-
公开(公告)号：CN113362148A
公开(公告)日：2021-09-07
申请号：CN202110612631.9
申请日：2021-06-02
Abstract: 本发明公开了一种电动汽车及其代理商竞价方法，包含以下步骤：S1：利用K均值聚类算法和四分位数法分别聚类用户出行时间和归类电动汽车初始剩余电量；S2：建立电动汽车用户与代理商竞价交互模型，整合大规模充放电资源；S3：建立代理商与电力调度中心竞价交互模型，电力调度中心以优化电网负荷和电网公司利益最优为目标，降低系统运行成本；S4：提出了基于双层优化的电动汽车代理商竞价算法，将电力市场竞价得出的充放电电价和电量作为外层优化模型，各市场主体之间的利益平衡作为内层优化框架，利用粒子群算法进行外层寻优，遗传算法进行内层寻优，使市场主体相互达成最优竞价。本发明中可以有效实现用户、代理商和电力调度中心的三方经济共赢。
-
公开(公告)号：CN111985692A
公开(公告)日：2020-11-24
申请号：CN202010709440.X
申请日：2020-07-22
Applicant: 河海大学
Abstract: 本发明涉及一种基于CEEMDAN的用电负荷预测方法，首先采用CEEMDAN算法对待研究负荷序列进行分解，运用多种特性分析指标对负荷各分量进行特性分析；接着利用皮尔逊系数求取各负荷模态及其组合与原始气温及气温模态组合的相关性，获得受气温影响较大的负荷分量；最后运用指定各个预测模型对负荷数据进行分类预测；本发明可以大大降低负荷时间序列的模态混叠现象；同时CEEMDAN可以有效提取受气温影响较大的负荷分量，挖掘负荷潜在特性，分析气温负荷变化规律；而且本发明所提组合预测算法可以有效提高负荷预测精确度，有效预测气温负荷对高峰负荷的影响，为电力系统提前制定合理的运行方式提供明确的信号。
-
公开(公告)号：CN111915513A
公开(公告)日：2020-11-10
申请号：CN202010660791.6
申请日：2020-07-10
Applicant: 河海大学
Abstract: 本发明公开了一种基于改进的自适应神经网络的图像去噪方法，首先，收集无噪声的图片和被噪声污染过的图片形成数据集，并对数据集进行预处理；其次，搭建并训练Cycle-GAN网络，并在Cycle-GAN网络后连接U型神经网络,将整体的网络命名为Cycle-GAN-Unet网络；对搭建完成的网络进行训练；将卷积神经网络的损失函数同Cycle-GAN的损失函数相加；最后，将整个训练好网络的输出使用滤波器进行最后的去噪得到去噪的图像。本发明训练数据的图像不需要一一对应的标注，只需要一组无噪图像和一组有噪图像即可，最终训练好的系统就可对新输入的有噪声图像进行降噪输出无噪图像，并且相比于单独的Cycle-GAN网络有更好的降噪能力。
-
公开(公告)号：CN111756041A
公开(公告)日：2020-10-09
申请号：CN202010527835.8
申请日：2020-06-11
Applicant: 河海大学
IPC: H02J3/06
Abstract: 本发明公开了一种基于负载区间划分的变权重加权潮流熵计算方法，该方法首先结合电力网络运行要求设定线路负载极限，并确定潮流熵计算的负载率步长；接着根据线路负载率的概率分布情况将其分割为多个区间；然后基于变权重加权潮流熵对各区间独立计算潮流熵，最后叠加求得系统潮流熵。本发明所述方法包括对变负载区间潮流熵进行放大轻、重载线路对于系统潮流熵的影响，可以有效区分轻、重载线路对于系统的影响，达到准确有效减轻重载线路负载、提升轻载线路负载的网络拓扑优化目的，进而避免电力系统发生网络连锁故障以及线路容量的浪费。
-
公开(公告)号：CN111192206A
公开(公告)日：2020-05-22
申请号：CN201911217831.3
申请日：2019-12-03
Applicant: 河海大学
Abstract: 本发明公开了一种提高图像清晰度的方法，包括如下步骤：利用生成器网络对输入图像进行特征信息的采集，生成器网络根据获取的特征信息生成图像；将生成器网络生成的图像与真实图像分别传入判别器网络，利用判别器网络判断生成的图像是否为真实图像，且提取生成器生成图像和真实图像的特征信息；根据所提取的特征信息，使用Adam算法计算损失函数，不断更新损失函数的参数，直至达到最优参数；完成训练生成清晰图像。本发明能够有效的提高图像清晰度，具备极好的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN111161158A
