-
公开(公告)号：CN110222901A
公开(公告)日：2019-09-10
申请号：CN201910508711.2
申请日：2019-06-13
Applicant: 河海大学常州校区
Abstract: 本发明公开了电负荷预测技术领域的一种基于深度学习的Bi-LSTM的电负荷预测方法，旨在解决现有技术中电负荷预测效率低，且存在过拟合现象的技术问题，对电负荷数据样本进行归一化预处理；设计多层Bi-LSTM深度神经网络；将预处理后的电负荷数据输入神经网络模型进行训练；将预测结果反归一化处理。多层Bi-LSTM有效地增加模型的深度，提高电负荷参数的调节自由度，对先输入的数据进行部分特征的提取，提高了神经网路模型的效率。为防止网络模型层数过多导致训练模型过拟合，模型中加入dropout，减少了过拟合现象。
-
公开(公告)号：CN110765582A
公开(公告)日：2020-02-07
申请号：CN201910903963.5
申请日：2019-09-24
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，步骤1：采集微电网运行的功率数据，步骤2：根据微电网场景划分的需求，利用步骤1采集的微电网数据，构建微电网马尔可夫链模型；步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网原始场景集合；步骤4：根据改进自组织中心K-means场景削减算法，得到简化的微电网运行场景。本发明利用微电网马尔可夫链模型，生成微电网场景原始集合，并利用改进自组织中心K-means场景削减算法，得到简化的微电网运行场景。
-
公开(公告)号：CN110765582B
公开(公告)日：2022-08-16
申请号：CN201910903963.5
申请日：2019-09-24
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于马尔可夫链的自组织中心K‑means微电网场景划分方法，步骤1：采集微电网运行的功率数据，步骤2：根据微电网场景划分的需求，利用步骤1采集的微电网数据，构建微电网马尔可夫链模型；步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网原始场景集合；步骤4：根据改进自组织中心K‑means场景削减算法，得到简化的微电网运行场景。本发明利用微电网马尔可夫链模型，生成微电网场景原始集合，并利用改进自组织中心K‑means场景削减算法，得到简化的微电网运行场景。
-
公开(公告)号：CN109088406A
公开(公告)日：2018-12-25
申请号：CN201810670991.2
申请日：2018-06-26
Applicant: 河海大学常州校区
IPC: H02J3/00
Abstract: 本发明公开了一种基于LSTM神经网络的微电网等效建模方法，具体步骤如下：步骤1：采集扰动期间微电网公共耦合点的扰动数据；步骤2：根据微电网等效建模需求，确定LSTM神经网络输入输出节点个数，利用步骤1采集的扰动数据离线训练LSTM神经网络；步骤3：根据步骤2离线训练后的神经网络，得到可表示微电网运行状态的非线性等效模型。本发明利用人工神经网络具有良好的处理复杂的非线性问题的能力，同时能够很好捕捉电力系统的动态特性，由LSTM神经网络的结构和参数决定动态模型的结构和参数；只需要微电网公共耦合点的测量值，而不需要掌握微电网系统的具体参数和拓扑结构，且等效时不需要预先建立确定的模型，一旦经过训练和测试，基于LSTM神经网络的动态等效模型就可以满足系统仿真分析的需求。
-
-
-
Search Results
4
records
(took 0.028 seconds)
