CN111950588B - 一种基于改进Adaboost算法的分布式电源孤岛检测方法 - Google Patents
一种基于改进Adaboost算法的分布式电源孤岛检测方法 Download PDFInfo
- Publication number
- CN111950588B CN111950588B CN202010629787.3A CN202010629787A CN111950588B CN 111950588 B CN111950588 B CN 111950588B CN 202010629787 A CN202010629787 A CN 202010629787A CN 111950588 B CN111950588 B CN 111950588B
- Authority
- CN
- China
- Prior art keywords
- distributed power
- island
- data
- training
- adopting
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进Adaboost算法的分布式电源孤岛检测方法,包括步骤:采集并构建分布式电源运行状态数据集、采用Adaboost算法进行基分类器训练、采用K‑means++算法对训练样本进行聚类、计算检测数据与训练样本组之间相似度、结合相似度和基分类器权重确定强分类器和采用强分类器对检测数据进行孤岛判断;本申请采用Adaboost和K‑means++智能算法对检测数据进行两次分类,能够快速、有效地检测出孤岛,且不会影响逆变器输出电能质量。
Description
技术领域
本发明涉及分布式电源孤岛检测领域,具体涉及一种基于改进Adaboost算法的分布式电源孤岛检测方法背景技术。
背景技术
面对化石能源的日趋短缺和环境污染问题的日益严重,可再生能源的开发和利用越来越受到世界范围的重视,随着太阳能光伏发电、风力发电和储能系统的迅速发展,基于可再生能源的分布式发电系统在电网中的渗透率越来越高。截止2019年底,中国分布式光伏达到6263万千瓦,且增速呈持续增长趋势。
分布式并网发电系统是可再生能源并网发电的最主要形式,对于推动能源转型具有重要意义。一方面分布式电源利用可再生能源,不会产生污染排放;另一方面分布式电源可以实现本地消纳,减少能量传输损失,等。尽管分布式电源有许多优点,但分布式电源的接入也对传统电网结构带来较大冲击。基于逆变器接口的分布式发电系统的孤岛效应会导致公共连接点(Point of Common Coupling,PCC)电压幅值和频率不稳定,由于分布式系统直接与用户侧设备相连,其严重威胁用电设备和人身安全。因此,孤岛状态的及时检测是对并网逆变器设备的基本要求,快速可靠的孤岛检测技术对高分布式发电渗透率的电力系统尤为重要。
最近几年里,局部反孤岛策略成为全球研究者的研究重点。按照检测方法的区别将局部反孤岛方案分成被动式与主动式两种类型,基于对孤岛效应产生之后并网相关物理量改变的检测而完成孤岛检测。目前对于孤岛检测策略的研究有很多,有采用主动检测与被动检测相结合的方式实现孤岛检测,通过优化扰动参数改善孤岛检测效率,但忽略了扰动对于系统的影响;也有采用正反馈的主动检测方法,提高了检测速度,但这种方法会降低电网的电能质量。
发明内容
为解决现有技术中的不足,本发明提供一种基于改进Adaboost算法的分布式电源孤岛检测方法,能够快速、有效地检测出孤岛,且不会影响逆变器输出电能质量。
为了实现上述目标,本发明采用如下技术方案:
一种基于改进Adaboost算法的分布式电源孤岛检测方法,具体包括以下步骤:
1)采集并构建分布式电源运行状态数据集;
2)采用Adaboost算法进行基分类器训练;
3)采用K-means++算法对训练样本进行聚类;
4)计算检测数据与训练样本组之间相似度;
5)结合相似度和基分类器权重确定强分类器;
6)采用强分类器对检测数据进行孤岛判断。
进一步的,所述采集并构建分布式电源运行状态数据集,具体为:
采集分布式电源公共连接点的历史运行数据,包括电压V、电流I、相位ψ、频率f、有功P、无功Q共六类遥测数据以及分布式电源并网/孤岛运行状态数据;
计算分布式电源运行特征量,包括电压变化率dV/dt、电流变化率dI/dt、相位变化率dψ/dt、频率变化率df/dt、有功变化率dP/dt、无功变化率dQ/dt;
结合六类遥测数据、六类运行特征量以及对应运行状态信息,构建分布式电源运行状态数据集,作为本方法孤岛检测训练样本H
H={(x1,y1),(x2,y2),...,(xm,ym)}
其中,xi是分布式电源公共连接点遥测数据/运行特征量组,yi为0,代表正常并网状态,为1代表孤岛状态。
进一步的,所述采用Adaboost算法进行基分类器训练,具体为:
采用经典Adaboost算法对训练样本H进行训练,各组数据初始权重均为1/m;
在训练样本H中抽有放回的抽取样本数据h(n),经训练迭代N次练出基分类器αi;
计算基分类器的错误率εN,如果εN>0.5,则继续迭代,直至εN≤0.5
得到基分类器H={h1,h2,...,hN}。
进一步的,所述采用K-means++算法对训练样本进行聚类,具体为:
采用K-means++算法对训练样本集进行分组,分为K组,并将各组记为{C1,C2,…,Ck},同时记录下各个组的中心点{c1,c2,…,ck};
计算第i个基分类器对第k个样本组分类的错误率,其中,错误率是被分错的样本数占总样本数的百分比,整体的错误率用矩阵EK×N表示
其中,ek×n表示第i个基分类器对第k个组分类的错误率;
计算训练样本中第k个样本组对第i个基分类器的权重,最后得到整体的权重矩阵VK×N
其中,定义权重
