CN103675629A - 基于电场特征量的电极起晕电压预测方法 - Google Patents
基于电场特征量的电极起晕电压预测方法 Download PDFInfo
- Publication number
- CN103675629A CN103675629A CN201310753819.0A CN201310753819A CN103675629A CN 103675629 A CN103675629 A CN 103675629A CN 201310753819 A CN201310753819 A CN 201310753819A CN 103675629 A CN103675629 A CN 103675629A
- Authority
- CN
- China
- Prior art keywords
- discharge inception
- inception voltage
- electrode
- voltage
- field signature
- 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.)
- Granted
Links
Images
Landscapes
- Electrostatic Separation (AREA)
Abstract
本发明公开了一种基于电场特征量的电极起晕电压预测方法,首先,测量不同结构的典型电极的起晕电压数据,并定义非起晕电压区间和起晕电压区间;然后,对不同结构的典型电极间隙进行电场计算并提取电场特征量,构建训练样本集;接着,基于训练样本集构建起晕电压预测模型,该起晕电压预测模型以电场特征量为输入、以非起晕电压和起晕电压区间为输出;最后,采用起晕电压预测模型预测电极起晕电压。本发明操作简单,预测准确度高,适用于预测任意结构电极的起晕电压,预测结果可为输电线路、金具和静电除尘装置等的结构设计和结构优化提供参考。
Description
技术领域
本发明涉及输变电工程和静电除尘电晕放电领域,尤其涉及一种基于电场特征量的电极起晕电压预测方法。
背景技术
电晕是极不均匀电场所特有的自持放电现象,它与所施电压、电极形状、极间距离、气体性质和密度等诸多因素有关。随着电压等级的提高,输电线路电晕产生的无线电干扰、可听噪声、电晕损失等效应越来越引起重视,电晕效应是超、特高压输电线路导线选型的决定性因素。高压输变电工程中,均压环、防振锤、间隔棒等金具由于曲率半径小,表面可以产生很高场强,当表面电场强度足够高时,形成电晕放电,脉冲电流能量可以通过电磁波形式直接辐射,对周围环境造成高频干扰,带来可听噪声,这些由金具电晕放电带来的电磁环境问题也越来越受到关注。此外,电晕放电在静电除尘装置中得到了广泛应用。因此,准确计算或预测起晕电压对输电线路、金具和静电除尘装置的结构设计和优化具有重大意义。
目前电极起晕电压的计算方法主要包括经验公式(如Peek公式)、半经验公式(如二次电子发射判据)和纯数值计算方法。经验公式和半经验公式中部分参数难以精确获取,计算精度和适用范围均有限;纯数值计算方法相对复杂,且准确性不高。
发明内容
针对现有技术存在的不足,本发明基于计算起晕电压时可不考虑放电过程影响,提出了一种简单且精度高的、基于电场特征量的电极起晕电压预测方法。
为解决上述技术问题,本发明采用如下的技术方案:
基于电场特征量的电极起晕电压预测方法,包括步骤:
步骤1,测量不同结构典型电极的起晕电压数据,并根据测量的起晕电压数据定义各典型电极对应的非起晕电压区间和起晕电压区间;
步骤2,对不同结构的典型电极分别加载其对应的非起晕电压区间和起晕电压区间,对电极间隙进行电场计算获得各加载电压对应的电场特征量集,并构建训练样本集;
步骤3,基于训练样本集,采用人工智能数学方法构建起晕电压预测模型,该起晕电压预测模型以待预测电极的电场特征量集为输入、以代表非起晕电压区间和起晕电压区间的数值A和B为输出;
步骤4,采用起晕电压预测模型预测待预测电极的起晕电压,该步骤进一步包括子步骤:
4.1对待预测电极加载电压,对电极间隙进行电场计算获取电场特征量集并输入起晕电压预测模型,加载电压初始值自行设定;
4.2若起晕电压预测模型输出A,升高加载电压,重复执行步骤4.1,直至起晕电压预测模型输出B,此时的加载电压即为待预测电极的起晕电压;
4.3若起晕电压预测模型输出B,降低加载电压,重复执行步骤4.1,直至起晕电压预测模型输出A,此时输出为B的起晕电压区间下限对应的加载电压即为待预测电极的起晕电压。
上述非起晕电压区间和起晕电压区间分别为[(100%-a)V,100%V)、[100%V,(100%+a)V],a根据经验人为设定;V为测量的起晕电压。
步骤2中采用有限元计算工具ANSYS对电极间隙进行电场计算。
对步骤2中获得的电场特征量集进行降维处理,并进行归一化。
所述的降维处理方法为:
将电场特征量集中的电场特征量分为M类,根据实际需要仅选择其中N类电场特征量,N<M;或,采用相关性分析法对电场特征量集中的电场特征量进行降维处理;或,采用主成分分析法对电场特征量集中的电场特征量进行降维处理。
步骤3中所构建的起晕电压预测模型为支持向量机模型或神经网络模型。
所述的支持向量机模型为SVC、LIBSVM或LSSVM工具箱。
