-
公开(公告)号：CN114158050B
公开(公告)日：2023-06-27
申请号：CN202110975637.2
申请日：2021-08-24
Applicant: 华北电力大学(保定)
IPC: H04W12/126 , H04W28/084 , H02J50/20
Abstract: 本发明提供一种提高WPT‑MEC系统安全计算性能的方法、装置及系统。该方法包括：建立WPT‑MEC系统的用户终端在传输周期内的本地计算任务量模型和安全卸载任务量模型，传输周期表示用户终端完成充电和卸载的周期；确定安全计算任务量目标函数和约束条件；获取设定的基站的通信参数、用户终端的运算能力参数以及传输周期作为输入参数；以安全计算任务量目标函数的函数值最大为优化目标，根据设定的优化算法、输入参数和约束条件进行优化，得到输出参数的目标值；输出参数的目标值用于对WPT‑MEC系统进行配置，以提高WPT‑MEC系统的安全计算性能。本发明在WPT‑MEC系统中加入IRS，IRS可以增加用户接收的能量信号并且无需增加系统能耗，确定IRS和WPT‑MEC系统的参数，可以提高WPT‑MEC系统的安全性。
-
公开(公告)号：CN110472668B
公开(公告)日：2021-02-19
申请号：CN201910659388.9
申请日：2019-07-22
Applicant: 华北电力大学(保定)
IPC: G06K9/62
Abstract: 本发明公开了一种图像分类方法，该方法具体为基于端到端双通道特征重标定密集连接卷积神经网络的图像分类方法，该方法通过一个网络模型即可完成通道特征重标定与层间特征重标定并进行合并，并且这个模型的训练过程是端到端训练，即本申请不需要分阶段完成训练，也不需要多个模型的多次存取，可以直接实现端到端训练，训练过程简单，训练及测试耗时大大缩短。
-
公开(公告)号：CN107896125A
公开(公告)日：2018-04-10
申请号：CN201711259581.0
申请日：2017-12-04
Applicant: 华北电力大学(保定)
IPC: H04B7/06 , H04B7/0452 , H04W52/24 , H04W52/34 , H04W52/42
CPC classification number: H04B7/0617 , H04B7/0452 , H04B7/0626 , H04W52/242 , H04W52/346 , H04W52/42
Abstract: 本发明利用了随机矩阵和非线性优化等理论工具，在全维度天线网络中分析了SWIPT系统的安全传输速率。通过最大化遍历传输速率获取最优的三维波束成型矢量，推导出收集能量约束条件下的系统安全传输速率。采用拉格朗日松弛优化算法联合优化发射功率和功率分流比，得到最大化系统安全速率的最优解。
-
公开(公告)号：CN118589914A
公开(公告)日：2024-09-03
申请号：CN202410638100.0
申请日：2024-05-22
Applicant: 华北电力大学(保定)
Abstract: 本申请提供了发电机定子单相接地故障消弧方法及装置，该方法包括：监测发电机的工作状态，当工作状态为单相接地故障时，获取故障相相电势和中性点电压；基于故障相相电势和中性点电压，计算故障电势；基于故障电势，计算令中性点电压与故障电势大小相等方向相反时需要注入中性点的基波电流和三次谐波电流；将发电机的中性点采用混合柔性接地方式进行接地；注入基波电流和三次谐波电流预设时间后，调节三次谐波电流与第一目标电流相等，使接地故障三次谐波电流等于安全电流，获取中性点的三次谐波电压幅值的测量值，通过测量值辨识故障性质。本申请能对大型发电机定子接地故障进行有效消弧，提高供电可靠性。
-
公开(公告)号：CN118011140A
公开(公告)日：2024-05-10
申请号：CN202410008472.5
申请日：2024-01-03
Applicant: 华北电力大学(保定)
Abstract: 本发明的目的是提供一种核电站棒控电源系统单相接地故障判别方法、系统及设备，涉及核电站安全保护技术领域。方法包括：确定中性点三次谐波电压变化量和机端三次谐波电压变化量；确定历史中性点三次谐波电压与历史机端三次谐波电压的比值为自适应因子；根据中性点三次谐波电压变化量、机端三次谐波电压变化量和自适应因子确定核电站棒控电源系统在当前时刻的单相接地故障判别结果。本发明根据中性点三次谐波电压变化量、机端三次谐波电压变化量和自适应因子确定核电站棒控电源系统的单相接地故障状态，能够提高核电站棒控电源系统的单相接地故障判别灵敏度。
-
Patent Agency Ranking
公开(公告)号：CN117292176A
公开(公告)日：2023-12-26
申请号：CN202311155236.8
申请日：2023-09-08
Applicant: 华北电力大学(保定)
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80
