CN107491832A - 基于混沌理论的电能质量稳态指标预测方法 - Google Patents
基于混沌理论的电能质量稳态指标预测方法 Download PDFInfo
- Publication number
- CN107491832A CN107491832A CN201710566280.6A CN201710566280A CN107491832A CN 107491832 A CN107491832 A CN 107491832A CN 201710566280 A CN201710566280 A CN 201710566280A CN 107491832 A CN107491832 A CN 107491832A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 210000000299 nuclear matrix Anatomy 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种基于混沌理论的电能质量稳态指标预测方法,首先电能质量稳态指标数据的采集;对采集到的电能质量稳态指标历史监测数据进行预处理,包括去噪和缺失值处理,并对数据作归一化之后,将处理后的数据保存到数据库中;根据混沌理论,对已处理好的电能质量稳态指标时间数据,采用C‑C法求解最优时延τ d和最佳嵌入维数m d ,进行相空间重构,得到一组新的多维数据空间;基于最小二乘支持向量机模型对重构后的数据空间进行训练,得到最优预测模型;利用已训练好的最小二乘支持向量机模型进行电能质量稳态指标的预测,得到预测输出。解决现有的电能质量稳态指标预测精度不高等问题。
Description
技术领域
本发明涉及一种电能质量监控与预测技术,特别涉及一种基于混沌理论的电能质量稳态指标预测方法。
背景技术
电能质量不仅影响电网的安全、稳定与经济运行,而且其质量的好坏直接影响着用户侧用电设备的正常工作。
稳态电能质量问题包括电压偏差、频率偏差、三相不平衡、谐波、电压波动与闪变等问题。电压偏差会明显影响电网的稳定运行,电压偏高会使绝缘设备损坏,电压偏低则会造成电动机转速降低而严重影响产品质量等;频率偏低将引发因不断增强的振动而导致汽轮机叶片产生严重裂纹时的断落等重大事故;三相不平衡则会增加电能损耗、降低电动机效率、影响用电设备的安全运行等;谐波会造成电力***元件产生附加损耗、过热和过载等危害;而电压波动与闪变会致使电子设备、计算机***、自动化控制生产线以及照明工具等工作异常甚至被损坏,给人们正常的生产和生活带来了严重影响。
深入挖掘电能质量监测数据,对特定区域进行电能质量预测,可全面了解监测点的电能质量情况,有利于掌握区域电网电能质量水平走向,及时发现潜在的电能质量问题,从而为电能质量问题的治理做出正确决策提供可靠依据和保证。
目前,有关电能质量稳态指标的预测方法主要有神经网络、关联规则、随机时间序列、灰色模型等。由于影响电能质量稳态指标变化的因素众多,各指标均受多种因素的影响,现有的预测算法普遍存在预测复杂度高、精度较低等问题,给电能质量预警及决策等造成较大困扰。
发明内容
本发明是针对现有电能质量稳态指标的预测算法普遍存在预测复杂度高、精度较低的问题,提出了一种基于混沌理论的电能质量稳态指标预测方法,解决现有的电能质量稳态指标预测精度不高等问题。
本发明的技术方案为:一种基于混沌理论的电能质量稳态指标预测方法,具体包括如下步骤:
1)电能质量稳态指标数据的采集:结合电能质量国家标准,选取电能质量稳态指标:电压偏差、电压总谐波畸变率、频率偏差、三相电压不平衡、电压闪变作为数据采集对象;至少连续12个月每天对公共连接点的各电能质量稳态指标进行监测数据采集,并将各稳态指标监测数据按照监测日分类依次存入数据库;
2)对步骤1)中采集到的电能质量稳态指标历史监测数据进行预处理,包括去噪和缺失值处理,并对数据作归一化之后,将处理后的数据保存到数据库中;
3)根据混沌理论,对所述步骤2)中已处理好的电能质量稳态指标时间数据,采用C-C法求解最优时延τd和最佳嵌入维数md,进行相空间重构,得到一组新的多维数据空间;
4)基于最小二乘支持向量机模型对所述步骤3)中重构后的数据空间进行训练,得到最优预测模型;
5)利用所述步骤4)中已训练好的最小二乘支持向量机模型进行电能质量稳态指标的预测,得到预测输出,并将输出结果保存到数据库中,其中预测输入样本为所述步骤3)中进行相空间重构中数据。
所述步骤3)具体实现步骤为:
31)取所述步骤2)中已预处理的电能质量稳态指标时间序列x={xi|i=1,2,…,N},按下式进行相空间重构,构造新的数据空间:
其中τ为时延,m为嵌入维数,M=N-(m-1)τ为相空间的点数,N表示时间序列的长度,T表示矩阵的转置,X1 T=[x1,x1+τ,…,x1+(m-1)τ]为相空间的相点。
32)采用C-C法求解最优时延τd和最佳嵌入维数md:
取所述步骤31)数据空间X={Xi T|i=1,2,…,M}中任意两个两个相点Xi T和Xj T,定义关联积分:
式中:r为邻域半径的大小;θ(x)为Heaviside函数,其中:
关联维数为:
其中:
将时间序列x={xi|i=1,2,…,N}分解成t个不相交的时间序列,对于一般的自然数t有:
{x1,xt+1,x2t+1,...}
{x2,xt+2,x2t+2,...}
......