对支持向量机模型的惩罚因子c和核函数参数g进行优化,具体为:
采用粗-细网格搜索法或遗传算法或粒子群算法取不同的惩罚因子c和核函数参数g,采用k-折交叉验证法得到不同的预测结果,取预测效果最好的惩罚因子c和核函数参数g作为最优参数,从而获得优化后的支持向量机模型。
步骤2所述的训练样本集基于电场特征量和环境特征量构建。
与现有技术相比,本发明具有以下优点和有益效果:
1、基于可描述的物理量预测电极起晕电压,稳健性更好。
2、避开了复杂的电极间隙放电物理过程,仅需要少量起晕电压实测数据进行模型训练,操作简单、成本低、周期短、准确性高,适用于任意结构的电极。
3、具有可扩展性,可考虑环境因素对电极起晕电压的影响,将环境特征量加入起晕电压预测模型,进一步提高预测准确性,方便工程应用。
4、本发明获得的预测结果可为输电线路、金具和静电除尘装置等的结构设计和结构优化提供参考。
附图说明
图1是本发明方法的一种具体流程图;
图2是本发明方法的原理示意图;
图3是实施例中起晕电压预测值与试验值的对比图,图(a)为D为10mm和20mm的起晕电压预测值与试验值的对比;图(b)为d为4cm的起晕电压预测值与试验值的对比图。
具体实施方式
本发明通过测量不同结构的典型电极的起晕电压数据,根据起晕电压数据定义非起晕电压区间和起晕电压区间;加载非起晕电压区间和起晕电压区间,获取不同结构典型电极间隙的电场特征量,以电场特征量为训练样本;采用训练样本训练起晕电压预测模型,并基于起晕电压预测模型预测电极的起晕电压。
下面通过实施例,并结合附图,对本发明技术方案作进一步说明。
参见图1,本发明方法包括步骤:
步骤1,分别测量不同结构典型电极的起晕电压数据,并根据测量的起晕电压数据分别定义各电极对应的非起晕电压区间和起晕电压区间。
采用电晕试验分别对不同结构典型电极的起晕电压进行试验测量,获得不同结构典型电极对应的起晕电压数据。也可根据研究需要,测量不同结构典型电极在不同环境参数下的起晕电压。
定义非起晕电压区间和起晕电压区间,分别记为-1和1,作为起晕电压预测模型的输出。本实施例中,定义[(100%-a)V,100%V)为非起晕电压区间,记为-1;定义[100%V,(100%+a)V]为起晕电压区间,记为1。a根据经验取值,本具体实施中,a取10%;V为测量的起晕电压。
步骤2,对不同结构的典型电极分别加载其对应的非起晕电压区间和起晕电压区间,对电极间隙进行电场计算获得各加载电压对应的电场特征量集,作为训练样本集。
加载定义的非起晕电压区间和起晕电压区间,对电极间隙进行电场计算,并提取电场特征量获得电场特征量集,见表1,以电场特征量集作为训练样本集。具体可采用有限元计算工具ANSYS对电极间隙进行电场计算。
表1电场特征量集
表1中所列的电场特征量总数为40,这些电场特征量从空间上可分为整个区域、放电通道、电极表面和放电路径4类特征量;这些电场特征量从量纲上又可分为电场(量纲为:V/m)、电场能量(量纲为:J)、能量密度(量纲为:J/m3)、表面积(量纲为:m2)、电场梯度(量纲为:V/m2)和比例参数(无量纲)6类特征量。
为减小计算复杂性,提高计算效率,本具体实施方式对电场特征量集进行降维处理,具体的降维处理方法可根据实际需要采取以下的一种:仅考虑某一类或几类电场特征量;或采用相关性分析法或主成分分析法对电场特征量集进行降维处理。对降维处理后的电场特征量集归一化后,作为样本训练的输入。
相关性分析法和主成分分析法是本技术领域内成熟的降维处理方法。相关性分析法为一种构造特征子集法,采用统计相关方法,选择与输出相关性强的特征量,剔除与输出相关性弱的特征量,同时剔除特征量间相关性强的特征量。主成分分析法为一种变换特征空间法,根据累计方差贡献率大于85-95%或特征值大于1选取主成分。
步骤3,基于训练样本集,采用人工智能数学方法构建起晕电压预测模型,该起晕电压预测模型以待预测电极的电场特征量集为输入、以代表非起晕区间和起晕区间的数值-1和1为输出。
起晕电压预测模型可采用支持向量机模型或神经网络模型。本具体实施例中采用支持向量机模型构建起晕电压预测模型。
根据电场特征量集选择支持向量机模型类型,例如,可选择SVC、LIBSVM或LSSVM工具箱。本实施例选择了LIBSVM工具箱,因为LIBSVM工具箱能有效解决分类问题和交叉验证参数选择。构建的起晕电压预测模型,由电场特征量集构成,包括输入和输出,以待预测电极经降维处理后的电场特征量集为输入,以步骤1定义的非起晕电压区间和起晕电压区间为输出。
采用交叉验证思想和粗-细网格搜索法优化支持向量机模型参数,具体指优化支持向量机模型的惩罚因子c和核函数参数g。本实施例中采用粗-细网格搜索法取不同的惩罚因子c和核函数参数g,采用k-折交叉验证法得到不同的预测结果,取预测效果最好,即误差最小的参数作为最优值,从而获得优化后的支持向量机模型。本具体实施中,k取3。除了粗-细网格搜索法,也可以采用遗传算法或粒子群算法搜索优化支持向量机模型参数。
步骤4,采用优化后的起晕电压预测模型预测电极起晕电压。
