-
公开(公告)号：CN115408860A
公开(公告)日：2022-11-29
申请号：CN202211050136.4
申请日：2022-08-31
Applicant: 河北工业大学
IPC: G06F30/20 , G06F113/06
Abstract: 本发明为一种风电场风速‑功率异常数据监测及修正方法，将历史数据划分为若干个区间，在原本的最大值原理法的运用之前，基于数据点密度舍弃较远的离群点，即将密度较小的点舍弃，对保留数据点进行拟合，得到风速‑功率拟合曲线，提高了拟合风速‑功率曲线的准确性，有效避免了由小数据量造成过大误差而引起的问题。分别在恒转矩运行阶段和恒功率运行阶段均设置了一定的裕量，增加了适用性，避免了因拟合曲线而丢掉过多的正常数据点，并对异常数据进行标记；实现了对风电场风速‑功率数据的异常值的识别和监测。
-
公开(公告)号：CN115000972A
公开(公告)日：2022-09-02
申请号：CN202210562159.7
申请日：2022-05-23
Applicant: 河北工业大学
Abstract: 本发明公开一种考虑特殊节点的分布式光伏群无功一致性分配方法，该方法考虑了特殊节点，在不修改结构的前提下，实现了特殊节点特殊处理，非特殊节点功率参考均值一致处理的效果。不需要重新计算权重矩阵W，因为在处理过程中没有更改权重W，所以收敛性不发生变化；在特殊点，使用虚拟值参与分布式均值一致性进程，最终，除特殊节点外，均匀分配无功功率参考值。
-
公开(公告)号：CN111444626B
公开(公告)日：2022-03-15
申请号：CN202010266873.2
申请日：2020-04-07
Applicant: 河北工业大学
Abstract: 本发明为双馈风机结构参数在线参数辨识方法，该方法首先进行双馈风机的整体建模，根据所建立的数学模型，在风电场监控系统上采集辨识所需要的的电流电压转速数据。所辨识的参数为双馈风机的转子定子电阻电感互感，应用迭代的方法进行参数的计算，在迭代过程中加入相对加权因子提高辨识的精度，实现了双馈风机结构参数的在线辨识。
-
公开(公告)号：CN113159452B
公开(公告)日：2022-03-01
申请号：CN202110532494.8
申请日：2021-05-17
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于时空相关性的风电集群功率预测方法，该预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。该预测方法考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。此外，应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。
-
公开(公告)号：CN112446545B
公开(公告)日：2022-02-08
申请号：CN202011385316.9
申请日：2020-12-01
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于叠加马尔科夫链的负荷预测方法。该方法首先将获取的负荷历史数据按照不同日期同一时刻进行分组并转换为状态变量；然后根据不同步长、天气、季节与日期类型计算相应的状态转移矩阵；之后根据初始状态及转移矩阵按顺序计算下一时刻点的模拟值；最后加入误差补偿，得到最终的负荷预测值。本发明负荷预测方法区别于一般的马尔科夫链方法，克服了传统方法统一划分状态区间的缺陷，本发明负荷预测方法对状态转移矩阵进行分类，并且采用叠加马尔科夫链进行预测，改善了以往方法精度不高的缺点，使负荷预测结果更加准确。
-
Patent Agency Ranking
公开(公告)号：CN113793186A
公开(公告)日：2021-12-14
申请号：CN202111117972.5
申请日：2021-09-18
Applicant: 河北工业大学
IPC: G06Q30/02 , G06N3/00 , G06F30/25 , G06F111/04
Abstract: 本发明为一种融合非线性残差的新能源汽车规模预测方法，包括步骤一、建立各影响因素的影响因素预测模型和误差预测模型；步骤二、建立基于线性组合的新能源汽车规模预测模型并进行预测；步骤三、将历史真值和预测值之间的预测残差以及影响因素的历史数据作为SVR模型的输入，以历史真值和预测值之间的预测残差为SVR模型的输出，得到残差的点预测值和上、下限预测值；步骤四、将基于线性组合的新能源汽车规模预测模型的新能源汽车规模点预测值和上、下限预测值和残差的点预测值和上、下限预测值分别进行叠加，得到新能源汽车规模的点预测以及区间预测。对残差进行预测，修正了基于线性组合的新能源汽车规模预测模型的误差，提高了预测精度。
-
公开(公告)号：CN113250911A
公开(公告)日：2021-08-13
申请号：CN202110525344.4
申请日：2021-05-12
Applicant: 河北工业大学
IPC: F03D17/00
Abstract: 本发明为一种基于VMD分解算法的风机叶片故障诊断方法，包括步骤1、采集风机叶片的声音信号并对声音信号进行滤波，得到滤波后的声音信号；步骤2、利用VMD分解算法将滤波后的声音信号分解为多个模态分量；步骤3、对每个模态分量进行分帧处理，将每个模态分量分为多帧声音信号；对分帧处理后的声音信号进行加窗处理，得到加窗处理后的声音信号；步骤4、计算每帧声音信号的短时能量，然后将每个模态分量对应的所有帧声音信号的短时能量相加，得到各模态分量的短时能量；步骤5、各模态分量的短时能量构成信号样本的特征向量，将特征向量输入到支持向量机中进行训练，将训练后的模型用于故障诊断。该方法的诊断准确率和效率较高。
-
公开(公告)号：CN112330487A
公开(公告)日：2021-02-05
申请号：CN202011206980.2
申请日：2020-11-03
Applicant: 河北工业大学
Abstract: 本发明为一种光伏发电短期功率预测方法，该方法包括以下内容：获取光伏电站包括各种气象信息影响因素的历史数据，并应用互信息提取出互信息值大于0.7所对应的主要影响因素，以所提取的主要影响因素构成训练和测试数据样本；建立Elman神经网络，并对网络参数进行初始化，以样本作为神经网络的输入，神经网络的输入向量维度与所提取的主要影响因素的数量一致；利用改进的杂交粒子群‑禁忌搜索混合算法优化神经网络的网络结构单元的连接权值，将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测，得到光伏发电功率。该方法有效的解决易早熟问题，避免了局部收敛和粒子搜索能力的下降，防止陷入局部最优，整体实现了光伏预测的准确性。
-
公开(公告)号：CN112329339A
公开(公告)日：2021-02-05
申请号：CN202011162929.6
申请日：2020-10-27
Applicant: 河北工业大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/04 , G01P5/00 , G06F111/08 , G06F113/08
Abstract: 本发明公开一种风电场短期风速预测方法，该预测方法对风速分解后的风速分量进行重新组合，得到两个风速分量，降低了多个风速分量预测误差累积造成的整体预测误差过大，并且将影响风速预测效果的风速随机波动提取出来，提高另一风速分量的预测精度。此外，应用人工鱼群算法优化RBF神经网络提高了神经网络的预测精度和计算效率。对于影响风速预测的随机波动，建立了风速波动量对趋势量的相依概率模型，使风速随机波动预测更加准确，提高了风速预测精度。
-
公开(公告)号：CN109139390B
公开(公告)日：2020-03-13
申请号：CN201811127368.9
申请日：2018-09-27
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于声信号特征库的风机桨叶故障识别方法，包括以下步骤：步骤1、采集一个风场所有风机正常运行时各自桨叶发出的声音信号，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为待测样本的特征矩阵；步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ1，并设定ρ1的初始阀值a，以此为判据判断所测样本是否故障；步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别。通过计算待测样本与正常状态特征库、故障类型特征库中对应参考样本的相关系数的大小来判断是否故障，并指示故障的类型，并对相关系数的阀值不断修正，提高叶片故障检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.064 seconds)
