-
公开(公告)号：CN101282041A
公开(公告)日：2008-10-08
申请号：CN200810053061.9
申请日：2008-05-09
Applicant: 天津大学
Abstract: 本发明公开了一种基于实用动态安全域的输电系统动态安全风险评估与优化方法，其中：风险评估方法是通过建立基于实用动态安全域的动态不安全风险评估模型，在动态不安全风险计算中计及了系统安全控制措施和节点注入功率的不确定性对风险的影响；风险优化方法是通过确定和划分预想事故集合Γ＝Γ1∪Γ2，进行风险控制优化，建立针对主导预想事故集的风险控制的最优化模型。风险评估模型在输电系统动态风险评估中能够计及节点注入功率的不确定性，极大地降低动态安全风险评估的计算量。动态风险优化模型针对采取控制措施前的期望运行点和安全控制预想事故集Γ1中的预想事故，实现综合控制措施的优化计算。优化计算结果可用于进行预防控制和紧急控制决策的指导。
-
公开(公告)号：CN1967960A
公开(公告)日：2007-05-23
申请号：CN200610016074.X
申请日：2006-09-29
Applicant: 天津大学
Abstract: 本发明涉及电力系统动态等值参数聚合方法，属于电力系统动态等值技术领域，该方法通过加权法实现，包括：电网数据采集；同调发电机识别；同调发电机参数聚合；网络化简；最终得到等值系统的潮流和动态数据，经暂态稳定分析程序计算，将结果反馈给系统，以便识别系统动态安全与否，在动态不安全时进行预防控制。由本发明可得到等值发电机组及其调速与励磁系统的详细模型参数和负荷等值异步电动机的详细模型参数，不但能达到参数聚合的精度，同时极大的减少了计算时间。
-
公开(公告)号：CN114037178B
公开(公告)日：2024-07-12
申请号：CN202111394557.4
申请日：2021-11-23
Applicant: 天津大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/088 , G06Q50/06
Abstract: 本发明公开了一种基于无监督预训练神经网络的非侵入式负荷分解方法，在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络模型，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。本发明方法在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。
-
公开(公告)号：CN118278877A
公开(公告)日：2024-07-02
申请号：CN202311356418.1
申请日：2023-10-19
Applicant: 天津大学
IPC: G06Q10/10 , G06Q10/063 , G06Q50/06
Abstract: 本发明公开了一种基于多维运行特性辨识的电力负荷设备数据自动标注方法，包括以下步骤：对待标注的未知电力负荷设备运行数据进行预处理；辨识未知电力负荷设备的电气机理特性；辨识未知电力负荷设备的控制运行特性；辨识未知电力负荷设备的使用行为特性；基于多维特征联合决策方法，从候选电力负荷设备集合中去除在多维运行特性上明显不相符的候选电力负荷设备，得到候选电力负荷设备子集；分析未知电力负荷设备是该子集中各候选电力负荷设备的可能性；选择候选电力负荷设备子集中可能性最高的电力负荷设备，以其名称进行标注。本发明适用于复杂多样的电力负荷分解场景，且可以实现对未知电力负荷设备数据的自动标注。
-
公开(公告)号：CN115333102A
公开(公告)日：2022-11-11
申请号：CN202211252685.X
申请日：2022-10-13
Applicant: 天津大学
Abstract: 本发明公开了一种电力负荷功率模式多时间尺度自适应检测方法。首先，在给定窗长集合下，利用滑动窗口法从负荷总功率数据中检测负荷模式，并通过趋势分析剔除不符合形状约束的不合理负荷模式，从而在各窗长下都得到一个负荷模式集合。然后，通过聚类分析，在得到的负荷模式集合中找出总功率信号序列中重复出现的子序列，并去除各窗长下被重复检测的负荷模式；进一步，基于最小描述长度原理，对负荷模式集合中时间上存在冲突的负荷模式样本进行择优。最后，采用语音端点检测方法定位负荷波动段，根据波动段的信号特征剔除因波动而误检的伪负荷模式。本发明能自适应于背景功率信号波动或噪声，且完整检测形态各异、多时间尺度的负荷功率模式。
-
Patent Agency Ranking
