-
公开(公告)号：CN114219122A
公开(公告)日：2022-03-22
申请号：CN202111321165.5
申请日：2021-11-09
Applicant: 三峡大学
Abstract: 本发明涉及基于网格气象数据的小水电站发电功率超短期预测方法，包括：将水电站所在区域划分为网格，获取网格的降雨量数据；计算水电站历史发电功率与网格历史降雨量的相关系数，筛选发电功率相关性大的网格；采用局部线性嵌入方法对网格的降雨量数据降维，得到降维的网格降雨量数据；建立发电功率预测模型；将降维的历史网格降雨量数据和水电站历史发电功率作为发电功率预测模型的数据集，对预测模型进行训练和测试；采用训练好的发电功率预测模型进行水电站发电功率超短期预测。本发明建立了考虑降雨量时空分布影响的小水电发电功率超短期预测模型，通过对输入数据的降维，降低了预测模型的计算复杂度，提高了预测模型的计算效率和准确率。
-
Patent Agency Ranking
公开(公告)号：CN111915509A
公开(公告)日：2020-11-10
申请号：CN202010631735.X
申请日：2020-07-03
Applicant: 三峡大学
Abstract: 基于图像处理去阴影优化的保护压板状态辨识方法，包括将保护压板彩色图像进行灰度化，转化为灰度图像，然后对灰度图像进行增强对比度和二值化图像，消除阴影区域。通过Graham算法原理得到每一个保护压板开关的凸包，然后由最小外接矩形原理将凸包连接成矩形，得到矩形面积。对矩形面积设定阈值，矩形面积大于阈值则判定为投出，否则为投入。该方法能够有效有效减少阴影干扰的影响，且对采集的图像质量要求不高、鲁棒性强；能够有效减少阴影干扰的影响，准确辨识图像中压板的运行状态。
-
公开(公告)号：CN111736084B
公开(公告)日：2022-05-20
申请号：CN202010605779.5
申请日：2020-06-29
Applicant: 三峡大学
IPC: G01R31/392 , G01R31/379 , G01R31/367 , G06N3/04 , G06N3/08
Abstract: 基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，通过在线监测装置每日测量得到蓄电池的浮充电压、均充电流、均充时长、放电截止电压、放电时长输入数据，蓄电池容量通过每两个月一次的核对性均衡充电测得。以n天为时间跨度，建立n维的样本输入x(ti)。以蓄电池容量数据序列h(ti)作为输出，x(ti)作为输入，建立一个包含多个LSTM神经网络单元的神经网络模型。初始状态下，通过随机生成0到1之间的小数，为网络中的权重矩阵W和偏置矩阵b进行赋值。引入Dropout算法改进LSTM神经网络模型，对其训练过程进行改进。本发明可以减少因数据样本不足导致的预测精度过低和欠拟合问题，对变电站蓄电池健康状态进行准确预测，提高蓄电池利用率。
-
公开(公告)号：CN114219126A
公开(公告)日：2022-03-22
申请号：CN202111341851.9
申请日：2021-11-12
Applicant: 三峡大学
Abstract: 本发明涉及基于残差修正的小水电渗透地区网供负荷预测方法，包括：对网供负荷数据进行CEMD分解；建立BiGRU网供负荷预测模型；利用模型对历史数据进行预测计算，与历史真实值进行比较，计算残差并划分残差区间，统计残差状态的状态转移概率，得到状态转移概率矩阵；计算历史降雨量的费歇值，并计算其与残差序列各阶步长的相关系数，计算得到各阶步长对应的权重；计算得到各阶步长的预测日残差状态的概率；计算各阶步长的预测日残差状态的概率的加权值作为预测日残差状态的概率；选择概率最大的残差状态作为预测日残差状态；对模型输出的网供负荷预测值进行修正，得到最终的网供负荷预测值。本发明的方法提高了网供负荷预测值的准确率。
-
公开(公告)号：CN111751671A
公开(公告)日：2020-10-09
申请号：CN202010605765.3
申请日：2020-06-29
Applicant: 三峡大学
Abstract: 基于VMD-DTW聚类的小电流接地系统故障选线方法，包括以不同线路的零序电流为样本，采用VMD分解法提取和增强零序电流原始信号，将零序电流原始信号分解成高中低三个频段的模态分量；然后使用DTW法计算不同线路模态分量的相似性，实现不同线路零序电流相似性测度；根据相似性测度结果更新HAC聚类簇中心，以实现零序电流特征的聚类；根据聚类结果区分故障线路和健康线路，最终实现对小电流接地系统的故障选线目的。本发明方法可以避免由电网调度监控人员使用拉路法区分故障线路而产生的一系列问题，辅助监控人员及时发现故障线路，保证配电网的安全稳定运行。
-
公开(公告)号：CN111736084A
公开(公告)日：2020-10-02
申请号：CN202010605779.5
申请日：2020-06-29
Applicant: 三峡大学
IPC: G01R31/392 , G01R31/379 , G01R31/367 , G06N3/04 , G06N3/08
Abstract: 基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，通过在线监测装置每日测量得到蓄电池的浮充电压、均充电流、均充时长、放电截止电压、放电时长输入数据，蓄电池容量通过每两个月一次的核对性均衡充电测得。以n天为时间跨度，建立n维的样本输入x(ti)。以蓄电池容量数据序列h(ti)作为输出，x(ti)作为输入，建立一个包含多个LSTM神经网络单元的神经网络模型。初始状态下，通过随机生成0到1之间的小数，为网络中的权重矩阵W和偏置矩阵b进行赋值。引入Dropout算法改进LSTM神经网络模型，对其训练过程进行改进。本发明可以减少因数据样本不足导致的预测精度过低和欠拟合问题，对变电站蓄电池健康状态进行准确预测，提高蓄电池利用率。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
