CN107563904A - 一种基于风过程划分的风电出力重构方法 - Google Patents

一种基于风过程划分的风电出力重构方法 Download PDF

Info

Publication number
CN107563904A
CN107563904A CN201710793012.8A CN201710793012A CN107563904A CN 107563904 A CN107563904 A CN 107563904A CN 201710793012 A CN201710793012 A CN 201710793012A CN 107563904 A CN107563904 A CN 107563904A
Authority
CN
China
Prior art keywords
wind
power output
fragment
time series
wind power
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
Application number
CN201710793012.8A
Other languages
English (en)
Inventor
孙荣富
王东升
施贵荣
宁文元
梁吉
王靖然
王若阳
丁然
徐海翔
范高锋
梁志峰
丁华杰
王冠楠
徐忱
鲁宗相
乔颖
刘梅
罗欣
廖晔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
Tsinghua University
State Grid Jibei Electric Power Co Ltd
Original Assignee
BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
Tsinghua University
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd, Tsinghua University, State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd filed Critical BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
Priority to CN201710793012.8A priority Critical patent/CN107563904A/zh
Publication of CN107563904A publication Critical patent/CN107563904A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Wind Motors (AREA)

Abstract

本发明公开了一种基于风过程划分的风电出力重构方法,包括以下步骤:获取风电出力时间序列并存储为历史风电时间序列并进行滤波处理;然后划分为片段和风过程;将风过程转移作为马尔科夫随机过程,片段在风过程内部随机分布,统计风过程转移概率和片段概率分布;通过序贯抽样技术随机抽取风过程及风过程内部的片段得到模拟风电出力轮廓;确定模拟风电出力时间序列的模拟误差;将模拟误差加到风电出力轮廓中得到模拟风电出力时间序列。本发明提供的构造未来风电出力场景的新方法,通过该方法得到的模拟风电时间序列可以用于电力系统规划、风电容量可信度评估、含风电的电力系统可靠性评估及系统的风电接纳能力评估等方面的研究。

Description

一种基于风过程划分的风电出力重构方法
技术领域
本发明涉及新能源发电技术领域,特别是一种基于风过程划分的风电出力重构方法。
背景技术
对于风电这种不确定性电源,现有研究多为采用时序仿真方法研究其对电力系统运行的 影响,首先对风电时间序列进行建模,然后应用随机生产模拟系统运行,统计各项运行指标 得到结果,风电出力时间序列建模是一个十分基础的环节。近年来,有大量学者对风电时间 序列特性及模型进行了研究,但各有缺点。根据风速服从威布尔分布随机抽样风速时间序列 并转化成风电出力时间序列,但这种方法得到的风电出力时间序列没有包含实际风电出力的 时序性,得到的风电出力极有可能会出现短时的波动非常大,不符合实际出力的情况。根据 时间序列ARMA及相关衍生模型对风电出力时间序列进行建模,此方法适用于短时风功率预 测,但长时间尺度模拟时风电出力水平的概率分布难以保证。基于随机差分方程的扩散过程 模拟风电时间序列,该方法保证了风电出力的概率分布和自相关特性符合实际情况,但无严 格证明风电时间序列服从由随机差分方程确定的扩散过程。对风速时间序列进行频谱分析, 利用小波逆变换得到风速时间序列。这种方法可以得到符合波动特性的风速时间序列,但不 能完整地模拟风速的随机性和波动性。利用马尔科夫随机过程模拟风电出力时间序列。这种 方法从概率角度看没有问题,各项统计指标均合理,但没有考虑长时间尺度内风的相关性, 导致应用价值不大。
因此,需要一种基于风过程划分的风电出力重构方法。
发明内容
本发明的目的是提出一种基于风过程划分的风电出力重构方法。
本发明的目的是通过以下技术方案来实现的:
本发明提供的基于风过程划分的风电出力重构方法,包括以下步骤:
获取风电出力时间序列并存储为历史风电时间序列;
对风电出力时间序列进行滤波处理;
将滤波处理后的风电出力时间序列划分为片段和风过程;
将风过程转移作为马尔科夫随机过程,片段在风过程内部随机分布,统计风过程转移概 率和片段概率分布;
通过序贯抽样技术随机抽取风过程及风过程内部的片段得到模拟风电出力轮廓;
确定模拟风电出力时间序列的模拟误差;
将模拟误差加到风电出力轮廓中得到模拟风电出力时间序列。
进一步,所述对风电出力时间序列进行滤波处理采用小波滤波处理。
进一步,所述对滤波处理后的风电出力时间序列划分为片段和风过程,具体过程如下:
对风电出力时间序列滤波得到风电出力轮廓;
获取风电出力轮廓的极值点;
在风电出力轮廓的极值点处将风电出力时间序列划分为首尾相连的片段;
并对片段进行归一化处理得到理想风电出力时间序列;
将理想风电出力时间序列按照如下方式划分为不同的风过程;
所述不同的风过程包括低出力风过程、小波动风过程和大波动风过程;
所述低出力风过程指起始值和结束值均小于判别阈值T1且风过程中最大值小于等于判 别阈值T1的风电出力时间序列片段;所述起始值和结束值均为极值点;
所述小波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值T1且小于等于 判别阈值T2的风电出力时间序列片段;
所述大波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值T2且风过程中 最大值大于判别阈值T2的风电出力时间序列片段。
进一步,所述通过序贯抽样技术随机抽取风过程及风过程内部的片段得到模拟风电出力 轮廓;根据不同的风过程采用不同的处理方法将风过程序列转化为风电出力时间序列;具体 步骤如下:
若风过程是低出力风过程,则根据低出力风过程持续时间概率分布,随机抽样低出力风 过程持续时间,然后将风电出力时间序列中相应位置相应长度的序列置零得到低出力风过程;
若风过程是小波动风过程或大波动风过程,则首先根据小波动风过程的起始片段三维概 率分布,随机抽样小波动风过程的起始片段,根据小波风过程内部片段的个数的概率分布随 机抽样内部片段个数,根据起始片段的结束值和小波动风过程下降片段三维概率分布随机抽 样小波动风过程下降片段,根据下降片段的结束值和上升片段三维概率分布随机抽样上升片 段,直至片段个数达到抽样得到的片段个数;最后利用最后一个上升片段的结束值和截止片 段的三维概率分布随机抽样小波动风过程的截止片段,将各个片段首尾连接起来即得到模拟 的小波动风过程出力时间序列,片段内部服从之前设定的理想片段的抛物线模式;
抽样得到风电出力轮廓。
进一步,所述模拟误差为在某一风过程中抽取结束后顺次从历史误差中抽取相应长度的 误差。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提供的构造未来风电出力场景的新方法,首先考虑将风电出力时间序列划分为片 段和风过程,根据概率统计的方法模拟风电出力时间序列,并将模拟风电出力时间序列与历 史风电出力时间序列在特性上加以比较,得到的模拟风电出力时间序列能够很好地表征风电 出力变化特性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某 种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发 明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的基于风过程划分的风电出力重构方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图所示,本实施例提供的基于风过程划分的风电出力重构方法,从概率分布、短时波 动性、相关特性三个方面构建风电出力时间序列模型;充分利用风电出力变化特性,其评价 标准是历史风电出力时间序列所表现出来的特性,具体如下:
(1)概率分布:即风电出力的概率分布特性。
(2)短时波动性:即短时(15min、1h等)最大波动概率分布特性。
(3)相关特性:即风电出力时间序列的自相关系数和偏自相关系数。
本实施例根据68160个风电出力数据,时间分辨率为15min,构造模拟风电出力时间序 列;具体步骤如下:
首先进行滤波:原始风电出力时间序列中含有各种各样的噪声,需要对历史风电出力数 据进行滤波,得到风电出力时间序列的轮廓和滤波误差。考虑到对风电时间序列进行频谱分 析时风电出力时间序列频谱分布不规则并且随时间的变化而变化,因此考虑对风电出力时间 序列进行小波滤波。小波分析中蕴含的多分辨率分析理论为人们讨论信号的局部信息提供了 直观的框架,尤其对于频率随时间变换的非平稳时间信号,可以分辨出非平稳时间信号的慢 变低频信号和快变高频信号,即轮廓部分和细节部分,基于Mallat算法的多分辨率分析可 以实现信号的塔式多分辨率分解和重构。设Hjf为能量有限信号f∈L2R在分辨率2j下的近似, 则Hjf可以进一步分解为f在分辨率2j-1下的近似Hj-1f(通过低通滤波器得到),以及位于分 辨率2j-1和2j之间的细节Dj-1f(通过高通滤波器得到)之和。对风电出力时间序列进行小波 滤波,得到风电出力轮廓。
片段、风过程划分:在风电出力时间序列构造过程中,考虑到地面风受太阳辐射、地转 偏向力、海洋和地形方面的影响导致风向和风速的时空分布较为复杂,因此从风电出力时间 序列自身入手,寻找内在的规律性。首先观察风电出力时间序列滤波后的轮廓,发现风电出 力在大多数情况下从极大值(极小值)开始缓慢减小(增加),然后加速减小(增加),最后 缓慢减小(增加)到极小值(极大值)。因此考虑在风电出力时间序列的轮廓的极值点处将风 电出力时间序列划分为首尾相连的片段并对片段的一阶差分进行归一化处理,即片段的时间 点数除以片段的总长度。大部分片段的一阶差分的归一化值服从类似抛物线分布,用抛物线 代替片段一阶差分函数,可以得到理想片段,称这一过程为将风电出力理想化。根据抛物线 的顶点(0.5,1)及与X轴的两个交点(0,0)、(1,0),可以得到灰色曲线的函数表达式:
f(x)=-4(x-0.5)2+1;
通过分析原始滤波后片段的一阶差分与理想片段的一阶差分的相关系数可以定量分析片 段是否可以理想化处理。得到不同滤波形式时片段与理想片段的相关程度,利用db9小波进 行4尺度滤波时超过80%的片段与理想片段的相关系数在0.75以上。滤波尺度越大,理想化 出力后产生的误差越大,若滤波尺度过大,理想化后出力可能会严重偏离实际出力,因此应 恰当选择滤波尺度及滤波基小波,把风电出力时间序列轮廓所有片段处理成理想片段。
利用原风电出力时间序列减去理想风电出力时间序列可得理想化处理误差。一个地域在 短时段内总是在一定的天气系统控制之下,这些天气系统包括高压、低压、高压脊、低压槽、 雷暴、龙卷风等等。利用风过程将风电出力时间序列划分为不同的风过程,用以表示不同的 天气过程。在极值点处划分不同种类风过程,将风速时间序列划分为五种风过程,本实施例 将风过程简化为三类:低出力风过程、小波动风过程、大波动风过程。低出力风过程指起始 值和结束值(起始值和结束值均为极值点)均小于判别阈值T1且风过程中最大值小于等于判 别阈值T1的风电出力时间序列片段;小波动风过程指风过程内部首尾两个极值点之间的值大 于判别阈值T1且小于等于判别阈值T2的风电出力时间序列片段;大波动风过程指风过程内 部首尾两个极值点之间的值大于判别阈值T2且风过程中最大值大于判别阈值T2的风电出力 时间序列片段。
其中,数据T1取装机容量的5%,T2取装机容量的40%。对于风过程之间的变换,采用 马尔科夫随机过程来模拟风过程转换过程。
