-
公开(公告)号：CN119204860B
公开(公告)日：2025-02-14
申请号：CN202411665720.X
申请日：2024-11-20
Applicant: 武汉大学
IPC: G06Q10/067 , G06Q50/06 , G06N3/0464 , G06N3/047 , G06N3/0475 , G06N3/094 , H02J3/46 , H02J3/38
Abstract: 本发明公开了一种新建新能源场站超短期出力场景生成方法和系统，所述方法包括：依据目标场站地理位置选定目标场站和源场站，并进一步构建目标域数据集和源域数据集；在源域数据集上训练改进的去噪扩散概率模型，得到源域模型；依据模型评估指标从源域模型中综合选取源域最优模型；结合模型迁移机制与目标域数据集，在源域最优模型上进行模型参数微调，获得多组目标域模型；结合模型评估指标从得到的多组目标域模型中综合选取目标域最优模型，从而完成新建新能源场站的超短期出力场景生成。本发明可在小样本条件下完成新建新能源场站出力场景的高质量生成，可有效支撑后续新型电力系统的规划与调度决策，进而提升系统新能源消纳能力。
-
公开(公告)号：CN116090327A
公开(公告)日：2023-05-09
申请号：CN202211167271.7
申请日：2022-09-23
Applicant: 武汉大学
Abstract: 本申请涉及一种时间序列预测模型构建方法、装置、设备及可读存储介质，涉及人工智能与电力系统交叉技术领域，本申请基于自注意力机制的Transformer架构对长时间序列的典型特征提取与记忆能力，使时间序列预测模型更加容易地应对电力负荷的未知波动，且通过迁移学习可对数据集更小的下游任务进行训练，以减轻模型训练的工作量并增强模型的泛化性能。因此，对于突发情况下的电力负荷波动，本申请通过迁移长期负荷时间序列以及自注意力机制的记忆性，可使得时间序列预测模型能够对长期序列中的特征进行充分的提取并用于下游的预测，进而提升模型的预测精度和适应性。
-
公开(公告)号：CN119441748A
公开(公告)日：2025-02-14
申请号：CN202411517968.1
申请日：2024-10-29
Applicant: 武汉大学
IPC: G06F18/15 , G06Q50/06 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明提供一种新能源时序出力数据生成方法及装置，该方法包括：步骤1、采集新能源的历史时序出力数据；步骤2、将历史时序出力数据输入至基于卷积神经网络的生成器，生成初步时序出力数据；步骤3、通过基于Transformer架构的判别器对初步时序出力数据的真实性和合理性进行评价，从而对生成对抗网络进行训练，生成对抗网络包括生成器和判别器，训练完成后，生成器生成待处理时序出力数据；步骤4、通过预设的扩散‑去噪模型对待处理时序出力数据进行后处理，得到待优化时序出力数据；步骤5、将待优化时序出力数据进行整体趋势校验，校验成功后，输出新能源时序出力数据。本发明可以有效提升新能源出力数据的生成质量和准确性。
-
公开(公告)号：CN114004282B
公开(公告)日：2024-12-03
申请号：CN202111188349.9
申请日：2021-10-12
Applicant: 武汉大学 , 国网浙江省电力有限公司
IPC: G06F18/214 , G06N20/00 , G06Q10/0639 , G06Q50/06
Abstract: 本发明提出了一种电力系统深度强化学习紧急控制策略提取方法。通过引入电力系统节点模型多个历史时刻的特征数据构建观测数据；进一步构建深度Q学习网络模型，并采用随机梯度下降优化算法进行优化训练得到电力系统紧急控制深度强化学习模型；基于已训练完成的深度Q学习网络模型，在特定的故障场景下，生成数据集；并在此数据及上训练基于信息增益比的加权倾斜决策树模型，以完成策略提取；设定策略保真度指标、策略实际控制性能指标、模型复杂度指标，以评估不同超参数下的模型性能，从而根据实际需求选出最优模型，以用于电力系统紧急控制领域中。
-
公开(公告)号：CN113991645A
公开(公告)日：2022-01-28
申请号：CN202111208028.0
申请日：2021-10-18
Applicant: 武汉大学 , 国网浙江省电力有限公司
Abstract: 本发明提出了一种基于电力系统紧急控制的关键因素辨识方法。构建电力系统紧急控制深度强化学习模型，引入配电网节点模型多个历史时刻的特征数据构建配电网特征数据集；进一步将配电网特征数据集中每组配电网特征矩阵集合依次输入至采用随机梯度下降算法和Q学习算法的深度强化学习模型进行训练，预测并得到负荷削减动作；将配电网特征数据集中每组配电网特征矩阵集合依次输入至电力系统紧急控制深度强化学习模型预测得到对应的负荷削减动作，通过Deep‑SHAP方法获取多个影响电力系统紧急控制深度强化学习模型的主要特征；本发明解决机器学习模型中透明度过低的问题，为调度人员提供更加充分的决策帮助，提高模型的可解释性和准确度。
-
Patent Agency Ranking
