孟璐
- 作品数:6 被引量:127H指数:5
- 供职机构:上海交通大学电子信息与电气工程学院更多>>
- 发文基金:国家重点基础研究发展计划上海市科委科研计划项目上海市科委重大科技攻关项目更多>>
- 相关领域:电气工程动力工程及工程热物理交通运输工程机械工程更多>>
- 工程机械发动机节能控制系统PID控制器的设计与仿真
- 2011年
- 基于工程机械柴油发动机油门节能控制系统的硬件设计,建立了控制系统数学模型,研究了PID控制策略。对PID参数进行了反复整定和数字仿真分析,仿真结果表明:PID控制后的系统响应快、无超调、没有稳态误差,实现了良好的控制效果。
- 苏会芳高文中孟璐
- 关键词:柴油发动机PID控制数字仿真
- 基于EMD-LSTM的光伏发电预测模型被引量:40
- 2020年
- 随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。
- 朱玥顾洁孟璐
- 关键词:光伏发电出力预测经验模态分解气象因素
- 基于深度卷积生成对抗网络场景生成的间歇式分布式电源优化配置被引量:25
- 2021年
- 风电和光伏等间歇性分布式电源(distributed generation,DG)在配电网中接入比例不断提高,对配电网规划影响显著,需对其出力的不确定性进行建模,以提升含DG的配电网规划的效益与实用性。建立了考虑出力不确定性的DG双层优化配置模型。通过改进的条件深度卷积生成对抗网络模型对DG出力的不确定性进行建模,并在模型中加入月份标签信息以生成面向规划的风光联合出力场景;基于高斯混合模型确定月份标签对应的风光出力的上下限,从而刻画DG出力的不确定性范围。最后,考虑DG出力的运行边界,建立了社会综合成本最小化的DG双层优化配置模型。IEEE 33节点算例验证表明,提出的DG优化配置方案能够提升DG的接入容量,有效降低社会综合成本,提高配电网运行的经济性。
- 顾洁刘书琪胡玉孟璐
- 关键词:不确定性高斯混合模型
- 考虑集群辨识的海量用户负荷分层概率预测被引量:11
- 2021年
- 随着电力公司等传统能源企业向综合能源服务商的加速转型,原有的粗放式用户用电管理模式逐渐难以满足电力营销管理的需求。针对海量用户场景提出了用电模式分层聚类方法及用户集群辨识模型。基于用户集群辨识结果提出了条件残差模拟负荷概率预测模型,进行负荷分层概率预测,以实现对用户精细化用电管理。通过典型案例验证了所提方法的可行性与优越性。
- 顾洁孟璐郑睿程金之俭
- 关键词:聚类算法
- 数据驱动的无精确建模含源配电网无功运行优化被引量:19
- 2021年
- 分布式光伏的接入使得配电网无功电压运行控制需求及解决措施与传统配电网差异较大。针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模的问题,提出了无精确建模的含分布式光伏的配电网电压优化控制模型。以节点电压合格为优化目标,使用高速公路神经网络拟合网架节点注入功率与关键节点电压之间的映射关系;考虑分布式光伏的出力约束,进而采用定向寻优策略和反馈机制对优化模型进行求解;通过改变分布式电源逆变器出力来控制电网电压,实现全局系统电压控制。以不同规模的配电网实际数据为例,验证了所提优化运行控制模型的有效性。对比分析了采用普通神经网络和高速公路神经网络的电压拟合精度及收敛速度,证明高速公路神经网络应用于解决无精确建模的多节点含源配电网无功运行问题,可以实现拟合精度和拟合速度的双重优化。
- 顾洁孟璐朱曈彤刘书琪金之俭
- 关键词:配电网数据驱动
- 基于耦合特征与多任务学习的综合能源系统短期负荷预测被引量:35
- 2022年
- 在区域型综合能源系统(IES)内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。
- 吕忠麟顾洁孟璐
- 关键词:多任务学习短期负荷预测