-
公开(公告)号：CN116439728A
公开(公告)日：2023-07-18
申请号：CN202310403470.1
申请日：2023-04-14
Applicant: 东北电力大学
Abstract: 本发明公开了一种因效性脑网络驾驶疲劳分析方法、装置、设备及存储介质，所述方法通过对预处理后的待分解脑电信号，利用小波包算法分解待分解脑电信号，根据分解后的脑电信号按照预设重构频段重构，获得重构脑电信号；获取重构脑电信号的复杂度特征和MVAR阶数，基于DEKF计算MVAR阶数对应的MVAR系数，采用gOPDC对MVAR系数进行计算，获得节点因果值矩阵，根据预设矩阵阈值对节点因果值矩阵进行二值化处理，获得因果邻接矩阵；根据因果邻接矩阵和复杂度特征构建因效性脑网络，对因效性脑网络的特征参数进行分析，获得驾驶员疲劳分析结果，能够提高驾驶员疲劳程度评判的准确性，减少驾驶疲劳的安全隐患。
-
公开(公告)号：CN115144694A
公开(公告)日：2022-10-04
申请号：CN202210748031.X
申请日：2022-06-29
Applicant: 东北电力大学
Abstract: 本发明公开了基于S‑TGCN的有源配电网故障定位方法，引入时‑空注意力机制及时‑空卷积层，从图形结构的时间序列中提取配电网故障时段的全局时‑空特征，提升了模型在高比例分布式电源接入场景下的全局故障特征提取能力，其故障定位精度达到98.76％。通过S‑TGCN的特征汇聚及差异化池化函数，增强了新方法在数据缺失及数据噪声场景下的鲁棒性。
-
公开(公告)号：CN114548168A
公开(公告)日：2022-05-27
申请号：CN202210155239.0
申请日：2022-02-21
Applicant: 东北电力大学
Abstract: 本发明公开了一种多类运动想象脑电信号融合特征提取及分类方法，该方法分为三步，第一步将采集到的各导联脑电信号进行预处理；第二步脑电信号融合特征提取；第三步，基于融合特征向量，采用麻雀寻优算法对多分类相关向量机进行参数寻优，构造最优分类器，并利用构造的最优分类器最终实现运动想像分类识别。本发明的方法弥补了传统特征提取方法只利用了时幅信息而忽略了相位信息的缺陷，提高了多类运动想象脑电信号的识别准确率。
-
公开(公告)号：CN114742342B
公开(公告)日：2024-10-29
申请号：CN202210163570.7
申请日：2022-02-22
Applicant: 东北电力大学
IPC: G06Q10/0639 , G06Q50/06 , G06F18/213 , G06F18/24
Abstract: 本发明公开了基于多标签LightGBM的电能质量复合扰动识别方法，对原始扰动信号进行基于S变换的时‑频域特征提取，对单一扰动标签对应的LightGBM子分类器分别进行基于total_gain特征重要度的原始特征排序，并以各LightGBM子分类器的分类准确率为决策变量开展前向特征选择，确定与各子分类器相匹配的最优特征子集，根据各最优特征子集构建最优LightGBM子分类器来识别信号中所含的单一扰动成分，并构建含多子分类器的多标签LightGBM来识别电能质量复合扰动。本方法识别准确率高、抗噪声能力强，并且能有效识别无训练样本未知类型复合扰动数据，避免将未知类型复合扰动误识别为错误的已知类型。
-
公开(公告)号：CN116639147A
公开(公告)日：2023-08-25
申请号：CN202310403457.6
申请日：2023-04-14
Applicant: 东北电力大学
Abstract: 本发明公开了一种驾驶疲劳缓解方法、装置、设备及存储介质，所述方法通过在检测到疲劳缓解功能开启时，获取驾驶员的个人信息，并根据所述个人信息定制驾驶认知任务；根据所述驾驶认知任务生成驾驶测试问题，将所述驾驶测试问题在当前车辆的显示装置上显示并语音播报；接收到所述驾驶员的反馈信息后，根据所述反馈信息确定所述驾驶员的疲劳程度，根据所述疲劳程度确定电刺激策略，根据所述电刺激策略对所述驾驶员进行疲劳提醒，能够在不影响驾驶员正常操作的情况下对驾驶员进行高效的驾驶疲劳缓解，适用性强，易于实现，缓解效果更佳，提高了驾驶安全性，减少了因驾驶疲劳导致的交通事故，提高了驾驶疲劳缓解的速度和效率。
-
Patent Agency Ranking
公开(公告)号：CN115409336A
公开(公告)日：2022-11-29
申请号：CN202210978284.6
申请日：2022-08-16
Applicant: 东北电力大学
