XiaoMi-AI文件搜索系统
World File Search System功率载荷
双向交错直流向直流转换器的建模，设计和分析
I.引言全球对可持续能源解决方案的推动力是在耗尽的化石燃料储量和环境问题的驱动下，促进了电力电子产品的进步[1]。关键在这些创新中是双向DC-DC转换器，该转换器最初是为电动机驱动器而设计的，以控制速度和制动[2]。今天，他们的应用跨越了关键部门，例如直流驱动器，微电网，可再生能源存储和混合动力汽车，对于管理电力流量和在高功率情况下稳定电压至关重要[3]。但是，这些转换器在高功率应用中面临一些挑战，例如由于系统流动较大，电感器的大小增加，因此转换器的尺寸增加。另外，由于开关现象，输入电流会产生波动，因此为了克服这些问题，引入了转换器中的相互交流拓扑。此拓扑涉及多个阶段，这些阶段彼此并联以共享功率载荷[1]。
有限的时间前馈脱钩和精确的DC微电网朝向大信号稳定性
摘要 - 这项研究是通过考虑一个新兴的实际问题来开始的，即DC微电网应在喂食电阻载荷和恒定功率载荷（CPLS）时能够具有较大信号稳定性的操作。要更具体，应在存在大量综合可再生能源和CPL，系统内部不确定性，外部干扰，耦合相互作用以及其他不利影响的情况下确保稳定性。从控制的角度来看，我们有意提出了一个通用解决方案，以实现互连系统的确切分散的跟踪控制任务。首先，提出了一种替代的有限时间馈电机制，该机制与反馈统治或递归取消过程基本不同。其次，可以从系统信息中直接构建一个comite控制器，因为它与稳定性分析相脱。提议的设计框架的一个主要优点是它降低了设计的复杂性，因此促进了实际实现。作为直接应用，为自主DC微电网系统构建了一个简单的分散复合控制器。数值模拟和实验比较结果都表明，在各种不同情况下，DC微电网实现了大信号稳定性。
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
电池交换和充电站聚合器参与电网操作的可调度容量优化策略
将聚合器作为一个单位，电动汽车（EV）的电池交换和充电站（BSCS）可以由电网运营商聚集并派遣，以实现需求侧的资源法规。考虑到聚合器的多边服务的特征，在这项研究中，BSCS需要确保为电动汽车用户交换服务的质量并参与需求端法规响应。首先，我们在聚合模式下分析了BSC的操作机理，并提出了EV电池的状态过渡模型。在此基础上，EV需求不确定性通过分布式强大优化（DRO）的多次库存来纳入，以及确定BSCSS收入最大化的优化模型，从而获得了BSC聚合器的最佳载荷计划和可分配的容量计划。广泛的仿真和数值结果表明，具有需求端监管能力的BSC聚合器可以分别将其收入增加59.05％和36.78％，分别为工作和非工作日。此外，聚合器在满足EV交换需求的同时不会使原始功率载荷恶化，并且可以将每日负载波动降低0.65％和12.89％，将峰值差异降低了5.81％和7.80％，并通过在工作和非工作的日常工作中增加了3.67％和4.08％的载荷率，并将负载率提高了3.67％，并且可以分配能力分配。©2023作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。