进一步的,所述计算检测数据与训练样本组之间相似度,具体为:
通过计算检测数据与各训练样本组中心{c1,c2,…,ck}的欧氏距离,其倒数即为相应的相似度
其中,cks为第k个样本组中心点的第s个属性值,xjs为第j个检测数据的第s个属性值,djk为第j个样本到第k个样本组的距离,ljk为第j个样本与第k个样本组的相似度;
最后得到检测数据相似度集合矢量Ljk
Ljk=[lj1,lj2,...,ljk]。
进一步的,结合相似度和基分类器权重确定强分类器,具体为:
结合相似度和基分类器权重计算第j个检测数据对应对i个基分类器的最终权重wji
对多个基分类器加权组合,得到当前检测数据对应的最终动态的强分类器
进一步的,所述采用强分类器对检测数据进行孤岛判断,具体为:
将训练好并动态修正权重后的强分类器应用于分布式电源孤岛检测系统中,如果检测数据超过强分类器判定阈值,则判定分布式电源为孤岛状态。
本发明所达到的有益效果:
(1)本申请采用Adaboost和K-means++智能算法对检测数据进行两次分类,能够快速、有效地检测出孤岛,且不会影响逆变器输出电能质量。
(2)本申请提供的检测方法无需进行扰动信号的注入,不对电能质量造成影响。利用改进后的Adaboost算法生成分类模型可以进行两次分类的精度会高于一次分类的精度,该方法能够在传统的主动和被动法检测死区中实现精确地孤岛检测。主动式检测法注入的扰动信号、系统中的短时电能质量扰动及各类相间、对地故障均不会对上述算法造成干扰。
附图说明
图1是本发明的检测方法的逻辑框图;
图2是效果例中并网模式的电压及频率情况图;
图3是效果例中断网模式的电压及频率情况图;
图4是效果例中频率变化检测图;
图5是效果例中电压变化检测图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
经典的Adaboost算法是利用每一次分类的错误率来赋予相应的权重(即经典的Adaboost算法训练出来的基分类器的权重是固定的),对于所有的检测数据来说最终的强分类器是全局唯一的,最终分类结果的准确率也完全依赖于训练出来的强分类器。
实施例
如图1所示,步骤一:采集并构建分布式电源运行状态数据集
步骤1-1:采集分布式电源公共连接点的历史运行数据,包括电压V、电流I、相位ψ、频率f、有功P、无功Q共六类遥测数据以及分布式电源并网/孤岛运行状态数据;
步骤1-2:计算分布式电源运行特征量,包括电压变化率dV/dt、电流变化率dI/dt、相位变化率dψ/dt、频率变化率df/dt、有功变化率dP/dt、无功变化率dQ/dt;
步骤1-3:结合六类遥测数据、六类运行特征量以及对应运行状态信息,构建分布式电源运行状态数据集,作为本方法孤岛检测训练样本H;
H={(x1,y1),(x2,y2),...,(xm,ym)} (1)
式中:xi是分布式电源公共连接点遥测数据/运行特征量组,yi为0代表正常并网状态,为1代表孤岛状态。
步骤二:采用Adaboost算法进行基分类器训练
步骤2-1:采用经典Adaboost算法对训练样本H进行训练,各组数据初始权重均为1/m;
步骤2-2:在训练样本H中抽有放回的抽取样本数据h(n),经训练迭代N次练出基分类器αi;
步骤2-3:计算基分类器的错误率εN,如果εN>0.5,则继续迭代,直至εN≤0.5;
步骤2-4:得到基分类器H={h1,h2,...,hN}。
步骤三:采用K-means++算法对训练样本进行聚类
步骤3-1:采用K-means++算法对训练样本集进行分组,分为K组,并将各组记为{C1,C2,…,Ck},同时记录下各个组的中心点{c1,c2,…,ck};
步骤3-2:计算第i个基分类器对第k个样本组分类的错误率,其中,错误率是被分错的样本数占总样本数的百分比,整体的错误率用矩阵EK×N表示;
式中:ek×n表示第i个基分类器对第k个组分类的错误率;
步骤3-3:计算训练样本中第k个样本组对第i个基分类器的权重,最后得到整体的权重矩阵VK×N。
式中:定义权重
步骤四:计算检测数据与训练样本组之间相似度
步骤4-1:通过计算检测数据与各训练样本组中心{c1,c2,…,ck}的欧氏距离,其倒数即为相应的相似度;
式中:cks为第k个样本组中心点的第s个属性值,xjs为第j个检测数据的第s个属性值,djk为第j个样本到第k个样本组的距离,ljk为第j个样本与第k个样本组的相似度。
步骤4-2:然后得到检测数据相似度集合矢量Ljk。
Ljk=[lj1,lj2,...,ljk] (7)
步骤五:结合相似度和基分类器权重确定强分类器
步骤5-1:结合相似度和基分类器权重计算第j个检测数据对应对i个基分类器的最终权重wji;
步骤5-2:对多个基分类器加权组合,得到当前检测数据对应的最终动态的强分类器。
步骤六:采用强分类器对检测数据进行孤岛判断
将训练好并动态修正权重后的强分类器应用于分布式电源孤岛检测系统中,如果检测数据超过强分类器判定阈值,则判定分布式电源为孤岛状态。
效果例
本实施例采用多机并联光伏发电系统对实施例1的检测方法进行仿真验证,即分别验证实施例的检测方法与传统Adaboost算法孤岛检测方法的配合情况。从数据中随机抽选一部分作为两种算法的训练样本,先用传统Adaboost算法学习这些数据来生成强分类器;再用实施例的检测方法来检测强分类器的精度并验证准确性。
为了验证检测方法的有效性,模拟了几种情况下的孤岛检测工况,采用RLC非线性负载,使得逆变器功率与负载功率匹配,设置负载谐振频率为50Hz,此时负载相当于纯阻性负载。逆变器输出端电压有效值设置为220V,频率为50Hz,负载品质因素为2.5。分别对电压、频率两种特殊情况用两种算法进行检测对比。
