-
公开(公告)号：CN112485521B
公开(公告)日：2023-07-21
申请号：CN202011198459.9
申请日：2020-10-31
IPC分类号： G01R23/16
摘要： 本发明提供了一种基于对称离散傅里叶变换的频率估计方法，先对两个频率分量紧密相邻的信号进行加窗离散对称傅里叶变换，获得3个存在相位差的频谱序列函数表达式；然后将3个函数表达式简化变形，得到关于相位差的方程组；最后解方程组求出相位差，根据时频关系求得两个频率分量的频率值。本发明针对普通离散傅里叶变换不能估计两个紧密相邻的频率分量的问题，本发明公开的方法采用了三个时域序列，利用两个相邻序列之间的时间间隔相同的原理，得到3个存在相位差的频谱序列函数表达式，继而采用对称离散傅里叶变换实现频率估计，解决了估计两个紧密相邻的频率分量的问题。
-
公开(公告)号：CN111652761B
公开(公告)日：2020-12-01
申请号：CN202010735396.X
申请日：2020-07-28
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司 , 国网江西省电力有限公司电力科学研究院 , 湖南大学
摘要： 本发明提出一种基于证据理论的多源特征融合窃电行为检测方法，采集用户三相电压数据、三相电流数据、用电量数据，用数据相关性理论的方法计算窃电量数据与用电量数据的相关系数，其次计算三相电压不平衡度、三相电流不平衡度和归一化常数，利用证据理论合成规则计算组合函数，最后根据特征融合方程得到用户的窃电概率。本发明克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，步骤简单，计算量小，为进一步提高窃电行为检测效率提供了一条有效途径。
-
公开(公告)号：CN111738364B
公开(公告)日：2021-05-25
申请号：CN202010775701.8
申请日：2020-08-05
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司 , 国网江西省电力有限公司电力科学研究院 , 湖南大学
摘要： 本发明提供了一种基于用户负荷与用电参量相结合的窃电检测方法，采用模糊C均值算法与随机选择法相结合的方法对用户负荷数据进行聚类，将用户划分为不同的类别并找出用户的负荷特征曲线，计算用户日常负荷曲线与该用户特征负荷曲线的距离，找出偏离程度较大的嫌疑异常用户；最后利用基于用电参量的用户窃电识别模型进行进一步的观察和筛选找出窃电用户。本发明将用户负荷与用电参量相结合，建立基于负荷曲线的窃电初筛模型，使用改进并列式长短期记忆神经网络LSTM算法进行训练，充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值，具有很好的识别效果和实际应用价值，提升了算法的准确度。
-
公开(公告)号：CN112485521A
公开(公告)日：2021-03-12
申请号：CN202011198459.9
申请日：2020-10-31
IPC分类号： G01R23/16
摘要： 本发明提供了一种基于对称离散傅里叶变换的频率估计方法，先对两个频率分量紧密相邻的信号进行加窗离散对称傅里叶变换，获得3个存在相位差的频谱序列函数表达式；然后将3个函数表达式简化变形，得到关于相位差的方程组；最后解方程组求出相位差，根据时频关系求得两个频率分量的频率值。本发明针对普通离散傅里叶变换不能估计两个紧密相邻的频率分量的问题，本发明公开的方法采用了三个时域序列，利用两个相邻序列之间的时间间隔相同的原理，得到3个存在相位差的频谱序列函数表达式，继而采用对称离散傅里叶变换实现频率估计，解决了估计两个紧密相邻的频率分量的问题。
-
公开(公告)号：CN111865845A
公开(公告)日：2020-10-30
申请号：CN202010502203.6
申请日：2020-06-04
IPC分类号： H04L25/02 , H04B7/0413
摘要： 本发明提供了一种MIMO用户检测与信道估计装置及方法，包括导频序列生成模块，信道估计模块，用户检测模块；所述导频序列生成模块使用单层复数全连接神经网络产生用户的导频序列，将导频序列分配并发送给基站所服务的用户，所述信道估计模块内置一个基于AMP算法形式的神经网络模型，以基站接收信号和已知导频序列为输入，以信道矩阵为输出，所述信道估计模块的输出端连接用户检测模块，所述用户检测模块以信道矩阵为输入，以用户活跃度向量为输出，得到用户检测的结果；本发明采用了基于AMP形式的神经网络进行信道估计，比普通的神经网络使用更少的参数，进而更易训练，比AMP拥有更高的准确度，收敛性，更低的计算复杂度。
-
公开(公告)号：CN111738364A
公开(公告)日：2020-10-02