Abstract: 本发明公开了一种基于元学习的架空输电线路关键部件及缺陷的检测方法，选取Cascade RCNN为框架，使用Resnet101作为主干网络；基于互注意力机制的思想，设计区域感知融合模块，捕捉支持特征与查询特征之间的空间关系，获得用于指导网络从查询图像中检测出与支持图像相对应类别的融合特征；采用以多帮少的两阶段微调的训练策略，第一阶段训练充足样本的类别，获得拥有输电线路相关先验知识的权重，第二阶段在平衡且样本少量的类别上进行冻结主干网络的微调，缓解数据集中充足样本类别和少量样本类别间的数据偏移问题，提高模型对少量样本类别的检测精度。
-
公开(公告)号：CN116612343A
公开(公告)日：2023-08-18
申请号：CN202310236257.6
申请日：2023-03-13
Applicant: 华北电力大学(保定)
IPC: G06V10/774 , G06V10/25 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于自监督学习的输电线路金具检测方法，选取单阶段目标检测器作为基础模型架构，使用改进的Swin Transformer模型作为主干网络，引入轻量自监督学习方法，并结合高精度检测头实现高精度金具检测；在Swin Transformer原有的自注意力计算中增加下采样，减少网络计算量，并利用上采样分支恢复部分丢失下采样后的信息，实现高效特征提取，解决原Swin网络计算量较大的问题，改进后的网络称为E‑Swin(efficient Swin)；为了有效利用输电线路巡检所产生的大量图片数据，减少人为标注所消耗的资源，引入自监督学习方法，并进行轻量化改进，用于E‑Swin的无监督预训练；设计添加额外分支的检测器，获得更准确的金具目标定位框，进一步提高输电线路金具检测的精确度。
-
公开(公告)号：CN116452848A
公开(公告)日：2023-07-18
申请号：CN202310204536.4
申请日：2023-03-06
Applicant: 华北电力大学(保定)
IPC: G06V10/764 , G06V20/17 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明公开了一种基于改进注意力机制的金具分类检测方法，选取改进的Swin Transformer架构作为主干网络；引入基于自注意力的卷积的框架模块，利用浅层卷积网络和移动窗口多头注意机制，提取了含有丰富的金具特征信息的区域以提高目标分类的准确率；其中改进的Swin Transformer网络包含两个独立的区域，即基于自注意力的卷积和Swin Transformer。基于自注意力的卷积利用浅层卷积网络和移动窗口多头注意机制，提取了含有丰富的金具特定信息的区域。随后，基于自注意力的卷积获得的特征与经过Swin Transformer中linear embedding处理后的原始图像进行拼接，然后输入Swin Transformer来识别金具的类型，更准确的识别金具。
-
公开(公告)号：CN115695343A
公开(公告)日：2023-02-03
申请号：CN202211150048.1
申请日：2022-09-21
Applicant: 华北电力大学(保定)
IPC: H04L49/9015 , H04L12/12
Abstract: 本发明涉及一种通过智能感知网络业务流量实现设备动态节能的方法，通过根据DRAM中已经占用的子存储单元的地址信息以及用于标识入端口报文存储在DRAM中的具体存储单元的地址信息，构建存储状态链表；根据处于空闲状态的子存储单元的地址信息构建空状态链表；将存储状态链表和空状态链表构建成指针缓存器；指针缓存器根据当前DRAM存储单元数量以及空闲存储单元的数量的相对关系，进而控制网络设备出端口状态的切换。本发明基于一定的水线判别机制，可以极大降低设备在空闲状态时的功耗水平，尤其是该方法可以很好地匹配已经完成的IEEE8023节能以太网端口规范，匹配该规范对应的网络设备的感知与动作方法，实现整个网络设备的系统化节能减排，绿色网络的诉求及设计理念。
-
公开(公告)号：CN114219849A
公开(公告)日：2022-03-22
申请号：CN202111347415.2
申请日：2021-11-15
Applicant: 国网山西省电力公司晋中供电公司 , 华北电力大学(保定)
Abstract: 本发明公开了一种基于深度强化学习的机具三维定位方法，即在三维空间中，降低移动机具定位误差的深度强化学习方法。所述方法包括：根据三维定位几何模型计算出移动台位置特征信息；根据已得到的位置特征信息构建马尔科夫过程；根据深度强化学习框架计算出损失函数值和相应的Q函数；根据马尔科夫过程及损失函数和Q函数训练出基于三维定位的深度Q网络。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.092 seconds)
