XiaoMi-AI文件搜索系统
World File Search System功率损失
研究文章优化了IEEE的功率损失预测...
抽象准确的功率损失估计对于有效的电力系统操作和计划至关重要。传统方法依赖于假设，导致不准确。这项研究采用了多层馈送神经网络（MFNN）来开发一个模型，该模型估计电力线中的真实和反应性损失。负载流技术用于获得训练多种模型的变量。调整神经元数并比较其他模型的性能指标后，选择了所需的模型。使用MATPOPTOR对118个BUS IEEE测试网络进行建模。Levenberg-Marquardt反向传播算法对生成数据训练了该模型。结果表明，25-神经元模型表现最好，在1000个时期达到了最小平方误差（0.00047543）。相关系数显示20个神经元和25个神经元模型的值为0.9999。分析确定了25个基于训练的模型是预测功率损耗的最准确的模型。据观察，25-神经元模型以1000个时期的最高相关系数（0.99999）达到了最佳性能（0.99999）和最小平方误差（0.00047543）。这项研究证明了ANN在估计传输线中功率损失方面的有效性。推荐的25个基于基于Neuron的训练有素的模型提供了研究模型的最佳预测，从而提高了电力系统效率和计划。关键字：神经网络，神经元，负载流，Levenberg-Marquardt，Newton Raphson
使用可移动的E.V.从可再生资源中有效管理功率损失。电池
摘要：电动汽车（E.V.）是应对需要特别关注的可疑发展挑战的可行解决方案之一，例如气候变化，化石燃料储量的耗尽和温室气体排放。除了电动汽车的环境利益外，它们还可以用作存储系统，以减轻可再生电源可变性所带来的挑战，并为网络提供辅助收益，例如电压调节和频率调节。此外，使用电动汽车可移动的电池存储可再生能源是一种创新有效的解决方案，可打击GHG排放的增加。在本文中，使用自回归的集成移动平均值预测模型，我们估算了必要的存储能力，以促进能源系统的调整，从而越来越多地由可再生能源供电。此外，我们估计当传统网格无法接管此盈余时，需要接管可再生能源产生的多余能源所需的电动汽车数量。预测有2050年作为时间范围。结果表明可移动的E.V.电池可能是一种有效的解决方案，用于管理和存储能源在能源市场中需求不一致的情况下损失的能源。