基于PSR-DBN的超短期母线负荷预测方法

    公开(公告)号:CN111080000A

    公开(公告)日:2020-04-28

    申请号:CN201911239921.2

    申请日:2019-12-06

    Abstract: 本发明公开了一种基于PSR-DBN的超短期母线负荷预测方法,包括步骤:(1)采集母线负荷历史数据,对负荷时间序列进行极差归一化处理;(2)对负荷时间序列进行相空间重构,并采用C-C方法求解负荷时间序列的最优嵌入维数和最优延时;(3)构建深度信念网络,采用重构的负荷时间序列相空间矩阵作为训练集对深度信念网络进行训练,并采用交叉验证优化深度信念网络的超参数;(4)利用训练完成的深度信念网络预测未来时刻的负荷值;(5)利用负荷时间序列的最大最小值对深度信念网络返回的负荷预测值进行反归一化处理,得到实际的负荷预测值。本发明预测方法在分布式电源渗透率较高且母线负荷波动较大的情况下依旧能保持相对较高的预测精度。

    一种基于VMD的间隔阈值局部放电去噪方法

    公开(公告)号:CN108804832A

    公开(公告)日:2018-11-13

    申请号:CN201810611501.1

    申请日:2018-06-14

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于VMD的间隔阈值局部放电去噪方法,首先利用变分模态分解算法对染噪局部放电信号进行分解,得到多个有限带宽模态分量。计算各个模态分量的峭度指标,保留峭度较大的模态。接着利用变分模态分解算法分解白噪声,分解白噪声后得到模态分量的两个统计特性。然后估计局部放电信号主导模态残留的低频白噪声的标准差,利用3σ准则确定阈值。最后引入间隔阈值方法去除所述模态中的白噪声,并重构模态得到最终去噪后的局部放电信号。本发明利用VMD算法对染噪局放信号进行分解,并分析模态分量的特征,有效抑制窄带周期干扰和白噪声,减少局放信号波形的畸变,较好地保留局放信号的特征,便于更准确地检测局放信号。

    一种基于VMD的间隔阈值局部放电去噪方法

    公开(公告)号:CN108804832B

    公开(公告)日:2020-06-16

    申请号:CN201810611501.1

    申请日:2018-06-14

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于VMD的间隔阈值局部放电去噪方法,首先利用变分模态分解算法对染噪局部放电信号进行分解,得到多个有限带宽模态分量。计算各个模态分量的峭度指标,保留峭度较大的模态。接着利用变分模态分解算法分解白噪声,分解白噪声后得到模态分量的两个统计特性。然后估计局部放电信号主导模态残留的低频白噪声的标准差,利用3σ准则确定阈值。最后引入间隔阈值方法去除所述模态中的白噪声,并重构模态得到最终去噪后的局部放电信号。本发明利用VMD算法对染噪局放信号进行分解,并分析模态分量的特征,有效抑制窄带周期干扰和白噪声,减少局放信号波形的畸变,较好地保留局放信号的特征,便于更准确地检测局放信号。

    一种高压断路器机械故障诊断方法

    公开(公告)号:CN110084148A

    公开(公告)日:2019-08-02

    申请号:CN201910278356.4

    申请日:2019-04-09

    Applicant: 东南大学

    Abstract: 本发明公开了一种高压断路器机械故障诊断方法,将高压断路器故障模拟实验所得的分合闸线圈电流作为故障诊断的目标数据样本,通过建立分合闸线圈数学模型仿真所得的数据作为辅助数据样本,利用深层信念网络(DBN)实现对样本数据特征的深层挖掘与自适应提取,并结合迁移学习方法实现辅助数据与目标数据的信息匹配。本发明方法将迁移学习与深层信念网络相结合,利用深层信念网络对断路器分合闸线圈电流时域信号进行数据特征的深层挖掘与自适应提取,并结合迁移学习方法解决实际故障训练样本数据量小的问题,提高了故障诊断模型的泛化能力。

Patent Agency Ranking