基于复合学习和DOB的多机电力系统自适应动态面控制器

    公开(公告)号:CN111766781B

    公开(公告)日:2022-09-27

    申请号:CN202010373106.1

    申请日:2020-05-06

    IPC分类号: G05B13/04

    摘要: 本发明公开了基于复合学习和DOB的多机电力系统自适应动态面控制器,控制器是基于以下步骤实现的:1)构造具有SVC装置的大型电力系统的数学模型;2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;3)设计状态预测器,在更新律设计中加入预测误差,并引入补偿信号,将干扰观测器和模糊逻辑系统相结合,设计出基于复合学习和干扰观测器的多机电力系统自适应模糊动态面控制器。本发明所述控制器在更新律设计中加入了预测误差,并结合干扰观测器和模糊逻辑系统,对系统的广义扰动进行了估计,从而提高了逼近精度,在控制律的设计中引入了补偿信号,从而消除了在动态面方法中由于使用滤波器而产生的滤波误差。

    一种不良数据辨识方法
    2.
    发明公开

    公开(公告)号:CN110544047A

    公开(公告)日:2019-12-06

    申请号:CN201910854363.4

    申请日:2019-09-10

    IPC分类号: G06Q10/06 G06K9/62 G06Q50/06

    摘要: 本发明公开了一种不良数据辨识方法,包括以下步骤:S1,使用凝聚层次聚类算法和真实Index的模型评估指标,确定PAM算法的初始聚类个数;S2,使用PAM算法对正常数据进行聚类,并计算每类的均方差,得出正常数据的类均方差范围;S3,运用间隙统计算法对待测数据进行聚类并得出结果;S4,比较待测数据所得聚类个数与正常数据通过HC-Center聚类算法所得聚类个数是否一致,若一致即不存在不良数据,否则需计算每个类的均方差,判断其是否在正常数据的类均方差范围之内,若不在,则类中数据视为不良数据。本发明解决了PAM算法需要人为设定初始聚类个数的缺陷,提高了聚类的准确度;能够高效、准确地对数据进行聚类运算。

    基于复合学习和DOB的多机电力系统自适应动态面控制器

    公开(公告)号:CN111766781A

    公开(公告)日:2020-10-13

    申请号:CN202010373106.1

    申请日:2020-05-06

    IPC分类号: G05B13/04

    摘要: 本发明公开了基于复合学习和DOB的多机电力系统自适应动态面控制器,控制器是基于以下步骤实现的:1)构造具有SVC装置的大型电力系统的数学模型;2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;3)设计状态预测器,在更新律设计中加入预测误差,并引入补偿信号,将干扰观测器和模糊逻辑系统相结合,设计出基于复合学习和干扰观测器的多机电力系统自适应模糊动态面控制器。本发明所述控制器在更新律设计中加入了预测误差,并结合干扰观测器和模糊逻辑系统,对系统的广义扰动进行了估计,从而提高了逼近精度,在控制律的设计中引入了补偿信号,从而消除了在动态面方法中由于使用滤波器而产生的滤波误差。

    一种改进的堆栈降噪自编码器的数据清洗方法

    公开(公告)号:CN109978079A

    公开(公告)日:2019-07-05

    申请号:CN201910285971.8

    申请日:2019-04-10

    IPC分类号: G06K9/62 G06F16/215 G06N3/04

    摘要: 本发明公开了一种改进的堆栈降噪自编码器的数据清洗方法,首先,引入Adam和SGD的混合算法,以不断调整堆栈降噪自编码器模型的网络参数;其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差;再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对“脏数据”和反映设备故障的异常数据快速分类清洗修复。本发明的AS‑SDAE可以直接智能分析监测数据,能更好地挖掘数据隐藏的高阶特征,保证了“脏数据”清洗的高效性,保留了反映设备本身异常情况的有用数据,提高了数据分析效率。