公开(公告)号：CN113687164B
公开(公告)日：2022-11-08
申请号：CN202110984291.2
申请日：2021-08-25
Applicant: 天津大学
Abstract: 本发明公开了一种非侵入式负荷事件两阶段自适应检测方法，包括：基于离群点分析利用原始负荷总功率数据计算得到每一时刻的自适应阈值，以动态自适应于电气信号稳态区段的波动程度，用于判定负荷事件的发生与否；通过改进边缘检测方法及邻近负荷事件分割方法进行第一阶段的阶跃型负荷事件检测；以负荷总功率数据中阶跃型负荷事件以外的各区段信号为检测对象，利用滑动平均与滑动t检验相结合的方法进行第二阶段的长暂态型负荷事件检测；汇集上述两阶段检测到的所有事件并逐一筛查，将起止点功率差小于自适应阈值的负荷事件认定为伪负荷事件并将其剔除，从而完成负荷事件自适应检测。
-
公开(公告)号：CN113505465B
公开(公告)日：2022-06-14
申请号：CN202110560585.2
申请日：2021-05-21
Applicant: 天津大学
IPC: G06F30/20 , G06K9/62 , G06F111/04
Abstract: 本发明公开了一种完全无监督的非侵入式电器状态模型自适应构建方法，根据一段时间内积累的未知负荷事件数目或相应未知电量预判是否满足电器建模过程的启动条件；当满足电器建模过程启动条件，进行负荷总量数据读入；利用频繁模式挖掘技术从未知负荷事件中挖掘电器的FES模式；电器SCES模式的筛选与分组；对于不同的电器SCES模式分组建立或更新电器的FSM模型拓扑图；进而根据电器的负荷事件数据及负荷总量数据估计或更新其FSM模型参数。本发明仅以负荷总量数据为处理对象，自适应地建立和更新负荷内部电器的FSM模型。即使面对用户负荷组成随机变化，实际场景复杂多样，该方法仍能准确地建立电器负荷模型，并保证其泛化能力。
-
公开(公告)号：CN109687434B
公开(公告)日：2022-05-10
申请号：CN201811509701.2
申请日：2018-12-11
Applicant: 天津大学
IPC: H02J3/00
Abstract: 本发明公开了一种基于供电路径搜索的配电网静态电压安全域计算方法，包括：步骤一、根据配电网各支路开关的状态，确定配电网的拓扑结构，包括配电网中所有节点的集合ΘB、所有支路的集合ΘL、各节点的类型γi和各支路的状态χij；确定各节点电压的最大限值ViM、最小限值Vim和根节点电压V0；步骤二、根据步骤一确定的配电网拓扑，构建配电网的等效节点导纳矩阵和等效节点注入矩阵计算配电网的等效节点相角矩阵步骤三、根据步骤二等效节点相角矩阵，确定的计算确定各节点的供电路径向量ηi；步骤四、根据各节点的供电路径向量和各节点的电压限值，计算各节点电压上限和下限约束对应的静态电压安全域的边界系数。
-
公开(公告)号：CN112767570B
公开(公告)日：2022-04-29
申请号：CN202011510873.9
申请日：2020-12-18
Applicant: 天津大学
Abstract: 本发明公开了一种用于巡检人员优化调度的配电网故障区域巡检方法，即以故障区域内所有线路巡检完所用时长最短为目标函数，建立考虑巡检人员优化调度的故障区域巡检模型，在给定的约束条件下，求解得到用时最短的巡检人员调度方案；约束条件包括线路巡检状态约束、巡检人员调度约束、以及线路巡检状态和巡检人员调度间的耦合约束，本发明通过巡检人员的优化调度，提升线路巡检人员的巡检效率。
-
公开(公告)号：CN114037178A
公开(公告)日：2022-02-11
申请号：CN202111394557.4
申请日：2021-11-23
Applicant: 天津大学
Abstract: 本发明公开了一种基于无监督预训练神经网络的非侵入式负荷分解方法，在序列到点卷积神经网络架构的基础上，利用同一数据集中其他家庭的大量无标签数据对网络进行无监督预训练，再利用目标家庭中少量有标签数据对网络参数进行微调。通过将无监督预训练与有监督微调相结合的训练方式，训练获得可用于负荷分解的深度神经网络模型，以提高网络在少量有标签数据下的分解性能。该方法主要是针对每个电器训练一个相对应的神经网络，训练好的神经网络可从用户用电总功率数据中分解出单个电器的功率。本发明方法在目标家庭有标签数据很少的情况下，有效地提高了深度学习进行非侵入式负荷分解的效果，具有较高的负荷分解潜力。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.026 seconds)
