期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别 被引量：1
1
作者 毕贵红 鲍童语 +3 位作者 陈臣鹏 赵四洪 陈仕龙 张梓睿 《电力系统保护与控制》 EI CSCD 北大核心 2024年第4期12-25,共14页
能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(res... 能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。 展开更多
关键词 电能质量 故障识别 时频分析 混合模式分解 深度学习
下载PDF
基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断
2
作者 陈仕龙 李国辉 +3 位作者 毕贵红 鲍童语 张梓睿 罗灵琳 《电力自动化设备》 EI CSCD 北大核心 2024年第10期140-147,178,共9页
特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域。鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型。分... 特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域。鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型。分析不同区域故障时的电流波形特点,利用数学机理不同的3种算法同时分解故障电流,避免一些容易混叠的模态子序列在单一分解方法中逃逸。利用多支路并行残差网络迅速地挖掘分解分量的多尺度空间耦合交互特征,并结合门控循环单元网络模块,进一步提取故障电流的时间耦合特征,使得特征得到显著增强。利用麻雀搜索算法优化该模型的关键参数,构建充分适应电网故障诊断的网络结构,实现故障区域的快速诊断。仿真结果表明,该方案有着较高的灵敏性、较强的抗干扰能力,满足直流保护的可靠性和速动性要求。 展开更多
关键词 特高压三端混合直流 波形特征 故障区域诊断 信号分解技术 深度学习
下载PDF
基于多模式分解和多分支输入的光伏功率超短期预测
3
作者 毕贵红 张梓睿 +3 位作者 赵四洪 黄泽 鲍童语 骆钊 《高电压技术》 EI CAS CSCD 北大核心 2024年第9期3837-3849,I0001,共14页
针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发... 针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。 展开更多
关键词 光伏发电 超短期预测 自适应近邻传播聚类 多分支输入 多模式分解 深度学习
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部