提出一种输出本质安全型准阻抗源Boost电压变换器,介绍了其电路的基本组成,分析了准阻抗源网络中电感器和电容器的元件选型。该电路由准阻抗源电路和Boost斩波电路组成,然后连接电感电容(inductance and capacitance,LC)滤波电路,控制...提出一种输出本质安全型准阻抗源Boost电压变换器,介绍了其电路的基本组成,分析了准阻抗源网络中电感器和电容器的元件选型。该电路由准阻抗源电路和Boost斩波电路组成,然后连接电感电容(inductance and capacitance,LC)滤波电路,控制信号为脉宽调制波。使用MATLAB/Simulink完成电路仿真,在仿真基础上搭建实物实验电路,实验结果验证了仿真及电路的正确性和可行性。展开更多
文摘提出一种输出本质安全型准阻抗源Boost电压变换器,介绍了其电路的基本组成,分析了准阻抗源网络中电感器和电容器的元件选型。该电路由准阻抗源电路和Boost斩波电路组成,然后连接电感电容(inductance and capacitance,LC)滤波电路,控制信号为脉宽调制波。使用MATLAB/Simulink完成电路仿真,在仿真基础上搭建实物实验电路,实验结果验证了仿真及电路的正确性和可行性。
文摘小时天然气负荷预测受外部特征因素与预测方法的影响,为提高其预测精度并解决其他深度学习类模型或组合模型可解释性差、训练时间过长的问题,在引入“小时影响度”这一新特征因素的同时提出一种基于极端梯度提升树(extreme gradient boosting tress,XGBoost)模型与可解释性神经网络模型NBEATSx组合预测的方法;以XGBoost模型作为特征筛选器对特征集数据进行筛选,再将筛选降维后的数据集输入到NBEATSx中训练,提高NBEATSx的训练速度与预测精度;将负荷数据与特征数据经STL(seasonal and trend decomposition using Loess)算法分解为趋势分量、季节分量与残差分量,再分别输入到XGBoost中进行预测,减弱原始数据中的噪音影响;将优化后的NBEATSx与XGBoost模型通过方差倒数法进行组合,得出STL-XGBoost-NBEATSx组合模型的预测结果。结果表明:“小时影响度”这一新特征是小时负荷预测的重要影响因素,STL-XGBoost-NBEATSx模型训练速度有所提高,具有良好的可解释性与更高的预测准确性,模型预测结果的平均绝对百分比误差、均方误差、平均绝对误差分别比其余单一模型平均降低54.20%、63.97%、49.72%,比其余组合模型平均降低24.85%、34.39%、23.41%,模型的决定系数为0.935,能够很好地拟合观测数据。