对待预测电极加载初始电压U0,并对待预测电极间隙进行电场计算,提取电场特征量集并对电场特征量集进行降维处理,将降维处理后的电场特征量集归一化后输入起晕电压预测模型。若起晕电压预测模型输出-1,则升高加载电压,即加载电压U=U0+dU后,再对电极间隙进行电场计算,并提取电场特征量集输入起晕电压预测模型,直至起晕电压预测模型输出1,此时的加载电压U即为待预测电极的起晕电压Uc。若起晕电压预测模型输出1,则降低加载电压,即加载电压U=U0-dU,再对电极间隙进行电场计算,并提取电场特征量集输入起晕电压预测模型,直至起晕电压预测模型输出-1,此时输出为1的起晕电压区间下限对应的加载电压即为起晕电压,即待预测电极的起晕电压Uc为当前加载电压U和dU之和。该过程原理可参见图2,dU可自行设定和调整。
本发明将电极起晕电压预测由回归问题转变成分类问题,即通过核函数特征空间的非线性映射算法将回归问题变换到高维Hilbert空间,然后在高维Hilbert空间中对映射后的样本进行最优超平面分类,支持向量机算法的原理和内部运算过程可参见杨晓伟和郝志峰编写的《支持向量机的算法设计与分析》。本发明方法适用于任意结构的电极,同时,也可根据需要增加电场特征量以外的环境特征量,如环境的温度、湿度、气压等,然后基于电场特征量和环境特征量预测电极起晕电压。
下面以半球形棒-板电极为例,进一步说明本发明技术方案的有益效果。
1)根据半球形棒-板电极间隙的正极性冲击起晕电压的试验数据,建立训练样本集和测试样本集,见表2,其中,字体加粗数据为训练样本集,共8个训练样本,其余为测试样本集,共9个测试样本。
表2训练样本和测试样本
表2中D为电极棒端部直径,d为电极间隙距离。
2)对半球形棒-板电极间隙进行电场计算,并提取电场特征量,见表1。分别采用剔除第1、2、3、4类电场特征量的方式进行降维处理,降维处理后的电场特征量集分别为27、29、31、33维。
3)将降维处理后的电场特征量集作为起晕电压预测模型的输入,并对起晕电压预测模型参数进行优化。
不同特征维数下,起晕电压预测模型的最优参数和误差指标见表3。其中,SSE为误差平方和,MSE为均方误差,MAPE为平均绝对百分比误差,MSPE为均方百分比误差。从表3可以看出,33维电场特征量下测试样本起晕电压的预测结果误差最小,31维下预测结果误差最大。说明对于该组训练样本和测试样本,可不考虑电场梯度类特征量,但有必要考虑电极表面特征量,这也符合“起晕电压主要与电极表面状态相关”的结论。最佳(33维电场特征量)和最差(31维电场特征量)预测值与试验值的对比见图3。
表3起晕电压预测模型的最优参数和误差指标
以上所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.基于电场特征量的电极起晕电压预测方法,其特征在于,包括步骤:
步骤1,测量不同结构典型电极的起晕电压数据,并根据测量的起晕电压数据定义各典型电极对应的非起晕电压区间和起晕电压区间;
步骤2,对不同结构的典型电极分别加载其对应的非起晕电压区间和起晕电压区间,对电极间隙进行电场计算获得各加载电压对应的电场特征量集,并构建训练样本集;
步骤3,基于训练样本集,采用人工智能数学方法构建起晕电压预测模型,该起晕电压预测模型以待预测电极的电场特征量集为输入、以代表非起晕电压区间和起晕电压区间的数值A和B为输出;
步骤4,采用起晕电压预测模型预测待预测电极的起晕电压,该步骤进一步包括子步骤:
4.1对待预测电极加载电压,对电极间隙进行电场计算获取电场特征量集并输入起晕电压预测模型,加载电压初始值自行设定;
4.2若起晕电压预测模型输出A,升高加载电压,重复执行步骤4.1,直至起晕电压预测模型输出B,此时的加载电压即为待预测电极的起晕电压;
4.3若起晕电压预测模型输出B,降低加载电压,重复执行步骤4.1,直至起晕电压预测模型输出A,此时输出为B的起晕电压区间下限对应的加载电压即为待预测电极的起晕电压。
2.如权利要求1所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
所述的非起晕电压区间和起晕电压区间分别为[(100%-a)V,100%V)、[100%V,(100%+a)V],a根据经验人为设定;V为测量的起晕电压。
3.如权利要求1所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
步骤2中采用有限元计算工具ANSYS对电极间隙进行电场计算。
4.如权利要求1所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
对步骤2中获得的电场特征量集进行降维处理,并进行归一化。
5.如权利要求4所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
所述的降维处理方法为:
将电场特征量集中的电场特征量分为M类,根据实际需要仅选择其中N类电场特征量,N<M;或,采用相关性分析法对电场特征量集中的电场特征量进行降维处理;或,采用主成分分析法对电场特征量集中的电场特征量进行降维处理。
6.如权利要求1所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
步骤3中所构建的起晕电压预测模型为支持向量机模型或神经网络模型。
7.如权利要求6所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
所述的支持向量机模型为SVC、LIBSVM或LSSVM工具箱。
8.如权利要求6所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
对支持向量机模型的惩罚因子c和核函数参数g进行优化,具体为:
采用粗-细网格搜索法或遗传算法或粒子群算法取不同的惩罚因子c和核函数参数g,采用k-折交叉验证法得到不同的预测结果,取预测效果最好的惩罚因子c和核函数参数g作为最优参数,从而获得优化后的支持向量机模型。
9.如权利要求1所述的基于电场特征量的电极起晕电压预测方法,其特征在于:
步骤2所述的训练样本集基于电场特征量和环境特征量构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753819.0A CN103675629B (zh) | 2013-12-31 | 2013-12-31 | 基于电场特征量的电极起晕电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753819.0A CN103675629B (zh) | 2013-12-31 | 2013-12-31 | 基于电场特征量的电极起晕电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675629A true CN103675629A (zh) | 2014-03-26 |
CN103675629B CN103675629B (zh) | 2016-03-02 |
Family
ID=50313787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310753819.0A Active CN103675629B (zh) | 2013-12-31 | 2013-12-31 | 基于电场特征量的电极起晕电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675629B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
CN104715282B (zh) * | 2015-02-13 | 2017-12-05 | 浙江工业大学 | 一种基于改进pso‑bp神经网络的数据预测方法 |
CN107797456A (zh) * | 2017-11-09 | 2018-03-13 | 江苏方天电力技术有限公司 | 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 |
CN107944130A (zh) * | 2017-11-22 | 2018-04-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于有限元电场仿真的金具起晕电压确定方法 |
CN108363838A (zh) * | 2018-01-18 | 2018-08-03 | 上海电力学院 | 基于atpso-svm模型的静电除尘器中温度效应预测方法 |
CN108414897A (zh) * | 2018-01-24 | 2018-08-17 | 武汉大学 | 一种直升机带电作业组合空气间隙放电电压预测方法 |
CN108982979A (zh) * | 2018-07-27 | 2018-12-11 | 武汉大学 | 一种高压屏蔽金具的周围空间电场分布表征方法 |
CN110850483A (zh) * | 2019-11-12 | 2020-02-28 | 中国船舶重工集团公司第七一九研究所 | 一种基于电场电极阵列布置的水中目标探测和定位方法 |
CN111521915A (zh) * | 2020-03-24 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种高压直流线路起晕场强判定方法及系统 |
CN111697525A (zh) * | 2020-04-30 | 2020-09-22 | 中国电力科学研究院有限公司 | 一种高压分裂管母线间隔棒电晕放电控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5243472A (en) * | 1975-10-02 | 1977-04-05 | Nissin Electric Co Ltd | Non-destructive testing apparatus for long-length insulating materials |
CN101187686A (zh) * | 2007-12-19 | 2008-05-28 | 中国电力科学研究院 | 一种管母线起晕电压和熄灭电压的试验判定方法 |
CN102680871A (zh) * | 2012-06-15 | 2012-09-19 | 甘肃省电力公司刘家峡水电厂 | 中压交联聚乙烯电缆无遮蔽起晕电压试验方法 |
-
2013
- 2013-12-31 CN CN201310753819.0A patent/CN103675629B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5243472A (en) * | 1975-10-02 | 1977-04-05 | Nissin Electric Co Ltd | Non-destructive testing apparatus for long-length insulating materials |
CN101187686A (zh) * | 2007-12-19 | 2008-05-28 | 中国电力科学研究院 | 一种管母线起晕电压和熄灭电压的试验判定方法 |
CN102680871A (zh) * | 2012-06-15 | 2012-09-19 | 甘肃省电力公司刘家峡水电厂 | 中压交联聚乙烯电缆无遮蔽起晕电压试验方法 |
Non-Patent Citations (3)
Title |
---|
B. ZEGNINI等: "A Least Squares Support Vector Machines(LS-SVM) Approach for Predicting Critical Flashover Voltage of Polluted Insulators", 《2011 IEEE》, 31 December 2011 (2011-12-31), pages 403 - 406 * |
李睿等: "基于BP神经网络的多参数关联变压器油击穿电压的预测研究", 《高压电器》, vol. 44, no. 4, 31 August 2008 (2008-08-31), pages 342 - 346 * |
胡琴等: "不同大气参数及表面状况下导线交流起晕电压的预测", 《高电压技术》, vol. 36, no. 7, 31 July 2010 (2010-07-31), pages 1669 - 1674 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715282B (zh) * | 2015-02-13 | 2017-12-05 | 浙江工业大学 | 一种基于改进pso‑bp神经网络的数据预测方法 |
CN107292320B (zh) * | 2016-03-30 | 2020-10-13 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
CN107797456A (zh) * | 2017-11-09 | 2018-03-13 | 江苏方天电力技术有限公司 | 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 |
CN107944130A (zh) * | 2017-11-22 | 2018-04-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于有限元电场仿真的金具起晕电压确定方法 |
CN108363838A (zh) * | 2018-01-18 | 2018-08-03 | 上海电力学院 | 基于atpso-svm模型的静电除尘器中温度效应预测方法 |
CN108414897A (zh) * | 2018-01-24 | 2018-08-17 | 武汉大学 | 一种直升机带电作业组合空气间隙放电电压预测方法 |
CN108982979A (zh) * | 2018-07-27 | 2018-12-11 | 武汉大学 | 一种高压屏蔽金具的周围空间电场分布表征方法 |
CN108982979B (zh) * | 2018-07-27 | 2020-09-22 | 武汉大学 | 一种高压屏蔽金具的周围空间电场分布表征方法 |
CN110850483A (zh) * | 2019-11-12 | 2020-02-28 | 中国船舶重工集团公司第七一九研究所 | 一种基于电场电极阵列布置的水中目标探测和定位方法 |
CN110850483B (zh) * | 2019-11-12 | 2021-09-14 | 中国船舶重工集团公司第七一九研究所 | 一种基于电场电极阵列布置的水中目标探测和定位方法 |
CN111521915A (zh) * | 2020-03-24 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种高压直流线路起晕场强判定方法及系统 |
CN111521915B (zh) * | 2020-03-24 | 2023-03-21 | 中国电力科学研究院有限公司 | 一种高压直流线路起晕场强判定方法及系统 |
CN111697525A (zh) * | 2020-04-30 | 2020-09-22 | 中国电力科学研究院有限公司 | 一种高压分裂管母线间隔棒电晕放电控制方法及系统 |
CN111697525B (zh) * | 2020-04-30 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种高压分裂管母线间隔棒电晕放电控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103675629B (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675629B (zh) | 基于电场特征量的电极起晕电压预测方法 | |
Zhou et al. | Review on the battery model and SOC estimation method | |
CN103678941A (zh) | 电极空气间隙击穿电压的预测方法 | |
Li et al. | Urban traffic flow forecasting using Gauss–SVR with cat mapping, cloud model and PSO hybrid algorithm | |
CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
Lu et al. | Study on multi-fractal fault diagnosis based on EMD fusion in hydraulic engineering | |
CN104506162A (zh) | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 | |
Xing et al. | State-of-charge estimation for Lithium-Ion batteries using Kalman filters based on fractional-order models | |
Nasiri Soloklo et al. | Model order reduction based on moment matching using legendre wavelet and harmony search algorithm | |
CN103853927A (zh) | 基于聚类全局优化算法预测材料力学行为的方法 | |
Wu et al. | SOH prediction for lithium-ion battery based on improved support vector regression | |
Han et al. | A hybrid prediction model based on improved multivariable grey model for long-term electricity consumption | |
Gao et al. | Particle swarm optimization based RVM classifier for non-linear circuit fault diagnosis | |
Gao et al. | High-impedance arc fault modeling for distribution networks based on dynamic geometry dimension | |
CN111178528B (zh) | 一种应用于无线充电系统的精英遗传算法改进方法 | |
Zhang et al. | Oil holdup prediction of oil–water two phase flow using thermal method based on multiwavelet transform and least squares support vector machine | |
Tang et al. | Data-physics-driven estimation of battery state of charge and capacity | |
Feng et al. | Water leakage detection based on variation bayesian neural network autoencoder | |
CN101826856A (zh) | 基于超球面采样无迹卡尔曼滤波的粒子滤波方法 | |
Xie et al. | Expansion modelling of discrete grey model based on multi-factor information aggregation | |
Zhao et al. | An RNN with small sequence trained by multi-level optimization for SoC estimation in li-ion battery applications | |
Liu et al. | Flood forecasting method based on improved VMD-FOS-QR-RBL | |
Yadav et al. | Optimization of power transformer design using simulated annealing technique | |
Chhetri et al. | Performance Analysis of Machine Learning Algorithms for Estimation of EV Penetration | |
CN116451544B (zh) | 一种大功率高频变压器智能优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |