目前,磁谐振式无线电能传输(Magnetic coupling resonance-wireless power transmission,MCR-WPT)的研究主要集中于静止状态下的双发射单负载和三发射单负载系统。本文对双发射多负载低速转动系统进行了研究,通过建立双发射多负载系统...目前,磁谐振式无线电能传输(Magnetic coupling resonance-wireless power transmission,MCR-WPT)的研究主要集中于静止状态下的双发射单负载和三发射单负载系统。本文对双发射多负载低速转动系统进行了研究,通过建立双发射多负载系统的理论模型,结合COMSOL软件进行仿真,并搭建接收端转动的二维全向磁谐振式无线电能传输实验平台,验证了正交发射线圈不同相位差、不同接收线圈数量及线圈相对位置改变对转动系统能量传输效率的影响。结果表明,当正交双发射线圈存在90°相位差时,系统在接收端线圈固定距离内能够维持稳定的磁场传输特性,随着负载线圈数量的增加,系统的总传输效率波动幅度有所改变,当负载为4个时波动最小。展开更多
负荷聚合商(load aggregator,LA)集成需求侧资源参与双重市场(能量市场和备用市场)投标,需要根据市场运营规则对具有不同行为特性的需求侧资源优化组合。文章考虑双重市场对响应资源的技术要求,从负荷削减量和响应时间2个方面体现需求...负荷聚合商(load aggregator,LA)集成需求侧资源参与双重市场(能量市场和备用市场)投标,需要根据市场运营规则对具有不同行为特性的需求侧资源优化组合。文章考虑双重市场对响应资源的技术要求,从负荷削减量和响应时间2个方面体现需求侧资源的不确定性,引入条件风险价值(conditional value at risk,CVaR)理论,考虑备用市场响应超时的违约风险,制定其在双重市场的资源集成优化投标策略,以响应电量不足期望评估聚合商参与双重市场的响应可靠性。算例分析不同风险偏好系数下聚合商利润与风险的动态关系,优化需求侧资源的容量配置,为聚合商双重市场的投标和风险度量提供参考。展开更多
针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长...针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。展开更多
文摘目前,磁谐振式无线电能传输(Magnetic coupling resonance-wireless power transmission,MCR-WPT)的研究主要集中于静止状态下的双发射单负载和三发射单负载系统。本文对双发射多负载低速转动系统进行了研究,通过建立双发射多负载系统的理论模型,结合COMSOL软件进行仿真,并搭建接收端转动的二维全向磁谐振式无线电能传输实验平台,验证了正交发射线圈不同相位差、不同接收线圈数量及线圈相对位置改变对转动系统能量传输效率的影响。结果表明,当正交双发射线圈存在90°相位差时,系统在接收端线圈固定距离内能够维持稳定的磁场传输特性,随着负载线圈数量的增加,系统的总传输效率波动幅度有所改变,当负载为4个时波动最小。
文摘负荷聚合商(load aggregator,LA)集成需求侧资源参与双重市场(能量市场和备用市场)投标,需要根据市场运营规则对具有不同行为特性的需求侧资源优化组合。文章考虑双重市场对响应资源的技术要求,从负荷削减量和响应时间2个方面体现需求侧资源的不确定性,引入条件风险价值(conditional value at risk,CVaR)理论,考虑备用市场响应超时的违约风险,制定其在双重市场的资源集成优化投标策略,以响应电量不足期望评估聚合商参与双重市场的响应可靠性。算例分析不同风险偏好系数下聚合商利润与风险的动态关系,优化需求侧资源的容量配置,为聚合商双重市场的投标和风险度量提供参考。
文摘针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。