-
公开(公告)号：CN109146861A
公开(公告)日：2019-01-04
申请号：CN201810880470.X
申请日：2018-08-04
Applicant: 福州大学
CPC classification number: G06T7/0002 , G06K9/4604 , G06K9/4671 , G06T7/30 , G06T7/66 , G06T2207/10004 , G06T2207/20164
Abstract: 本发明涉及一种改进的ORB特征匹配方法，包括以下步骤：步骤S1:采用改进的FAST14‑24方法进行角点的初步提取,得到角点；步骤S2:根据得到的角点，采用Shi‑Tomasi角点检测算法进行特征点优选，得到特征点；步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符。步骤S6:使用汉明距离进行特征匹配。本发明得到的优化的特征描述符相比现有的rBRIEF描述符，具有更好的鲁棒性和更高的精度。
-
公开(公告)号：CN109002915A
公开(公告)日：2018-12-14
申请号：CN201810769372.9
申请日：2018-07-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法，包括：采集光伏电站历史每天的发电功率以及气象站上每天对应时间段的气象参数；对数据进行预处理；利用六项统计指标结合改进Kmeans算法对历史日中第一天到待预测日前一天的样本进行聚类，根据轮廓系数确定类别数；计算每个聚类气象特征值的中心点，判断待预测日所属的类别；确定待预测日的相似日和最佳相似日；确定Elman神经网络参数；得到训练模型；将最佳相似日的参数样本组合以及待预测日的气象参数输入训练模型中对待预测日的发电功率进行预测。本发明能够提高光伏电站在不同季节下的不同天气条件短期功率预测的精度和准确度。
-
公开(公告)号：CN108898636A
公开(公告)日：2018-11-27
申请号：CN201810583687.4
申请日：2018-06-08
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进PSO的相机一维标定方法,对多次相机标定的结果根据聚类算法进行聚类，再对目标类别取均值作为后续PSO优化的初值；接着利用先验信息对得到的初值做调整；最后应用标准PSO对调整后的初值做优化，从而得到较为精准的相机参数。本发明能够更加精准、高效的获取相机精度，从而提升视觉测量的精度。
-
公开(公告)号：CN108875796A
公开(公告)日：2018-11-23
申请号：CN201810525961.2
申请日：2018-05-28
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法。该方法包括：步骤S1：生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；步骤S3：将标准分类矩阵作为训练集，通过支持向量机训练分类模型；步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。本发明可以通过对光伏系统日常运行数据的线性判别分析和分类实现对故障的准确诊断。
-
公开(公告)号：CN107918777A
公开(公告)日：2018-04-17
申请号：CN201711194191.X
申请日：2017-11-24
Applicant: 福州大学
CPC classification number: G06K9/4671 , G06K9/6201
Abstract: 本发明公开了一种筛除图像不稳定特征点的方法，包括步骤1）提取待匹配图像的特征点；2）计算所有特征点的M×M邻域熵HM及N×N邻域熵HN；3）计算特征点的邻域差熵绝对值；4）如果差熵绝对值小于预设的阈值，则判定为不稳定特征点，否则认为是稳定特征点参与图像匹配。本发明可大幅地提高特征点匹配的实时性、匹配率及正确匹配率。
-
Patent Agency Ranking
公开(公告)号：CN106485075A
公开(公告)日：2017-03-08
申请号：CN201610889682.5
申请日：2016-10-12
Applicant: 福州大学
IPC: G06F19/00
Abstract: 本发明涉及一种基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其包括以下步骤：步骤S1：采用光伏IV曲线测试仪器获取光伏模型进行IV特性曲线,根据光伏阵列的串联和并联太阳能电池的数量,设置光伏模型参数的范围；步骤S2：采用蜂群智能优化算法对光伏模型参数的进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量；步骤S3：采用多个Nelder-Mead单纯形在步骤S2中的一组最优的光伏模型参数向量附件进行进一步的粗略局部搜索；步骤S4：采用单个自适应Nelder-Mead单纯形对步骤S3中的最优的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量。本发明的技术方案能够显著提高光伏模型参数辨识的精度、速度和可靠性。
-
公开(公告)号：CN105811881A
公开(公告)日：2016-07-27
申请号：CN201610364749.3
申请日：2016-05-27
Applicant: 福州大学
IPC: H02S50/10
CPC classification number: H02S50/10
Abstract: 本发明涉及一种在线的光伏阵列故障诊断系统实现方法，首先，通过逆变器实现对光伏阵列故障诊断模型的输入变量进行采样；其次，将输入变量通过通信电路，送到上位机软件；再次，上位机软件实现输入变量的处理，将结果输入到故障诊断模型中；最后，将故障诊断模型的输出结果在上位机的界面中显示。本发明能够令传统的光伏并网逆变器具有在线光伏阵列故障诊断的功能。
-
公开(公告)号：CN119647548B
公开(公告)日：2025-05-09
申请号：CN202510183747.3
申请日：2025-02-19
Applicant: 福州大学
Abstract: 本发明公开了一种基于改进ESOA‑GA的光伏电站功率短期预测方法，涉及光伏电站技术领域，利用ESOA算法随机生成初始种群，并结合特征提取后的数据集分析个体预测精度获取初始适应度，在此基础上，围绕个体当前位置展开局部搜索，通过计算伪梯度估计值对个体进行更新，这一过程能够深度挖掘局部区域内的最优解。经过多轮迭代，可有效提升个体质量，初步优化各个体，为后续的遗传算法提供优质的初始种群。在ESOA初步优化个体的基础上，引入遗传算法。GA模拟自然选择过程，计算选择概率筛选待优化个体，通过交叉操作生成混合个体，这种方式能在更广泛的解空间中搜索，避免陷入局部最优解。
-
公开(公告)号：CN117411435A
公开(公告)日：2024-01-16
申请号：CN202311462767.1
申请日：2023-11-06
Applicant: 福州大学
IPC: H02S50/10 , G06F18/214 , G06F18/24 , G06N3/0464
Abstract: 本发明涉及一种基于1D VoVNet‑SVDD的光伏阵列开集复合故障诊断方法。由于光伏阵列常年暴露在室外，因此很容易出现各种故障。遮光条件、退化或灰尘覆盖会使故障信号更加复杂，形成复合故障。由于复杂的工作环境，在实际工作条件下可能会出现从未见过的未知故障类型。因此，准确诊断各种已知类型的单一故障和复合故障（闭集故障），以及识别未知故障（即开集故障诊断），对于提高运行和维护效率至关重要。本方法提出了一种基于一维VoVNet‑SVDD的光伏阵列开集故障诊断模型。故障特征由1D VoVNet网络自动提取，然后用于SVDD分类算法以构建模型。所提出的故障诊断方法不仅可以准确诊断出已知的单一故障和复合故障类型，而且还能识别未知类型的故障。
-
公开(公告)号：CN114867165B
公开(公告)日：2023-05-12
申请号：CN202210682896.0
申请日：2022-06-15
Applicant: 福州大学 , 福州福大自动化科技有限公司
IPC: H05B47/105 , H05B47/11 , H05B47/17 , H05B45/10 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于长短期记忆神经网络的智慧路灯控制方法。从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；对每个样本信号进行归一化处理；调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为模型的输入特征，能见度作为模型的输出，构建能见度检测算法模型；结合能见度检测算法模型所得的能见度情况与当前的照度情况构建路灯控制策略；根据所构建的路灯控制策略，在高能见度时，采用普通亮度与高色温照明模式，节约能源；在低能见度时输出更高的亮度与更低的色温，增强路灯透雾能力。本发明能够实现不同能见度下的路灯自适应调光。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.021 seconds)
