CN115841176A - 充电桩变频负荷的安全态势感知方法及系统 - Google Patents
充电桩变频负荷的安全态势感知方法及系统 Download PDFInfo
- Publication number
- CN115841176A CN115841176A CN202211476469.3A CN202211476469A CN115841176A CN 115841176 A CN115841176 A CN 115841176A CN 202211476469 A CN202211476469 A CN 202211476469A CN 115841176 A CN115841176 A CN 115841176A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- particle
- value
- variable frequency
- neural network
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种充电桩变频负荷的安全态势感知方法及系统,获取与充电桩连接的电能表电压数据;根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子;本发明提高了粒子群算法的局部及全局搜索能力和收敛速度,避免了粒子群算法陷入局部最优和过早收敛,提高了粒子群算法的性能,提高了感知精度和感知效率。
Description
技术领域
本发明涉及充电桩技术领域,特别涉及一种充电桩变频负荷的安全态势感知方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
态势感知被分为三个不同阶段,如图1所示:包括:认知:获取环境信息要素,整合处理信息;理解:对整合处理的信息进行分析处理,产生当前态势状况;预测:根据当前的态势状况,预测未来环境变化趋势。
对充电桩变频负荷态势能产生影响的指标众多,而筛选出具有典型数据的态势指标,形成后续态势环节的数据来源,可以为下一步的评估和预测提供可信赖的数据支撑。构建指标体系需要参考一定的原则,具体来说就是从不同维度进行充电桩变频负荷态势指标体系的构建:(1)分层分类原则,充电桩变频负荷态势指标是层次化的,这些指标在对于不同的充电桩都有其不同意义,而且处理过程各不相同,所以应当进行分层分类考虑;(2)相似相近原则,充电桩变频负荷态势感知需要考虑的影响因素特别多,但是其中不乏存在相近、类似、交叉的指标数据,类似的指标应当都纳入统一考量。
发明人发现,目前已存在的充电桩变频负荷态势感知方法存在着电荷监测困难、低压拓扑缺失等问题,制约了充电桩变频负荷态势感知的发展。
发明内容
为了解决现有技术的不足,本发明提供了一种充电桩变频负荷的安全态势感知方法及系统,实现了更精准和更高效的充电桩态势感知。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种充电桩变频负荷的安全态势感知方法。
一种充电桩变频负荷的安全态势感知方法,包括以下过程:
获取与充电桩连接的电能表电压数据;
根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;
其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子。
作为本发明第一方面可选的一种实现方式,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子w,包括:
其中,wmax和wmin分别为惯性因子的最大值和最小值,t为迭代次数,Tmax为最大迭代次数,β为惯性因子的变换系数。
作为本发明第一方面可选的一种实现方式,粒子群优化算法中,设置门限值,当前迭代次数小于门限值时,将每个粒子的位置与全局极值求和取平均;当前迭代次数大于或等于门限值时,添加随机扰动项对全局极值进行干扰。
作为本发明第一方面进一步的限定,k=0.5×(1+rand);
其中,k为随机扰动项,rand为随机数。
作为本发明第一方面可选的一种实现方式,粒子群优化算法,包括:
种群初始化;
通过目标函数计算各个粒子的适应度值,得到个体极值和全局极值;
判断当前迭代次数是否小于门限,如是,则根据全局极值更新粒子的位置;否则,对全局极值添加扰动项;
判断是否满足终止条件,若满足,迭代将停止;否则,返回通过目标函数计算各个粒子的适应度值的步骤。
作为本发明第一方面进一步的限定,根据全局极值更新粒子的位置,包括:
其中,P新(t)为第t次迭代时更新后的粒子位置,P(t)为第t次迭代时更新前的粒子位置,Gbest(t)为第t次迭代时的全局极值。
作为本发明第一方面可选的一种实现方式,采用粒子群优化算法进行BP神经网络模型的权值优化,包括:
初始化各个参数:包括种群规模、惯性因子的最大及最小值、学习因子、神经网络各层的神经元个数、目标误差、粒子的位置和速度范围;
初始化粒子群优化算法的粒子群,根据BP神经网络的神经元的个数可随机生成各粒子的位置和速度向量。
输入训练样本集,将BP神经网络的误差函数作为适应度函数计算粒子的适应度,并由适应度值确定粒子的个体极值和种群的全局极值;
迭代更新粒子的位置和速度,并计算每次迭代后的适应度值,根据适应度值调整粒子的个体极值和全局极值,直到满足终止条件;
将最后获得的全局最优解作为BP神经网络的权值。
本发明第二方面提供了一种充电桩变频负荷的安全态势感知系统。
一种充电桩变频负荷的安全态势感知系统,包括:
数据获取模块,被配置为:获取与充电桩连接的电能表电压数据;
态势感知模块,被配置为:根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;
