-
公开(公告)号：CN115204499B
公开(公告)日：2025-04-25
申请号：CN202210853672.1
申请日：2022-07-11
Applicant: 华北电力大学
IPC: G06F30/27 , G06N3/0464 , G06N3/082 , G06F119/14
Abstract: 本发明公开了属于计算机应用技术领域的基于渐进式集成学习的大粒径粗粒土力学特性预测方法。该方法包括以下步骤：步骤1：采集三轴实验的数据，对各粒径粗粒土数据归类、过滤和补全；步骤2：基于步骤1得到的最大粒径归类的数据集，依次训练得到模型组；步骤3：根据步骤2的模型组，结合待预测的粗粒土特征数据，得到其力学特性的预测结果。本发明方法不仅在对最大粒径较小的粗粒土的力学特性预测上有更好的性能，更能对最大粒径更大的粗粒土的力学特性进行预测，并且结果具有良好的准确性、泛化性。
-
公开(公告)号：CN117909802A
公开(公告)日：2024-04-19
申请号：CN202311535936.X
申请日：2023-11-15
Applicant: 国网湖北省电力有限公司超高压公司 , 许继电气股份有限公司 , 河南许继继保电气自动化有限公司 , 华北电力大学
IPC: G06F18/241 , G06F18/214 , G06F18/25
Abstract: 本发明涉及一种基于深度学习的高压断路器故障诊断方法和装置，属于高压断路器技术领域，本发明通过收集高压断路器工况运行数据和对应的高压断路器状态，作为训练数据；构建联合故障诊断模型，包括第一分类模型、第二分类模型和D‑S证据理论，利用训练数据对联合故障诊断模型进行训练；使用训练后的联合故障诊断模型对待测高压断路器进行故障判别，最后得到故障诊断结果，本发明使用多种数据模型对高压断路器进行诊断，综合多种模型的优点有效的提高了诊断精度。
-
公开(公告)号：CN116861905A
公开(公告)日：2023-10-10
申请号：CN202310595713.6
申请日：2023-05-24
Applicant: 国家电网有限公司 , 国网智能电网研究院有限公司 , 北京中电普华信息技术有限公司 , 华北电力大学
IPC: G06F40/295 , G06F40/211 , G06N3/0464 , G06N3/08 , G06F16/36 , G06F18/23
Abstract: 本发明公开了一种基于深度学习的电力标准实体关系抽取方法及装置。方法包括：(1)数据预处理，数据归类并清洗电力技术标准条款中的脏数据；(2)利用注意力图神经网络筛选依存关系，预测电力技术标准条款的实体关系三元组；(3)构建置信度模型，对抽取出来的三元组进行后处理过滤；(4)采用递进式抽取方法，从抽取出的三元组中构造出关系模板，凭借关系模板在文本中进行匹配从而发现新的关系。本发明综合利用自然语言处理技术和深度学习技术对电力标准进行实体关系抽取，能够更准确、更高效获得电力标准实体关系。
-
公开(公告)号：CN115221783A
公开(公告)日：2022-10-21
申请号：CN202210853309.X
申请日：2022-07-08
Applicant: 华北电力大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 本发明公开了属于计算机应用技术领域的基于序列模型的粗粒土力学特性预测方法。该方法包括步骤1：采集粗粒土实验数据，并根据模型需要记录数据特征，再对数据进行整理和填补，划分出训练集和测试集；步骤2：基于步骤1的数据，训练机器学习模型直至收敛；步骤3：基于步骤2的收敛模型，输入待预测的粗粒土数据，得出预测结果；通过可视化模块展示预测曲线，再设定评价指标来评判最终预测效果。本发明可以对粗粒土的力学特征进行准确预测，并且节省了实验所需的人力、物力、财力；对于采用粗粒土作为主要材料的建筑，得出的结果可作为其安全性参考，有较强的实用性。
-
公开(公告)号：CN115204499A
公开(公告)日：2022-10-18
申请号：CN202210853672.1
申请日：2022-07-11
Applicant: 华北电力大学
IPC: G06Q10/04 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 本发明公开了属于计算机应用技术领域的基于渐进式集成学习的大粒径粗粒土力学特性预测方法。该方法包括以下步骤：步骤1：采集三轴实验的数据，对各粒径粗粒土数据归类、过滤和补全；步骤2：基于步骤1得到的最大粒径归类的数据集，依次训练得到模型组；步骤3：根据步骤2的模型组，结合待预测的粗粒土特征数据，得到其力学特性的预测结果。本发明方法不仅在对最大粒径较小的粗粒土的力学特性预测上有更好的性能，更能对最大粒径更大的粗粒土的力学特性进行预测，并且结果具有良好的准确性、泛化性。
-
Patent Agency Ranking
公开(公告)号：CN114282697A
公开(公告)日：2022-04-05
申请号：CN202011035739.8
申请日：2020-09-27
Applicant: 国网浙江省电力有限公司物资分公司 , 华北电力大学
Inventor： 钱仲文 , 李雪维 , 杨新益 , 牛东晓 , 徐天天 , 袁奕文 , 郑思佳 , 吴波 , 朱海军 , 王明辉 , 严骏 , 沈琦 , 吴薇 , 鄢雯璨 , 金日强 , 韩欣之 , 王伟 , 施海晓 , 孙小江 , 王一杰 , 王克平 , 张莹 , 郭威 , 章迪 , 张欣岩
Abstract: 本发明提供了一种设备类供应商差异化绩效确定方法和系统，包括：基于被评价的供应商提供的主/配网设备采用层次分析法确定所述供应商对应的绩效评价指标体系；基于所述供应商绩效评价指标体系从多个系统中获取所述评价体系中各指标对应的指标值；基于各指标值采用多种绩效分析方法计算所述供应商的综合绩效。本发明采用主观和客观多种评价方法，改善主观性强的问题，使各个方法在指标计算中合理使用。
-
公开(公告)号：CN108280551A
公开(公告)日：2018-07-13
申请号：CN201810106023.9
申请日：2018-02-02
Applicant: 华北电力大学
Abstract: 本发明公开了属于光伏发电功率预测技术领域的一种利用长短期记忆网络的光伏发电功率预测方法。利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；相对于所有的预测方法，本发明将当前时刻的光伏功率变化和以前光伏功率的变化之间建立了联系，实现了时间序列数据的动态建模，能更加充分的反映光伏功率的变化规律，实现更为精确的光伏功率预测。
-
公开(公告)号：CN105929312A
公开(公告)日：2016-09-07
申请号：CN201610284817.5
申请日：2016-04-28
Applicant: 华北电力大学(保定)
CPC classification number: G01R31/1209 , G01S3/8003
Abstract: 一种电气设备局放源测向装置，包括正方形传感器阵列和光学测量系统，所述传感器阵列的每个阵元包括球形外壳、设置于球形外壳中心的正方体重块和六个缠有光纤的弹性柱体，六个弹性柱体平均分为三组，每组的两个弹性柱体同轴，三组弹性柱体的轴线两两垂直且经过球形外壳的中心，其中两组弹性柱体的轴线分别平行于传感器阵列的两条垂直边，每个弹性柱体的一端粘结在正方体重块的一个面上，另一端顶在球形外壳的内壁上，每个弹性柱体上的光纤的一端设有法拉第旋转镜，另一端与光学测量系统连接。本发明采用光纤同振式矢量阵列传感器对局放进行测向，不仅频率响应好、抗电磁干扰能力强、测量精度高，而且具有体积小，适应性强，对设备影响小等优点。
-
公开(公告)号：CN103529365B
公开(公告)日：2016-06-01
申请号：CN201310427664.1
申请日：2013-09-20
Applicant: 华北电力大学(保定)
IPC: G01R31/12
Abstract: 一种电气设备油中局部放电超声直达波识别方法，所述方法首先对测得的电气设备油中局部放电超声信号进行处理，并提取可以区分局放超声直达波与混叠波的特征参量，然后将这特征参量数据作为经仿真数据训练后的BP人工神经网络的输入量，利用BP人工神经网络判断该超声信号是直达波还是混叠波。本发明以局部放电超声信号的峰值因数、分形盒维数和最大李雅普指数作为特征参量，并将它们与BP人工神经网络相结合，实现了局部放电超声直达信号的有效识别，很好地解决了传统方法无法准确判别局放信号是否为直达波的问题，为油中局放的准备定位奠定了基础。
-
公开(公告)号：CN109977527B
公开(公告)日：2021-04-16
申请号：CN201910216462.X
申请日：2019-03-21
Applicant: 华北电力大学
Abstract: 本发明公开了属于电动汽车充电站设置技术领域，特别涉及一种城市公共充电站网络的充电桩配置方法，本方法利用反映用户充电规律的轨迹数据和反映用户出行目的的充电站POI类型数据，基于城市出行环境下人们的出行行为和充电汽车特性，将城市公共充电站建模为一个多通道损失制排队论模型，并在给定运营良好的充电站可接受的最大系统损失概率的条件下，求解了每个充电站在排队论模型下的充电桩数目，并进而求得充电站网络中每个充电站所占的充电桩比例。然后，将给定的充电桩数目按比例分配给了充电站网络中每个充电站。最后，对结果进行了可视化展示，便于实际问题的结果观察；在用户覆盖率和充电桩利用率两个方面都能取得更好的结果。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.039 seconds)
