CN108681628A - 基于改进鱼群算法的电力线信道分布参数辨识方法及系统 - Google Patents

基于改进鱼群算法的电力线信道分布参数辨识方法及系统 Download PDF

Info

Publication number
CN108681628A
CN108681628A CN201810404826.2A CN201810404826A CN108681628A CN 108681628 A CN108681628 A CN 108681628A CN 201810404826 A CN201810404826 A CN 201810404826A CN 108681628 A CN108681628 A CN 108681628A
Authority
CN
China
Prior art keywords
fish
power line
transmission attenuation
swarm algorithm
line channel
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
CN201810404826.2A
Other languages
English (en)
Inventor
徐晓寅
刘志永
李伟
马帅
苑超
冯希军
赵子齐
吕志勇
段义勇
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.)
State Grid Corp of China SGCC
Wuhan University WHU
Laiwu Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
Laiwu Power Supply Co of State Grid Shandong 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 State Grid Corp of China SGCC, Wuhan University WHU, Laiwu Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810404826.2A priority Critical patent/CN108681628A/zh
Publication of CN108681628A publication Critical patent/CN108681628A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了基于改进鱼群算法的电力线信道分布参数辨识方法，至少包括：S100基于传输线理论获得反映分布参数与电力线信道传输衰减特性的对应关系的传输衰减模型；S200对电力线信道的传输衰减特性进行预测量，获得传输衰减特性的预测量数据；S300以传输衰减特性的理论仿真值和预测量数据的误差值平方和为目标函数，以目标函数的倒数为适应度函数，将分布参数作为鱼群坐标代入鱼群算法进行寻优；所述传输衰减特性的理论仿真值采用传输衰减模型获得。本发明可提高聚群行为带来的搜索效率，也减少鱼群在局部最优值处的冗余搜索步骤，提高精确的搜索结果，准确反映信号在低压宽带电网环境中的衰减特性。

