-
公开(公告)号：CN117175550B
公开(公告)日：2024-09-27
申请号：CN202311098330.4
申请日：2023-08-29
申请人： 长安大学
摘要： 本发明公开了本发明一种虚假数据注入攻击下的电力系统状态估计方法、系统、设备及存储介质，通过提出的插值自适应H∞扩展卡尔曼滤波算法无论是在无攻击情形下，还是在虚假数据注入攻击情形下，与传统卡尔曼滤波算法相比，都具有更高的估计精度。尤其在虚假数据注入攻击情形下算法估计精度更高，并且在利用扩展卡尔曼滤波算法对电力系统状态估计模型进行线性化处理及滤波后，采用自适应插值方法来减小扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差；该方法还把自适应H∞理论引入到扩展卡尔曼滤波算法中，使得系统模型不确定性带来的误差上界达到最小化。
-
公开(公告)号：CN117175550A
公开(公告)日：2023-12-05
申请号：CN202311098330.4
申请日：2023-08-29
申请人： 长安大学
摘要： 本发明公开了本发明一种虚假数据注入攻击下的电力系统状态估计方法、系统、设备及存储介质，通过提出的插值自适应H∞扩展卡尔曼滤波算法无论是在无攻击情形下，还是在虚假数据注入攻击情形下，与传统卡尔曼滤波算法相比，都具有更高的估计精度。尤其在虚假数据注入攻击情形下算法估计精度更高，并且在利用扩展卡尔曼滤波算法对电力系统状态估计模型进行线性化处理及滤波后，采用自适应插值方法来减小扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差；该方法还把自适应H∞理论引入到扩展卡尔曼滤波算法中，使得系统模型不确定性带来的误差上界达到最小化。
-
公开(公告)号：CN117723997A
公开(公告)日：2024-03-19
申请号：CN202311685084.2
申请日：2023-12-09
申请人： 长安大学
IPC分类号： G01R31/392 , G01R31/388 , G01R31/36 , G01R31/396
摘要： 本发明公开了一种基于优化时域卷积网络的锂电池健康状态预测方法、系统、设备及存储介质，通过利用变分模态分解‑排列熵和改进蜣螂算法优化的时域卷积网络结合的方法，首先采用VMD算法将原始SOH数据分解成一系列不同的子模态，利用PE算法分析其复杂度并重组得到子序列，然后采用TCN网络对各子序列进行预测，在模型训练前采用SPM混沌映射、黄金正弦策略和自适应高斯‑柯西混合变异扰动的IDBO算法对TCN参数进行优化；最后叠加各子序列的预测值作为最终预测结果，精准的预测到容量再生等非线性分量趋势，减小了非线性分量对SOH预测的影响，通过IDBO对TCN的超参数进行优化极大提高SOH的预测精度和预测稳定性。
-
公开(公告)号：CN117076866A
公开(公告)日：2023-11-17
申请号：CN202311168894.0
申请日：2023-09-11
申请人： 长安大学
IPC分类号： G06F18/10 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 基于数据驱动和粒子滤波融合模型的锂电池RUL预测方法、系统、设备及介质，其方法为：将卷积神经网络CNN和门控循环单元GRU网络结合，形成CNN‑GRU的串联结构，能够同时捕捉空间和时序信息，简化现有技术中复杂的时间序列问题；采用双指数经验模型建立状态方程，以CNN‑GRU输出的预测值作为观测值，建立CNN‑GRU‑PF融合预测模型的状态空间方程，基于CNN‑GRU‑PF融合模型对锂电池RUL进行预测；其系统、设备及方法基于上述方法实现对锂电池RUL高效预测，能够减小数据的噪音和不确定性，确保模型方法的可靠性，预测准确且具有良好的普遍适用性。
-
-
-
搜索结果
4 条记录 (耗时 0.02 秒)
