“马铁丰”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于Isolated forest-变点增强的企业用电异常检测方法-CN202211308706.5在审
发明人：庄丹;徐靖;张逸;马铁丰;顾玲琪 -专利权人：福建师范大学
申请日： 2022-10-25 - 公布日： 2023-01-03 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及一种基于Isolated forest‑变点增强的企业用电异常检测方法。该方法包括：首先根据收集到的企业日用电量数据，针对企业用电时间序列数据进行缺失值填充、标准化处理等；对经过清洗后的数据进行分解，剔除数据的周期性模式；使用分解后的残差项利用LSTM模型进行预测，得到预测值和真实值的误差；计算每个点的用电异常分值，得到疑似异常时间点；对残差项进行变点检测，结合异常检测和变点检测的结果，确定是否异常时间点；基于所检测到的异常时间点，定位到该时间点下的数据，使用孤立森林进一步检测异常企业。本发明所提出的变点增强算法，降低异常检测的假阳性率，得到异常时间点后结合孤立森林，能够有效的检测到异常用电企业。
一种基于 isolated forest 增强企业用电异常检测方法

[发明专利]一种电压暂降同源检测方法及系统-CN202110454229.2有效
发明人：张逸;贾荣;马铁丰;金君 -专利权人：福州大学
申请日： 2021-04-26 - 公布日： 2022-10-04 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种电压暂降同源检测方法及系统，该方法包括以下步骤：S1、从监测数据中选取触发时间最早的一条数据为基准数据；S2、对所有非基准数据，选取A相按照变压器可能的所有组合进行变换，形成SA矩阵；S3、用形状标识符表征波形的重要特征，将基准数据扩展为与SA同维度，用基于形状的动态时间规整计算相似度，形成DA矩阵；S4、选取DA每一列的最小值，用DA对应的变压器传递矩阵计算出DB、DC矩阵；S5、将相似度计算相似度矩阵W和度矩阵D，并使用轮廓系数方法获得聚类簇的数目k，然后使用k均值聚类算法完成聚类。该方法及系统有利于提高检测精度。
一种电压同源检测方法系统

[发明专利]一种基于形状上下文匹配的谐波责任划分方法及系统-CN202110455678.9在审
发明人：张逸;郭俊煜;马铁丰;刘航 -专利权人：福州大学
申请日： 2021-04-26 - 公布日： 2021-07-30 - 主分类号： G01R23/16 文献下载
摘要：本发明涉及一种基于形状上下文匹配的谐波责任划分方法及系统，该方法包括以下步骤：采用基于筛选排序算法SARA的变化点检测CPM技术寻找谐波数据变化点位置，定位信息丰富的大波动区域，进行数据分块；使用典型相关分析CCA计算波动区域用户侧整体与PCC点谐波的相关性，得到并分离背景谐波责任；基于动态调整形状上下文匹配算法DASC计算每个用户与PCC点的关联性，得到每个用户的关联性得分，作为用户的谐波责任。该方法及系统有利于提高谐波责任划分的准确性。
一种基于形状上下文匹配谐波责任划分方法系统

[发明专利]一种增量配电园区的用电需求预测方法及系统-CN201910814904.0在审
发明人：沈豫;郑欢;林红阳;雷勇;罗义旺;李金湖;许梓明;蔡菁;王彪;刘燕秋;马汉斌;朱彩霞;陈逸飞;林超;王盛;程友平;谢驰;任晶颖;刘友波;马铁丰;程明畅;王潇笛;王清池;吴彩 -专利权人：国网福建省电力有限公司经济技术研究院;国网信通亿力科技有限责任公司;四川智源新能科技有限公司;国家电网有限公司;国网信息通信产业集团有限公司
申请日： 2019-08-28 - 公布日： 2021-03-05 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开一种增量配电园区的用电需求预测方法及系统，预测方法包括如下步骤：S1、聚类分析增量配电园区各行业的负荷特征；S2、挖掘影响增量配电园区电力需求的因素；S3、对园区建设用户侧分布式电源的经济性进行分析；S4、建立增量配电园区电力需求预测模型。本发明可对园区的用电需求进行精细化且高精度的预测，以确保公司能够更好地规划、提前布点、精准投资，避免优质客户流失，产生更大的经济效益。
一种增量配电用电需求预测方法系统

[发明专利]基于OCHNN-Kmeans算法的负荷聚类方法-CN202010678492.5在审
发明人：黄道姗;杜培;张慧瑜;刘智煖;林焱;蔡冰君;林芳;张伟骏;马铁丰 -专利权人：国网福建省电力有限公司;国网福建省电力有限公司电力科学研究院
申请日： 2020-07-15 - 公布日： 2020-10-30 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于OCHNN‑Kmeans算法的负荷聚类方法，包括以下步骤：步骤S1:采集负荷数据，并进行预处理；步骤S2:采用Elbow Method和交叉验证获得最佳的聚类个数；步骤S3:通过OCHNN方法获得初始类中心C；步骤S4:将得到的初始类中心C作为K‑means的初始类中心，并利用K‑means聚类方法对预处理后的负荷数据进行划分，得到负荷曲线划分结构。本发明能够自适应调整聚类个数和聚类中心，类别划分更精确，适合大规模电力负荷数据划分。
基于 ochnn kmeans 算法负荷方法