Description

基于改进鱼群算法的电力线信道分布参数辨识方法及系统
技术领域
本发明涉及电力线载波通信技术领域，特别是涉及基于改进鱼群算法的电力线信道分布参数辨识方法及系统。
背景技术
电力线载波通信是一种以电力线为信息传输媒介进行语音或数据传输的通信方式。低压宽带电力线载波通信可以有效解决“最后一公里”宽带接入问题，并满足“四网合一”发展需要。由于宽带电力线通信信道环境中线路拓扑结构复杂，众多的分支线路以及配电变压器会影响载波信号在配电线路上的传输，使得传输要求难以保证。基于这种情景，只有对电力线信道模型做出充分研究，建立统一准确的数学模型，才能实现高速而可靠的数据通信。
传统的宽带电力线载波通信的信道特性研究一般采用两种方法：自顶向下法建立多径信道模型和自底向上法构建多导体传输线模型。自顶向下的建模方法需要先实际测量后曲线拟合得出信道模型；自底向上的建模方法则是先利用数学物理知识建立模型，然后通过实验测量验证并修改模型。由于自顶向下的建模方法不能实现对信道特性的预测，利用自底向上的建模方法构建理想的均匀传输线模型，没有考虑到实际电网环境中低压电力线负荷多变性、时变性和网络结构复杂性等特点。
人工鱼群寻优算法(AFSA)可用于模型修正，算法理论源于对鱼类觅食行为的模拟，根据鱼类寻找食物源的活动特点寻求全局最优值。该算法将寻优函数的解空间映射为鱼群活动的水域，每条鱼代表解空间中的一个位置，也即可行解，解对应的适应函数值为该点的食物浓度，通过鱼群寻找食物源的行为策略更新迭代位置，并记录活动过程中得到的最优解。但是在实际实施过程中，AFSA算法的寻优结果优劣主要取决于参数的取值，特别是视野(Visual)和步长(Step)的取值。视野范围取值过大会使寻优结果精度降低，视野范围取值过小容易陷入局部最优值；步长过大会使搜索过程出现振荡现象，增加不必要的搜索时间；步长过小会降低收敛速度。因此在用于高维度大范围搜索时，很难选取合适的参数既满足收敛效率同时也满足结果的准确性。
发明内容
针对中国智能电网宽带电力线载波通信信道的衰减问题，本发明提供了基于改进鱼群算法的电力线信道分布参数辨识方法及系统。
本发明基于改进鱼群算法的电力线信道分布参数辨识方法，至少包括：
S100基于传输线理论，将电力线信道等效为由导线和基本电气元件连接构成的集总参数电路，基于传输线理论和趋肤效应原理分析集总参数电路，获得反映分布参数与电力线信道传输衰减特性的对应关系的传输衰减模型；
S200对电力线信道的传输衰减特性进行预测量，获得传输衰减特性的预测量数据；
S300以传输衰减特性的理论仿真值和预测量数据的误差值平方和为目标函数，以目标函数的倒数为适应度函数，将分布参数作为鱼群坐标代入鱼群算法进行寻优；
所述传输衰减特性的理论仿真值采用传输衰减模型获得。
进一步的，步骤S100进一步包括：
S110基于传输线理论，将电力线信道等效为由导线和电气元件连接的集总参数电路；分析集总参数电路获得电力线分布参数的理论计算模型；
S120根据高频信号带来的趋肤效应得到分布参数与信号频率的关系，其中，分布电阻与信号频率的开跟方成正比；
S130根据电路理论中的基尔霍夫定律，获得分布参数与电力线信道传输衰减特性的对应关系其中，γ和ZC分别为电力线的衰减系数和特性阻抗， R0、L0、C0、G0分别代表单位长度电力线的分布电阻、分布电感、分布电容、分布电导；ZL为电力线的负载阻抗；x表示距离节点的长度；j表示虚部单位；f表示信号频率。
进一步的，步骤S200中，利用矢量网络分析仪与耦合器进行预测量，具体的：两耦合器分别连接电力线两端，并与矢量网络分析仪连接。
进一步的，步骤S300进一步包括：
S310对鱼群搜索的解空间进行分区，分区数量bni应遵循其中，NP为种群规模；dim为解空间维度；nmax为聚群行为的最大人工鱼数目；ki为第i维数据搜索精度等级，precisioni为第i维数据精度， 为第i维数据范围；bni为对第i维数据的分区数量，总分区数
S320每一代更新开始前，根据食物浓度分别更新各区块的鱼群数目，食物浓度即适应度函数值；食物浓度初始化相等；
S330采用标准人工鱼群算法更新鱼群的迭代位置，根据更新后的迭代位置更新每个区块的局部最优值和全局最优值；
S340每一代更新完成时，判断更新代数是否达到预设的最大更新代数，当达到时，结束；否则，采用各区块的局部最优值更新各区块的食物浓度以及视野、步长，重新执行步骤S330。
