CN109459609A - 一种基于人工神经网络的分布式电源频率检测方法 - Google Patents
一种基于人工神经网络的分布式电源频率检测方法 Download PDFInfo
- Publication number
- CN109459609A CN109459609A CN201811211114.5A CN201811211114A CN109459609A CN 109459609 A CN109459609 A CN 109459609A CN 201811211114 A CN201811211114 A CN 201811211114A CN 109459609 A CN109459609 A CN 109459609A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- node
- weight
- frequency
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工神经网络的分布式电源频率检测方法,属于分布式电源技术领域,解决了现有技术中分布式电源频率检测精度和速度较低的问题。一种基于人工神经网络的分布式电源频率检测方法,包括以下步骤:在已知分布式电源的频率条件下,采集分布式电源的电压样本数据;对所述电压样本数据及其对应的频率进行人工神经网络模型训练;基于训练得到的人工神经网络模型对分布式电源的频率进行检测。实现了分布式电源频率的智能检测,提高了分布式电源频率检测的精度和速度。
Description
技术领域
本发明涉及分布式电源技术领域,尤其涉及一种基于人工神经网络的分布式电源频率检测方法。
背景技术
随着社会的发展,电能已经成为推动社会发展不可或缺的一部分,对于电能的研究成为重要研究课题。分布式发电设备可以很好的增强电网的可靠性和经济性,提高了供电的可靠性。分布式发电设备的技术也越来越成熟,市场中也越来越多的选择分布式发电设备来增大功率和提高供电可靠性。而分布式发电设备具有频率变化较大的特点,在这种情况下,如何快速精确的检测分布式发电设备的频率成为研究的重点。
分布式电源发电具有频率变化较大的特点,而现有的用于嵌入式开发的频率检测算法在检测精度和速度上有一定的限制,因而很难实现高精度快速检测频率,并且对嵌入式系统硬件性能较高要求。
发明内容
鉴于上述的分析,本发明旨在提供一种基于神经网络的分布式电源频率检测方法,实现了分布式电源的频率检测,提高了分布式电源频率检测的精度和速度。
本发明提供一种基于人工神经网络的分布式电源频率检测方法,包括以下步骤:
在已知分布式电源的频率条件下,采集分布式电源的电压样本数据;
对所述电压样本数据及其对应的频率进行人工神经网络模型训练;
基于训练得到的人工神经网络模型对分布式电源进行检测。
上述技术方案的有益效果为:通过上述方案实现了分布式电源频率的智能检测,提高了分布式电源频率检测的精度和速度。
进一步地,在已知分布式电源的频率条件下,采集分布式电源的电压样本数据,具体包括:在已知分布式电源的频率条件下,利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路;所述AD采样电路以一定的采样频率,采集分布式电源的电压数据;再由单片机通过以太网通讯将采集的所述电压数据输入计算机。
上述进一步技术方案的有益效果为:通过一定采样频率的AD采样电路进行数据采样,提高了采样速度,进而提高了人工神经网络模型的训练速度和计算效率。
进一步地,对电压样本数据及其对应的频率进行人工神经网络模型训练,包括:对采集到的电压数据及其对应的频率进行归一化处理,形成训练样本;对上述训练样本进行正向传播,并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值,使输出层各节点的输出值与期望值之间的误差符合指标要求,完成人工神经网络模型训练。
上述进一步技术方案的有益效果为:将训练样本采用回归训练的方法输入人工神经网络进行有监督学习,相比无监督学习,有着更高的训练速度和精度。
进一步地,对采集到的电压数据及其对应的频率进行归一化处理,具体包括:将采集到的电压数据及其对应的频率通过归一化函数,映射到[-1,1]区间,所述归一化函数为y=(1-ymin)*(x-xmin)/(xmax-xmin)–1,其中,x、y分别为归一化前、后电压数据或其对应的频率,xmax、xmin分别为归一化前x的最大值和最小值。
上述进一步技术方案的有益效果为:由于训练样本中包含电压值和频率值,两参数在数量级上存在一定的差异,将采集到的电压样本数据及其对应的频率真实值进行归一化处理,有助于提高神经网络的训练速度和精度。
进一步地,对训练样本进行正向传播,并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值,使输出层各节点的输出值与期望值之间的误差符合指标要求,具体包括:
对训练样本进行正向传播,求解出各节点的实际输出值与期望值之间的误差;
按照误差梯度下降最快的方向,利用复合求导得到输出层权值更新公式和输入层与隐藏层之间的权值更新公式,根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值;
进行正向传播,求解各节点的实际输出值与期望值之间的误差,并判断所述误差是否符合指标要求;
若符合,则完成了反向传播过程,若不符合,则重新更新输出层权值以及输入层与隐藏层之间的权值,进行正向传播,求解各节点的实际输出值与期望值之间的误差,直至所述误差符合指标要求。
上述进一步技术方案的有益效果为:通过按照误差梯度下降最快的方向更新权值,减少正向传播和反向传播的迭代步骤,提高了神经网络模型的训练速度。