如图2所示,在0.1s之前,逆变器处于并网模式,由于受到大电网电压的钳制,这段时间的频率能够稳定在50Hz。如图3所示,当0.1s公共连接点断开后,由于失去了大电网的支撑,频率和电压均有所波动,但运用不同的Adaboost算法检测孤岛状态的速度是不一样的。
如图3-4所示,0.14s以后两个检测系统开始工作,原先的Adaboost算法孤岛检测最先识别出异常数据,领先改进的Adaboost算法对异常数据进行分类。0.04s后改进的Adaboost算法检测孤岛方法对异常数据的分类能力超过原先的Adaboost算法检测方法。虽然改进的Adaboost算法孤岛检测方法比初始Adaboost算法孤岛检测方法复杂,在数据分类要多占用一定时间,但是从整个数据识别到做出判断的过程,改进后的Adaboost算法对数据分类更加准确,并且对电能质量没有影响。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于改进Adaboost算法的分布式电源孤岛检测方法,其特征在于,具体包括以下步骤:
1)采集并构建分布式电源运行状态数据集;
2)采用Adaboost算法进行基分类器训练;
3)采用K-means++算法对训练样本进行聚类;
4)计算检测数据与训练样本组之间相似度;
5)结合相似度和基分类器权重确定强分类器;
6)采用强分类器对检测数据进行孤岛判断;
所述采集并构建分布式电源运行状态数据集,具体为:
采集分布式电源公共连接点的历史运行数据,包括电压V、电流I、相位ψ、频率f、有功P、无功Q共六类遥测数据以及分布式电源并网/孤岛运行状态数据;
计算分布式电源运行特征量,包括电压变化率dV/dt、电流变化率dI/dt、相位变化率dψ/dt、频率变化率df/dt、有功变化率dP/dt、无功变化率dQ/dt;
结合六类遥测数据、六类运行特征量以及对应运行状态信息,构建分布式电源运行状态数据集,作为本方法孤岛检测训练样本H
H={(x1,y1),(x2,y2),...,(xm,ym)}
其中,xi是分布式电源公共连接点遥测数据/运行特征量组,yi为0,代表正常并网状态,为1代表孤岛状态;
所述采用Adaboost算法进行基分类器训练,具体为:
采用经典Adaboost算法对训练样本H进行训练,各组数据初始权重均为1/m;
在训练样本H中抽有放回的抽取样本数据h(n),经训练迭代N次练出基分类器αi;
计算基分类器的错误率εN,如果εN>0.5,则继续迭代,直至εN≤0.5
得到基分类器H={h1,h2,...,hN}。
2.根据权利要求1所述的一种基于改进Adaboost算法的分布式电源孤岛检测方法,其特征在于,所述采用K-means++算法对训练样本进行聚类,具体为:
采用K-means++算法对训练样本集进行分组,分为K组,并将各组记为{C1,C2,…,Ck},同时记录下各个组的中心点{c1,c2,…,ck};
计算第i个基分类器对第k个样本组分类的错误率,其中,错误率是被分错的样本数占总样本数的百分比,整体的错误率用矩阵EK×N表示
其中,ek×n表示第i个基分类器对第k个组分类的错误率;
计算训练样本中第k个样本组对第i个基分类器的权重,最后得到整体的权重矩阵VK×N
其中,定义权重
3.根据权利要求2所述的一种基于改进Adaboost算法的分布式电源孤岛检测方法,其特征在于,所述计算检测数据与训练样本组之间相似度,具体为:
通过计算检测数据与各训练样本组中心{c1,c2,…,ck}的欧氏距离,其倒数即为相应的相似度
其中,cks为第k个样本组中心点的第s个属性值,xjs为第j个检测数据的第s个属性值,djk为第j个样本到第k个样本组的距离,ljk为第j个样本与第k个样本组的相似度;
最后得到检测数据相似度集合矢量Ljk
Ljk=[lj1,lj2,...,ljk]。
4.根据权利要求3所述的一种基于改进Adaboost算法的分布式电源孤岛检测方法,其特征在于,结合相似度和基分类器权重确定强分类器,具体为:
结合相似度和基分类器权重计算第j个检测数据对应对i个基分类器的最终权重wji
对多个基分类器加权组合,得到当前检测数据对应的最终动态的强分类器
5.根据权利要求4所述的一种基于改进Adaboost算法的分布式电源孤岛检测方法,其特征在于,所述采用强分类器对检测数据进行孤岛判断,具体为:
将训练好并动态修正权重后的强分类器应用于分布式电源孤岛检测系统中,如果检测数据超过强分类器判定阈值,则判定分布式电源为孤岛状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629787.3A CN111950588B (zh) | 2020-07-03 | 2020-07-03 | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629787.3A CN111950588B (zh) | 2020-07-03 | 2020-07-03 | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950588A CN111950588A (zh) | 2020-11-17 |
CN111950588B true CN111950588B (zh) | 2023-10-17 |
Family