{xt,x2t,x3t,...}
定义检验统计量:
令N→∞有:
取S(m,N,r,t)的零点值,且对于相差最小量的间隔对应的半径r判为最大间隔,定义局部间隔对应量的最大半径r是max[S(m,N,r,t)],最小半径r是min[S(m,N,r,t)],定义最大最小两者差值为△S(m,t),则:
ΔS(m,t)=max[S1(m,N,ri,t)]-min[S1(m,N,rj,t)],i≠j
由基本统计学原理可知,当m取值为2、3、4、5,r取值大于σ/2且小于2σ时(σ为时间序列的标准差),得到如下方程:
这里,表示16个统计量S(m,N,rj,t)的平均值;寻找的第一个零点或的第一个局部极小点即为最优时延τd;寻找Scor(t)的全局最小点即可获得嵌入窗τw,根据嵌入窗公式τw=(md-1)τd,求得最佳嵌入维md。
所述步骤4)具体实现步骤为:
41)从所述步骤3)中得到的新的多维数据空间选取训练样本,用于最小二乘支持向量机模型的训练;
42)最小二乘支持向量机模型通过非线性映射函数将所述步骤41)中的训练样本映射到高维特征空间,并在高维空间进行线性回归,实现式中ωT为权值向量,b为偏差,是两个待训练的参数;
所述步骤42)中最小二乘支持向量机模型的具体描述为:
设待回归***的样本输入、输出数据集为{xk,yk},(k=1,2,…,N),其中xk是n维***输入向量,yk为***输出向量,yk=f(xk),最小二乘支持向量机模型可表示为:
其中ωT为权值向量,b为偏差,为映射函数;
在最小二乘支持向量机中,采用最小二乘线性***作为损失函数来求解决策函数的参量ω和b,其优化问题为:
其中J为优化函数,e为回归误差,C为正规化参数,ξi为松弛变量;
求解此优化问题,引入Lagrange函数:
其中αi为Lagrange乘子,由KKT条件可得到如下关系式:
关系式的求解可化为:
其中Q是元素Kij的k*k阶核矩阵,I为单位矩阵,向量e=[1,…,1]T,向量α=[α1,…,αk]T,向量y=[y1,…,yk]T;
定义Qn=Q+I/C,这样就可以得到α和b的表达式:
引入高斯核函数K(xi,xj)=exp(-||xi,xj||2/2σ2),最终得到最小二乘支持向量机的回归模型为:
本发明的有益效果在于:本发明基于混沌理论的电能质量稳态指标预测方法,不直接考虑影响电能质量稳态指标变化的众多相关因素,而是从指标监测数据本身出发,降低了预测复杂度和计算成本,提高了预测精度。
附图说明
图1为本发明基于混沌理论的电能质量稳态指标预测方法流程图。
具体实施方式
如图1所示基于混沌理论的电能质量稳态指标预测方法流程图,具体技术方案如下:
1)电能质量稳态指标数据的采集,具体流程为:
11)结合电能质量国家标准,选取电能质量稳态指标:电压偏差、电压总谐波畸变率、频率偏差、三相电压不平衡、电压闪变作为数据采集对象;
我国电能质量国家标准包括:
GB/T 12325-2008《电能质量供电电压偏差》
GB/T 14549-1993《电能质量公用电网谐波》
GB/T 15543-2008《电能质量三相电压不平衡》
GB/T 15945-2008《电能质量电力***频率偏差》
GB/T 12326-2008《电能质量电压波动和闪变》
GB/T 18481-2001《电能质量暂时过电压和瞬态过电压》
GB/T 24337-2009《电能质量公用电网间谐波》
GB/T 30137-2013《电能质量电压暂降与短时中断》
12)至少连续12个月每天对公共连接点的各电能质量稳态指标进行监测数据采集,并将各稳态指标监测数据按照监测日分类依次存入数据库。
2)对步骤1)中采集到的电能质量稳态指标历史监测数据进行预处理,包括去噪和缺失值处理,并对数据作归一化之后,将处理后的数据保存到数据库中。具体流程为:
21)针对原始电能质量稳态指标监测数据中存在的异常数据,可通过聚类检测离群点来去除错误数据;
22)针对原始电能质量稳态指标监测数据中存在的缺失值,可考虑数据清洗技术加以解决,如采用灰色关联法或使用监测的指标数据均值填充缺失值;
23)为消除指标之间的量纲影响,将经过步骤21)和22)处理后的原始数据做归一化处理,使得各指标处于同一量级。考虑采用min-max进行归一化处理,表达式如下:
其中max为样本数据的最大值,min为样本数据的最小值,X是原始数据,X*是归一化后数据。
3)根据混沌理论,对所述步骤2)中已处理好的电能质量稳态指标数据进行相空间重构,得到一组新的多维数据空间。具体流程为:
31)取所述步骤2)中已预处理的电能质量稳态指标时间序列x={xi|i=1,2,…,N},按下式进行相空间重构,构造新的数据空间:
其中τ为时延,m为嵌入维数,M=N-(m-1)τ为相空间的点数,N表示时间序列的长度,T表示矩阵的转置,X1 T=[x1,x1+τ,…,x1+(m-1)τ]为相空间的相点。
32)采用C-C法求解最优时延τd和最佳嵌入维数md。
所述步骤32)中C-C法求解最优时延τd和最佳嵌入维数md的具体方法为:取所述步骤31)数据空间X={XiT|i=1,2,…,M}中任意两个两个相点XiT和Xj T,定义关联积分:
式中:r为邻域半径的大小;θ(x)为Heaviside函数,其中:
关联维数为:
其中:
将时间序列x={xi|i=1,2,…,N}分解成t个不相交的时间序列,对于一般的自然数t有:
定义检验统计量:
令N→∞有:
取S(m,N,r,t)的零点值,且对于相差最小量的间隔对应的半径r判为最大间隔。定义局部间隔对应量的最大半径r是max[S(m,N,r,t)],最小半径r是min[S(m,N,r,t)],定义最大最小两者差值为△S(m,t),则:
ΔS(m,t)=max[S1(m,N,ri,t)]-min[S1(m,N,rj,t)],i≠j (9)
由基本统计学原理可知,当m取值为2、3、4、5,r取值大于σ/2且小于2σ时(σ为时间序列的标准差),得到如下方程:
这里,表示16个统计量S(m,N,rj,t)的平均值;寻找的第一个零点或的第一个局部极小点即为最优时延τd;寻找Scor(t)的全局最小点即可获得嵌入窗τw,根据嵌入窗公式τw=(md-1)τd,求得最佳嵌入维md。
4)基于最小二乘支持向量机模型对所述步骤3)中重构后的数据空间进行训练,得到最优预测模型。具体流程为:
41)从所述步骤3)中得到的新的多维数据空间选取训练样本,用于最小二乘支持向量机模型的训练;
42)最小二乘支持向量机模型通过非线性映射函数将所述步骤41)中的训练样本映射到高维特征空间,并在高维空间进行线性回归,实现 式中ωT为权值向量,b为偏差,是两个待训练的参数;
所述步骤42)中最小二乘支持向量机模型的具体描述为:
设待回归***的样本输入、输出数据集为{xk,yk},(k=1,2,…,N),其中xk是n维***输入向量,yk为***输出向量,yk=f(xk),最小二乘支持向量机模型可表示为:
其中ωT为权值向量,b为偏差,为映射函数。
在最小二乘支持向量机中,采用最小二乘线性***作为损失函数来求解决策函数的参量ω和b,其优化问题为:
其中J为优化函数,e为回归误差,C为正规化参数,ξi为松弛变量,求解此优化问题,引入Lagrange函数:
其中αi为Lagrange乘子,由KKT条件可得到如下关系式:
关系式的求解可化为:
其中Q是元素Kij的k*k阶核矩阵,I为单位矩阵,向量e=[1,…,1]T,向量α=[α1,…,αk]T,向量y=[y1,…,yk]T。
定义Qn=Q+I/C,这样就可以得到α和b的表达式:
引入高斯核函数K(xi,xj)=exp(-||xi,xj||2/2σ2),最终得到最小二乘支持向量机的回归模型为:
5)利用所述步骤4)中已训练好的最小二乘支持向量机模型进行电能质量稳态指标的预测,其中预测输入样本为所述步骤3)中的相空间集(公式2)的最后一列,即xp=[x1+(m-1)τ,x2+(m-1)τ,…,xM+(m-1)τ]T;将预测输入样本xp代入最小二乘支持向量机模型,即可得到预测输出,并将输出结果保存到数据库中。
Claims (3)
1.一种基于混沌理论的电能质量稳态指标预测方法,其特征在于,具体包括如下步骤:
1)电能质量稳态指标数据的采集:结合电能质量国家标准,选取电能质量稳态指标:电压偏差、电压总谐波畸变率、频率偏差、三相电压不平衡、电压闪变作为数据采集对象;至少连续12个月每天对公共连接点的各电能质量稳态指标进行监测数据采集,并将各稳态指标监测数据按照监测日分类依次存入数据库;
2)对步骤1)中采集到的电能质量稳态指标历史监测数据进行预处理,包括去噪和缺失值处理,并对数据作归一化之后,将处理后的数据保存到数据库中;
3)根据混沌理论,对所述步骤2)中已处理好的电能质量稳态指标时间数据,采用C-C法求解最优时延τd和最佳嵌入维数md,进行相空间重构,得到一组新的多维数据空间;
4)基于最小二乘支持向量机模型对所述步骤3)中重构后的数据空间进行训练,得到最优预测模型;
5)利用所述步骤4)中已训练好的最小二乘支持向量机模型进行电能质量稳态指标的预测,得到预测输出,并将输出结果保存到数据库中,其中预测输入样本为所述步骤3)中进行相空间重构中数据。
2.根据权利要求1所述基于混沌理论的电能质量稳态指标预测方法,其特征在于,所述步骤3)具体实现步骤为:
31)取所述步骤2)中已预处理的电能质量稳态指标时间序列x={xi|i=1,2,…,N},按下式进行相空间重构,构造新的数据空间:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>M</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中τ为时延,m为嵌入维数,M=N-(m-1)τ为相空间的点数,N表示时间序列的长度,T表示矩阵的转置,X1 T=[x1,x1+τ,…,x1+(m-1)τ]为相空间的相点。
32)采用C-C法求解最优时延τd和最佳嵌入维数md:
取所述步骤31)数据空间X={Xi T|i=1,2,…,M}中任意两个两个相点Xi T和Xj T,定义关联积分:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>M</mi>
<mn>2</mn>
</msup>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
式中:r为邻域半径的大小;θ(x)为Heaviside函数,其中:
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
关联维数为:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>&RightArrow;</mo>
<mn>0</mn>
</mrow>
</munder>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi> </mi>
<mi>r</mi>
</mrow>
</mfrac>
</mrow>
其中:
将时间序列x={xi|i=1,2,…,N}分解成t个不相交的时间序列,对于一般的自然数t有:
{x1,xt+1,x2t+1,...}
{x2,xt+2,x2t+2,...}
......