Abstract: 本发明公开了高比例光伏场景下含氢‑热联储的配电网扩展规划方法。为有效刻画光伏发电与多元负荷用能不确定性，建立了基于供暖季节划分的双层耦合气象聚类模型，基于各气象簇构建了辐照‑负荷‑温度多网格联合场景生成模型。为解决高比例光伏发电场景下传统光伏出力模型精度不足以及高PV出力场景下电力需求不足导致光伏出力难以消纳问题，构建了精细化分布式光伏系统物理模型链。考虑分布式氢‑热联储多能耦合提高了能源利用效率，并且平衡系统典型场景运行经济性、小概率高负荷场景供电可靠性与高PV出力场景光伏消纳三者间的矛盾冲突，得到配电网扩展规划结果能够很好地解决高比例光伏场景对配电网规划运行带来的经济性、可靠性与环保性问题。
-
公开(公告)号：CN114742342A
公开(公告)日：2022-07-12
申请号：CN202210163570.7
申请日：2022-02-22
Applicant: 东北电力大学
Abstract: 本发明公开了基于多标签LightGBM的电能质量复合扰动识别方法，对原始扰动信号进行基于S变换的时‑频域特征提取，对单一扰动标签对应的LightGBM子分类器分别进行基于total_gain特征重要度的原始特征排序，并以各LightGBM子分类器的分类准确率为决策变量开展前向特征选择，确定与各子分类器相匹配的最优特征子集，根据各最优特征子集构建最优LightGBM子分类器来识别信号中所含的单一扰动成分，并构建含多子分类器的多标签LightGBM来识别电能质量复合扰动。本方法识别准确率高、抗噪声能力强，并且能有效识别无训练样本未知类型复合扰动数据，避免将未知类型复合扰动误识别为错误的已知类型。
-
公开(公告)号：CN115275999A
公开(公告)日：2022-11-01
申请号：CN202210951120.4
申请日：2022-08-09
Applicant: 东北电力大学
IPC: H02J3/00 , H02J7/00 , H02J7/04 , G06Q10/04 , G06F30/27 , G06N3/00 , G06F17/16 , G06Q50/06 , B60L53/00 , B60L53/60 , B60L53/63 , B60L53/64 , G06F111/06
Abstract: 本发明公开了计及电动汽车时变道路阻抗的配电网优化调度方法，具体按照以下步骤实施：建立计及时变道路阻抗的电动汽车出行路径选择模型，通过增强型Dijkstra路径搜索算法确定电动汽车出行路径；建立计及时变温度、交通路况因素的电动汽车充电负荷模型，结合电动汽车出行路径确定电动汽车充电功率；建立考虑配网经济运行的多目标优化调度模型，向该模型中输入电动汽车充电功率，采用基于动态学习因子的多目标粒子群算法对考虑配网经济运行的多目标优化调度模型求解含电动汽车充电功率分布；通过本发明配电网优化调度方法能够减小配电网负荷标准差、联络线功率标准差，降低配电网调度运行成本。
-
公开(公告)号：CN115275999B
公开(公告)日：2024-07-05
申请号：CN202210951120.4
申请日：2022-08-09
Applicant: 东北电力大学
IPC: H02J3/00 , H02J7/00 , H02J7/04 , G06Q10/047 , G06F30/27 , G06N3/006 , G06F17/16 , G06Q50/06 , B60L53/00 , B60L53/60 , B60L53/63 , B60L53/64 , G06F111/06
Abstract: 本发明公开了计及电动汽车时变道路阻抗的配电网优化调度方法，具体按照以下步骤实施：建立计及时变道路阻抗的电动汽车出行路径选择模型，通过增强型Dijkstra路径搜索算法确定电动汽车出行路径；建立计及时变温度、交通路况因素的电动汽车充电负荷模型，结合电动汽车出行路径确定电动汽车充电功率；建立考虑配网经济运行的多目标优化调度模型，向该模型中输入电动汽车充电功率，采用基于动态学习因子的多目标粒子群算法对考虑配网经济运行的多目标优化调度模型求解含电动汽车充电功率分布；通过本发明配电网优化调度方法能够减小配电网负荷标准差、联络线功率标准差，降低配电网调度运行成本。
-
公开(公告)号：CN115049115A
公开(公告)日：2022-09-13
申请号：CN202210606635.0
申请日：2022-05-31
Applicant: 东北电力大学
Abstract: 本发明公开了计及NWP风速横纵向误差的RDPG风速修正方法，基于加权欧式距离相似度，划分各个NWP风速待修正点差异化最优超前/滞后时序相关区间，反映了横向误差对NWP风速修正的潜在影响；采用区间统计特征代替NWP原始气象特征作为模型输入，并基于SHAP理论实现非一致性时序区间NWP气象特征评估，获取对模型具有正向增益的特征，降低了模型的复杂度；基于RDPG的NWP风速修正模型，降低不同NWP风速波动水平下预测风速的横纵向误差，增强模型的泛化能力和处理非线性数据的能力；解决了传统机器学习算法缺乏自适应能力，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.04 seconds)