进一步地,对训练样本进行正向传播,求解出各节点的实际输出值与期望值之间的误差具体包括:训练样本从输入层输入,通过隐藏层的激活函数处理,经由隐藏层节点输出;经过输出层的激活函数处理,经由输出层节点输出,得到实际输出值;通过各节点实际输出值和理想输出值,计算出各节点输出误差。
进一步地,上述隐藏层节点的输出为输出层节点的输出为其中,f1(·)为隐藏层的激活函数,f2(·)为输出层的激活函数,Xi为第i个输入节点,vki表示输入层与隐藏层之间的权值,wjk表示隐藏层与输出层的权值,n,q,m分别为输入层、隐藏层、输出层的节点个数。
进一步地,根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值,具体包括:按照公式Δpwij=η(tpi-opi)opi(1-opi)xji更新输出层权值;按照公式更新输入层与隐藏层之间的权值;
其中,Δp表示第p个样本的梯度变化,η为学习效率,tpi为第p层第i个神经元的期望输出值,opi为第p层第i神经元的实际输出值,xji为神经元i到节点j的输入,xi为神经元的参数,δki=(tki-oki)oki(1-oki),tki表示隐藏层第i个节点的期望输出值,oki表示隐藏层第i个节点的实际输出值,wki表示当前输入层与隐藏层之间的权值。
进一步地,各节点的输出值与期望值之间的误差由误差函数求得,所述误差函数具体为,分别为节点的实际输出值和期望值,其中,p为训练样本总数,j=1,2,…,m,m为输出层节点个数。
进一步地,基于训练得到的人工神经网络模型对分布式电源的频率进行检测,具体包括:利用交流电压采样电路对分布式电源的电压数据进行采集,将采集到的三相电压数据进行归一化处理,将经归一化后处理的电压数据输入单片机嵌入式系统中固化的人工神经网络模型中,检测得出所述分布式电源的频率值。
上述技术方案的有益效果为:通过上述方法实现分布式电源的频率检测,提高了嵌入式系统的分布式电源频率检测的精度和鲁棒性,同时降低了频率检测对嵌入式系统硬件的高性能要求。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例所述方法的流程示意图;
图2为本发明实施例所述人工神经网络的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例,公开了一种基于神经网络的分布式电源频率检测方法。所述方法的流程示意图,如图1所示,所述方法包括以下步骤:
步骤S1、在已知分布式电源的频率条件下,采集分布式电源的电压样本数据;
具体包括,在已知分布式电源的频率条件下,利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路,所述AD采样电路以设定采样频率,采集分布式电源的电压数据,再由单片机通过以太网通讯将电压数据输入计算机。
训练样本的组成包括分布式电源的三相电压值和实际频率值,根据单片机的计算速率将采样频率设为1MHz。具体实施时,电压值是通过电阻分压的方式输入单片机自带的AD采样电路,而实际的频率值是通过示波器接高压探头测量得到。样本采集时间为五分钟,总共采集300000组样本数据,然后单片机再通过以太网通讯将数据输入计算机;
我国电网交流电一般为50Hz的正弦波,1MHz的采样频率平均每个正弦波周期有200个采样点,在综合单片机计算速率和神经网络训练效率的基础上,选择1MHz的采样率有着最高的训练速度和计算效率。
步骤S2、对电压样本数据及其对应的频率进行人工神经网络模型训练;
示例性的,构建的人工神经网络的结构示意图如图2所示,所述人工神经网络为三层全连接神经网络,输入层包含50个节点单元,隐藏层5个节点,输出层1个节点,图中n=50;
由于训练样本中包含电压值和频率值,两参数在数量级上存在一定的差异,为提高神经网络的训练速度和精度,需对采集到的电压样本数据及其对应的频率真实值进行归一化处理,即,将电压样本数据及其对应的频率真实值映射到[-1,1]区间,归一化函数为:y=(1-ymin)*(x-xmin)/(xmax-xmin)–1,其中,x、y分别对应归一化前后数据,xmax、xmin分别对应处理前数据的最大值和最小值,最后将归一化后的数据组成训练样本。
相较无监督学习,有监督学习有更高训练的速度和精度,因此训练过程采用有监督学习的神经网络训练算法,即,将训练样本采用回归训练的方法人工输入神经网络进行有监督学习;所述神经网络训练算法包括正向传播和反向传播两部分,用最速下降法更新权值,通过反向传播不断地调整神经网络输入层与隐藏层之间的权值和输出层的权值,最小化神经网络的误差平方和。下面将分正向传播和误差反向传播两方面进行描述。
步骤S21、对训练样本进行正向传播
对训练样本进行正向传播具体包括,训练样本从输入层输入,通过隐藏层的激活函数处理,经由隐藏层节点输出,然后经过输出层的激活函数处理,经由输出层节点输出,得到实际输出值,通过各节点实际输出值和理想输出值,计算出各节点误差和总误差。设人工神经网络的输入层有n个节点,隐藏层节有q个节点,输出层有m个节点数,输出层的激活函数为f2(·),隐藏层的激活函数为f1(·),wjk表示隐藏层与输出层之间的权值,vki表示输入层与隐藏层之间的权值。
则隐藏层节点的输出为
输出层节点的输出为
至此就完成了n维空间向量对m维空间的正向传播的近似映射。
步骤S22、反向传播
反向传播的实质是求取误差函数的最小值问题,用到的算法是非线性规划中的最速下降法,即按照误差函数梯度下降最快的方向更新权值,求取最优解。
假设样本总数为P,其中的每个样本表示为X1,X2,…,Xp。第P个样本输入的实际输出和理想输出为和(j=1,2,…,m),误差函数为理想输出和实际输出差的平方,那么人工神经网络的目标函数即每个样本的误差如下式所示,其中是为了方便推到。
