基于DWT-LSTM神经网络的可调节负荷预测方法

    公开(公告)号:CN117977579A

    公开(公告)日:2024-05-03

    申请号:CN202410365771.4

    申请日:2024-03-28

    申请人: 西华大学

    摘要: 本发明公开了一种基于DWT‑LSTM神经网络的可调节负荷预测方法,属于可调节负荷预测技术领域,包括以下步骤:采集可调节负荷历史数据;通过离散小波变换DWT依次对可调节负荷历史数据进行三次变换,得到变换数据;将变换数据进行重构,得到三个重构数据;将三个重构数据进行权重调节,并将权重调节后的三个重构数据进行叠加,将叠加后的重构数据输入至LSTM神经网络进行预测,得到可调节负荷整体预测曲线。本发明解决了单一负荷预测网络对于可调节负荷的分层特性适应性较差、难以进行迭代计算优化以及难以满足在迎峰度夏和出现电能缺口时需求侧响应的准确度和时效性的问题。

    计及控制中心故障信息篡改的智能变电站故障诊断方法

    公开(公告)号:CN112710914B

    公开(公告)日:2022-06-17

    申请号:CN202011485183.2

    申请日:2020-12-16

    申请人: 西华大学

    摘要: 本发明公开了一种计及控制中心故障信息篡改的智能变电站故障诊断方法,首先采用模糊C均值聚类算法查找出疑似故障元件,然后通过计算各疑似故障元件的电压采样值合群系数对其遥测量不确定性程度进行评估,进而确定故障元件识别模型的输入数据,最后提出了一种基于多元脉冲神经膜系统的故障元件识别模型及其对应的多元脉冲矩阵推理算法,求解得到疑似故障元件的故障诊断结果。本发明不仅能够有效解决控制中心故障信息被篡改情况下的智能变电站故障诊断问题,还能够解决现有方法不能处理的因故障信息被篡改而带来的故障信息高度不确定性和不精确性问题。

    基于DWT-LSTM神经网络的可调节负荷预测方法

    公开(公告)号:CN117977579B

    公开(公告)日:2024-06-18

    申请号:CN202410365771.4

    申请日:2024-03-28

    申请人: 西华大学

    摘要: 本发明公开了一种基于DWT‑LSTM神经网络的可调节负荷预测方法,属于可调节负荷预测技术领域,包括以下步骤:采集可调节负荷历史数据;通过离散小波变换DWT依次对可调节负荷历史数据进行三次变换,得到变换数据;将变换数据进行重构,得到三个重构数据;将三个重构数据进行权重调节,并将权重调节后的三个重构数据进行叠加,将叠加后的重构数据输入至LSTM神经网络进行预测,得到可调节负荷整体预测曲线。本发明解决了单一负荷预测网络对于可调节负荷的分层特性适应性较差、难以进行迭代计算优化以及难以满足在迎峰度夏和出现电能缺口时需求侧响应的准确度和时效性的问题。

    一种基于故障行波时间检测的配电网故障定位方法

    公开(公告)号:CN113009278B

    公开(公告)日:2023-09-19

    申请号:CN202110245389.6

    申请日:2021-03-05

    IPC分类号: G01R31/08

    摘要: 本发明公开了一种基于故障行波时间检测的配电网故障定位方法,其通过对现有配电网建立固有距离矩阵,并通过固有距离矩阵和行波波速建立固有时间矩阵,使得故障区段识别和精确定位可以直接通过行波检测装置检测到的时间进行运算无需再换算成距离,提高计算效率。本发明通过检测故障后第一次行波波头到达检测点的时间,并建立基于行波检测时间的故障区段判别矩阵,通过判别规则,实现故障所在区段的识别。本发明对未配置行波检测装置的分支,通过判定矩阵和判定规则,准确识别故障发生的分支,实现在配置有限数量行波检测装置的情况下能够准确的完成故障区段识别和故障位置的精确定位。

    一种任务空间中不确定机械臂的控制方法

    公开(公告)号:CN111872937B

    公开(公告)日:2022-04-19

    申请号:CN202010714848.6

    申请日:2020-07-23

    申请人: 西华大学

    IPC分类号: B25J9/16

    摘要: 本发明公开了一种任务空间中不确定机械臂的控制方法,包括:A.根据机械臂正向运动学和逆运动学关系,建立机械臂系统在关节空间下的动力学数学模型,引入雅可比矩阵将关节空间下的动力学模型映射到任务空间下,将机械臂系统在任务空间下的动力学模型进行重新变形整理,得到不确定机械臂动力学模型。B.根据不确定机械臂动力学模型,设计神经网络自适应迭代学习控制器的控制方案,对任务空间下不确定机械臂末端施加的控制力进行设计,采用神经网络自适应迭代学习控制算法进行设计本系统的控制器,其中采用RBF神经网络对所有非周期性误差和外部干扰进行逼近和补偿,对神经网络的更新率进行设计。本发明提高了机械臂系统的学习速度和误差收敛精度。