-
公开(公告)号：CN116384572A
公开(公告)日：2023-07-04
申请号：CN202310338080.0
申请日：2023-03-31
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06N3/08 , H02J3/00
Abstract: 基于多维门控循环单元的序列到序列电力负荷预测方法，步骤1：收集多个样本日的负荷功率和影响因素数据，将数据集划分为训练集和测试集；步骤2：通过输入模块对输入数据维度化处理；步骤3：建立基于多维门控循环单元的序列到序列多维时序预测模型；步骤4：利用基于梯度提升分位数回归贝叶斯优化算法的交叉验证超参数寻优策略预训练模型，获得模型的最优超参数；步骤5：利用训练集再训练模型确定预测模型的最佳权重和偏置参数，并输入测试集，获得最终负荷预测结果。
-
公开(公告)号：CN112861992B
公开(公告)日：2022-09-02
申请号：CN202110256120.8
申请日：2021-03-09
Applicant: 三峡大学
Abstract: 本发明公开了基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，包括：采集多座风电场多个时刻的历史功率观测数据集；对空间多维风电功率数据集进行降维，得到降维的历史特征数据，再结合气象信息，共同作为预测功率的影响因素，对预测功率的影响因素进一步降维得到低维特征；从低维特征中选出独立特征，并利用具有动态映射能力的神经网络进行预测，得到风电场功率的低维预测数据；对低维预测数据进行解码重构，得到各风电场的功率预测结果。本发明的方法在不增加预测变量维数情况下使得预测精度得以提高，相对于常规降维方法，显著降低了误差；本发明通过充分解析多维风电功率间的非线性关系，进一步提高了功率预测的精度。
-
公开(公告)号：CN113890109B
公开(公告)日：2023-08-25
申请号：CN202111035137.7
申请日：2021-09-05
Applicant: 三峡大学
IPC: H02J3/46 , G06N3/0455 , G06N3/0475 , G06F18/23213
Abstract: 本发明公开了具有时间空间相关性的多风电场功率日场景生成方法，包括：获取多风电场的日场景数据集；利用张量自组织映射神经网络对日场景数据集进行聚类；对各聚类簇分别构建变分自编码器，从日场景数据中提取隐含特征；利用隐含特征对各簇日场景数据进行随机模拟和抽样，得到日场景隐含变量数据集；对日场景隐含变量数据集进行解码重构，得到各簇重构的日场景数据；将各簇重构的日场景数据进行聚合，得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构，提高了重构生成的日场景数据的精度，本发明通过考虑场景数据的时间空间相关性，显著降低了重构的空间和时间相关性误差，强化了生成场景的特征表达能力。
-
公开(公告)号：CN115511162A
公开(公告)日：2022-12-23
申请号：CN202211084529.7
申请日：2022-09-06
Applicant: 三峡大学
Abstract: 一种基于CVMD‑GRU‑DenseNet混合模型的短期电力负荷预测方法，它包括以下步骤：步骤1：采集目标地区一定时间段为单位的负荷功率时间序列数据集；步骤2：将负荷功率时间序列分解为K个本征模态函数分量和1个残差分量；步骤3：筛选与预测分量关系密切的输入特征，依据各分量序列周期及复杂度的差异选用不同的预测模型；步骤4：将各子序列分量的预测结果叠加，重构得到未来日时序负荷预测结果。本发明的目的是为了解决现有技术存在的利用变分模态分解VMD对负荷进行分解难以确定最佳分解次数的技术问题。
-
公开(公告)号：CN115660161A
公开(公告)日：2023-01-31
申请号：CN202211274642.1
申请日：2022-10-18
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/06 , H02J3/00 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/048
Abstract: 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法，包括采集某地区多个历史样本日的负荷值及相关影响因素数据；对输入数据进行分类，并将原始负荷数据重构为面板数据矩阵以缩短时间序列的长度，从而降低模型复杂度；对输入数据进行归一化，将数据集划分为训练集、验证集和测试集；设定模型超参数；建立时序融合Transformer模型；基于训练集对模型进行迭代训练，确定模型的最佳权重及偏置参数集；基于验证集优选出模型的最佳超参数，并基于最佳超参数对预测模型再训练；基于训练后的预测模型在测试集上验证模型性能。本发明提出的概率负荷预测方法可为电网运营商在中期电力优化调度和市场交易中提供更准确、更详细的负荷预测信息。
-