那么p个样本的总误差为所有样本的总误差,即
接下来需要对这总误差进行最优化求解,在这里采用最速下降法进行最优化参数求解。
经过推导得出输出层各神经元(节点)的权值和第n次迭代后输出层权值的迭代公式分别为:
Δwjk=ηδjzk(式中0<η<1为学习效率)
wjk(n)=wjk(n-1)+Δwijk=wjk(n-1)+ηδjzk
式中,Δwjk为隐藏层与输出层的权值变化量,zk为神经元的参数,δj为前层神经网络至此神经元的传递参数。
隐藏层与输入层之间权值变化量和第n次隐藏层与输入层之间权值的迭代公式分别是:
Δvki=ηδkxi
vki(n)=vki(n-1)+Δvki=Δvki(n-2)+ηδkxi
式中,Δvki为隐藏层与输入层的权值变化量,η为学习效率,xi为神经元的参数,δk为前层神经网络至此神经元的传递参数。
由于神经网络的反向传播的本质是最小化目标函数值,对目标函数进行求导并按照梯度变化最快的方向改变参数有着最高的学习效率,这也是梯度法的本质。
根据梯度法,人工神经网络输出层权值更新公式的推导过程如下:
(Δp指第p个样本的梯度变化)对复合求导得:
式中:netpj为第p层第j个神经元的输入,xji为神经元i到节点j的输入,wij表示对应的权值。
首先对netpj求导:
将人工神经网络的目标函数公式带入求导公式可得
式中:tpi为第p层第i个神经元的期望输出值,opi为第p层第i个神经元的实际输出值。
所以有:
为了使表达式更加简洁,在这里定义:
由于基于梯度算法的权值是朝着目标函数的负梯度方向改变的,因此权值的该变量:
这就完成了神经网络输出层权值更新公式的推导。
下面进行输入层与隐藏层之间的权值权值变化量公式的推导。由于隐藏层神经元的w的值通过下一层来间接影响输入,因此使用逐层剥离的方式来进行求导:
其中,δki=(tki-oki)oki(1-oki),tki表示隐藏层第i个节点的期望输出值,oki表示隐藏层第i个节点的实际输出值,j∈outputs表示j属于输出层。
同理可得:
因此可得:
同理,为了使表达式更加简洁,在这里使用:
因此可以推到出,输入层与隐藏层之间的权值更新公式为:
Δvki=ηδkxi
至此就完成了神经网络输入层与隐藏层、输出层权值更新公式的推导。将要训练样本中的电压值和频率真实值依次代入此推导出的正向传播的公式,直至输出层,求解各节点的实际输出值与期望值之间的误差,利用输出层权值更新公式和输入层与隐藏层之间的权值更新公式,更新输出层权值、输入层与隐藏层之间的权值,所述误差判断是否符合指标要求,若不符合,则利用反向传播推导出的迭代公式从输出层开始反向计算,直至输入层截止,以更新输出层权值以及输入层与隐藏层之间的权值;通过不断重复正向传播和反向传播的过程,直至正向传播实际输出值与期望值之间的误差满足指标要求,即完成了此人工神经网络模型的训练。
步骤S3、基于人工神经网络对分布式电源的频率进行检测;
用步骤S2的算法计算出最优神经网络权值参数,然后将计算出的权值参数固化到设计的单片机嵌入式系统中。在实际检测频率时,利用相同的电阻分压电路将交流电压输入单片机的AD采样电路中,对分布式电源的交流电电压进行采集,采样频率同样为1MHz,然后将采集到的三相电压数据进行归一化处理,归一化算法采用步骤S2中的归一化公式,最后将归一化后的数据输入单片机嵌入式系统中固化的人工神经网络模型即可得到实际频率值。
本发明公开了一种基于人工神经网络的分布式电源频率检测算法,将机器学习算法引入到嵌入式开发中,用于频率检测,解决了现有嵌入式系统对分布式电源频率检测精度不高的问题,提高嵌入式系统对分布式电源频率检测精度和鲁棒性,降低了频率检测对嵌入式系统硬件的高性能要求。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于人工神经网络的分布式电源频率检测方法,其特征在于,包括以下步骤:
在已知分布式电源的频率条件下,采集分布式电源的电压样本数据;
对所述电压样本数据及其对应的频率进行人工神经网络模型训练;
基于训练得到的人工神经网络模型对分布式电源的频率进行检测。
2.根据权利要求1所述的方法,其特征在于,在已知分布式电源的频率条件下,采集分布式电源的电压样本数据,具体包括:
在已知分布式电源的频率条件下,利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路;
所述AD采样电路以一定的采样频率,采集分布式电源的电压数据;
由单片机通过以太网通讯将采集的所述电压数据输入计算机。
3.根据权利要求2所述的方法,其特征在于,对电压样本数据及其对应的频率进行人工神经网络模型训练,包括:
对采集到的电压数据及其对应的频率进行归一化处理,形成训练样本;
对所述训练样本进行正向传播,并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值,使输出层各节点的输出值与期望值之间的误差符合指标要求,完成人工神经网络模型训练。
4.根据权利要求3所述的方法,其特征在于,对采集到的电压数据及其对应的频率进行归一化处理,具体包括:
将采集到的电压数据及其对应的频率通过归一化函数,映射到[-1,1]区间,所述归一化函数为:
y=(1-ymin)*(x-xmin)/(xmax-xmin)–1
其中,x、y分别为归一化前、后电压数据或其对应的频率,xmax、xmin分别为归一化前x的最大值和最小值。
5.根据权利要求3所述的方法,其特征在于,对训练样本进行正向传播,并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值,使输出层各节点的输出值与期望值之间的误差符合指标要求,具体包括:
对训练样本进行正向传播,求解出各节点的实际输出值与期望值之间的误差;
按照误差梯度下降最快的方向,利用复合求导得到输出层权值更新公式和输入层与隐藏层之间的权值更新公式,根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值;
进行正向传播,求解各节点的实际输出值与期望值之间的误差,并判断所述误差是否符合指标要求;
若符合,则完成了反向传播过程,若不符合,则重新更新输出层权值以及输入层与隐藏层之间的权值,进行正向传播,求解各节点的实际输出值与期望值之间的误差,直至所述误差符合指标要求。
6.根据权利要求5所述的方法,其特征在于,对训练样本进行正向传播,求解出各节点的实际输出值与期望值之间的误差具体包括:
训练样本从输入层输入,通过隐藏层的激活函数处理,经由隐藏层节点输出;
经过输出层的激活函数处理,经由输出层节点输出,得到实际输出值;
通过各节点实际输出值和理想输出值,计算出各节点输出误差和总误差。
7.根据权利要求6所述的方法,其特征在于,隐藏层节点的输出为输出层节点的输出为其中,f1(·)为隐藏层的激活函数,f2(·)为输出层的激活函数,Xi为第i个输入节点,vki表示输入层与隐藏层之间的权值,wjk表示隐藏层与输出层的权值,n,q,m分别为输入层、隐藏层、输出层的节点个数。
8.根据权利要求5所述的方法,其特征在于,根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值,具体包括:
按照公式Δpwij=η(tpi-opi)opi(1-opi)xji更新输出层权值;
按照公式更新输入层与隐藏层之间的权值;
其中,Δp表示第p个样本的梯度变化,η为学习效率,tpi为第p层第i个神经元的期望输出值,opi为第p层第i神经元的实际输出值,xji为神经元i到节点j的输入,xi为神经元的参数,δki=(tki-oki)oki(1-oki),tki表示隐藏层第i个节点的期望输出值,oki表示隐藏层第i个节点的实际输出值,wki表示当前输入层与隐藏层之间的权值。
9.根据权利要求5所述的方法,其特征在于,各节点的输出值与期望值之间的误差由误差函数求得,所述误差函数具体为, 分别为节点的实际输出值和期望值,其中,p为训练样本总数,j=1,2,…,m,m为输出层节点个数。
10.根据权利要求1所述的方法,其特征在于,基于训练得到的人工神经网络模型对分布式电源的频率进行检测,具体包括:利用交流电压采样电路对分布式电源的电压数据进行采集,将采集到的三相电压数据进行归一化处理,将经归一化后处理的电压数据输入单片机嵌入式系统中固化的人工神经网络模型中,检测得出所述分布式电源的频率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811211114.5A CN109459609B (zh) | 2018-10-17 | 2018-10-17 | 一种基于人工神经网络的分布式电源频率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811211114.5A CN109459609B (zh) | 2018-10-17 | 2018-10-17 | 一种基于人工神经网络的分布式电源频率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109459609A true CN109459609A (zh) | 2019-03-12 |
CN109459609B CN109459609B (zh) | 2020-10-13 |
Family
ID=65607901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811211114.5A Active CN109459609B (zh) | 2018-10-17 | 2018-10-17 | 一种基于人工神经网络的分布式电源频率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459609B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
TWI770638B (zh) * | 2020-10-16 | 2022-07-11 | 佳得股份有限公司 | 一種行動通信低延遲分散式電力系統輔助服務裝置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023068A1 (en) * | 2011-08-11 | 2013-02-14 | Greenray Industries, Inc. | Neural network frequency control |
CN104833852A (zh) * | 2015-05-11 | 2015-08-12 | 重庆大学 | 一种基于人工神经网络的电力系统谐波信号估计测量方法 |
CN105572472A (zh) * | 2015-12-11 | 2016-05-11 | 广东电网有限责任公司茂名供电局 | 分布式电源环境的频率测量方法与系统 |
US20180260694A1 (en) * | 2017-03-07 | 2018-09-13 | International Business Machines Corporation | Battery-based neural network weights |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
-
2018