{xt,x2t,x3t,...}
定义检验统计量:
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>t</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mfrac>
<mi>N</mi>
<mi>t</mi>
</mfrac>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>s</mi>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mi>N</mi>
<mi>t</mi>
</mfrac>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
令N→∞有:
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>t</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>s</mi>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mo>)</mo>
</mrow>
</mrow>
取S(m,N,r,t)的零点值,且对于相差最小量的间隔对应的半径r判为最大间隔,定义局部间隔对应量的最大半径r是max[S(m,N,r,t)],最小半径r是min[S(m,N,r,t)],定义最大最小两者差值为△S(m,t),则:
ΔS(m,t)=max[S1(m,N,ri,t)]-min[S1(m,N,rj,t)],i≠j
由基本统计学原理可知,当m取值为2、3、4、5,r取值大于σ/2且小于2σ时(σ为时间序列的标准差),得到如下方程:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>16</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mn>5</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mn>4</mn>
</munderover>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mn>5</mn>
</munderover>
<mi>&Delta;</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Delta;</mi>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>|</mo>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
这里,表示16个统计量S(m,N,rj,t)的平均值;寻找的第一个零点或的第一个局部极小点即为最优时延τd;寻找Scor(t)的全局最小点即可获得嵌入窗τw,根据嵌入窗公式τw=(md-1)τd,求得最佳嵌入维md。
3.根据权利要求1或2所述基于混沌理论的电能质量稳态指标预测方法,其特征在于,步骤4)具体实现步骤为:
41)从所述步骤3)中得到的新的多维数据空间选取训练样本,用于最小二乘支持向量机模型的训练;
42)最小二乘支持向量机模型通过非线性映射函数将所述步骤41)中的训练样本映射到高维特征空间,并在高维空间进行线性回归,实现式中ωT为权值向量,b为偏差,是两个待训练的参数;
所述步骤42)中最小二乘支持向量机模型的具体描述为:
设待回归***的样本输入、输出数据集为{xk,yk},(k=1,2,…,N),其中xk是n维***输入向量,yk为***输出向量,yk=f(xk),最小二乘支持向量机模型可表示为:
其中ωT为权值向量,b为偏差,为映射函数;
在最小二乘支持向量机中,采用最小二乘线性***作为损失函数来求解决策函数的参量ω和b,其优化问题为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>e</mi>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>C</mi>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msubsup>
<mi>&xi;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中J为优化函数,e为回归误差,C为正规化参数,ξi为松弛变量;
求解此优化问题,引入Lagrange函数:
其中αi为Lagrange乘子,由KKT条件可得到如下关系式:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>b</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>&RightArrow;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>&RightArrow;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>C&xi;</mi>
<mi>i</mi>
</msub>
</mrow>
关系式的求解可化为:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mi>T</mi>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>e</mi>
</mtd>
<mtd>
<mrow>
<mi>Q</mi>
<mo>+</mo>
<msup>
<mi>C</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>I</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&alpha;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中Q是元素Kij的k*k阶核矩阵,I为单位矩阵,向量e=[1,…,1]T,向量α=[α1,…,αk]T,向量y=[y1,…,yk]T;
定义Qn=Q+I/C,这样就可以得到α和b的表达式:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>e</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>Q</mi>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>y</mi>
</mrow>
<mrow>
<msup>
<mi>e</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>Q</mi>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>e</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<msubsup>
<mi>Q</mi>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mi>e</mi>
<mo>&times;</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