公开(公告)号：CN114004282A
公开(公告)日：2022-02-01
申请号：CN202111188349.9
申请日：2021-10-12
Applicant: 武汉大学 , 国网浙江省电力有限公司
Abstract: 本发明提出了一种电力系统深度强化学习紧急控制策略提取方法。通过引入电力系统节点模型多个历史时刻的特征数据构建观测数据；进一步构建深度Q学习网络模型，并采用随机梯度下降优化算法进行优化训练得到电力系统紧急控制深度强化学习模型；基于已训练完成的深度Q学习网络模型，在特定的故障场景下，生成数据集；并在此数据及上训练基于信息增益比的加权倾斜决策树模型，以完成策略提取；设定策略保真度指标、策略实际控制性能指标、模型复杂度指标，以评估不同超参数下的模型性能，从而根据实际需求选出最优模型，以用于电力系统紧急控制领域中。
-
公开(公告)号：CN118939996A
公开(公告)日：2024-11-12
申请号：CN202410944107.5
申请日：2024-07-15
Applicant: 武汉大学
IPC: G06F18/213 , G06F18/214 , G06F18/10 , G06F18/24 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06N5/04
Abstract: 本发明提供一种可再生能源出力场景生成方法及装置，该方法包括：步骤1、获取可再生能源发电场的历史出力数据，构建可再生能源发电场的出力场景数据集；步骤2、基于出力场景数据集训练时间序列表征模型，将出力场景数据集映射到隐空间，得到隐空间出力场景集；步骤3、通过扩散过程向隐空间出力场景集加入高斯噪声；步骤4、建立去噪过程训练去噪扩散概率模型；步骤5、基于训练后的去噪扩散概率模型和时间序列表征模型，根据任意高斯噪声得到真实的出力场景数据集，生成可再生能源出力场景。本发明能够在隐空间学习出力数据的真实分布规律，从而直接将高斯噪声变换成真实的出力场景，为解决电力系统随机规划中不确定性问题提供有效的思路。
-
公开(公告)号：CN117807884A
公开(公告)日：2024-04-02
申请号：CN202311872826.2
申请日：2023-12-30
Applicant: 武汉大学 , 云南电网有限责任公司电力科学研究院 , 南方电网科学研究院有限责任公司 , 云南电网有限责任公司大理供电局
IPC: G06F30/27 , G06F18/214 , G06F119/10
Abstract: 本发明公开了一种可再生能源运行场景生成及其模型训练方法。本发明提出了一种基于去噪扩散概率模型的可再生能源场景生成方法，首先通过的前向过程将可再生能源运行场景历史数据扩散成高斯噪声；再通过逆向过程对所述高斯噪声进行逐步去噪，最终还原为所述场景历史数据，构建可再生能源运行场景生成模型训练拟合从所述高斯噪声到场景历史数据的映射关系。由此在保证生成的场景样本多样性的同时，也很好地反应实际发电单元的出力特征。
-
公开(公告)号：CN115688572A
公开(公告)日：2023-02-03
申请号：CN202211338564.7
申请日：2022-10-28
Applicant: 武汉大学 , 国网浙江省电力有限公司
IPC: G06F30/27 , G06F18/2431 , G06N3/0464 , G06N3/044 , G06N3/048 , G06N3/08 , H02J3/46 , G06F111/04
Abstract: 本发明涉及电力行业安全域边界拟合技术，具体涉及一种电力系统高维静态安全域边界拟合方法，考虑系统发电机出力约束，进行节点负荷值采样，通过潮流计算，筛选出处于安全域内的样本，形成初始样本集。提出边界样本搜索算法，为初始样本集中每一个样本寻找一个处于安全域内的样本，一个安全域外样本，并满足二者距离小于设定的距离阈值。将所处原始功率注入空间的边界样本集中数据通过深度神经网络模型转换到新的三维特征空间中。通过基于信息增益比的加权倾斜决策树算法在特征空间中进行边界的提取，并评估边界性能，选出最优边界。该方法可实现电力系统安全域高维边界的拟合，并缩小与实际边界的误差。
-
公开(公告)号：CN115310775A
公开(公告)日：2022-11-08
申请号：CN202210828178.X
申请日：2022-07-13
Applicant: 武汉大学
Abstract: 本发明公开了一种多智能体强化学习滚动调度方法、装置、设备及存储介质，所述方法通过构建高比例新能源电力系统对应日内有功的滚动调度模型；对滚动调度模型进行多智能体的去中心化部分可观马尔科尔夫决策过程建模，获得多智能体调度架构；获取多智能体调度架构的改进区域特征聚合图的注意力网络，并获取支持时空多维特征聚合的多智能体强化学习算法，根据注意力网络和多智能体强化学习算法构建基于多智能体强化学习的分布式日内滚动调度算法的训练架构，建模求解速度快，训练过程简单，符合电网调度实际应用场景，提高了多智能体强化学习滚动调度的准确性，提升了多智能体强化学习滚动调度的速度和效率。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