ID=73337388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629787.3A Active CN111950588B (zh) | 2020-07-03 | 2020-07-03 | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950588B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222067B (zh) * | 2021-06-01 | 2024-05-24 | 华北电力大学 | 基于SVM-Adaboost算法的孤岛智能检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778569A (zh) * | 2014-02-13 | 2014-05-07 | 上海交通大学 | 一种基于元学习的分布式发电孤岛检测方法 |
CN103778470A (zh) * | 2014-02-13 | 2014-05-07 | 上海交通大学 | 具有在线自学习能力的分布式发电孤岛检测方法 |
CN105574547A (zh) * | 2015-12-22 | 2016-05-11 | 北京奇虎科技有限公司 | 适应动态调整基分类器权重的集成学习方法及装置 |
CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN105868776A (zh) * | 2016-03-25 | 2016-08-17 | 中国科学院自动化研究所 | 一种基于图像处理技术的变压器设备识别方法及装置 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
CN107153845A (zh) * | 2017-05-25 | 2017-09-12 | 华北电力大学 | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 |
CN107886102A (zh) * | 2016-09-29 | 2018-04-06 | 北京君正集成电路股份有限公司 | Adaboost分类器训练方法及系统 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN108596199A (zh) * | 2017-12-29 | 2018-09-28 | 北京交通大学 | 基于EasyEnsemble算法和SMOTE算法的不均衡数据分类方法 |
WO2019085060A1 (zh) * | 2017-10-30 | 2019-05-09 | 南京阿凡达机器人科技有限公司 | 一种机器人的挥手检测方法、系统及一种机器人 |
CN109861278A (zh) * | 2019-01-23 | 2019-06-07 | 华北电力大学 | 光伏发电系统的智能被动式孤岛检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965886B2 (en) * | 2006-06-13 | 2011-06-21 | Sri International | System and method for detection of multi-view/multi-pose objects |
US9002060B2 (en) * | 2012-06-28 | 2015-04-07 | International Business Machines Corporation | Object retrieval in video data using complementary detectors |
TWI651662B (zh) * | 2017-11-23 | 2019-02-21 | 財團法人資訊工業策進會 | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 |
-
2020
- 2020-07-03 CN CN202010629787.3A patent/CN111950588B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778569A (zh) * | 2014-02-13 | 2014-05-07 | 上海交通大学 | 一种基于元学习的分布式发电孤岛检测方法 |
CN103778470A (zh) * | 2014-02-13 | 2014-05-07 | 上海交通大学 | 具有在线自学习能力的分布式发电孤岛检测方法 |
CN105574547A (zh) * | 2015-12-22 | 2016-05-11 | 北京奇虎科技有限公司 | 适应动态调整基分类器权重的集成学习方法及装置 |
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN105868776A (zh) * | 2016-03-25 | 2016-08-17 | 中国科学院自动化研究所 | 一种基于图像处理技术的变压器设备识别方法及装置 |
CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
CN107886102A (zh) * | 2016-09-29 | 2018-04-06 | 北京君正集成电路股份有限公司 | Adaboost分类器训练方法及系统 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN107153845A (zh) * | 2017-05-25 | 2017-09-12 | 华北电力大学 | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 |
WO2019085060A1 (zh) * | 2017-10-30 | 2019-05-09 | 南京阿凡达机器人科技有限公司 | 一种机器人的挥手检测方法、系统及一种机器人 |