Patent Agency Ranking
公开(公告)号：CN112861992A
公开(公告)日：2021-05-28
申请号：CN202110256120.8
申请日：2021-03-09
Applicant: 三峡大学
Abstract: 本发明公开了基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，包括：采集多座风电场多个时刻的历史功率观测数据集；对空间多维风电功率数据集进行降维，得到降维的历史特征数据，再结合气象信息，共同作为预测功率的影响因素，对预测功率的影响因素进一步降维得到低维特征；从低维特征中选出独立特征，并利用具有动态映射能力的神经网络进行预测，得到风电场功率的低维预测数据；对低维预测数据进行解码重构，得到各风电场的功率预测结果。本发明的方法在不增加预测变量维数情况下使得预测精度得以提高，相对于常规降维方法，显著降低了误差；本发明通过充分解析多维风电功率间的非线性关系，进一步提高了功率预测的精度。
-
公开(公告)号：CN117081166A
公开(公告)日：2023-11-17
申请号：CN202310972772.0
申请日：2021-09-05
Applicant: 三峡大学
IPC: H02J3/46 , G06N3/0455 , G06N3/0475 , G06F18/23213
Abstract: 本发明公开了基于张量自组织映射神经网络的风电功率日场景生成方法，包括：获取多风电场的日场景数据集；利用张量自组织映射神经网络对日场景数据集进行聚类；对各聚类簇分别构建变分自编码器，从日场景数据中提取隐含特征；利用隐含特征对各簇日场景数据进行随机模拟和抽样，得到日场景隐含变量数据集；对日场景隐含变量数据集进行解码重构，得到各簇重构的日场景数据；将各簇重构的日场景数据进行聚合，得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构，提高了重构生成的日场景数据的精度，本发明通过考虑场景数据的时间空间相关性，显著降低了重构的空间和时间相关性误差，强化了生成场景的特征表达能力。
-
公开(公告)号：CN116803601A
公开(公告)日：2023-09-26
申请号：CN202310550845.7
申请日：2023-05-16
Applicant: 三峡大学
Abstract: 一种轻质合金空心板件及其成形装置和方法，一种轻质合金空心板件成形装置，包括上侧左压件、上侧右压件、左支撑件、右支撑件、中部支撑件以及底部支撑件，所述底部支撑件的上侧两端分别设有所述左支撑件、右支撑件，中部支撑件位于底部支撑件的上侧中部，中部支撑件的两端分别与左支撑件、右支撑件之间设有间隔，上侧左压件位于左支撑件和中部支撑件的上侧，上侧右压件位于右支撑件和中部支撑件的上侧，位于中部支撑件与左支撑件和/或右支撑件的间隔下方安装有焊接线圈，焊接线圈与第二放电电路电连接形成回路，上板件和下板件一端分别与第一放电电路电连接，另一端通过导电结构连接形成回路实现轻质合金空心板件的便捷制造。
-
公开(公告)号：CN115049113A
公开(公告)日：2022-09-13
申请号：CN202210600526.8
申请日：2022-05-30
Applicant: 三峡大学
Abstract: 基于时间窗口和超参数自适应选择的S2S电力负荷预测系统，包括数据库模块、数据维护模块、自适应模块、负荷预测模块；数据库模块输出端与数据维护模块的输入端连接，数据维护模块的输出端与自适应模块的输入端连接，自适应模块的输出端与负荷预测模块的输入端连接；自适应模块中设置初始时间窗口模块、微调时间窗口长度模块、选择超参数模块；数据库模块：用于储存地区负荷数据集以及外部影响因素数据集；本系统可获得多天的电力负荷预测值，并且基于自适应模块的功能，能改变目前依赖专家经验选择时窗长度和预测模型超参数的短期负荷预测工作模式，进一步提高电力负荷预测系统的工作效率和实用价值。
-
公开(公告)号：CN113890109A
公开(公告)日：2022-01-04
申请号：CN202111035137.7
申请日：2021-09-05
Applicant: 三峡大学
Abstract: 本发明公开了具有时间空间相关性的多风电场功率日场景生成方法，包括：获取多风电场的日场景数据集；利用张量自组织映射神经网络对日场景数据集进行聚类；对各聚类簇分别构建变分自编码器，从日场景数据中提取隐含特征；利用隐含特征对各簇日场景数据进行随机模拟和抽样，得到日场景隐含变量数据集；对日场景隐含变量数据集进行解码重构，得到各簇重构的日场景数据；将各簇重构的日场景数据进行聚合，得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构，提高了重构生成的日场景数据的精度，本发明通过考虑场景数据的时间空间相关性，显著降低了重构的空间和时间相关性误差，强化了生成场景的特征表达能力。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.014 seconds)
