-
公开(公告)号：CN119149984B
公开(公告)日：2025-01-28
申请号：CN202411640332.6
申请日：2024-11-18
Applicant: 湖南科技大学
IPC: G06F18/2113 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于特征选择和多尺度残差网络的匝间短路故障诊断方法，属于电机故障诊断领域，包括以下步骤：收集永磁同步电机内部绝缘故障中匝间短路故障条件下的永磁同步电机的电流信号，对电流信号进行预处理，得到训练集和测试集；构建永磁同步电机匝间短路故障诊断模型，采用训练集对永磁同步电机匝间短路故障诊断模型训练后，保留永磁同步电机匝间短路故障诊断模型的最优结构；将测试集放入训练好的永磁同步电机匝间短路故障诊断模型中进行特征学习，然后再输入Softmax分类器中进行故障诊断。本发明可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN118472943B
公开(公告)日：2024-09-24
申请号：CN202410916897.6
申请日：2024-07-10
Applicant: 湖南科技大学
IPC: H02J3/00 , H02J3/38 , G06F18/25 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于多特征融合周期增强的短期风电功率预测方法，属于风电功率预测领域，包括以下步骤：实验对象选定；构建多特征输入集，并对多特征输入集的数据进行预处理；构建TCN周期性信息嵌入层；开发多尺度特征深度融合模块；构建周期性增强Informer模型并进行训练；模型预测效果评估。本发明通过建立与风电功率高度相关的多特征输入集，提高了预测模型的性能，降低了模型内存消耗；通过建立TCN周期性信息嵌入层并发送给Informer进行预测，有效地提取风力发电的周期性特征和趋势；本发明不仅具备较高的准确性和可靠性，而且能够适应风电功率数据的复杂性和多变性，为风电场运营管理提供有价值的决策支持。
-
公开(公告)号：CN119222099B
公开(公告)日：2025-02-11
申请号：CN202411774517.6
申请日：2024-12-05
Applicant: 湖南科技大学
IPC: F03D7/00 , F03D7/04 , F03D7/02 , G06F18/213 , G06F123/02
Abstract: 本发明公开了一种嵌入线性处理预测控制的风电机组独立变桨控制方法，属于风电领域，包括以下步骤：建立大型风电机组的数学模型；建立线性处理器的数学模型；建立模型预测控制器的数学模型；基于建立的模型预测控制器，将桨距角信号作为模型预测控制器的输入，进行风电机组独立变桨控制。本发明通过线性处理器在一个通信周期内将变桨信号离散成多个信号输出，减少信号频次与幅值波动，结合模型预测控制在多输入多输出系统方面的优越性，从而降低驱动机构疲劳损耗、提升叶片降载效果，适用于高精度控制和参数变化的系统。
-
Patent Agency Ranking
公开(公告)号：CN119222099A
公开(公告)日：2024-12-31
申请号：CN202411774517.6
申请日：2024-12-05
Applicant: 湖南科技大学
IPC: F03D7/00 , F03D7/04 , F03D7/02 , G06F18/213 , G06F123/02
Abstract: 本发明公开了一种嵌入线性处理预测控制的风电机组独立变桨控制方法，属于风电领域，包括以下步骤：建立大型风电机组的数学模型；建立线性处理器的数学模型；建立模型预测控制器的数学模型；基于建立的模型预测控制器，将桨距角信号作为模型预测控制器的输入，进行风电机组独立变桨控制。本发明通过线性处理器在一个通信周期内将变桨信号离散成多个信号输出，减少信号频次与幅值波动，结合模型预测控制在多输入多输出系统方面的优越性，从而降低驱动机构疲劳损耗、提升叶片降载效果，适用于高精度控制和参数变化的系统。
-
公开(公告)号：CN118378167A
公开(公告)日：2024-07-23
申请号：CN202410817539.X
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/2136 , G06F18/214 , G06F18/15 , G06N3/047 , G06N3/0455 , G06N3/0495 , G06N3/088 , G01M13/02 , G01R31/34 , G01R19/00
Abstract: 本发明公开了一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，属于旋转部件故障诊断领域，包括以下步骤：数据采集和预处理；构建零序电流稀疏特征学习的旋转机械故障诊断模型；将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果。本发明提出的使用零序电流进行旋转机械故障诊断的相关熵增强稀疏学习方法，可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN119149984A
公开(公告)日：2024-12-17
申请号：CN202411640332.6
申请日：2024-11-18
Applicant: 湖南科技大学
IPC: G06F18/2113 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于特征选择和多尺度残差网络的匝间短路故障诊断方法，属于电机故障诊断领域，包括以下步骤：收集永磁同步电机内部绝缘故障中匝间短路故障条件下的永磁同步电机的电流信号，对电流信号进行预处理，得到训练集和测试集；构建永磁同步电机匝间短路故障诊断模型，采用训练集对永磁同步电机匝间短路故障诊断模型训练后，保留永磁同步电机匝间短路故障诊断模型的最优结构；将测试集放入训练好的永磁同步电机匝间短路故障诊断模型中进行特征学习，然后再输入Softmax分类器中进行故障诊断。本发明可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN118378167B
公开(公告)日：2024-09-13
申请号：CN202410817539.X
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/2136 , G06F18/214 , G06F18/15 , G06N3/047 , G06N3/0455 , G06N3/0495 , G06N3/088 , G01M13/02 , G01R31/34 , G01R19/00
Abstract: 本发明公开了一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，属于旋转部件故障诊断领域，包括以下步骤：数据采集和预处理；构建零序电流稀疏特征学习的旋转机械故障诊断模型；将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果。本发明提出的使用零序电流进行旋转机械故障诊断的相关熵增强稀疏学习方法，可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN118472943A
公开(公告)日：2024-08-09
申请号：CN202410916897.6
申请日：2024-07-10
Applicant: 湖南科技大学
IPC: H02J3/00 , H02J3/38 , G06F18/25 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于多特征融合周期增强的短期风电功率预测方法，属于风电功率预测领域，包括以下步骤：实验对象选定；构建多特征输入集，并对多特征输入集的数据进行预处理；构建TCN周期性信息嵌入层；开发多尺度特征深度融合模块；构建周期性增强Informer模型并进行训练；模型预测效果评估。本发明通过建立与风电功率高度相关的多特征输入集，提高了预测模型的性能，降低了模型内存消耗；通过建立TCN周期性信息嵌入层并发送给Informer进行预测，有效地提取风力发电的周期性特征和趋势；本发明不仅具备较高的准确性和可靠性，而且能够适应风电功率数据的复杂性和多变性，为风电场运营管理提供有价值的决策支持。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
