基于聚类及神经网络的广义负荷建模方法

    公开(公告)号:CN110991638B

    公开(公告)日:2024-01-05

    申请号:CN201911201936.X

    申请日:2019-11-29

    Abstract: 本发明公开了一种基于聚类及神经网络的广义负荷建模方法,涉及广义负荷建模领域,所述方法包括以下步骤:步骤1、基于主成分分析对多维的负荷数据进行降维,获得降维数据;步骤2、采用K‑means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析,获得聚类数据;步骤3、对所述聚类数据进行RBF神经网络建模,构建广义负荷模型。本发明根据广义负荷的多影响因素,以重要性为优先级处理大量多维数据,实现了数据的精准采集与有效利用;包含传统负荷、可再生能源、电动汽车的配网中,实现广义负荷时变性、温度相关性的分析;本发明提供的模型的使用较为便捷,应用范围较广。(56)对比文件Yun Lu.An Improved RBF Neural Networkfor Short-TermLoad Forecast in SmartGrids.IEEE.2016,第1-6页.刘颖.基于PCA聚类分析的神经网络模型设计与应用.电子制作.2015,第58-59页.

    多级压气机模化方法及系统

    公开(公告)号:CN113673060A

    公开(公告)日:2021-11-19

    申请号:CN202110988696.3

    申请日:2021-08-26

    Inventor: 杨波 谢泓 宋沫儒

    Abstract: 本发明提供了一种多级压气机模化方法及系统,包括如下步骤:模型放大步骤:将原模型进行放大,得到放大模型;摩擦因子修正步骤:通过重设转速,对放大模型的摩擦因子进行修正,保证摩擦损失在总损失中的比值不变;扩压因子修正步骤:通过重设各级动静叶,修正放大模型的扩压因子,保证各级动叶出口的扩压因子一致;间隙修正步骤:通过重设叶顶间隙,修正放大模型的间隙损失,保证间隙损失在总损失中的比值不变;使用步骤:基于放大模型进行气动实验和试验,对原模型进行气动性能分析。本发明多级压气机高压级的放大模型,其流场与原型具有很高的相似性,从而保证了效率、压比、近失速流量与原模型基本相等。

Patent Agency Ranking