进一步的，步骤S300中，考虑分布参数的频变特性，将分布参数R、L、C、G对应为P2、P3、P4，并以(P1，P2，P3，P4)作为鱼群坐标代入鱼群算法进行寻优；其中，f表示信号频率。
和现有技术相比，本发明具有如下优点：
(1)利用均匀传输线和端口网络等电路理论，能够方便地解释自底向上的宽带电力线载波信道模型；
(2)该实验方法简便易行，便于实现，适用于不同材料结构电力线信道的参数求解，对信道特性描述的精准度较理论值高；
(3)改进的鱼群算法，按照数据范围以及精度要求将水域划分若干块，降低搜索过程对视野和步长参数设置的要求，提高搜索精度；
(4)改进的鱼群算法能提高聚群行为带来的搜索效率，也减少鱼群在局部最优值处的冗余搜索步骤，提高精确的搜索结果。
附图说明
图1为本发明改进鱼群算法的具体流程图；
图2为均匀传输线理论的等效电路原理图；
图3为趋肤效应原理示意图；
图4为传输衰减预测量原理图；
图5为实施例中区块鱼群的分布变化趋势；
图6为实施例中寻优结果对比图。
具体实施方式
为了更清楚地说明本发明和/或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面将结合附图阐述本发明的具体实施方式。
本发明基于改进鱼群算法的电力线信道分布参数辨识方法，具体包括：
(1)基于传输线理论，将电力线信道等效为由导线和基本电气元件连接构成的集总参数电路，基于传输线理论和趋肤效应原理分析集总参数电路，获得反映分布参数与电力线信道传输衰减特性的对应关系的传输衰减模型。
将电力线信道等效为由导线和基本电气元件连接构成的集总参数电路，以沿电力线径向信号的输入方向为正参考方向，该集总参数电路中任意一点的信号由流经该点正负参考方向的信号波叠加而成。对于高频信号来说，当导线长度相对于信号波长不可忽略时，导线参数将由集总参数变为分布参数。与低频信号相比，由于分布参数的存在，使得高频信号在传输过程中的衰减不可忽略且衰减具有一定的周期性。分布参数的变化对衰减幅度和周期性的影响十分明显，因此获取准确的分布参数是模型能精确描述信号衰减的前提。
参考图2，图2示出了传输线理论的等效电路原理图，其中，R0、L0、C0、G0分别代表单位长度电力线的分布电阻、分布电感、分布电容、分布电导，Δx代表一段导线长度元。分布参数的值取决于电力线的材料结构以及空间分布，对于理想情况下的双导线模型，其分布参数的可由以下公式得到：
式(1)～(4)中：
R、L、C、G分别代表单位长度电力线的电阻、电感、电容、电导，单位分别为：Ω/m、H/m、F/m、S/m；Rcu为单芯导线的单位长度电阻值；XR为导线电阻的修正系数；μ0为真空磁导率；D为导线间距；a为导线的截面半径；ε为导线间电介质的介电常数；σ为导线间电介质的电导率。
参考图3，所示为趋肤效应原理图，图3中R表示导线电阻，d表示趋肤效应临界点到导线中心的距离，当采用电力线作为信号媒介时，信号的高频特性带来的趋肤效应会使电力线中的电流分布发生改变，同时也会改变其分布电阻的值。由于导线中存在交流电或交变磁场，导线中的电流会出现分布不均匀的现象。随着与导线表面距离的增加，导线内的电流密度呈指数下降，即导线内的电流会集中在导线的表面。根据电路和电磁场原理，趋肤效应使导线通过交变电流的有效面积减小了，导线的电阻增大了。趋肤效应影响下的导线电阻称为交流电阻，交流电阻随频率的增高而增大。趋肤深度与频率的开方成反比，与导线的电导率σc和磁导率μc的开方成反比。δ为在频率f下的趋肤深度，则趋肤深度和分布电阻可表示为：
式(5)～(7)中，Rcu的单位为Ω/m，rwire表示单芯导线的半径。
根据电路理论中的基尔霍夫定律：
可得到基于传输线理论的传输衰减模型H，其表达形式为：
式(8)～(10)中，V+、V-分别表示节点处正参考方向和负参考方向的电压波幅值；V(x)、I(x)分别表示距节点长度为x处的电压幅值和电流幅值；ZL为电力线的负载阻抗；γ和ZC分别为电力线的衰减系数和特性阻抗。
γ和ZC是由分布参数直接决定的电力线特性参数，计算如下：
式(11)～(12)中，j表示虚部单位，f表示信号频率。
(2)结合分布参数的特点以及标准鱼群算法的寻优模式，设计一种针对高维度大范围数据寻优的改进鱼群算法。
