-
公开(公告)号：CN109271975A
公开(公告)日：2019-01-25
申请号：CN201811373464.1
申请日：2018-11-19
Applicant: 燕山大学
Abstract: 本发明提供一种基于大数据多特征提取协同分类的电能质量扰动识别方法，所述方法是建立多信息多分类器融合的电能质量分析决策模型，包括：设计LASSO原理的大数据冗余数据剔除方法、变尺度大数据简约方法和基于数据结构同构简约算法同时用主元分析法对非同源气象数据降维，改进广义S变换、广义谐波小波、EEMD/LMD等多种信息处理方法融合提取电能质量信号特征，然后采用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)对特征向量分类，最后，采用改进的决策模板法(SWDT)，使用混淆矩阵衡量各分类器对每类故障的识别能力，根据初步诊断情况自适应地为各分类器赋予决策权值，充分利用训练信息，提高分类决策准确度。
-
公开(公告)号：CN119482397A
公开(公告)日：2025-02-18
申请号：CN202411552293.4
申请日：2024-11-01
Applicant: 国网冀北电力有限公司唐山供电公司 , 燕山大学 , 国家电网有限公司
IPC: H02J3/00 , H02J3/38 , G06F18/2135 , G06F18/214 , G06F18/25 , G06F18/2411 , G06F18/2415 , G06N3/0464 , G06Q50/06
Abstract: 一种基于MVO优化混合核PCA降维及改进的FPN网络的光伏功率短期预测方法和系统。将光伏功率的特征数据集通过多元宇宙优化算法优化混合核主成分分析降维；利用改进的特征金字塔网络，将光伏功率历史数据输入到多通道卷积网络，通过多种卷积核提取历史光伏功率数据的特征，再与经过MVO优化混合核PCA降维后的气象、电气属性进行特征融合，作为FPN网络的动态输入特征，经过多通道卷积网络组合的动态输入特征能够在预测过程中不断调整多通道网络的输入，挖掘历史光伏功率数据和降维后协变量特征的动态关系，最后通过多个全连接层得到预测结果。
-
公开(公告)号：CN109271975B
公开(公告)日：2020-08-21
申请号：CN201811373464.1
申请日：2018-11-19
Applicant: 燕山大学
Abstract: 本发明提供一种基于大数据多特征提取协同分类的电能质量扰动识别方法，所述方法是建立多信息多分类器融合的电能质量分析决策模型，包括：设计LASSO原理的大数据冗余数据剔除方法、变尺度大数据简约方法和基于数据结构同构简约算法同时用主元分析法对非同源气象数据降维，改进广义S变换、广义谐波小波、EEMD/LMD等多种信息处理方法融合提取电能质量信号特征，然后采用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)对特征向量分类，最后，采用改进的决策模板法(SWDT)，使用混淆矩阵衡量各分类器对每类故障的识别能力，根据初步诊断情况自适应地为各分类器赋予决策权值，充分利用训练信息，提高分类决策准确度。
-
公开(公告)号：CN110543860A
公开(公告)日：2019-12-06
申请号：CN201910838901.0
申请日：2019-09-05
Applicant: 燕山大学
Abstract: 本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解，在解决模式混合问题的同时减少了算法计算量，同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力差、甚至有时出现不能通用的问题；同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题，还解决了因为某些工作状态中的旋转机械数据采集量不够，造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题，极大地提高了故障诊断精度。
-
公开(公告)号：CN112613650A
公开(公告)日：2021-04-06
申请号：CN202011475642.9
申请日：2020-12-14
Applicant: 燕山大学
Abstract: 本发明涉及一种新型三阶段短期电力负荷预测方法，属于电力负荷预测技术领域，包括4个步骤：选取预测时刻前n个时刻的原始电力负荷序列；采用VMD将原始电力负荷序列分解为个本征模态函数并针对每个本征模态函数分别建立基于FA‑ELM的分层预测模型，得到分层预测序列；构建基于FA‑ELM的误差纠正模型，得到误差纠正序列；通过基于FA‑ELM的非线性集成方法得到最终的负荷预测序列。本发明基于FA‑ELM的非线性集成方法拥有强大的非线性映射能力，可以有效地提高强非线性和非平稳性下短期电力预测的精度；通过VMD、FA‑ELM、分层预测、误差纠正和非线性集成方法，逐步地提高了复杂模态下短期电力负荷预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN111913197A
