一种基于混合谐振器结构的多吸收带超宽带共模滤波器

    公开(公告)号:CN119651097A

    公开(公告)日:2025-03-18

    申请号:CN202510147549.1

    申请日:2025-02-11

    Applicant: 东南大学

    Abstract: 本发明是一种基于混合谐振器结构的多吸收带超宽带共模滤波器,包括耦合微带线、介质基板、主谐振器、副谐振器、电阻;该滤波器有上下两面,耦合微带线包含位于介质基板上面的金属导带、位于介质基板下面的金属地层;耦合微带线两端分别连接输入、输出端口;主谐振器蚀刻在金属地层的中间;副谐振器蚀刻在金属地层中主谐振器的外侧;耦合微带线与主谐振器、副谐振器相互耦合,实现混合谐振;电阻在副谐振器与对称线的交叉处,跨越副谐振器的缝隙,电阻两端与金属导带内部和外部的金属地层连接;本发明具备超宽带的共模抑制带宽以及多个吸收带,吸收带以热能形式耗散共模噪声,减轻系统中潜在的共模电磁干扰问题,同时不破坏差模信号的正常传输。

    一种高压断路器机械故障诊断方法

    公开(公告)号:CN110084148A

    公开(公告)日:2019-08-02

    申请号:CN201910278356.4

    申请日:2019-04-09

    Applicant: 东南大学

    Abstract: 本发明公开了一种高压断路器机械故障诊断方法,将高压断路器故障模拟实验所得的分合闸线圈电流作为故障诊断的目标数据样本,通过建立分合闸线圈数学模型仿真所得的数据作为辅助数据样本,利用深层信念网络(DBN)实现对样本数据特征的深层挖掘与自适应提取,并结合迁移学习方法实现辅助数据与目标数据的信息匹配。本发明方法将迁移学习与深层信念网络相结合,利用深层信念网络对断路器分合闸线圈电流时域信号进行数据特征的深层挖掘与自适应提取,并结合迁移学习方法解决实际故障训练样本数据量小的问题,提高了故障诊断模型的泛化能力。

    一种计及风电不确定性的交直流配电网调度方法

    公开(公告)号:CN110782363A

    公开(公告)日:2020-02-11

    申请号:CN201910753368.8

    申请日:2019-08-15

    Applicant: 东南大学

    Abstract: 本发明公开了一种计及风电不确定性的交直流配电网调度方法,考虑灵活性调节范围、调节速率和调节时间等要素,对交直流配电网的源网荷灵活性资源进行量化评估,定义交直流配电网运行灵活性评价指标及计算方法,基于非参数核密度估计及置信区间法的实现计及风电不确定性的配电网灵活性需求的约束转换,确定交直流配电网内分层分区调度策略的实现方案,以配电网运行经济性和电能质量作为目标函数,以换流站、交直流电网内可控运行参数作为决策变量,建立交直流配电网多目标日前灵活经济调度模型。本发明在保障交直流配电网在应对系统不确定性波动的前提下,进一步降低系统网损、改善节点电压水平、提高RES接纳水平和降低系统调度总成本。

    一种计及VSC控制方式的交直流配电网最优潮流计算方法

    公开(公告)号:CN110504691A

    公开(公告)日:2019-11-26

    申请号:CN201910753366.9

    申请日:2019-08-15

    Applicant: 东南大学

    Abstract: 本发明公开了一种计及VSC控制方式的交直流配电网最优潮流计算方法,在控制交流配电网主动管理设备的基础上,基于VSC换流站稳态运行模型,将VSC运行控制参数与主动管理设备共同作为决策变量,将计及换流站精确有功损耗的交直流网损作为目标函数,在满足交直流配电网以及换流站安全运行约束条件下,构建含多端柔性直流互联的交流配电网最优潮流数学模型,并采用交直流交替迭代潮流计算方法和双重粒子群算法对模型进行建立求解。本发明在考虑VSC控制参数优化后交直流网损得到有效削减,具备良好的实用性和较好的收敛性。

    基于PSR-DBN的超短期母线负荷预测方法

    公开(公告)号:CN111080000A

    公开(公告)日:2020-04-28

    申请号:CN201911239921.2

    申请日:2019-12-06

    Abstract: 本发明公开了一种基于PSR-DBN的超短期母线负荷预测方法,包括步骤:(1)采集母线负荷历史数据,对负荷时间序列进行极差归一化处理;(2)对负荷时间序列进行相空间重构,并采用C-C方法求解负荷时间序列的最优嵌入维数和最优延时;(3)构建深度信念网络,采用重构的负荷时间序列相空间矩阵作为训练集对深度信念网络进行训练,并采用交叉验证优化深度信念网络的超参数;(4)利用训练完成的深度信念网络预测未来时刻的负荷值;(5)利用负荷时间序列的最大最小值对深度信念网络返回的负荷预测值进行反归一化处理,得到实际的负荷预测值。本发明预测方法在分布式电源渗透率较高且母线负荷波动较大的情况下依旧能保持相对较高的预测精度。

Patent Agency Ranking