。该方法包括:根据基尔霍夫电压定律计算系统的输出功率表达式;对系统的输出功率表达式求导,计算输出功率最大时的最优负载;分别计算第一发射线圈、第二发射线圈和接收线圈之间的互感系数;根据DC/DC变换器等效负载和实际负载的关系、所得最优负载表达式及所得互感系数,计算DC/DC变换电路的占空比的精确数值。本发明仅需对接收端的进行参数的测量和对占空比的简单计算,即可实现对最大功率的跟踪控制,实现容易、操作简单。

    一种基于TimeGAN网络合成窃电样本的数据集平衡方法

    公开(公告)号:CN115270934A

    公开(公告)日:2022-11-01

    申请号:CN202210817786.0

    申请日:2022-07-12

    Abstract: 本发明提出了一种基于TimeGAN网络合成窃电样本的数据集平衡方法,从预处理后的不平衡窃电数据集中筛选部分窃电样本,使用特定方式转化为三维时间序列形式,使用这些三维数据训练出一个能够合成同样形式数据的TimeGAN网络。使用训练后的TimeGAN网络合成遵循训练数据整体分布的三维时间序列,将合成的三维时间序列转换回与窃电样本相同的形式,合并到预处理后的不平衡窃电数据集,扩充窃电样本的数量,得到平衡窃电数据集。相较于现有技术,本发明的方法中使用TimeGAN网络合成的窃电样本,遵循真实窃电样本的整体空间分布,而不是与真实窃电样本数值上贴近,这样生成的数据不易导致窃电检测模型过拟合与低泛化性。

Patent Agency Ranking