-
公开(公告)号：CN111539558A
公开(公告)日：2020-08-14
申请号：CN202010259530.3
申请日：2020-04-03
Applicant: 东南大学
Abstract: 本发明公开了一种采用优化极限学习机的电力负荷预测方法，包括：1、以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)；2、对X(k)做EMD分解，得到多个IMF分量序列和一个残差序列；3、对得到的每个IMF分量序列和一个残差序列，分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列。该方法可以有效提高预测精度。
-
公开(公告)号：CN110163148A
公开(公告)日：2019-08-23
申请号：CN201910423161.4
申请日：2019-05-21
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种电动汽车直流充电畸变信号自适应识别方法，包括如下步骤：1、获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)；2、根据电动汽车充电负荷特征，修正小波包变换的分层和阈值参数，对离散电信号f(n)进行小波包分解，获取小波包系数；3、根据分解后的小波包系数判断信号突变时刻，并对骤变信号和非稳态信号进行重构。4、对基波和纹波信号建立卡尔曼滤波矩阵模型，通过遗忘因子的引入、噪声协方差系数和步长的自适应选取来优化分解精度和收敛速度，对电动汽车直流充电信号的基波和各次纹波进行预测识别。该方法能够在电动汽车复杂的充电环境下同时精确检测各类畸变信号，具有较高的正确性与适用性，满足现实应用的需求。
-
公开(公告)号：CN110163148B
公开(公告)日：2021-02-09
申请号：CN201910423161.4
申请日：2019-05-21
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种电动汽车直流充电畸变信号自适应识别方法，包括如下步骤：1、获取电动汽车充电的电信号f(t)，并进行等间隔采样，得到离散的电信号f(n)；2、根据电动汽车充电负荷特征，修正小波包变换的分层和阈值参数，对离散电信号f(n)进行小波包分解，获取小波包系数；3、根据分解后的小波包系数判断信号突变时刻，并对骤变信号和非稳态信号进行重构。4、对基波和纹波信号建立卡尔曼滤波矩阵模型，通过遗忘因子的引入、噪声协方差系数和步长的自适应选取来优化分解精度和收敛速度，对电动汽车直流充电信号的基波和各次纹波进行预测识别。该方法能够在电动汽车复杂的充电环境下同时精确检测各类畸变信号，具有较高的正确性与适用性，满足现实应用的需求。
-
公开(公告)号：CN111539558B
公开(公告)日：2023-05-16
申请号：CN202010259530.3
申请日：2020-04-03
Applicant: 东南大学
Abstract: 本发明公开了一种采用优化极限学习机的电力负荷预测方法，包括：1、以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)；2、对X(k)做EMD分解，得到多个IMF分量序列和一个残差序列；3、对得到的每个IMF分量序列和一个残差序列，分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列。该方法可以有效提高预测精度。
-
-
-
Search Results
4
records
(took 0.015 seconds)