公开(公告)日：2020-11-10
申请号：CN202010693366.7
申请日：2020-07-17
Applicant: 燕山大学
Abstract: 本发明公开了一种GPS_BDS双模授时技术在配电网自动化的应用方法，属于配电网自动化系统技术领域，包括以下步骤：1)获取实验数据；2)提取某一历元时刻卫星数据；3)根据导航电文和星历观测文件得出卫星的地心地固坐标，并对每颗卫星的伪距观测值进行修正；4)利用卫星位置坐标和修正后的伪距，分别采用最小二乘法和加权最小二乘法进行定位解算，得到接收机的坐标和钟差；5)分析求解结果与真实坐标之间的偏差。本发明提高了授时精度。
-
公开(公告)号：CN110068719A
公开(公告)日：2019-07-30
申请号：CN201910434526.3
申请日：2019-05-23
Applicant: 国网冀北电力有限公司唐山供电公司 , 燕山大学
Abstract: 本发明涉及一种光电混合式电网高压电测量仪，属于电力信号检测及分析装置技术领域。技术方案是：高压侧数据采集装置通过光纤传输装置将采集的信号输送至低压侧信号处理装置，高压侧供能电源为高压侧数据采集装置供电，高压侧供能电源的功率输出受低压侧信号处理装置控制，激光器输出功率自动调节反馈回路、激光器输出功率检测模块产生激光器功率反馈信号，微机系统通过该反馈信号实时控制激光器的功率。本发明的有益效果是：降低了系统电路的复杂度，使整个测量系统具有重量轻、体积小、成本低、精度高、维护费用低、安全性能高的特点。
-
公开(公告)号：CN112613650B
公开(公告)日：2022-06-28
申请号：CN202011475642.9
申请日：2020-12-14
Applicant: 燕山大学
Abstract: 本发明涉及一种新型三阶段短期电力负荷预测方法，属于电力负荷预测技术领域，包括4个步骤：选取预测时刻前n个时刻的原始电力负荷序列；采用VMD将原始电力负荷序列分解为k个本征模态函数并针对每个本征模态函数分别建立基于FA‑ELM的分层预测模型，得到分层预测序列；构建基于FA‑ELM的误差纠正模型，得到误差纠正序列；通过基于FA‑ELM的非线性集成方法得到最终的负荷预测序列。本发明基于FA‑ELM的非线性集成方法拥有强大的非线性映射能力，可以有效地提高强非线性和非平稳性下短期电力预测的精度；通过VMD、FA‑ELM、分层预测、误差纠正和非线性集成方法，逐步地提高了复杂模态下短期电力负荷预测的精度。
-
公开(公告)号：CN110543860B
公开(公告)日：2022-06-07
申请号：CN201910838901.0
申请日：2019-09-05
Applicant: 燕山大学
Abstract: 本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解，在解决模式混合问题的同时减少了算法计算量，同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力差、甚至有时出现不能通用的问题；同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题，还解决了因为某些工作状态中的旋转机械数据采集量不够，造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题，极大地提高了故障诊断精度。
-
公开(公告)号：CN111950696A
公开(公告)日：2020-11-17
申请号：CN202010609214.4
申请日：2020-06-29
Applicant: 燕山大学
Abstract: 本发明公开了一种基于降维和改进神经网络的短期电力负荷预测方法，涉及电力负荷预测技术领域，所述方法包括：首先运用SNE算法将高维负荷相关气象数据通过仿射变换映射到低维，然后通过飞蛾火焰优化算法将ELM的输出权值和阈值作为优化变量，负荷预测结果的均方误差值作为优化结果，找到预测最佳结果对应的训练权值和阈值反馈给ELM，得到改进的神经网络预测模型。将降维的气象数据协同电力负荷数据共同输入改进的神经网络进行数据训练和负荷预测。本发明改进了神经网络的短期电力负荷预测过程，大大提高了电力负荷预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.015 seconds)
