-
公开(公告)号：CN110212528A
公开(公告)日：2019-09-06
申请号：CN201910529247.5
申请日：2019-06-19
Applicant: 华北电力大学
IPC: H02J3/00
Abstract: 一种基于生成对抗和双重语义感知的配电网量测数据缺失重构方法，属于电力大数据处理技术领域。该方法利用生成对抗网络(generative adversarial network,GAN)博弈对抗的思想，通过模型自主提取数据特征和时空分布特性，结合上下文信息、生成感知信息、重构感知信息构成的新型双重语义感知(Double Semantic Perception)缺失重构约束，寻找与待重构数据最大相似数据来实现量测数据缺失重构。本发明完全基于数据驱动，克服了配电网复杂环境下，基于业务机理建立数学重构模型在适应性、算法效率和准确性多方面的局限性。使用该方法避免了传统缺失重构过程中需根据大量先验知识对数据进行分布假设及特征显式建模，并改善了传统GAN收敛速度慢、训练不稳定等缺陷，具有较高的数据缺失重构精度。
-
公开(公告)号：CN109359815A
公开(公告)日：2019-02-19
申请号：CN201811049509.X
申请日：2018-09-10
Applicant: 华北电力大学
CPC classification number: G06Q10/06315 , G06N3/0454 , G06Q50/06
Abstract: 基于生成对抗网络的智能电网深度学习训练样本生成方法，属于电力系统分析技术领域。该方法为：1)获取电力系统中的采样数据，进行处理作为真实样本；2)搭建判别模型和生成模型；3)判别模型读取真实样本数据，并产生对应的判别结果；4)对判别结果进行处理，并反馈给判别模型，判别模型调整内部权重；5)生成模型读取随机噪声，并产生生成样本；6)判别模型读取生成样本数据，并产生对应的判别结果；7)对判别结果进行处理，并反馈给生成模型，生成模型调整内部权重；8)重复步骤3)～7)，直至达到预期效果。该方法能有效解决智能电网中深度学习模型训练的小样本问题，为深度学习技术在智能电网中的深入发展提供有效的训练数据样本。
-
公开(公告)号：CN109255189A
公开(公告)日：2019-01-22
申请号：CN201811078852.7
申请日：2018-09-17
Applicant: 华北电力大学
Abstract: 一种基于流式计算的电压暂降并行实时模式识别方法，属于电能质量分析技术领域。该方法采用基于Storm的云计算平台，利用logstash和Kafka消息中间件，在流计算拓扑实例和拓扑并行编程模型上，引入storm中的并行快速滑动时间窗口算法满足不同监测点数据的时间颗粒度，并将训练好的深度学习判别模型模型融入不同时间窗格中，在规定时间窗口内对监测数据进行暂降源类型判断。本发明使电压暂降的监测数据可以直接通过Storm云计算平台，在多台计算机上通过分布式内存并行计算，避免了单个计算机内存容量小的限制，从而实现大规模监测点海量数据并行实时计算处理，云平台的容错性也提升了暂降计算结果的可靠性。
-
公开(公告)号：CN119202561A
公开(公告)日：2024-12-27
申请号：CN202310750215.4
申请日：2023-06-25
Applicant: 华北电力大学
IPC: G06F18/20 , G06F18/24 , G06F16/36 , G06N3/0464 , G06N3/08
Abstract: 一种基于知识表示和Transformer融合的多标签复合谐波源辨识方法，通过提取谐波监测数据不同时刻的频域特征构建三元组，并利用TransR进行知识表示得到时频特征向量。TransR知识表示提供了丰富的语义信息和关系表示，增加了模型的可解释性。然后训练Transformer模型学习不同谐波源的数据特征，实现精准识别。最后基于多标签分类方法进行融合数据的解耦，实现复合谐波源的准确辨识。克服了传统方法基于机理模型识别时可能造成的特征提取不充分及识别精确度不高的难题，此外该模型能够适用于特征更为复杂的其他数据，只需随着复杂度增加，增加Transformer模块以及多头注意力机制的个数，保证对数据潜在特征的充分提取，即可以实现对数据高精度的识别分类，具有极高的泛化能力和稳定性。
-
公开(公告)号：CN110889019A
公开(公告)日：2020-03-17
申请号：CN201911063777.1
申请日：2019-11-04
Applicant: 华北电力大学
IPC: G06F16/904 , G06Q50/06
Abstract: 一种电力负荷的图形化描述新方法，属于电能质量分析方法技术领域。方法包括本发明提供一种电力负荷的图形化描述新方法，该方法设计一种将负荷数据转换为RGB数据的转换方法。利用人们肉眼对于HSV颜色模型中色调的敏感性，以色调变化为基础设计符合人们观测的负荷图像。该负荷图像将对象所有时刻的负荷数据均可以在一张图像中显示，更好的呈现出用户使用负荷的规律。这种新的负荷数据图像描述方法将有助于进行负荷数据缺失补全、用户分类识别、负荷预测等，也有助于将各种最新的深度学习方法在电力系统中应用，对现有的负荷数据可视化是一个重要补充，具有十分重要的现实意义。
-
Patent Agency Ranking
公开(公告)号：CN110334726A
公开(公告)日：2019-10-15
申请号：CN201910331551.9