CN108596199A (zh) * | 2017-12-29 | 2018-09-28 | 北京交通大学 | 基于EasyEnsemble算法和SMOTE算法的不均衡数据分类方法 |
CN109861278A (zh) * | 2019-01-23 | 2019-06-07 | 华北电力大学 | 光伏发电系统的智能被动式孤岛检测方法 |
Non-Patent Citations (3)
Title |
---|
光伏并网发电系统中的孤岛检测技术;刘媛媛;;城市建设理论研究(电子版)(16);第8页 * |
基于Adaboost算法的并网光伏发电系统的孤岛检测法;贾科;宣振文;林瑶琦;魏宏升;李光辉;;电工技术学报(05);146-153 * |
基于离散小波变换的分布式光伏孤岛检测方法;顾文;张健华;;浙江电力(12);23-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950588A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018120077A1 (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
WO2018045689A1 (zh) | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 | |
CN106447098A (zh) | 一种光伏超短期功率预测方法及装置 | |
CN108205725B (zh) | 一种光伏发电系统并网性能评估方法和装置 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN109086527A (zh) | 一种基于风电机组运行状态的实用化等值建模方法 | |
da Costa et al. | A comparison of machine learning-based methods for fault classification in photovoltaic systems | |
CN108879762B (zh) | 基于二元树复小波变换的孤岛检测方法 | |
CN111950588B (zh) | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN113222067B (zh) | 基于SVM-Adaboost算法的孤岛智能检测方法 | |
Feng et al. | Identification of disturbance sources based on random forest model | |
CN112564090B (zh) | 基于mblda的交直流系统暂态电压稳定监测方法 | |
He | Solar Maximum Power Point Tracking Algorithm Based on Wavelet Neural Network | |
CN111160386B (zh) | 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法 | |
Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
Nithiyananthan et al. | Enhanced R package-based cluster analysis fault identification models for three phase power system network | |
Behzadi et al. | Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier | |
Gong et al. | Fault diagnosis of micro grid inverter based on wavelet transform and probabilistic neural network | |
YanLing et al. | Research on islanding detection method of distributed photovoltaic power supply based on improved AdaBoost algorithm | |
Liu et al. | Fault diagnosis of photovoltaic array based on XGBoost method | |
Luo et al. | Short-term voltage stability assessment based on local autopattern discovery | |
He et al. | Application and Comparative Analysis of Traditional Machine Learning and Deep Learning in Transmission Line Fault Classification | |
Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
Deng et al. | Research on MPPT of photovoltaic system based on PSO with time-varying compression factor |
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 |