公开(公告)日：2020-05-15
申请号：CN201911217769.8
申请日：2019-12-03
Applicant: 河海大学
Abstract: 本发明公开了一种基于新生成网络结构的图像修复方法，包括以下步骤：输入完整的三通道图像和此图像对应的的任意缺失图像；对图像进行预处理；部署基于SE-ResNet的生成网络；部署判别网络；将缺失图像送入生成网络得到修复图片；通过修复图片与原始图片，更新生成网络的参数；通过修复图片与原始图片同时送入判别网络以训练判别网络；联合训练生成网络和判别网络，直到遍历整个训练集若干次，训练阶段结束；在测试集中随机挑选缺失图像，经过上述训练完成的生成网络得到修复后的图片。本发明在生成器中加入SE-ResNet结构，显著的减少了参数量，提高了运行速度，减轻了梯度消失现象，加强了网络特征利用，使得修复时间更短，并且修复后的图像更加清晰且逼真。
-
公开(公告)号：CN110942025A
公开(公告)日：2020-03-31
申请号：CN201911172875.9
申请日：2019-11-26
Applicant: 河海大学
Abstract: 本发明公开了一种基于聚类的无监督跨域行人重识别方法，首先，将带标签的源域图片输入到定义的网络架构中进行预训练得到baseline模型；然后，将经过风格转换的无标签目标域图像输入到baseline模型中进行特征提取并定义伪标签，接着使用定义的伪标签来细化上一阶段预训练的模型；最后，加载训练好的行人重识别模型，提取待检索图片和目标域的行人图片特征，从目标域中检索最匹配的行人图片并输出。本发明有效提高行人重识别模型在实际生活中的实用性，提升重识别性能，网络性能好，泛化能力强。
-
公开(公告)号：CN109829377A
公开(公告)日：2019-05-31
申请号：CN201811621891.7
申请日：2018-12-28
Applicant: 河海大学
Abstract: 本发明公开一种基于深度余弦度量学习的行人重识别方法，通过在卷积softmax动态分类器上的一个简单重复参数化来使得余弦相似度达到最佳效果，在测试时，最终的分类层可以从网络中剥离，以方便对使用余弦相似度量的未见个体进行最邻近查询。本发明将分类方法与度量学习方法相结合，通过softmax分类器的再参量化，从而将度量学习目标直接编码到分类任务中。
-
公开(公告)号：CN109800650A
公开(公告)日：2019-05-24
申请号：CN201811569306.3
申请日：2018-12-21
Applicant: 河海大学
Abstract: 本发明公开一种增强和识别交通标志的方法，首先输入交通标志图像，然后对原始图像进行区域裁剪、图像灰度化、尺寸归一化等预处理，突出图像的细节信息，提高图像数据的质量；接着，采用基于灰度梯度直方图的图像对比度自适应增强算法对图像做进一步的处理，改善交通标志收集过程中存在的运动模糊、对比度低等造成图像特征不明显的缺陷，在一定程度上减少噪声和光照等因素的影响，提高数据图像的质量，进而提高系统识别精度；然后使用卷积神经网络提取图像特征信息，进行卷积操作、池化操作、线性修正单元激活函数、局部优化；最后使用改进的LeNet-5网络模型训练图像，输出结果。
-
公开(公告)号：CN109685780A
公开(公告)日：2019-04-26
申请号：CN201811541070.2
申请日：2018-12-17
Applicant: 河海大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06T2207/10024 , G06T2207/20081
Abstract: 本发明公开一种基于卷积神经网络的零售商品识别方法，首先使用一个通用的粗粒度的数据集训练一个定制的yolo3目标检测器，接着输入待检测图像，得到一系列初级语义对象，然后根据一系列规则组合初级语义对象为高级语义对象，最后通过判断需检测的目标的属性与各个高级语义对象的属性间的相似度对比得到所需目标。本发明使得基于通用的粗粒度数据集训练得到的检测器在一定条件下也可用于完成细粒度分类任务；相比于传统方法直接采集目标类别的数据进行训练，本发明可极大地降低数据采集成本和在生产环境下使用的门槛。
-
-
-
-
-
-
-
-
-
Search Results
136
records
(took 0.114 seconds)
