结合迁移学习的液态时变常数网络,用于混合发电系统的自适应数据驱动阻抗识别

《IEEE Open Journal of Power Electronics》:Liquid Time-Constant Networks with Transfer Learning for Adaptive Data-Driven Impedance Identification of Hybrid Power Generation Systems

【字体: 大 中 小 】 时间:2026年04月09日 来源:IEEE Open Journal of Power Electronics 3.9

编辑推荐:

   摘要: 由于混合发电系统(HPGSs)结合了风力发电机、光伏发电系统和电池储能系统,具有更高的可靠性和效率,因此在公用事业规模的应用中得到了广泛接受。对HPGSs的输出阻抗进行建模对于稳定性研究、监控和自适应控制至关重要。然而,制造商的保密限制了分析阻抗模型的发展。

  

摘要:

由于混合发电系统(HPGSs)结合了风力发电机、光伏发电系统和电池储能系统,具有更高的可靠性和效率,因此在公用事业规模的应用中得到了广泛接受。对HPGSs的输出阻抗进行建模对于稳定性研究、监控和自适应控制至关重要。然而,制造商的保密限制了分析阻抗模型的发展。另一方面,现有的数据驱动阻抗模型在面对HPGS配置的实际变化时缺乏适应性,在数据量有限的情况下准确性不足,且在在线应用中的计算效率也不高。为了解决这些问题,本文提出了一种基于液体时间常数(LTC)神经网络的模型,并结合迁移学习方法,用于在系统配置和运行条件变化的情况下对HPGSs进行数据驱动的阻抗建模,即使数据量有限也能有效工作。所提出的框架能够准确快速地预测HPGSs在各种实际情况下的表现,包括发电或储能单元的损坏或扩展,以及控制模式和参数的变化。此外,LTC模型的低延迟使其成为HPGSs在线阻抗识别领域的理想选择。通过与传统的前馈神经网络、长短期记忆网络以及新兴的Kolmogorov–Arnold网络的比较评估和实时测试,证明了该框架在广泛的实际运行场景中的鲁棒性和有效性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号