根据人工鱼群寻优算法(AFSA)特点，本发明设计一种可用于分布参数寻优的改进鱼群算法。具体的，由于实际电力线载波网络中，电力线的材料以及空间分布并不固定，理论公式求得的分布参数并不能满足各种工况下信道模型的需要，因此需要根据预测量数据，采用寻优算法搜索。本发明基于AFSA的特点，提出一种面向高维度大范围数据搜索的鱼群算法改进方案。首先，采用分区的方式，按照数据范围以及精度要求将水域划分若干块，降低搜索过程对视野和步长参数设置的要求，提高搜索精度；然后，在此基础上，根据各分区水域的食物浓度，每迭代一定次数之后重新按需分配给食物浓度较高水域中较多的鱼群，提高聚群行为带来的搜索效率，也减少了鱼群在局部最优值处的冗余搜索步骤；最后，根据数据搜索要求的精度，更新鱼群分布后调整视野和步长，获得精确的搜索结果。
为保证每一块水域都符合鱼群的聚群行为条件以及数据搜索精度要求，分区数量bni由下式求解：
式(13)中：NP为种群规模；dim为解空间维度；nmax为聚群行为的最大人工鱼数目，与数据精度要求成正比，nmax取值一般不超过20；ki为第i维数据搜索精度等级，若定义第i维数据范围为precisioni为第i维数据精度，则：
bni为对第i维数据的分区数量，总分区数BN为：
根据分区原理，改进AFSA算法的寻优流程见图1，具体包括步骤：
2.1输入寻优数据条件，包括数据范围和数据精度。
2.2初始化参数，参数设置包括种群规模NP、最大人工鱼数目nmax、步长Visual、视野Step，以及最大迭代次数maxcycle和最大更新代数gen，设置总分区数BN，并根据数据精度对水域进行分区。
2.3根据食物浓度更新每个区块的鱼群数目，每一代更新开始前将鱼群按照区块选择概率进行鱼群分配，分布食物浓度高的区块被鱼群选择的概率大，概率分配服从：
式(16)中：Pi j表示第i维第j个区块的选择概率；表示第i维第j个区块适应度函数值，即食物浓度；j＝1，2，…bni。
每个区块食物浓度初始化相等，被选择的概率也均等。
2.4采用标准人工鱼群算法的行为选择策略进行迭代，并更新每个区块的局部最优值和全局最优值。
本步骤采用已有的标准人工鱼群算法即可实现，为便于理解，下面将对实施步骤进行简单说明。
参见图1虚线框部分所示流程，即标准人工鱼群算法，将寻优函数的解空间映射为鱼群活动的水域，每条鱼代表解空间中的一个位置也即可行解，解对应的适应度函数值为该点的食物浓度，通过鱼群寻找食物源的行为策略更新迭代位置，并记录活动过程中得到的最优解。
鱼群更新采用式(17)更新自己位置：
式(17)中，X表示鱼群的初始位置；XD为视野范围中由行为策略选择(聚群、追尾、觅食)得到的更优值所在位置；Step是搜索步长；Rand()为区间[0,1]上的随机数。
通过与周围的鱼进行信息交换，鱼群不断的做出行为选择并进行移动，最终，在食物浓度最高的位置聚集，也即全局最优解。
2.5达到设置的最大迭代次数maxcycle后，即完成一代更新，根据每个区块的最优值更新食物浓度以及视野和步长，其中，区块的食物浓度即区块最优值对应解的适应度函数，视野和步长分别满足：
式(18)～(19)中：和分别为第i维第j个区块搜索的视野和步长；Rangei为第i维数据范围空间；步长因子m取值范围一般为[3,nmax/2]，一般取中间值保证收敛速度和稳定性的均衡。
2.6判断是否满足收敛条件，收敛则结束；否则，转至步骤2.3。
(3)利用所设计的改进鱼群算法，进行电力线信道分布参数寻优。
在进行寻优前，需要对电力线信道进行传输衰减特性预测量，以传输衰减特性的预测量数据为拟合目标曲线进行寻优。
本具体实施方式中，预测量采用仪器包括：3GHz的矢量网络分析仪NA7300以及带有工频信号隔离结构的耦合器，导线采用以PVC材料作为绝缘外层的二芯家用电力线，在1-30MHz的测量频段内采样1601个点描述宽带电力线载波通信的传输衰减特性。选取长为10m的家用电力线为信道作为测量对象，按照图4所示的方式连接测量获取信道的传输衰减特性预测量数据。
以传输衰减模型进行仿真，以预测量数据与传输衰减特性的理论仿真值的误差平方和作为目标函数F(f)，其表达形式：
式(20)中：Hm为传输衰减特性的预测量数据；HS为传输衰减特性的理论仿真值；f为信号频率。
理论仿真值通过将分布参数代入式(10)所示的传输衰减模型，并利用matlab仿真获得。
适应度函数代表着食物浓度的大小，适应度函数的大小应当与目标函数值的优化程度成正比，由于本发明涉及优化问题为最小值问题，因此适应度应当与误差平方和大小成反比，表达形式如：