引入高斯核函数K(xi,xj)=exp(-||xi,xj||2/2σ2),最终得到最小二乘支持向量机的回归模型为:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566280.6A CN107491832A (zh) | 2017-07-12 | 2017-07-12 | 基于混沌理论的电能质量稳态指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566280.6A CN107491832A (zh) | 2017-07-12 | 2017-07-12 | 基于混沌理论的电能质量稳态指标预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107491832A true CN107491832A (zh) | 2017-12-19 |
Family
ID=60643845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710566280.6A Pending CN107491832A (zh) | 2017-07-12 | 2017-07-12 | 基于混沌理论的电能质量稳态指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491832A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510072A (zh) * | 2018-03-13 | 2018-09-07 | 浙江省水文局 | 一种基于混沌神经网络的河道流量监测数据质量控制方法 |
CN108828401A (zh) * | 2018-04-20 | 2018-11-16 | 中国农业大学 | 一种故障选线的方法及装置 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN108982576A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种混沌高精度的丙烯聚合生产过程最优软测量仪表 |
CN109507888A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 基于集成学习的丙烯聚合生产过程最优在线预报*** |
CN109854242A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 一种基于混沌理论的采煤机滚筒自动预测*** |
CN109871980A (zh) * | 2018-12-26 | 2019-06-11 | 河北工程大学 | 一种水泵水轮机机组振动趋势预测方法 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN109947812A (zh) * | 2018-07-09 | 2019-06-28 | 平安科技(深圳)有限公司 | 连续缺失值填充方法、数据分析装置、终端及存储介质 |
CN110048430A (zh) * | 2019-05-08 | 2019-07-23 | 国网福建省电力有限公司莆田供电公司 | 一种电压敏感用户电网薄弱点识别方法 |
CN110991833A (zh) * | 2019-11-20 | 2020-04-10 | 华南理工大学 | 一种稳态电能质量评级方法 |
CN111523635A (zh) * | 2020-03-24 | 2020-08-11 | 南昌大学 | 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 |
CN112465358A (zh) * | 2020-11-30 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于支持向量机的电压质量分类方法及装置 |
CN113127469A (zh) * | 2021-04-27 | 2021-07-16 | 国网内蒙古东部电力有限公司信息通信分公司 | 一种三相不平衡数据的缺失值的填补方法及*** |
CN114091948A (zh) * | 2021-11-29 | 2022-02-25 | 深圳供电局有限公司 | 一种基于多维空间体积的电能质量综合评估方法及存储介质 |
CN114118623A (zh) * | 2021-12-08 | 2022-03-01 | 杭州电力设备制造有限公司 | 一种电能质量参数预测方法、装置、设备及存储介质 |
CN114970373A (zh) * | 2022-07-22 | 2022-08-30 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN115312895A (zh) * | 2022-10-12 | 2022-11-08 | 启东市航新实用技术研究所 | 一种监测新能源车辆的电池包的稳态方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网***电压稳定预测装置及方法 |
CN105243211A (zh) * | 2015-10-08 | 2016-01-13 | 上海电力学院 | 一种交流电弧炉供电网波动电压的混沌预测方法 |
-
2017
- 2017-07-12 CN CN201710566280.6A patent/CN107491832A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网***电压稳定预测装置及方法 |
CN105243211A (zh) * | 2015-10-08 | 2016-01-13 | 上海电力学院 | 一种交流电弧炉供电网波动电压的混沌预测方法 |
Non-Patent Citations (3)
Title |
---|
YUFEI WANG.ET AL: "Research on the Fluctuation Mechanism of Electric Arc Furnace Voltage Using Chaos Theory", 《2014 IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING》 * |
王德意等: "基于负荷混沌特性和最小二乘支持向量机的短期负荷预测", 《电网技术》 * |
陆振波等: "基于改进的C-C方法的相空间重构参数选择", 《***仿真学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510072A (zh) * | 2018-03-13 | 2018-09-07 | 浙江省水文局 | 一种基于混沌神经网络的河道流量监测数据质量控制方法 |
CN108828401A (zh) * | 2018-04-20 | 2018-11-16 | 中国农业大学 | 一种故障选线的方法及装置 |
CN108828401B (zh) * | 2018-04-20 | 2019-11-15 | 中国农业大学 | 一种故障选线的方法及装置 |
CN108876039B (zh) * | 2018-06-21 | 2021-07-27 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN108982576A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种混沌高精度的丙烯聚合生产过程最优软测量仪表 |
CN109947812A (zh) * | 2018-07-09 | 2019-06-28 | 平安科技(深圳)有限公司 | 连续缺失值填充方法、数据分析装置、终端及存储介质 |