对于马尔科夫随机过程{Xn,n∈T},若对于任意的整数n∈T和任意的i0,i1,…,in+1∈T, 条件概率满足P{Xn-1=in+1|X0=i0,X1=i1,...,Xn=in}=P{Xn+1=in+1|Xn=in}。即下一个状态的概 率只与当前状态有关,与之前的状态无关。利用风过程转移历史数据统计风过程转移马尔科 夫矩阵如下表所示:
低出力风过程 小波动风过程 大波动风过程
低出力风过程 0 0.7772 0.2228
小波动风过程 0.5008 0.4168 0.0824
大波动风过 0.5215 0.3374 0.1411
统计概率:在一个风过程内部,由于片段序列由天气过程决定,但不同类型的天气过程 没有规律性,且同一类的天气过程也没有规律性,因此将片段序列看作是随机序列,序贯抽 样风电出力时间序列时根据小波动风过程和大波动风过程的片段的概率分布进行抽样,考虑 到构造模拟风电出力时间序列的需要,对片段的概率分布考虑三维概率分布,各维度分别对 应片段的起始值、持续时间、结束值,由于在划分小波动风过程和大波动风过程,风过程内 部首尾两个极值点之间的出力要求判别阈值T1以上,而开始的片段和截止的片段没有这个要 求,因此对起始片段和截止片段分别进行统计,对风过程内部除去起始片段和截止片段的上 升片段和下降片段分别统计其三维概率分布,同时统计上升片段和下降片段个数服从概率分 布。对于低出力风过程,由于其出力水平较低,没有规律性,因此统计其持续时间服从的概 率分布,而其内部值由添加的误差决定。
序贯抽样:基于之前的统计概率分布即可序贯随机抽样得到模拟风电出力轮廓,对于多 维随机抽样,以二维随机抽样为例,设二维随机变量X=(X1,X2)的联合概率分布为F(x1,x2), 其边缘分布分别为F(x1)和F(x2),条件分布分别为F(x2|x1)和F(x1|x2),令τ1和τ2分别表示两 个[0,1]区间上均匀随机数,则有方程如下:
其解对应的X1和X2所构成的二维随机数的联合概率分布即为F(x1,x2),同理可得三维随 机抽样。抽样的流程为先随机序贯抽样风过程序列,然后根据不同的风过程采用不同的处理 方法将风过程序列转化为风电出力时间序列。转化过程中若风过程是低出力风过程,则根据 低出力风过程持续时间概率分布,随机抽样低出力风过程持续时间,然后将风电出力时间序 列中相应位置相应长度的序列置零得到低出力风过程;若风过程是小波动风过程,则首先根 据小波动风过程的起始片段三维概率分布,随机抽样小波动风过程的起始片段,根据小波风 过程内部片段(包括上升片段和下降片段)的个数的概率分布随机抽样内部片段个数,根据 起始片段的结束值和小波动风过程下降片段三维概率分布随机抽样小波动风过程下降片段, 根据下降片段的结束值和上升片段三维概率分布随机抽样上升片段,直至片段个数达到抽样 得到的片段个数,最后利用最后一个上升片段的结束值和截止片段的三维概率分布随机抽样 小波动风过程的截止片段,将各个片段首尾连接起来即得到模拟的小波动风过程出力时间序 列,片段内部服从之前设定的理想片段的抛物线模式;若风过程是大波动风过程,基本流程 与小波动风过程是相同的。抽样得到风电出力轮廓。
添加误差:由于滤波和理想化得到的误差有特定的概率分布和相关特性,暂时没有找到 合适的模拟方式模拟误差,因此略过了误差的模拟而直接用滤波和理想化得到的误差,添加 的误差方式为在某一风过程中抽取结束后顺次从历史误差中抽取相应长度的误差加到相应的 风电出力轮廓中即得到模拟风电出力时间序列。
模拟风电出力时间序列可靠性检验:得到模拟风电时间序列后需要检验其可靠性,根据 之前统计得到的指标需要检验其概率分布、短时波动性、自相关特性,历史风电出力时间序 列和模拟风电时间序列对比,由对比可得出模拟风电出力时间序列有较高的可靠性。
综上所述,本实施例提出的风电出力时间序列构造新方法,该方法首先对历史风电时间 序列进行小波滤波和理想化处理,然后把滤波后风电出力时间序列划分为风过程和片段,将 风过程转移看作马尔科夫随机过程,片段在风过程内部随机分布,统计风过程转移概率和片 段概率分布,最后通过序贯抽样技术随机抽取风过程及风过程内部的片段并添加误差得到模 拟风电出力时间序列。经过检验,该方法构造的模拟风电出力时间序列与历史风电出力时间 序列的各项指标相符合,并且采用随机抽样技术保证了风电出力的随机性,可以依概率模拟 风电出力的各种可能场景。通过该方法得到的模拟风电时间序列可以用于电力系统规划、风 电容量可信度评估、含风电的电力系统可靠性评估及系统的风电接纳能力评估等方面的研究。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施 例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进 行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围 当中。