根据传输线理论以及改进鱼群算法，分布参数的变化范围较大，且分布电阻与信号频率成正比，本发明针对分布参数的频变特性将分布参数R、L、C、G对应为P2、P3、P4，并以(P1，P2，P3，P4)作为鱼群坐标带入改进鱼群算法进行辨识，辨识过程中区块鱼群分布趋势变化如图5，满足鱼群按需分配的分布原则，且寻优搜索求得的分布参数值在描述电力线衰减特性上较理论值更为准确，参考图6，图中代表仿真图像和测量数据之间的误差程度，e(f)为1-30MHz频段上各频点误差平方和。
本文中所描述的具体实施例仅仅是对本发明专利精神作举例说明。本发明专利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专利的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.基于鱼群算法的电力线信道分布参数辨识方法，其特征是，至少包括：
S100基于传输线理论，将电力线信道等效为由导线和基本电气元件连接构成的集总参数电路，基于传输线理论和趋肤效应原理分析集总参数电路，获得反映分布参数与电力线信道传输衰减特性的对应关系的传输衰减模型；
S200对电力线信道的传输衰减特性进行预测量，获得传输衰减特性的预测量数据；
S300以传输衰减特性的理论仿真值和预测量数据的误差值平方和为目标函数，以目标函数的倒数为适应度函数，将分布参数作为鱼群坐标代入鱼群算法进行寻优；
所述传输衰减特性的理论仿真值采用传输衰减模型获得。
2.如权利要求1所述的基于改进鱼群算法的电力线信道分布参数辨识方法，其特征是：
步骤S100进一步包括：
S110基于传输线理论，将电力线信道等效为由导线和电气元件连接的集总参数电路；分析集总参数电路获得电力线分布参数的理论计算模型；
S120根据高频信号带来的趋肤效应得到分布参数与信号频率的关系，其中，分布电阻与信号频率的开跟方成正比；
S130根据电路理论中的基尔霍夫定律，获得分布参数与电力线信道传输衰减特性的对应关系其中，γ和ZC分别为电力线的衰减系数和特性阻抗，R0、L0、C0、G0分别代表单位长度电力线的分布电阻、分布电感、分布电容、分布电导；ZL为电力线的负载阻抗；x表示距离节点的长度；j表示虚部单位；f表示信号频率。
3.如权利要求1所述的基于改进鱼群算法的电力线信道分布参数辨识方法，其特征是：
步骤S200中，利用矢量网络分析仪与耦合器进行预测量，具体的：两耦合器分别连接电力线两端，并与矢量网络分析仪连接。
4.如权利要求1所述的基于改进鱼群算法的电力线信道分布参数辨识方法，其特征是：
步骤S300进一步包括：
S310对鱼群搜索的解空间进行分区，分区数量bni应遵循其中，NP为种群规模；dim为解空间维度；nmax为聚群行为的最大人工鱼数目；ki为第i维数据搜索精度等级，precisioni为第i维数据精度， 为第i维数据范围；bni为对第i维数据的分区数量，总分区数
S320每一代更新开始前，根据食物浓度分别更新各区块的鱼群数目，食物浓度即适应度函数值；食物浓度初始化相等；
S330采用标准人工鱼群算法更新鱼群的迭代位置，根据更新后的迭代位置更新每个区块的局部最优值和全局最优值；
S340每一代更新完成时，判断更新代数是否达到预设的最大更新代数，当达到时，结束；否则，采用各区块的局部最优值更新各区块的食物浓度以及视野、步长，重新执行步骤S330。
5.如权利要求1所述的基于改进鱼群算法的电力线信道分布参数辨识方法，其特征是：
步骤S300中，考虑分布参数的频变特性，将分布参数对应为P2、P3、P4，并以(P1，P2，P3，P4)作为鱼群坐标代入鱼群算法进行寻优；其中，f表示信号频率。
CN201810404826.2A 2018-04-28 2018-04-28 基于改进鱼群算法的电力线信道分布参数辨识方法及系统 Pending CN108681628A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810404826.2A CN108681628A (zh) 2018-04-28 2018-04-28 基于改进鱼群算法的电力线信道分布参数辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810404826.2A CN108681628A (zh) 2018-04-28 2018-04-28 基于改进鱼群算法的电力线信道分布参数辨识方法及系统