申请日：2019-04-24
Applicant: 华北电力大学
Abstract: 一种基于密度聚类和LSTM的电力负荷异常数据的识别与修复的方法，属于电能质量分析方法技术领域。本方法采用基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise)和长短期记忆神经网络(Long Short-Term Memory)相结合的方式对异常数据进行识别与修复。该方法首先利用DSCAN算法对数据以天为单位进行密度聚类，得到异常的数据；接着利用长短期记忆神经网络LSTM，将判定为异常的时序数据作为其输入，利用前n个序列数据预测下一个序列数据；最后，将LSTM的预测值作为准确值，设置上下浮动的阈值，若实测值超出阈值范围，则视为异常值，并将LSTM的预测值作为修正值。该方法充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值并修复，具有很好的实际应用价值。
-
公开(公告)号：CN110222098A
公开(公告)日：2019-09-10
申请号：CN201910529150.4
申请日：2019-06-19
Applicant: 华北电力大学
IPC: G06F16/2458 , G06F16/28 , G06K9/62 , G06Q50/06
Abstract: 本发明属于电力大数据异常检测技术领域，公开了一种基于机器学习的流式K-means聚类算法。本方法，首先通过Redis集群进行电力流数据的缓存及处理，然后使用基于最佳距离法的K-means聚类算法从Redis集群中存取数据进行聚类分析。具体为：1)对电力大数据进行预处理，得到有效的训练样本和测试样本；2)使用Redis集群对样本数据进行在线缓存处理；3)使用K-means算法进行数据的存取及聚类分析；4)使用测试样本，对模型的性能进行分析。本发明从数据的安全性、完整性以及流数据聚类算法的低时间复杂度的角度出发，改善了传统流数据聚类算法断电易丢失数据、不能存储全部数据等缺陷，使该算法能够应用于一些对数据敏感的应用。
-
公开(公告)号：CN109635928A
公开(公告)日：2019-04-16
申请号：CN201811489795.1
申请日：2018-12-06
Applicant: 华北电力大学
CPC classification number: G06N3/0454 , G06N3/0472 , G06N3/084 , G06N3/088
Abstract: 一种基于深度学习模型融合的电压暂降原因识别方法，属于电能质量分析方法技术领域。方法包括对电压暂降录波及其暂降原因标签进行数据预处理；搭建卷积神经网络；对卷积神经网络进行有监督预训练；用深度置信网络替换卷积神经网络的全连接层；对深度置信网络进行无监督预训练；添加softmax层；对整个网络进行有监督训练；对生成的模型进行准确率的验证；对融合模型输出的各类别概率进行判断，自动识别输入对应的暂降原因类型。本发明利用历史电压暂降录波及其暂降原因标签对网络进行迭代训练，生成融合后的模型。将监测点可能出现的电压暂降录波输入模型，就可以得到对应的暂降原因类型。本发明对现有的电能质量监测系统是一大补充，具有十分重要的现实意义。
-
公开(公告)号：CN109034054A
公开(公告)日：2018-12-18
申请号：CN201810819148.6
申请日：2018-07-24
Applicant: 华北电力大学
CPC classification number: G06K9/00536 , G06N3/049 , G06N3/088
Abstract: 一种基于深度学习模型的谐波多标签分类方法，属于电能质量分类识别技术领域。该方法采用具有记忆特性的长短期记忆单元（LSTM）网络，对具有时间序列特性的谐波数据进行特征提取操作，再通过全连接层对其提取的特征值进行降维处理，然后将降维过的特征值输入到sigmoid网络层对谐波数据进行分类识别。本发明使得电能质量谐波扰动的相关特征可以通过数据驱动的方式来提取，完全克服了基于时域、频域以及变换域等物理特性的分类识别建模方法，在适应性、算法效率和准确性方面面临的挑战。该方法在克服电能质量扰动多标签分类时常用的标签幂集法缺陷的同时，还具有较高的谐波分类识别准确率。
-
公开(公告)号：CN115293320A
公开(公告)日：2022-11-04
申请号：CN202210317990.6
申请日：2022-03-28
Applicant: 华北电力大学
Abstract: 一种基于数据驱动和生成对抗的电压暂降状态估计方法，属于电力大数据应用实现电网的全息动态感知领域。该方法利用生成对抗网络(generativeadversarialnetwork,GAN)博弈对抗的思想，通过模型自主提取数据特征和时空分布特性，结合节点间的耦合关系、时序数据特征。从而使生成对抗模型学习并模拟节点间的耦合关系，使得模型实现状态估计。本发明完全基于数据驱动，克服了配电网复杂环境下，基于机理的方法建立数学公式模型在适应性、算法效率和准确性多方面的局限性。使用该方法避免了传统状态估计过程中需根据大量电网拓扑图结构数据进行数学公式建模，并改善了传统GAN收敛速度慢、训练不稳定，损失函数波动大等缺陷，具有较高的电压暂降状态估计精度。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.026 seconds)
