-
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。
-
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：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。
-
公开(公告)号：CN114968991A
公开(公告)日：2022-08-30
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 , G06N3/04 , 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。
-
Patent Agency Ranking
公开(公告)号：CN113011530A
公开(公告)日：2021-06-22
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
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：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：CN111355552B
公开(公告)日：2022-05-17
申请号：CN202010092846.8
申请日：2020-02-14
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) , 国家电网有限公司
IPC: H04J3/06 , H04L43/0852 , H04L43/16 , H04L12/18
Abstract: 本发明涉及一种电能表远程校对技术领域，是一种电能表时钟远程对时管理方法及系统。前者包括以下步骤：主站统计台区内每个电能表的时钟超差；将每个电能表的时钟超差与设定阈值进行比较，筛选出时钟超差超过设定阈值的待校时电能表集合；主站通过集中器定向下发广播校时命令至待校时电能表集合中的每个电能表，完成电能表时钟校时。本发明利用集中器下行通信协议可指定通信目的地址的特点，实现广播校时命令只下发给指定电能表的目标，从而保证在不影响台区内正常电能表时钟的前提下，实现对时钟超差超过设定阈值的电能表时钟进行有效校准管理。
-
公开(公告)号：CN110012007B
公开(公告)日：2021-02-26
申请号：CN201910262909.7
申请日：2019-04-02
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) , 国家电网有限公司
IPC: H04L29/06 , H04L29/08 , H04L9/32 , H04W4/42 , H04W12/02 , B61L27/00 , B61L25/02 , H04W4/02 , H04W4/029
Abstract: 本发明涉及信息安全传输技术领域，是一种基于位置数据加密的环形穿梭车调度方法及调度系统，前者包括S1：采集穿梭车位置数据信息，对位置数据预处理；S2：对穿梭车的位置数据明文进行加密保护；S3：位置信息验证：使用消息认证方法对环形穿梭车接收到的待执行调度任务的位置信息进行验证消息认证；S4：环形穿梭车的调度执行及数据的有效反馈：利用环形穿梭车调度系统进行调度任务的分配和执行操作。本发明通过加密、解密、验证3个过程能够有效地传输环形穿梭车待执行调度任务位置信息，并对新一轮的调度提供安全、有效的位置数据，对篡改或伪造过的位置信息或者错误传输的位置信息进行及时反馈和阻拦，保证调度系统的运行机制。
-
公开(公告)号：CN110334838B
公开(公告)日：2023-06-23
申请号：CN201910290672.3
申请日：2019-04-11
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) , 国家电网有限公司
IPC: G06Q10/047 , G06Q10/083 , G06N3/006 , G06N3/126
Abstract: 本发明涉及一种AGV小车协同调度技术领域，是一种基于蚁群算法和遗传算法的AGV小车协同调度方法及系统，前者包括：S1在二维地图模型上确定每辆AGV小车的起点和终点；S2根据蚁群算法选择每辆AGV小车的最优路径；S3根据遗传算法寻找所有AGV小车的最优调度顺序。本发明在建立地图的条件下，通过蚁群算法求所有AGV小车的最优路径，并将其按照节点划分路段计算时间开销，然后利用遗传算法对多目标进行全局优化，得到耗时较短的AGV小车调度安排策略，保证了所有AGV小车的均衡调度，解决了单一算法不能对同时工作的所有AGV小车进行均衡调度问题。同时采用的蚁群算法和遗传算法的协同调度方法，较以往的单一调度算法而言，时间复杂度相比较低，迭代速度较快。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.086 seconds)
