-
公开(公告)号：CN114781708B
公开(公告)日：2025-02-14
申请号：CN202210373030.1
申请日：2022-04-11
Applicant: 东南大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0455 , G06N3/0464 , G06N3/08 , H02J3/00
Abstract: 本发明公开了一种基于轻量级自编码网络的短期风功率预测方法，涉及测量技术领域，解决了风功率预测准确性较低的技术问题，其技术方案要点是通过轻量级自编码网络对短期风功率进行预测，具有特征学习效率高的优势，对于不同的风机的功率预测任务，适用性更强；能有效的提取复杂天气情况下的风功率信息，预测准确率高；参数量少，所需计算与存储成本小，网络结构轻量级，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于各大风电场的短期风功率预测。
-
公开(公告)号：CN112633331B
公开(公告)日：2024-07-12
申请号：CN202011439021.5
申请日：2020-12-07
Applicant: 东南大学
IPC: G06F18/2135 , G06N3/0455 , G06Q10/0639 , G06Q50/06
Abstract: 本发明提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。
-
公开(公告)号：CN112836570B
公开(公告)日：2024-02-06
申请号：CN202011498766.9
申请日：2020-12-16
Applicant: 东南大学
IPC: G06F18/2433 , G06F18/10 , G06V10/764 , G06V10/82 , G01M13/00 , G01M99/00 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种利用高斯噪声的设备异常检测方法，本发明无需大量故障样本，采用基于高斯噪声的生成对抗方式训练正常样本，得到用于映射潜向量映射空间的生成器，一旦异常样本经过生成器映射后脱离潜向量映射空间，即可实现异常检测。由于生成器是只匹配正常样本的，正常的振动图像经过生成器可以映射成原始定义的分布pg～N(0，1)，但是异常样本经过这个生成器无法匹配原始定义的分布，因为该生成器是仅用正常样本做生成对抗训练的。因此，在不同故障模式下的异常样本会以不同的方式偏离正常样本的潜向量映射空间，因此基于上述方法的异常检测模型可以实现不同故障模式的故障预警。
-
公开(公告)号：CN112577748A
公开(公告)日：2021-03-30
申请号：CN202011461492.6
申请日：2020-12-07
Applicant: 东南大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。
-
公开(公告)号：CN105718958B
公开(公告)日：2018-09-21
申请号：CN201610054716.9
申请日：2016-01-27
Applicant: 国网江苏省电力有限公司检修分公司 , 国家电网公司 , 江苏南瑞泰事达电气有限公司 , 东南大学
IPC: G06K9/62
Abstract: 本发明公开一种基于线性判别分析和支持向量机的断路器故障诊断方法，其首先通过在线监测装置采集断路器分合闸线圈电流作为故障诊断的数据样本，包括正常运行时的数据样本和故障时的数据样本；然后从m个数据样本中提取y个特征量，形成m行，y列的数据样本X，并对数据样本进行标准化，形成n行，y列的原始特征矩阵R；再利用LDA算法对原始特征矩阵进行映射变换，形成具有m行，k列的变换后特征矩阵R’，同时得到变换函数的系数矩阵W；再利用将变换后特征矩阵R’作为支持向量机的训练数据集，优化其内部参数；最后基于LDA和支持向量机的模型，对断路器故障进行智能诊断。本发明算法精度高，可为电力系统的可靠性和稳定性提供保障。
-
Patent Agency Ranking
公开(公告)号：CN119831230A
公开(公告)日：2025-04-15
申请号：CN202411879893.1
申请日：2024-12-19
IPC: G06Q10/0631 , G06Q30/0202 , G06Q30/0207 , G06Q50/43 , G06F18/2321 , G06F18/23213 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/048
Abstract: 本发明属于交通系统预测与智能调度技术领域，公开了一种基于站点需求预测和用户奖励机制的共享单车动态调度方法。该方法包括：基于共享单车的出行数据，结合DBSCAN聚类算法和K‑Means聚类算法对共享单车站点进行聚类，并采用CNN‑LSTM神经网络对各站点的未来需求量进行预测；综合考虑调度车辆的固定成本、运输成本、用户奖励机制下的企业返利成本及偏离期望库存的惩罚成本，构建基于需求预测和用户奖励机制的共享单车动态调度模型；通过贪婪算法对该模型进行求解，动态更新共享单车站点单车数据以及站点未来需求预测，实时优化动态路径并求得最小总调度成本的最优方案。从而可以有效解决共享单车的调度路径规划问题，提高系统的调度效率和整体性能。
-
公开(公告)号：CN114861533B
公开(公告)日：2024-11-08
申请号：CN202210447856.8
申请日：2022-04-26
Applicant: 东南大学
IPC: G06F30/27 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F113/06 , G06F119/06
Abstract: 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。
-
公开(公告)号：CN112633331A
公开(公告)日：2021-04-09
申请号：CN202011439021.5
申请日：2020-12-07
Applicant: 东南大学
Abstract: 本发明提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。
-
公开(公告)号：CN114781708A
公开(公告)日：2022-07-22
申请号：CN202210373030.1
申请日：2022-04-11
Applicant: 东南大学
Abstract: 本发明公开了一种基于轻量级自编码网络的短期风功率预测方法，涉及测量技术领域，解决了风功率预测准确性较低的技术问题，其技术方案要点是通过轻量级自编码网络对短期风功率进行预测，具有特征学习效率高的优势，对于不同的风机的功率预测任务，适用性更强；能有效的提取复杂天气情况下的风功率信息，预测准确率高；参数量少，所需计算与存储成本小，网络结构轻量级，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于各大风电场的短期风功率预测。
-
公开(公告)号：CN106649652A
公开(公告)日：2017-05-10
申请号：CN201611138954.4
申请日：2016-12-12
Applicant: 国网江苏省电力公司检修分公司 , 国家电网公司 , 江苏南瑞泰事达电气有限公司 , 东南大学
Abstract: 本发明公开了一种基于Hadoop的变电站主设备在线监测系统，包括：以变电站主设备在线监测装置构成的数据采集层，以关系数据库MySQL，Hadoop构架中的分布式文件系统HDFS及其所包括的分布式数据库HBase构成的数据存储层，采用MapReduce软件框架构成的数据应用服务层，以及对电气设备状态参数的全景展示的数据可视化层。本发明将在互联网、金融、物流等领域较为火热的大数据技术引入到智能变电站电气设备在线监测的数据处理中。利用大数据的数据处理存储、管理和处理技术，并结合Hadoop 云计算实现快速、高效、准确、低成本的实现在线监测数据处理。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.036 seconds)