申请号：CN202010775701.8
申请日：2020-08-05
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司 , 国网江西省电力有限公司电力科学研究院 , 湖南大学
摘要： 本发明提供了一种基于用户负荷与用电参量相结合的窃电检测方法，采用模糊C均值算法与随机选择法相结合的方法对用户负荷数据进行聚类，将用户划分为不同的类别并找出用户的负荷特征曲线，计算用户日常负荷曲线与该用户特征负荷曲线的距离，找出偏离程度较大的嫌疑异常用户；最后利用基于用电参量的用户窃电识别模型进行进一步的观察和筛选找出窃电用户。本发明将用户负荷与用电参量相结合，建立基于负荷曲线的窃电初筛模型，使用改进并列式长短期记忆神经网络LSTM算法进行训练，充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值，具有很好的识别效果和实际应用价值，提升了算法的准确度。
-
公开(公告)号：CN111652761A
公开(公告)日：2020-09-11
申请号：CN202010735396.X
申请日：2020-07-28
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司 , 国网江西省电力有限公司电力科学研究院 , 湖南大学
摘要： 本发明提出一种基于证据理论的多源特征融合窃电行为检测方法，采集用户三相电压数据、三相电流数据、用电量数据，用数据相关性理论的方法计算窃电量数据与用电量数据的相关系数，其次计算三相电压不平衡度、三相电流不平衡度和归一化常数 ，利用证据理论合成规则计算组合函数，最后根据特征融合方程得到用户的窃电概率。本发明克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，步骤简单，计算量小，为进一步提高窃电行为检测效率提供了一条有效途径。
-
公开(公告)号：CN113361146A
公开(公告)日：2021-09-07
申请号：CN202110825223.1
申请日：2021-07-21
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司
IPC分类号： G06F30/20 , G06F111/06 , G06F119/02
摘要： 本发明提供一种基于改进粒子群算法的锰铜分流器结构参数优化方法，采用改进的粒子群算法优化锰铜分流器各关键尺寸参数设计。首先结合锰铜分流器实际制造工艺参考锰铜分流器的稳健性，建立感应电流的多目标全局优化模型，利用层次分析法将多目标转化为单目标优化，基于构建改进粒子群算法进行全局寻优，最终获得锰铜分流器全局最优结构设计尺寸。本发明可选取较优的锰铜分流器的设计参数，相对于原有的锰铜分流器既提高了锰铜分流器的抗工频磁场干扰能力，同时提高锰铜分流器的稳健性。
-
公开(公告)号：CN112710401B
公开(公告)日：2021-08-24
申请号：CN202110330083.0
申请日：2021-03-29
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司
摘要： 本发明提供了一种电能表端子温度检测方法，采用多种群互生粒子群优化算法对径向基神经网络参数进行优化，建立径向基神经网络预测模型，使用该模型进行电能表端子温度的间接测量，属于电能计量领域。本发明采用K‑Means++算法确定径向基神经网络的中心向量、采用多种群相互影响的方法优化径向基神经网络的宽度系数、采用递推最小二乘法求解径向基神经网络的连接权值。根据优化算法计算出径向基神经网络的最佳参数，并构建全新的径向基神经网络模型，用于构建适合检测电能表端子温度的模型，使电能表端子温度的检测精度更高。
-
公开(公告)号：CN113361146B
公开(公告)日：2023-04-07
申请号：CN202110825223.1
申请日：2021-07-21
申请人： 国网江西省电力有限公司供电服务管理中心 , 国家电网有限公司
IPC分类号： G06F30/20 , G06F111/06 , G06F119/02
摘要： 本发明提供一种基于改进粒子群算法的锰铜分流器结构参数优化方法，采用改进的粒子群算法优化锰铜分流器各关键尺寸参数设计。首先结合锰铜分流器实际制造工艺参考锰铜分流器的稳健性，建立感应电流的多目标全局优化模型，利用层次分析法将多目标转化为单目标优化，基于构建改进粒子群算法进行全局寻优，最终获得锰铜分流器全局最优结构设计尺寸。本发明可选取较优的锰铜分流器的设计参数，相对于原有的锰铜分流器既提高了锰铜分流器的抗工频磁场干扰能力，同时提高锰铜分流器的稳健性。
-
-
-
-
-
-
-
-
-
搜索结果
112 条记录 (耗时 0.151 秒)