其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的充电桩变频负荷的安全态势感知方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的充电桩变频负荷的安全态势感知方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明创新性的提出了一种充电桩变频负荷的安全态势感知方法及系统,采用粒子群优化后的BP神经网络进行充电桩变频负荷的安全态势感知,提高了感知的精度和效率。
2、本发明创新性的提出了一种充电桩变频负荷的安全态势感知方法及系统,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子,提高了粒子群算法的局部及全局搜索能力和收敛速度,避免了粒子群算法陷入局部最优和过早收敛,提高了粒子群算法的性能。
3、本发明创新性的提出了一种充电桩变频负荷的安全态势感知方法及系统,设置门限,当前迭代次数小于门限时,将每个粒子的位置与全局极值求和取平均,适当减小种群全结局搜索能力的同时,提高了种群的局部搜索能力;当前迭代次数大于或等于门限时,添加随机扰动项对全局极值进行干扰,提高了种群的全局搜索能力。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为背景技术中提供的态势感知三个不同阶段示意图;
图2为本发明实施例1提供的充电桩变频负荷的安全态势感知方法的流程示意图;
图3为本发明实施例1提供的预测结果示意图;
图4为本发明实施例2提供的充电桩变频负荷的安全态势感知系统的结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图2所示,本发明实施例1提供了一种充电桩变频负荷的安全态势感知方法,基于粒子群优化算法与BP神经网络的结合,可监测到一个变压器下所有充电桩的电压情况,利用集中器到电能表的通信资源,由集中器进行边缘计算,直接采集电能表电压数据,判断充电桩是否发生低电压,避免主站系统不断召测电能表电压数据造成的流量浪费,可节省集中器向用电信息采集系统上传数据带来的通信费用;通过对充电桩电压的常态化监测,加快了低电压治理,提升了电网运行效益及优质服务水平,有力支撑了电网高质量发展。
具体的,包括以下过程:
获取与充电桩连接的电能表电压数据;
根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果。
粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于群体演化的进化算法以及基于迭代和群智能的优化算法,假设粒子群的种群大小为N,搜索空间维数为D,D也表示网络权值的个数;第i个粒子在D维的空间位置表示为Pi=(pi1,pi2,…,piD),i=1,2,…,N,第i个粒子的速度位置为Vi=(vi1,vi2,…,viD);则第i个粒子在D维搜索空间的当前所能发现的最佳极值为Pbesti=(pbesti1,pbesti2,…,pbestiD);
种群全局的最优位置记为Gbes=(gbest1,gbest2,…,gbestD),在D维的解空间中,每一次的迭代,每个粒子的速度和位置都随自身的个体极值位置和当前全局最优位置变化,则速度更新和位置更新的表达式如式(1)和式(2):
Vi(t+1)=wVi(t)+c1r1(Pbesti(t)-Pi(t))+c2r2(Gbest(t)-Pi(t)) (1)
Pi(t+1)=Pi(t)+Vi(t+1) (2)
其中,t为迭代次数,w为平衡全局和局部搜索能力的惯性因子,c1和c2为学习因子,一般为正常数,取值范围为[0,4],r1和r2表示在0~1之间的随机数字;Vi∈[-vmax,vmax],Pi∈[-pmax,pmax],vmax和pmax分别表示粒子速度的最大值和粒子位置的最大值,且分别用来限制粒子速度和位置。
需要说明的是:式(1)为标准粒子群优化算法(SPSO),种群大小N根据要求而定,一般情况下种群规模大小N取值为20~40;当w=0时,速度只取决于当前位置和历史最好位置,速度本身没有记忆性;w较大时,算法具有较强的全局搜索能力;w较小时,算法具有较强的局部搜索能力;粒子的最大速度vmax决定当前位置与最佳位置之间的区域精度,当vmax过大时,粒子就会存在超过极小点的危险,当vmax太小时,粒子就会仅在在局部极小点区域内搜索,粒子会陷入局部最优。
由于PSO算法寻优精度低、局部寻优能力差、容易出现早熟现象等,所以许多科研人员对PSO算法提出了改进方案,以提高算法的局部及全局搜索能力和收敛速度,避免算法陷入局部最优和过早收敛,提高PSO算法的性能,本实施例对粒子群优化算法的改进如下所示:
(1)对PSO算法的惯性因子进行改进
PSO算法的寻优过程为非线性的,所以本文给出了惯性因子递减策略,则改进后的惯性因子的数学表达式如式(3)所示:
其中,wmax和wmin分别表示惯性因子的最大值和最小值;t表示迭代次数,Tmax表示最大迭代次数;β表示改变惯性因子的变换系数。
(2)对PSO算法的种群多样性进行改进
本实施例对种群的多样性进行改进,在算法初期保持全局搜索能力的同时,适当提高算法的局部搜索能力;在算法后期,适当的提髙全局搜索能力,使算法不易陷入局部极小。
具体的改进策略为:设置门限T,当前迭代次数t<T时,将每个粒子的位置与全局极值求和去平均,目前的是适当减小种群全结局搜索能力的同时,提高种群的局部搜索能力;当t≥T时,添加随机扰动项k对全局极值进行干扰,目的是适当提高种群的全局搜索能力,k的表达式如式(4)所示:
k=0.5×(1+rand) (4)
具体改进的PSO算法如下:
步骤一:种群初始化,随机产生种群规模大小为N;
步骤二:通过目标函数计算各个粒子的适应度值,得到个体极值和全局极值;
步骤三:判断统计当前迭代次数是否小于门限T,若成立可根据全局极值更新粒子的位置,即:
如果当前迭代次数大于门限T,对全局极值添加扰动项,即:
然后根据Pi(t+1)=Pi(t)+Vi(t+1)更新。
步骤四:判断是否满足终止条件,若满足,迭代将停止;否则,返回步骤二。
PSO算法与BP神经网络算法是两种不同的优化算法,这两种算法也适用于不同的优化问题。PSO算法种群之间相互协作且多个粒子在一个多维的空间中进行同步搜索,若其中一个粒子陷入局部极小,则需要在其他粒子带动下跳出局部极小;