- 2018-10-17 CN CN201811211114.5A patent/CN109459609B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023068A1 (en) * | 2011-08-11 | 2013-02-14 | Greenray Industries, Inc. | Neural network frequency control |
CN104833852A (zh) * | 2015-05-11 | 2015-08-12 | 重庆大学 | 一种基于人工神经网络的电力系统谐波信号估计测量方法 |
CN105572472A (zh) * | 2015-12-11 | 2016-05-11 | 广东电网有限责任公司茂名供电局 | 分布式电源环境的频率测量方法与系统 |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
US20180260694A1 (en) * | 2017-03-07 | 2018-09-13 | International Business Machines Corporation | Battery-based neural network weights |
Non-Patent Citations (1)
Title |
---|
刘涤尘等: "基于人工神经网络的电网频率测量方法", 《电网技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
TWI770638B (zh) * | 2020-10-16 | 2022-07-11 | 佳得股份有限公司 | 一種行動通信低延遲分散式電力系統輔助服務裝置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109459609B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yunpeng et al. | Multi-step ahead time series forecasting for different data patterns based on LSTM recurrent neural network | |
Gu et al. | GAN-based model for residential load generation considering typical consumption patterns | |
CN103077267B (zh) | 一种基于改进bp神经网络的参量声源建模方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN105160401A (zh) | 一种基于忆阻器阵列的wta神经网络及其应用 | |
CN103514566A (zh) | 一种风险控制系统及方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
CN108170885B (zh) | 一种配电网中多谐波源识别方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
Tian | Preliminary research of chaotic characteristics and prediction of short-term wind speed time series | |
CN106162868A (zh) | 基于位置指纹的高效室内定位方法 | |
Nie et al. | Chaos Quantum‐Behaved Cat Swarm Optimization Algorithm and Its Application in the PV MPPT | |
CN106327357A (zh) | 一种基于改进概率神经网络的负载识别方法 | |
Jarábek et al. | Energy load forecast using S2S deep neural networks with k-Shape clustering | |
CN109459609A (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
Mohammad et al. | Short term load forecasting using deep neural networks | |
Mollaiy-Berneti | Developing energy forecasting model using hybrid artificial intelligence method | |
CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及系统 | |
Wibawa et al. | Deep Learning Approaches with Optimum Alpha for Energy Usage Forecasting | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及系统 | |
Yin et al. | Multi-step Prediction Algorithm of Traffic Flow Chaotic Time Series Based on Volterra Neural Network. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |