一种基于改进STIRPAT模型的电力能源碳排放预测方法

    公开(公告)号:CN115640876A

    公开(公告)日:2023-01-24

    申请号:CN202211184906.4

    申请日:2022-09-27

    Abstract: 本发明公开了一种基于改进STIRPAT模型的电力能源碳排放预测方法,所述方法包括能源碳排放核算方法和能源碳排放预测方法两部分,其中能源碳排放核算方法包括清单分析法和投入产出法,分别从宏观和特定场景方面实现对区域能源消费产生的碳排放实现核算,两种方法优点互补,实现有效精准核算;能源碳排放预测方法利用改进的STIRPAT模型,研究不同因素对于碳排放的影响,将历史数据进行拟合,得到拟合模型,并根据区域发展规划,实现对区域未来电力能源碳排放预测。本发明实现对未来区域电力能源碳排放的有效预测,实现对电力能源碳排放的预测,指导地区制定合理的降碳减排策略。

    一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法

    公开(公告)号:CN113627378A

    公开(公告)日:2021-11-09

    申请号:CN202110954367.7

    申请日:2021-08-19

    Abstract: 本发明公开了一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法,包括:步骤S1:收集输电线路的螺栓图像并框选出螺栓位置,将框选出的图像分割提取,作为初始样本集;步骤S2:判断初始样本集中的螺栓缺失情况;步骤S3:对初始样本集中螺栓未缺失的图片进行样本量的扩充,得到扩充样本集;步骤S4:将扩充样本集作为训练数据导入Faster R‑CNN网络模型进行训练;步骤S5:识别待检测图像中的螺栓缺损情况并框选螺栓位置,本发明解决了现有螺栓缺失检测方法中准确度低、易受外部光线影响的问题,实现了更为通用的螺栓缺陷检测技术,本发明提出的方法具备更高的准确度和适用性,使待检数据的采集不再受限于天气、位置和设备因素的影响。

    一种斜角端面光纤振动传感器及其测量振动的方法

    公开(公告)号:CN110207806A

    公开(公告)日:2019-09-06

    申请号:CN201910620810.X

    申请日:2019-07-10

    Abstract: 本发明提供一种斜角端面光纤振动传感器,包含:窄线宽激光器,用于输出连续光;单模光纤,单模光纤第一端连接窄线宽激光器,单模光纤第二端端面为斜角端面;传感元件,传感元件侧面开有U形槽口;单模光纤第二端穿设槽口第一端端面位于槽口内;单模光纤第二端端面与槽口第二端端面之间形成法-珀腔;所述连续光经单模光纤传输至所述法-珀腔,经槽口第二端端面反射形成反射光;所述采集处理模块连接单模光纤第一端,接收单模光纤传输的所述反射光。外界振动引起传感元件产生微弯,改变法-珀腔腔长,引起反射光光强变化。采集处理模块根据反射光光强变化获得振动强度。本发明还提供一种测量振动的方法。本发明测量精度高,制备工艺简单。

    面向复杂声环境的变电站噪声源分离方法

    公开(公告)号:CN109444519A

    公开(公告)日:2019-03-08

    申请号:CN201811276142.5

    申请日:2018-10-30

    Abstract: 本发明涉及一种面向复杂声环境的变电站噪声源分离方法,利用传声器、数据采集卡以及计算机构成噪声数据采集系统并检测变电站原始声信号;采用小波包分析算法对原始声信号进行频段分解,从中滤除环境噪声;设计通带梳状滤波器,通带频率为50Hz及其倍频频率,对小波包分解后的噪声信号低频段进行处理,提取出本体噪声信号;相应地,设计阻带梳状滤波器对噪声信号进行处理,获得包含电晕噪声在内的冷却装置噪声;基于谱减法语音增强技术,对电晕与冷却装置混合噪声进行分离,完成变电站主要声源噪声分离过程。本发明满足站内各主要设备噪声源水平提取需求,对于提高变压器噪声水平检测以及噪声源特性研究的准确性均具有重要意义。

    基于极限学习机与负荷密度指标法的空间负荷预测方法

    公开(公告)号:CN111401638B

    公开(公告)日:2024-02-02

    申请号:CN202010187522.2

    申请日:2020-03-17

    Abstract: 本发明公开一种基于极限学习机与负荷密度指标法的空间负荷预测方法,包括:S1:将电力负荷根据用电类型进行分类并确定每类负荷的影响因素;S2:利用FCM聚类算法,将每类负荷再细分为几个小类并求出每一小类的聚类中心矩阵;对于给定的待预测地的特性指标,求出与小类聚类中心的欧式距离,取欧式距离最小的一小类样本作为训练样本;S3:建立基于粒子群优化的极限学习机算法的回归模型,将选好的训练样本带入模型,影响因素作为模型的输入,负荷密度作为模型的输出;S4:将求出的各类负荷密度乘以小区的面积可得每个小区的负荷值,结合每个小区的同时系数求出规划区的空间负荷预测。(56)对比文件李杰.基于粒子群算法的极限 学习机短期电力负荷预测.制造业自动化.2019,第41卷(第1期),正文第154-157页.刘业峰;王婷.基于GRA-LSSVM密度法的配电网空间负荷预测方法研究.计算机测量与控制.2018,(第11期),全文.

Patent Agency Ranking