BP神经网络算法仅有一个粒子,因此更容易陷入局部最优解,该算法对权值的优化是从多维空间的某一点开始,通过梯度信息进行局部搜索,因此将这两种算法结合使用能够有效提高网络的分类精度以及泛化和学习能力;
PSO算法的全局搜索能力可以优化BP神经网络的拓扑结构和连接权值;另外,BP神经网络的误差函数将作为PSO算法的适应度函数。
基于改进粒子群算法优化的BP神经网络的主要步骤如下:
步骤一:初始化各个参数:包括种群规模、惯性因子的最大及最小值、学习因子、神经网络各层的神经元个数、目标误差和粒子的位置和速度范围等并构建神经网络;
步骤二:初始化PSO算法的粒子群:根据BP神经网络的神经元的个数可随机生成各粒子的位置和速度向量;
步骤三:输入训练样本集,将BP神经网络的误差函数作为适应度函数计算粒子的适应度,并由适应度值确定粒子的个体极值和种群的全局极值;
步骤四:迭代更新粒子的位置和速度,并计算每次迭代后的适应度值,根据适应度值调整粒子的个体极值和全局极值,直到满足终止条件;
步骤五:将最后获得的全局最优解作为BP神经网络的权值并输入测试样本对网络进行测试,得到态势感知结果。
通过采集的数据进行实验,结果如图3所示。由此可知,本实施例所述方法对于态势感知的结果与真实值相近,具有较好的预测效果,根据预测数据的预测结果可以得到各个评价指标值,其中MAE=0.0286、RMSE=0.0312,由此可知,基于本实施例所述方法的态势预测有较高的准确性,预测结果基本和实际态势结果相吻合,具有一定的可行性。
由本:实施例所述方法得到的预测值与期望值如表1所示。由此可知,本实施例所述方法的预测结果基本和实际态势结果相吻合,具有一定的可行性。
表1:预测值与期望值
预测样本 | 预测值 | 实际值 | 预测样本 | 预测值 | 实际值 |
1 | 0.49 | 0.51 | 8 | 0.68 | 0.71 |
2 | 0.50 | 0.45 | 9 | 0.71 | 0.67 |
3 | 0.53 | 0.50 | 10 | 0.54 | 0.50 |
4 | 0.54 | 0.59 | 11 | 0.43 | 0.45 |
5 | 0.55 | 0.56 | 12 | 0.61 | 0.63 |
6 | 0/62 | 0.59 | 13 | 0.57 | 0.58 |
7 | 0.55 | 0.53 | 14 | 0.43 | 0.46 |
实施例2:
如图4所示,本发明实施例2提供了一种充电桩变频负荷的安全态势感知系统,包括:
数据获取模块,被配置为:获取与充电桩连接的电能表电压数据;
态势感知模块,被配置为:根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;
其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子。
所述系统的工作方法与实施例1提供的充电桩变频负荷的安全态势感知方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的充电桩变频负荷的安全态势感知方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的充电桩变频负荷的安全态势感知方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种充电桩变频负荷的安全态势感知方法,其特征在于,包括以下过程:
获取与充电桩连接的电能表电压数据;
根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;
其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子。
3.如权利要求1所述的充电桩变频负荷的安全态势感知方法,其特征在于,
粒子群优化算法中,设置门限值,当前迭代次数小于门限值时,将每个粒子的位置与全局极值求和取平均;当前迭代次数大于或等于门限值时,添加随机扰动项对全局极值进行干扰。
4.如权利要求3所述的充电桩变频负荷的安全态势感知方法,其特征在于,k=0.5×(1+rand)
其中,k为随机扰动项,rand为随机数。
5.如权利要求1所述的充电桩变频负荷的安全态势感知方法,其特征在于,
粒子群优化算法,包括:
种群初始化;
通过目标函数计算各个粒子的适应度值,得到个体极值和全局极值;
判断当前迭代次数是否小于门限,如是,则根据全局极值更新粒子的位置;否则,对全局极值添加扰动项;
判断是否满足终止条件,若满足,迭代将停止;否则,返回通过目标函数计算各个粒子的适应度值的步骤。
7.如权利要求1所述的充电桩变频负荷的安全态势感知方法,其特征在于,
采用粒子群优化算法进行BP神经网络模型的权值优化,包括:
初始化各个参数:包括种群规模、惯性因子的最大及最小值、学习因子、神经网络各层的神经元个数、目标误差、粒子的位置和速度范围;
初始化粒子群优化算法的粒子群,根据BP神经网络的神经元的个数可随机生成各粒子的位置和速度向量。
输入训练样本集,将BP神经网络的误差函数作为适应度函数计算粒子的适应度,并由适应度值确定粒子的个体极值和种群的全局极值;
迭代更新粒子的位置和速度,并计算每次迭代后的适应度值,根据适应度值调整粒子的个体极值和全局极值,直到满足终止条件;
将最后获得的全局最优解作为BP神经网络的权值。
8.一种充电桩变频负荷的安全态势感知系统,其特征在于,包括:
数据获取模块,被配置为:获取与充电桩连接的电能表电压数据;
态势感知模块,被配置为:根据获取的电能表电压数据与预训练的BP神经网络模型,得到充电桩变频负荷的安全态势感知结果;
