申请/专利权人:安徽理工大学
申请日:2023-05-09
公开(公告)日:2023-09-12
公开(公告)号:CN116738306A
主分类号:G06F18/241
分类号:G06F18/241;H02J3/00;G06F18/211;G06N3/006
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.09.29#实质审查的生效;2023.09.12#公开
摘要:本发明公开了一种AASO联合KELM的电力负荷在线辨识方法,包括:采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率;分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征;将提取到的时域特征、频域特征和熵特征合并,得到电力负荷的联合特征;基于自适应原子搜索算法AASO对电力负荷的联合特征进行特征筛选,得到电力负荷筛选特征;将筛选得到的特征作为核极限学习机KELM模型的输入,构建电力负荷辨识模型。本发明借助AASO实现了电力负荷特征的有效筛选,利用AASO进行KELM模型隐含层神经元数目的自整定解决了模型超参数选择的难题。
主权项:1.一种AASO联合KELM的电力负荷在线辨识方法,其特征在于:包括以下步骤:S1:采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率;S2:分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征;S3:将提取到的时域特征、频域特征和熵特征合并,得到电力负荷的联合特征;S4:基于自适应原子搜索算法AdaptiveAtomSearchOptimization,AASO对电力负荷的联合特征进行特征筛选,得到电力负荷筛选特征;S5:将筛选得到的特征作为核极限学习机KernelExtremeLearningMachine,KELM模型的输入,构建电力负荷辨识模型。
全文数据:
权利要求:
百度查询: 安徽理工大学 一种AASO联合KELM的电力负荷在线辨识方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。