-
公开(公告)号：CN110111015A
公开(公告)日：2019-08-09
申请号：CN201910395899.4
申请日：2019-05-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于变分模态分解多尺度排列熵的电能质量分析方法，包括：采集电能质量监测点在受到不同类型的扰动时的原始训练数据；采用变分模态分解对其分解得到K个IMF分量；计算每个IMF分量的多尺度排列熵，构建原始训练数据的特征向量；从特征向量中选择R个特征，组成原始训练数据的优化特征向量；以原始训练数据的优化特征向量和相应的扰动类型分别作为输入和输出数据，训练ELM神经网络模型，得到电能质量扰动分类器；对待检测电能质量监测点的电压信号，按上述相同方法获取其优化特征向量，并输入到电能质量扰动分类器中，得到待检测电能质量监测点的扰动类型。本发明方法对电能质量的扰动类型进行实时诊断的效率大大提升。
-
公开(公告)号：CN109767043A
公开(公告)日：2019-05-17
申请号：CN201910043089.2
申请日：2019-01-17
Applicant: 中南大学
Abstract: 本发明公开了一种电力负荷时间序列大数据智能建模与预测方法，对电力负荷时间序列历史数据进行小波分解，将电力负荷时间序列历史数据分解为电力负荷高频时间序列历史数据和低频时间序列历史数据，然后对所有时间序列进行集成化处理，对时间序列进行聚类，对每种聚类类别的时间序列基于Elman神经网络建立负荷预测模型，最后对预测的分解后的电力负荷进行重构，完成对电力负荷时间序列的智能建模，从而实现对不同特征的电力负荷进行高效、智能预测。
-
Patent Agency Ranking
公开(公告)号：CN110346517B
公开(公告)日：2021-06-08
申请号：CN201910676747.1
申请日：2019-07-25
Applicant: 中南大学
Abstract: 本发明公开了一种智慧城市工业大气污染可视化预警方法，包括获取监测点的位置数据信息、监测点空气数据和监测工业区的基础数据信息；提取相对位置信息特征；选取最优的空气质量监测站和最优的工业排放点；构建大气污染物预测模型；构建任意监测点的污染物浓度预测模型并进行修正；对监测工业区的大气污染排放进行可视化预警。本发明还公开了一种实现所述智慧城市工业大气污染可视化预警方法的系统。本发明能够对监测的工业区域内任意一点的实时动态的工业大气污染排放进行实时预测和预警，而且本发明方法的可靠性高，实用性好。
-
公开(公告)号：CN109767043B
公开(公告)日：2020-11-24
申请号：CN201910043089.2
申请日：2019-01-17
Applicant: 中南大学
Abstract: 本发明公开了一种电力负荷时间序列大数据智能建模与预测方法，对电力负荷时间序列历史数据进行小波分解，将电力负荷时间序列历史数据分解为电力负荷高频时间序列历史数据和低频时间序列历史数据，然后对所有时间序列进行集成化处理，对时间序列进行聚类，对每种聚类类别的时间序列基于Elman神经网络建立负荷预测模型，最后对预测的分解后的电力负荷进行重构，完成对电力负荷时间序列的智能建模，从而实现对不同特征的电力负荷进行高效、智能预测。
-
公开(公告)号：CN110109015A
公开(公告)日：2019-08-09
申请号：CN201910471732.1
申请日：2019-05-31
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度学习的异步电动机故障监测与诊断方法，包括以下步骤：获取异步电动机在已知工况类型时的电力负荷时间序列，其时间跨度为Num1个电力负荷周期，且每个样本时刻的电力负荷数据包括电压、电流和功率三个维度的数据；以电压、电流和功率数据分别作为RGB图像中三个图层的像素点灰度值，将每个电力负荷周期的时间序列片段转化为1张RGB图像，每个电力负荷时间序列相应得到一组特征图像时间序列；以异步电动机的特征图像时间序列和相应的工况类型，训练深度神经网络，得到故障诊断模型，从而用于对待测异步电动机进行工况分类。本发明方法的故障诊断正确率高，在节省系统开发时间的同时，也降低了从业人员的门槛。
-
公开(公告)号：CN109884419A
公开(公告)日：2019-06-14
申请号：CN201811600818.1
申请日：2018-12-26
Applicant: 中南大学
Abstract: 本发明公开了一种智慧电网电能质量在线故障诊断方法，包括：实时采集待检测电能质量监测点的电压信号；采用极值点包络的动态测试法获取电压信号的n个电压极值点，以及采用离散小波变换方法获取电压信号的小波能熵有效值、小波能熵均值、小波能熵方差、相角偏移、扰动持续时间、小波能量，组成电压信号的特征向量；然后采用压缩感知原理进行数据的压缩、传输与解压缩；再而在云端服务器对重构的特征向量进行特征值选择，构成预处理特征向量；最后基于ELM神经网络训练得到的电能质量扰动分类器根据预处理特征向量输出扰动类型。本发明能够大大提升电能数据的传输效率，对信号采集器与中继节点的硬件性能要求低，且最终的分类诊断效率高。
-
公开(公告)号：CN109508835A
公开(公告)日：2019-03-22
申请号：CN201910000264.X
申请日：2019-01-01
Applicant: 中南大学
IPC: G06Q10/04 , G06Q10/06 , G06Q50/06 , G06F16/2458 , H02J3/00
Abstract: 本发明公开了一种融合环境反馈的智慧电网短期电力负荷预测方法，根据各用电单位的电力负荷数据变化的本质规律进行聚类分析，将目标预测区域划分区块，针对区块分别建立预测模型组，避免过量相关模型的干扰；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段分别建立预测模型，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。
-
-
-
-
-
-
Search Results
17
records
(took 0.03 seconds)
