-
公开(公告)号：CN110020680A
公开(公告)日：2019-07-16
申请号：CN201910234071.0
申请日：2019-03-26
Applicant: 武汉大学 , 国网青海省电力公司电力科学研究院 , 国网青海省电力公司
IPC: G06K9/62
Abstract: 本发明公开一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。包括：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3生成的特征数据进行模糊C均值聚类，判断实时数据的类别。本发明可实现数据驱动下的PMU数据实时分类。
-
公开(公告)号：CN109784480A
公开(公告)日：2019-05-21
申请号：CN201910044537.0
申请日：2019-01-17
Applicant: 武汉大学
Abstract: 本发明提出一种基于卷积神经网络的电力系统状态估计方法，该方法以离线的电力系统潮流断面数据作为样本进行训练，将量测量作为输入数据，状态量作为期望输出，通过卷积神经网络的局部连接、权值共享、下采样等手段减少训练参数、降低网络复杂度，通过输入与输出之间误差的反向传播，通过Dropout手段防止过拟合，训练一个基于量测量的卷积神经网络状态估计模型。对于新的量测量数据通过已训练的卷积神经网络进行估计，得到系统在此时刻的状态量。该方法采用卷积神经网络进行状态估计，克服了传统迭代最小二乘状态估计方法计算时间过长和全连接神经网络状态估计方法梯度传递困难的缺陷，在减少计算时间的同时降低了网络的训练难度。
-
公开(公告)号：CN109784480B
公开(公告)日：2022-11-18
申请号：CN201910044537.0
申请日：2019-01-17
Applicant: 武汉大学
Abstract: 本发明提出一种基于卷积神经网络的电力系统状态估计方法，该方法以离线的电力系统潮流断面数据作为样本进行训练，将量测量作为输入数据，状态量作为期望输出，通过卷积神经网络的局部连接、权值共享、下采样等手段减少训练参数、降低网络复杂度，通过输入与输出之间误差的反向传播，通过Dropout手段防止过拟合，训练一个基于量测量的卷积神经网络状态估计模型。对于新的量测量数据通过已训练的卷积神经网络进行估计，得到系统在此时刻的状态量。该方法采用卷积神经网络进行状态估计，克服了传统迭代最小二乘状态估计方法计算时间过长和全连接神经网络状态估计方法梯度传递困难的缺陷，在减少计算时间的同时降低了网络的训练难度。
-
公开(公告)号：CN110020680B
公开(公告)日：2022-04-05
申请号：CN201910234071.0
申请日：2019-03-26
Applicant: 武汉大学 , 国网青海省电力公司电力科学研究院 , 国网青海省电力公司
IPC: G06K9/62
Abstract: 本发明公开一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法。包括：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3生成的特征数据进行模糊C均值聚类，判断实时数据的类别。本发明可实现数据驱动下的PMU数据实时分类。
-
-
-
Search Results
4
records
(took 0.018 seconds)
