-
公开(公告)号：CN105471110B
公开(公告)日：2018-07-27
申请号：CN201510992217.X
申请日：2015-12-24
Applicant: 国家电网公司 , 国网青海省电力公司 , 国网青海省电力公司电力科学研究院 , 武汉大学
CPC classification number: Y02E60/723 , Y04S10/16
Abstract: 本发明是将传统低频振荡集中运算方式改进成分布式运算方式，提出的一种电力系统类噪声信号的低频振荡模式分层检测方法，即将低频震荡监测功能布置在变电站层和调度中心层。变电站层利用本站的PMU数据进行局部的低频震荡检测和频谱估计，调度中心层根据变电站层发送的低频震荡结果数据进行综合估计。为了在调度中心层实现对变电站层低频震荡检测结果合成,首先对全系统所有PMU数据进行辨识，然后采用最小二乘支持向量机（LSSVM）与变电站层的低频振荡检测结果进行拟合，最后可以仅根据变电站上传的低频振荡结果对全系统进行快速综合判断，确定整个系统的区间振荡模式和本地振荡模式。
-
公开(公告)号：CN106291233A
公开(公告)日：2017-01-04
申请号：CN201610613683.7
申请日：2016-07-29
Applicant: 武汉大学
IPC: G01R31/08
CPC classification number: G01R31/088
Abstract: 本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。
-
公开(公告)号：CN105844431A
公开(公告)日：2016-08-10
申请号：CN201610263273.4
申请日：2016-04-26
Applicant: 武汉大学
CPC classification number: G06Q10/0635 , G06Q50/06
Abstract: 本发明涉及一种基于模糊信息粒化算法继电保护风险评估方法，首先从风险的定义出发，阐述事故发生概率和损失之间的关系；其次计算事故发生的概率以及损失，先根据负荷等级以及减供负荷判断事故类型，根据历史统计数据计算该类型下事故发生的概率，利用停电损失函数计算事故发生后对电力行业以及各类用户带来的损失；再次采用模糊信息粒化算法处理数据，计算继电保护系统的风险并采用以模糊极大集和模糊极小集为参照基准，海明距离为测量工具的模糊排序方法，对多个地区的风险进行排序，为风险管理决策者做出正确决策提供理论性依据。最后结合某地区的实际数据表明采用软层次模型做继电保护风险评估的正确性和有效性。
-
公开(公告)号：CN105471110A
公开(公告)日：2016-04-06
申请号：CN201510992217.X
申请日：2015-12-24
Applicant: 国家电网公司 , 国网青海省电力公司 , 国网青海省电力公司电力科学研究院 , 武汉大学
CPC classification number: Y02E60/723 , Y04S10/16 , H02J13/0006 , G06Q50/06
Abstract: 本发明是将传统低频振荡集中运算方式改进成分布式运算方式，提出的一种电力系统类噪声信号的低频振荡模式分层检测方法，即将低频震荡监测功能布置在变电站层和调度中心层。变电站层利用本站的PMU数据进行局部的低频震荡检测和频谱估计，调度中心层根据变电站层发送的低频震荡结果数据进行综合估计。为了在调度中心层实现对变电站层低频震荡检测结果合成,首先对全系统所有PMU数据进行辨识，然后采用最小二乘支持向量机（LSSVM）与变电站层的低频振荡检测结果进行拟合，最后可以仅根据变电站上传的低频振荡结果对全系统进行快速综合判断，确定整个系统的区间振荡模式和本地振荡模式。
-
Patent Agency Ranking
公开(公告)号：CN106291233B
公开(公告)日：2019-07-23
申请号：CN201610613683.7
申请日：2016-07-29
Applicant: 武汉大学
IPC: G01R31/08
Abstract: 本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。
-
公开(公告)号：CN104978613B
公开(公告)日：2018-09-07
申请号：CN201510451016.9
申请日：2015-07-28
Applicant: 国家电网公司 , 国网青海省电力公司 , 国网青海省电力公司电力科学研究院 , 武汉大学
IPC: G06F17/00
Abstract: 本发明涉及一种光伏出力短期预测方法，尤其是涉及一种考虑组件温度的光伏出力短期预测方法。本发明将直接影响光伏出力因素之一的组件温度作为重要考虑要素对出力进行预测。本发明寻找出影响组件温度的因素主要有辐照强度、环境温度、风和湿度。为了精准的对光伏输出功率预测,本发明运用GDPSO‑LSSVM对光伏组件温度进行预测。运用熵权法对相似日进行选取，并用熵权法分析不同光伏特征指标也输出功率影响中变异程度,结合所求信息熵和GDPSO‑LSSVM算法对光伏输出功率进行预测。
-
公开(公告)号：CN105510745B
公开(公告)日：2018-03-13
申请号：CN201510988411.0
申请日：2015-12-24
Applicant: 武汉大学
IPC: G01R31/00
Abstract: 本发明涉及一种故障录波数据故障起点检测方法，尤其是涉及一种利用新型突变量电流检测和最大似然估计检测相结合的故障起点双重检测方法。本发明根据CONTRADE标准对故障录波文件解码，得到电压、电流采样序列，利用新型突变量电流检测方法得到初始突变点，然后用最大似然估计检测对初始突变点进行二次检测，如果满足条件，则该突变点即为故障起点；如果不满足条件，则对初始突变点的后一个点进行最大似然估计检测，直到检测出满足条件的突变点为止。该方法能够准确检测出采样序列的故障起点，检测灵敏度高，几乎不受系统频率变化的影响，而且可以有效抵制噪声的影响，故障起点检测精度高，结果可靠。
-
公开(公告)号：CN105510745A
公开(公告)日：2016-04-20
申请号：CN201510988411.0
申请日：2015-12-24
Applicant: 武汉大学
IPC: G01R31/00
CPC classification number: G01R31/00
Abstract: 本发明涉及一种故障录波数据故障起点检测方法，尤其是涉及一种利用新型突变量电流检测和最大似然估计检测相结合的故障起点双重检测方法。本发明根据CONTRADE标准对故障录波文件解码，得到电压、电流采样序列，利用新型突变量电流检测方法得到初始突变点，然后用最大似然估计检测对初始突变点进行二次检测，如果满足条件，则该突变点即为故障起点；如果不满足条件，则对初始突变点的后一个点进行最大似然估计检测，直到检测出满足条件的突变点为止。该方法能够准确检测出采样序列的故障起点，检测灵敏度高，几乎不受系统频率变化的影响，而且可以有效抵制噪声的影响，故障起点检测精度高，结果可靠。
-
公开(公告)号：CN104978613A
公开(公告)日：2015-10-14
申请号：CN201510451016.9
申请日：2015-07-28
Applicant: 国家电网公司 , 国网青海省电力公司 , 国网青海省电力公司电力科学研究院 , 武汉大学
Abstract: 本发明涉及一种光伏出力短期预测方法，尤其是涉及一种考虑组件温度的光伏出力短期预测方法。本发明将直接影响光伏出力因素之一的组件温度作为重要考虑要素对出力进行预测。本发明寻找出影响组件温度的因素主要有辐照强度、环境温度、风和湿度。为了精准的对光伏输出功率预测,本发明运用GDPSO-LSSVM对光伏组件温度进行预测。运用熵权法对相似日进行选取，并用熵权法分析不同光伏特征指标也输出功率影响中变异程度,结合所求信息熵和GDPSO-LSSVM算法对光伏输出功率进行预测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.039 seconds)
