一种实时电能质量扰动识别分类方法

针对电能质量扰动数据大、识别算法繁琐,难以实现在线实时识别等问题,提出了基于深度卷积神经网络AlexNet的电能质量扰动识别数法,首先将各类电能质量扰动转化为图片格式,然后输入到AlexNet算法,通过学习、调整电能质量扰动信号的特征参数,迭代收敛,最后将实时的电能质量扰动通过训练好的AlexNet,直接实现扰动识别分类。实时仿真结果表明,所提出的方法能精确识别包括3种复合扰动在内的17种电能质量扰动问题,只需要对电能质量扰动信号进行学习,即可以直接对电能质量扰动信号进行识别与分类,识别算法简单且处理的时间短,达到了实时性的目的。     

换电生态下换电站电池配置及经济性研究北大核心

随着新能源汽车换电模式应用试点启动,利用换电站电池的需求响应柔性特性及全网数量优势部分解决风光电供需错位问题成为可能。在此背景下,本文计及电池储能价值,基于“车-源-网”换电生态系统,设计“风-光-动力电池”和“风-光-动力电池-储能电站”混合储能模式,构建兼顾环境效益和经济效益的电池充电优化模型。基于蒙特卡洛算法预测换电需求,对北京市7月份某一天的风光出力数据进行仿真分析。结果表明,单一储能模式0.33C充电倍率、混合储能模式1C充电倍率,均具有较好的经济性。此外,混合储能模式的风光消纳率比单一储能模式高13%以上,更能积极推动换电生态系统正循环发展。