CN109947812B (zh) * | 2018-07-09 | 2023-11-10 | 平安科技(深圳)有限公司 | 连续缺失值填充方法、数据分析装置、终端及存储介质 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN109871976B (zh) * | 2018-12-20 | 2020-12-25 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN109871980A (zh) * | 2018-12-26 | 2019-06-11 | 河北工程大学 | 一种水泵水轮机机组振动趋势预测方法 |
CN109507888A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 基于集成学习的丙烯聚合生产过程最优在线预报*** |
CN109854242A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 一种基于混沌理论的采煤机滚筒自动预测*** |
CN110048430A (zh) * | 2019-05-08 | 2019-07-23 | 国网福建省电力有限公司莆田供电公司 | 一种电压敏感用户电网薄弱点识别方法 |
CN110991833A (zh) * | 2019-11-20 | 2020-04-10 | 华南理工大学 | 一种稳态电能质量评级方法 |
CN110991833B (zh) * | 2019-11-20 | 2023-05-23 | 华南理工大学 | 一种稳态电能质量评级方法 |
CN111523635A (zh) * | 2020-03-24 | 2020-08-11 | 南昌大学 | 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 |
CN112465358A (zh) * | 2020-11-30 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于支持向量机的电压质量分类方法及装置 |
CN113127469A (zh) * | 2021-04-27 | 2021-07-16 | 国网内蒙古东部电力有限公司信息通信分公司 | 一种三相不平衡数据的缺失值的填补方法及*** |
CN114091948A (zh) * | 2021-11-29 | 2022-02-25 | 深圳供电局有限公司 | 一种基于多维空间体积的电能质量综合评估方法及存储介质 |
CN114118623A (zh) * | 2021-12-08 | 2022-03-01 | 杭州电力设备制造有限公司 | 一种电能质量参数预测方法、装置、设备及存储介质 |
CN114970373A (zh) * | 2022-07-22 | 2022-08-30 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN114970373B (zh) * | 2022-07-22 | 2022-10-25 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN115312895A (zh) * | 2022-10-12 | 2022-11-08 | 启东市航新实用技术研究所 | 一种监测新能源车辆的电池包的稳态方法 |
CN115312895B (zh) * | 2022-10-12 | 2022-12-20 | 启东市航新实用技术研究所 | 一种监测新能源车辆的电池包的稳态方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491832A (zh) | 基于混沌理论的电能质量稳态指标预测方法 | |
CN103344875B (zh) | 谐振接地***单相接地故障分类选线方法 | |
CN107609569B (zh) | 一种基于多维特征向量的配电网接地故障定位方法 | |
Zand et al. | Fault locating transmission lines with thyristor-controlled series capacitors By fuzzy logic method | |
CN104362622B (zh) | 一种带小水电机组地区电网的负荷模型和建模方法 | |
CN106226635A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN110441654A (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
CN110543988A (zh) | 一种基于XGBoost算法的光伏短期出力预测***及方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 | |
CN103915841B (zh) | 一种用于电力***负荷特性仿真的建模方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN104362628A (zh) | 一种避免大型风电场谐振的控制方法及其装置 | |
Zhang et al. | Prediction of short-term wind power in wind power plant based on BP-ANN | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
Li et al. | Incipient Fault Detection in Power Distribution System: A Time–Frequency Embedded Deep-Learning-Based Approach | |
CN102467556A (zh) | 一种电能质量智能信息***及方法 | |
CN105356508B (zh) | 基于psd-bpa的电网风电接入评价***及其方法 | |
CN112748318A (zh) | 基于改进pso-bp神经网络的串联故障电弧检测方法 | |
Elsamahy et al. | Enhancement of the coordination between generator phase backup protection and generator capability curves in the presence of a midpoint STATCOM using support vector machines | |
CN107169644A (zh) | 一种配电网安全运行管控方法 | |
Behzadi et al. | Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier | |
Akbal et al. | PSO and CSA to Estimate of Parameter in Power Line | |
CN114325236B (zh) | 一种基于频谱熵和随机森林的配电网故障识别方法及*** | |
CN113791294B (zh) | 一种边云协同的特高压直流输电***换相失败溯源方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |
|
RJ01 | Rejection of invention patent application after publication |