Publications (1)

Publication Number Publication Date
CN108681628A true CN108681628A (zh) 2018-10-19

Family

ID=63802567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810404826.2A Pending CN108681628A (zh) 2018-04-28 2018-04-28 基于改进鱼群算法的电力线信道分布参数辨识方法及系统

Country Status (1)

Country Link
CN (1) CN108681628A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969194A (zh) * 2019-11-21 2020-04-07 国网辽宁省电力有限公司电力科学研究院 基于改进型卷积神经网络的电缆早期故障定位方法
CN115224728A (zh) * 2022-07-19 2022-10-21 贵州大学 一种风力发电系统模型辨识方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090187285A1 (en) * 2008-01-20 2009-07-23 Yaney David S Method and Apparatus for Communicating Power Distribution Event and Location
CN102445640A (zh) * 2011-09-30 2012-05-09 云南电力试验研究院(集团)有限公司 基于向量机和人工鱼群优化的gis设备智能识别方法
CN105590032A (zh) * 2016-02-18 2016-05-18 淮阴师范学院 一种基于参数辨识的光伏组件mppt算法
CN107609298A (zh) * 2017-09-26 2018-01-19 广东电网有限责任公司电力科学研究院 一种Jiles‑Atherton模型参数辨识方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090187285A1 (en) * 2008-01-20 2009-07-23 Yaney David S Method and Apparatus for Communicating Power Distribution Event and Location
CN102445640A (zh) * 2011-09-30 2012-05-09 云南电力试验研究院(集团)有限公司 基于向量机和人工鱼群优化的gis设备智能识别方法
CN105590032A (zh) * 2016-02-18 2016-05-18 淮阴师范学院 一种基于参数辨识的光伏组件mppt算法
CN107609298A (zh) * 2017-09-26 2018-01-19 广东电网有限责任公司电力科学研究院 一种Jiles‑Atherton模型参数辨识方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUAN CHAO等: "A new discrete eel swarm intelligence algorithm", 《2014 4TH IEEE INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY》 *
彭芷璇: "基于自适应OFDM的电力线高速数据通信技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
徐晓寅等: "电力通信电源新技术及应用研究", 《通讯世界》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969194A (zh) * 2019-11-21 2020-04-07 国网辽宁省电力有限公司电力科学研究院 基于改进型卷积神经网络的电缆早期故障定位方法
CN110969194B (zh) * 2019-11-21 2023-12-19 国网辽宁省电力有限公司电力科学研究院 基于改进型卷积神经网络的电缆早期故障定位方法
CN115224728A (zh) * 2022-07-19 2022-10-21 贵州大学 一种风力发电系统模型辨识方法和系统

Similar Documents

Publication Publication Date Title
CN103728535B (zh) 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN111898289B (zh) 一种远距离无线充电lcc-s拓扑参数设计方法
CN110232207A (zh) 一种基于人工神经网络的电磁干扰滤波器设计方法
CN105701568B (zh) 一种启发式的配电网状态估计量测位置快速优化方法
CN108120521A (zh) 变压器绕组热点温度预测方法及终端设备
CN108681628A (zh) 基于改进鱼群算法的电力线信道分布参数辨识方法及系统
Hosseini et al. New high frequency multi-conductor transmission line detailed model of transformer winding for PD study
CN105160058B (zh) 一种用于电网电磁暂态计算的网络边界等值方法
CN109344918A (zh) 基于改进粒子群算法的大数据配电网故障选线分析方法
CN113933905A (zh) 一种圆锥型场源瞬变电磁反演方法
Yildiz et al. Neural models for the resonant frequency of electrically thin and thick circular microstrip antennas and the characteristic parameters of asymmetric coplanar waveguides backed with a conductor
CN106951615B (zh) 基于密母算法的电力运输网络拓扑结构设计方法
CN113807020A (zh) 基于深度学习约束的大地电磁反演方法
Liu et al. A novel crosstalk estimation method for twist non-uniformity in twisted-wire pairs
Guney et al. Concurrent neuro-fuzzy systems for resonant frequency computation of rectangular, circular, and triangular microstrip antennas
CN113381517A (zh) 基于人工蜂群算法的磁共振式无线充电系统参数设计方法
CN112287520B (zh) 基于两步优化法的油纸绝缘扩展德拜模型参数辨识方法
Simone et al. Combined PSO-FDFD Optimization of Rectangular Ridged Waveguides.
Souissi et al. Bottom-up approach for narrowband powerline channel modeling
CN110348106A (zh) 一种基于高斯过程的无线电能传输效率预测方法
Liu et al. A new method for stranded cable crosstalk estimation based on BAS-BP neural network algorithm combined with FDTD method
Xiao et al. Crosstalk prediction in twisted-wire pairs based on beetle swarm optimization algorithm
Cheng et al. An improved recurrent neural network for radio propagation loss prediction
Sarikaya et al. Adaptive neuro-fuzzy inference system for the computation of the characteristic impedance and the effective permittivity of the micro-coplanar strip line
Lu et al. Calculation of Capacitance Matrix of Non-uniform Multi-conductor Transmission Lines based on S-parameters

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221111

AD01 Patent right deemed abandoned