Claims (5)

1.一种基于风过程划分的风电出力重构方法,其特征在于:包括以下步骤:
获取风电出力时间序列并存储为历史风电时间序列;
对风电出力时间序列进行滤波处理;
将滤波处理后的风电出力时间序列划分为片段和风过程;
将风过程转移作为马尔科夫随机过程,片段在风过程内部随机分布,统计风过程转移概率和片段概率分布;
通过序贯抽样技术随机抽取风过程及风过程内部的片段得到模拟风电出力轮廓;
确定模拟风电出力时间序列的模拟误差;
将模拟误差加到风电出力轮廓中得到模拟风电出力时间序列。
2.如权利要求1所述的基于风过程划分的风电出力重构方法,其特征在于:所述对风电出力时间序列进行滤波处理采用小波滤波处理。
3.如权利要求1所述的基于风过程划分的风电出力重构方法,其特征在于:所述对滤波处理后的风电出力时间序列划分为片段和风过程,具体过程如下:
对风电出力时间序列滤波得到风电出力轮廓;
获取风电出力轮廓的极值点;
在风电出力轮廓的极值点处将风电出力时间序列划分为首尾相连的片段;
并对片段进行归一化处理得到理想风电出力时间序列;
将理想风电出力时间序列按照如下方式划分为不同的风过程;
所述不同的风过程包括低出力风过程、小波动风过程和大波动风过程;
所述低出力风过程指起始值和结束值均小于判别阈值T1且风过程中最大值小于等于判别阈值T1的风电出力时间序列片段;所述起始值和结束值均为极值点;
所述小波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值T1且小于等于判别阈值T2的风电出力时间序列片段;
所述大波动风过程指风过程内部首尾两个极值点之间的值大于判别阈值T2且风过程中最大值大于判别阈值T2的风电出力时间序列片段。
4.如权利要求1所述的基于风过程划分的风电出力重构方法,其特征在于:所述通过序贯抽样技术随机抽取风过程及风过程内部的片段得到模拟风电出力轮廓;根据不同的风过程采用不同的处理方法将风过程序列转化为风电出力时间序列;具体步骤如下:
若风过程是低出力风过程,则根据低出力风过程持续时间概率分布,随机抽样低出力风过程持续时间,然后将风电出力时间序列中相应位置相应长度的序列置零得到低出力风过程;
若风过程是小波动风过程或大波动风过程,则首先根据小波动风过程的起始片段三维概率分布,随机抽样小波动风过程的起始片段,根据小波风过程内部片段的个数的概率分布随机抽样内部片段个数,根据起始片段的结束值和小波动风过程下降片段三维概率分布随机抽样小波动风过程下降片段,根据下降片段的结束值和上升片段三维概率分布随机抽样上升片段,直至片段个数达到抽样得到的片段个数;最后利用最后一个上升片段的结束值和截止片段的三维概率分布随机抽样小波动风过程的截止片段,将各个片段首尾连接起来即得到模拟的小波动风过程出力时间序列,片段内部服从之前设定的理想片段的抛物线模式;
抽样得到风电出力轮廓。
5.如权利要求1所述的基于风过程划分的风电出力重构方法,其特征在于:所述模拟误差为在某一风过程中抽取结束后顺次从历史误差中抽取相应长度的误差。
CN201710793012.8A 2017-09-05 2017-09-05 一种基于风过程划分的风电出力重构方法 Pending CN107563904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710793012.8A CN107563904A (zh) 2017-09-05 2017-09-05 一种基于风过程划分的风电出力重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710793012.8A CN107563904A (zh) 2017-09-05 2017-09-05 一种基于风过程划分的风电出力重构方法

Publications (1)

Publication Number Publication Date
CN107563904A true CN107563904A (zh) 2018-01-09

Family

ID=60978063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710793012.8A Pending CN107563904A (zh) 2017-09-05 2017-09-05 一种基于风过程划分的风电出力重构方法

Country Status (1)

Country Link
CN (1) CN107563904A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805388A (zh) * 2018-04-09 2018-11-13 中国电力科学研究院有限公司 一种未来年负荷时间序列场景的确定方法和装置
CN109872248A (zh) * 2018-12-18 2019-06-11 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880989A (zh) * 2012-09-05 2013-01-16 中国电力科学研究院 一种风电出力时间序列建模方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880989A (zh) * 2012-09-05 2013-01-16 中国电力科学研究院 一种风电出力时间序列建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘纯等: "长时间尺度风电出力时间序列建模新方法研究", 《电力系统保护与控制》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805388A (zh) * 2018-04-09 2018-11-13 中国电力科学研究院有限公司 一种未来年负荷时间序列场景的确定方法和装置
CN109872248A (zh) * 2018-12-18 2019-06-11 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统
CN109872248B (zh) * 2018-12-18 2021-07-30 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统

Similar Documents

Publication Publication Date Title
CN109524993B (zh) 用于中长期优化调度的风电光伏典型周出力场景生成方法
CN110718235B (zh) 异常声音检测的方法、电子设备及存储介质
CN106384092B (zh) 面向监控场景的在线低秩异常视频事件检测方法
CN104714925B (zh) 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN105354636B (zh) 一种基于非参数核密度估计的风功率波动性概率密度建模方法
CN106557840B (zh) 一种强风高速铁路沿线风速自适应分解预测方法
CN106772695B (zh) 一种融合多测风站实测数据的铁路沿线风速预测方法
CN110059845B (zh) 基于时序演化基因模型的计量装置时钟误差趋势预测方法
CN109904878B (zh) 一种多风电场发电时序模拟场景构建方法
CN110311420A (zh) 一种风光联合出力时序场景的生成方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN110197212A (zh) 图像分类方法、系统及计算机可读存储介质
CN104849650A (zh) 一种基于改进的模拟电路故障诊断方法
CN110969194A (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN108254678A (zh) 一种基于正弦余弦算法的模拟电路故障分类方法
CN107563904A (zh) 一种基于风过程划分的风电出力重构方法
CN109038675A (zh) 基于风电波动多尺度分解的建模方法
CN103994820B (zh) 一种基于微孔径麦克风阵列的运动目标识别方法
CN115114965B (zh) 风电机组齿轮箱故障诊断方法、装置、设备及存储介质
CN113724712A (zh) 一种基于多特征融合和组合模型的鸟声识别方法
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN113111706B (zh) 一种面向方位角连续缺失的sar目标特征解缠与识别方法
CN114330120A (zh) 一种基于深度神经网络预测24小时pm2.5浓度的方法
CN117590172A (zh) 应用于变压器的局部放电声电联合定位方法、装置和设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180306

Address after: 100084 Haidian District Tsinghua Yuan Beijing No. 1

Applicant after: Tsinghua University

Applicant after: State Grid Jibei Electric Power Company Limited

Applicant after: BEIJING TSINGSOFT INNOVATION TECHNOLOGY CO., LTD.

Address before: 100084 Haidian District Tsinghua Yuan Beijing No. 1

Applicant before: Tsinghua University

Applicant before: State Grid Corporation of China

Applicant before: State Grid Jibei Electric Power Company Limited

Applicant before: BEIJING TSINGSOFT INNOVATION TECHNOLOGY CO., LTD.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180109