-
公开(公告)号：CN114219118A
公开(公告)日：2022-03-22
申请号：CN202111229317.9
申请日：2021-10-21
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
Abstract: 本发明涉及一种D‑S证据理论的智能电表寿命预测方法及系统，其方法包括：步骤S1：对智能电表的样本集进行归一化处理，得到归一化智能电表样本集；步骤S2：定义智能电表的寿命区间范围；步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；步骤S4：将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；步骤S5：利用D‑S证据理论，对两个网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。本发明公开的方法对智能电表数据进行归一化处理，简化数据处理流程；引入D‑S证据理论对两种网络模型输出结果进行融合，使得预测结果更为准确。
-
公开(公告)号：CN111324790A
公开(公告)日：2020-06-23
申请号：CN202010110937.X
申请日：2020-02-20
Applicant: 国网新疆电力有限公司电力科学研究院 , 大连理工大学
IPC: G06F16/906 , G06K9/62 , G06Q50/06
Abstract: 一种基于支持向量机分类的负荷类型识别方法，分析工业、农业、商业及市政居民用户的用电行为习惯特点，基于用电信息采集系统采集的用户用电数据，获得工业、农业、商业及市政居民用户四种典型负荷类型的日负荷以及年负荷用电量数据，构建多维负荷特征分类指标；依据“一对多”策略建立数据的多个向量机分类器；寻找负荷数据中的最大值元素与最小值元素，将处于多种数量级的不同类型负荷的数据进行离差标准化处理；将获取的用电数据划分训练组与实验组，训练组用于支持向量机分类器的训练，实验组用于分类识别其负荷类型；将训练组输入支持向量机分类器中进行训练；将实验组数据输入到支持向量机分类器中，获得每个实验组的负荷类型识别结果。
-
公开(公告)号：CN108791738A
公开(公告)日：2018-11-13
申请号：CN201810554792.5
申请日：2018-05-21
Applicant: 大连理工大学
CPC classification number: B63B35/44 , B63B21/50 , B63B27/02 , B63B27/10 , B63B2021/505 , B63B2035/446 , F03D13/25
Abstract: 一种大型海上风机整体浮托安装方法属于海洋工程结构领域，适用于风电领域的浮托安装，基于T型码头和H型双体安装驳船实现。T型码头为在传统码头基础上搭建一个外伸装置，外伸装置尽头设码头圆形基座；H型双体安装驳船包括两个驳船和固定在两个驳船中部风机支撑框架，两个风机支撑框架底部相连。本发明能够在陆地专用码头对风机进行整体组装后，通过新型专用浮托船进行整体运输安装，实用且安装方便，能够适用于吃水充裕或水深较浅、浮力有限的地方。由于采用新型双船体结构，解决风机安装运输过程中风机重心高，稳性差的问题，提高运输过程的安全性；同时该方法免除海上风机安装过程中对于大型海上起吊设备的需求，降低安装成本。
-
公开(公告)号：CN108639252A
公开(公告)日：2018-10-12
申请号：CN201810533201.6
申请日：2018-05-21
Applicant: 大连理工大学
Abstract: 本发明属于海洋工程结构领域，提供一种大型海上风机的码头整体浮托装船方法。适用于大型海上风机从码头基础向浮托驳船的转移，该方法基于T型码头和浮托驳船实现。T型码头为在传统码头基础上搭建一个外伸装置，外伸装置尽头设有码头圆形基座；所述的浮托驳船上设有支撑基础结构，支撑基础结构上设有DSU结构；所述的风机底部设置导向插尖，下部设置楔形卡位结构。风机在陆地专用的T型码头进行整体安装、调试后，从码头向浮托驳船转移。本发明实用且安装方便，能够在保证风机稳性的前提下，实现陆地上整体安装、整体装船、整体运输。同时该方法免除了海上风机陆地安装过程中对于大型起吊设备的需求，降低成本，提高大型海上风电的安装效率。
-
公开(公告)号：CN113359037A
公开(公告)日：2021-09-07
申请号：CN202110652603.X
申请日：2021-06-11
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
IPC: G01R31/367 , G01R31/378 , G06N3/04 , G06N3/08
Abstract: 一种基于BP神经网络的燃料电池故障诊断方法，首先对传感器采集的数据进行归一化处理，使其分布在[0,1]区间内；考虑到故障数据并不一定服从正态分布，引入Box‑Cox变换对数据进行正态化处理，采用线性判别分析对正态化数据进行特征提取以筛选故障特征，实现对故障数据的降维；将经过提取后的特征向量作为BP神经网络的输入层变量，燃料电池的故障类型作为输出层变量，引入“试探法”确定隐含层的最佳节点数，得到以故障类型为输出变量的诊断结果。
-
Patent Agency Ranking
公开(公告)号：CN108791738B
公开(公告)日：2019-06-25
申请号：CN201810554792.5
申请日：2018-05-21
Applicant: 大连理工大学
Abstract: 一种大型海上风机整体浮托安装方法属于海洋工程结构领域，适用于风电领域的浮托安装，基于T型码头和H型双体安装驳船实现。T型码头为在传统码头基础上搭建一个外伸装置，外伸装置尽头设码头圆形基座；H型双体安装驳船包括两个驳船和固定在两个驳船中部风机支撑框架，两个风机支撑框架底部相连。本发明能够在陆地专用码头对风机进行整体组装后，通过新型专用浮托船进行整体运输安装，实用且安装方便，能够适用于吃水充裕或水深较浅、浮力有限的地方。由于采用新型双船体结构，解决风机安装运输过程中风机重心高，稳性差的问题，提高运输过程的安全性；同时该方法免除海上风机安装过程中对于大型海上起吊设备的需求，降低安装成本。
-
公开(公告)号：CN113011530B
公开(公告)日：2023-04-07
申请号：CN202110472639.X
申请日：2021-04-29
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
IPC: G06F18/2411 , G06N3/04 , G06N3/084 , G06Q10/04 , G06Q50/06 , G06F18/241
Abstract: 一种基于多分类器融合的智能电表故障预测方法，针对智能电表故障数据规模大、维度高、结构复杂、存在错误及异常数据的特点，采用正态分布补全及箱型图方法，对原始数据集进行缺失值填补及异常值替换；通过计算特征属性与故障类型之间的相关系数，消除冗余及不相关特征，形成特征子集；构建对少数样本过采样、对多数样本进行欠采样的混合采样策略，解决故障数据不平衡问题。计算支持向量机(SVM)、BP神经网络及随机森林算法处理智能电表故障数据的准确率，构建表征各分类器性能的混淆矩阵；考虑各分类器针对不同故障类型的识别能力，为各分类器分配权重，进而构建多分类器决策函数，取权重和最大的类别作为样本的故障预测结果。
-
公开(公告)号：CN108639252B
公开(公告)日：2019-08-09
申请号：CN201810533201.6
申请日：2018-05-21
Applicant: 大连理工大学
Abstract: 本发明属于海洋工程结构领域，提供一种大型海上风机的码头整体浮托装船方法。适用于大型海上风机从码头基础向浮托驳船的转移，该方法基于T型码头和浮托驳船实现。T型码头为在传统码头基础上搭建一个外伸装置，外伸装置尽头设有码头圆形基座；所述的浮托驳船上设有支撑基础结构，支撑基础结构上设有DSU结构；所述的风机底部设置导向插尖，下部设置楔形卡位结构。风机在陆地专用的T型码头进行整体安装、调试后，从码头向浮托驳船转移。本发明实用且安装方便，能够在保证风机稳性的前提下，实现陆地上整体安装、整体装船、整体运输。同时该方法免除了海上风机陆地安装过程中对于大型起吊设备的需求，降低成本，提高大型海上风电的安装效率。
-
公开(公告)号：CN114968991B
公开(公告)日：2024-11-26
申请号：CN202210391251.1
申请日：2022-04-14
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 大连理工大学
IPC: G06F16/215 , G06F17/18 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明涉及一种基于变点分组‑二步分位数与DCNN结合的风电数据恢复方法，根据异常数据的不同成因对数据形态进行划分；采集某风电场电表数据的风速‑功率数据样本构成集合；利用变点分组法进行数据清洗，剔除底部堆积型异常数据、中部堆积型异常数据和部分曲线周围分散型异常数据；利用二步分位数算法识别曲线上部堆积型异常数据和剩余的曲线周围分散型异常数据，将异常数据删除得到正常数据集；使用DCNN进行曲线优化，将部分时间点数据缺失的风速‑功率数据构成的曲线进行重构，得到无数据缺失的时间点的风机风速‑功率数据。本发明提升了恢复后风速‑功率数据构成曲线的准确性，保证后续研究数据分析的精度与模型建立的准度。
-
公开(公告)号：CN114219118B
公开(公告)日：2024-11-22
申请号：CN202111229317.9
申请日：2021-10-21
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
IPC: G06F18/20 , G06F18/15 , G06F18/25 , G06F18/2132 , G06N3/0442 , G06N3/0464
Abstract: 本发明涉及一种D‑S证据理论的智能电表寿命预测方法及系统，其方法包括：步骤S1：对智能电表的样本集进行归一化处理，得到归一化智能电表样本集；步骤S2：定义智能电表的寿命区间范围；步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；步骤S4：将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；步骤S5：利用D‑S证据理论，对两个网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。本发明公开的方法对智能电表数据进行归一化处理，简化数据处理流程；引入D‑S证据理论对两种网络模型输出结果进行融合，使得预测结果更为准确。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.024 seconds)