其中,采用粒子群优化算法进行BP神经网络模型的权值优化,根据惯性因子的最大值和最小值、迭代次数、最大迭代次数和变换系数得到粒子群优化算法的惯性因子。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的充电桩变频负荷的安全态势感知方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的充电桩变频负荷的安全态势感知方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476469.3A CN115841176A (zh) | 2022-11-23 | 2022-11-23 | 充电桩变频负荷的安全态势感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476469.3A CN115841176A (zh) | 2022-11-23 | 2022-11-23 | 充电桩变频负荷的安全态势感知方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841176A true CN115841176A (zh) | 2023-03-24 |
Family
ID=85576320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211476469.3A Pending CN115841176A (zh) | 2022-11-23 | 2022-11-23 | 充电桩变频负荷的安全态势感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841176A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911579A (zh) * | 2023-09-14 | 2023-10-20 | 国网江苏省电力有限公司常州供电分公司 | 配电台区的调度方法及装置 |
CN117350891A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于粒子群优化模型的电网安全检测方法及系统 |
CN117910329A (zh) * | 2024-03-19 | 2024-04-19 | 山东省计算中心(国家超级计算济南中心) | 基于改进粒子群优化算法的海洋时序数据预测方法及系统 |
-
2022
- 2022-11-23 CN CN202211476469.3A patent/CN115841176A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911579A (zh) * | 2023-09-14 | 2023-10-20 | 国网江苏省电力有限公司常州供电分公司 | 配电台区的调度方法及装置 |
CN116911579B (zh) * | 2023-09-14 | 2023-12-08 | 国网江苏省电力有限公司常州供电分公司 | 配电台区的调度方法及装置 |
CN117350891A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于粒子群优化模型的电网安全检测方法及系统 |
CN117910329A (zh) * | 2024-03-19 | 2024-04-19 | 山东省计算中心(国家超级计算济南中心) | 基于改进粒子群优化算法的海洋时序数据预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gharehchopogh et al. | Advances in sparrow search algorithm: a comprehensive survey | |
CN115841176A (zh) | 充电桩变频负荷的安全态势感知方法及系统 | |
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN110752410A (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN111398832A (zh) | 一种基于anfis模型的公交车电池soc预测方法 | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN112798961B (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115906399A (zh) | 一种改进的小样本数据下产品关键工艺质量预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN111444569A (zh) | 一种基于改进粒子群算法的梁结构测点优化方法 | |
Liu et al. | A survey of artificial bee colony algorithm | |
CN114597970A (zh) | 一种基于图卷积网络的主动配电网分区方法 | |
Liu et al. | Optimal control of mobile monitoring agents in immune-inspired wireless monitoring networks | |
CN114153828A (zh) | 光伏发电系统智能数据清洗方法与装置 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN113466710A (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN113657029A (zh) | 异源数据驱动的飞行器高效近似优化方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
CN104834970B (zh) | 一种具有泛化能力的水电集群动态等值方法 | |
CN112308229A (zh) | 基于自组织映射的动态多目标演化优化方法 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
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 |