公开(公告)号：CN112634216B

公开(公告)日：2024-02-09

申请号：CN202011485662.4

申请日：2020-12-16

申请人： 西安理工大学

发明人： 王倩 ,  王晔琳 ,  李俊 ,  何复兴 ,  朱龙辉 ,  李宁 ,  李贺

IPC分类号： G06T7/00 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值>0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。

公开(公告)号：CN112634216A

公开(公告)日：2021-04-09

申请号：CN202011485662.4

申请日：2020-12-16

申请人： 西安理工大学

发明人： 王倩 ,  王晔琳 ,  李俊 ,  何复兴 ,  朱龙辉 ,  李宁 ,  李贺

IPC分类号： G06T7/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值>0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。

公开(公告)号：CN113095477B

公开(公告)日：2024-02-09

申请号：CN202110287887.7

申请日：2021-03-17

申请人： 西安理工大学 ,  中国电力科学研究院有限公司

发明人： 李宁 ,  王晔琳 ,  何复兴 ,  彭佩佩 ,  王倩 ,  朱龙辉

IPC分类号： G06Q10/04 ,  G06N3/084 ,  G06N3/086 ,  G06N3/0499 ,  G06Q50/06

摘要： 本发明公开了一种基于DE‑BP神经网络的风电功率预测方法，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE‑BP神经网络模型；步骤4，将DE‑BP神经网络模型用于风电功率的预测，进行风电功率预测。本发明的基于DE‑BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。

公开(公告)号：CN114169585B

公开(公告)日：2024-08-02

申请号：CN202111376441.8

申请日：2021-11-19

申请人： 西安理工大学

发明人： 李宁 ,  王茹月 ,  卫琳 ,  王晔琳 ,  朱龙辉

IPC分类号： G06Q10/04 ,  G06Q50/06 ,  G06F30/27 ,  G06F18/20 ,  G06N3/0499 ,  G06N3/086 ,  G06N3/048 ,  G06N7/08 ,  G06N3/126 ,  H02J3/00

摘要： 本发明公开了一种马尔可夫链和组合模型的风力发电功率预测方法，具体包括如下步骤：步骤1，采集风电场所记录的数据，通过计算最大李雅普诺夫指数，判定采集的数据是否具备混沌特性；步骤2，利用步骤1中的判断结果，并根据Takens理论重构相空间，得到预测模型的输入数据集；步骤3，利用GA遗传算法优化BP神经网络获得最优权值与阈值的初始值，采用径向基函数神经网络算法对步骤2中的数据进行预测；步骤4，采用马尔可夫链在不同时间动态调整步骤3中不同预测模型的权重系数，输出最终预测结果。采用本发明可以结合不同的预测模型，通过马尔可夫链动态确定不同预测模型的权重。

公开(公告)号：CN114169585A

公开(公告)日：2022-03-11

申请号：CN202111376441.8

申请日：2021-11-19

申请人： 西安理工大学

发明人： 李宁 ,  王茹月 ,  卫琳 ,  王晔琳 ,  朱龙辉

IPC分类号： G06Q10/04 ,  G06Q50/06 ,  G06F30/27 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N3/12 ,  H02J3/00

摘要： 本发明公开了一种马尔可夫链和组合模型的风力发电功率预测方法，具体包括如下步骤：步骤1，采集风电场所记录的数据，通过计算最大李雅普诺夫指数，判定采集的数据是否具备混沌特性；步骤2，利用步骤1中的判断结果，并根据Takens理论重构相空间，得到预测模型的输入数据集；步骤3，利用GA遗传算法优化BP神经网络获得最优权值与阈值的初始值，采用径向基函数神经网络算法对步骤2中的数据进行预测；步骤4，采用马尔可夫链在不同时间动态调整步骤3中不同预测模型的权重系数，输出最终预测结果。采用本发明可以结合不同的预测模型，通过马尔可夫链动态确定不同预测模型的权重。

公开(公告)号：CN113095477A

公开(公告)日：2021-07-09

申请号：CN202110287887.7

申请日：2021-03-17

申请人： 西安理工大学 ,  中国电力科学研究院有限公司

发明人： 李宁 ,  王晔琳 ,  何复兴 ,  彭佩佩 ,  王倩 ,  朱龙辉

IPC分类号： G06N3/04 ,  G06N3/08 ,  G06Q10/04 ,  G06Q50/06

摘要： 本发明公开了一种基于DE‑BP神经网络的风电功率预测方法，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE‑BP神经网络模型；步骤4，将DE‑BP神经网络模型用于风电功率的预测，进行风电功率预测。本发明的基于DE‑BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。