公开(公告)号：CN119692558A

公开(公告)日：2025-03-25

申请号：CN202411853206.9

申请日：2024-12-16

Applicant: 福州大学

Inventor： 徐哲壮 ,  刘驰 ,  袁蒙 ,  夏玉雄 ,  谢俊伟 ,  周嘉伟

IPC: G06Q10/04 ,  G06F18/23213 ,  G06F18/24 ,  G06F18/214 ,  G06N3/006 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08 ,  G06F17/11 ,  G06F17/18 ,  H02J3/00

Abstract: 本发明涉及一种基于鸡群算法优化Elman神经网络的短期电力负荷预测方法，该方法采用具有局部记忆单元和局部反馈连接的Elman神经网络建立预测模型，并利用具有全局搜索能力的鸡群算法CSO优化Elman神经网络的初始权值和阈值，构建出CSO‑Elman短期电力负荷预测模型；然后，对CSO‑Elman短期电力负荷预测模型进行训练；最后，利用训练好的CSO‑Elman短期电力负荷预测模型进行短期电力负荷预测。该方法有利于提高短期电力负荷预测的准确性和稳定性。

公开(公告)号：CN118262347A

公开(公告)日：2024-06-28

申请号：CN202410452382.5

申请日：2024-04-16

Applicant: 福州大学

Inventor： 徐哲壮 ,  林烨 ,  陈丹 ,  连祥龙 ,  袁蒙 ,  朱晋杨 ,  杨泽文

IPC: G06V20/62 ,  G06V10/52 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明提供一种基于指针生成的污染仪表读数方法，将U‑Net作为基础指针生成器结构，通过残差模块、多尺度注意力机制和密集空洞卷积模块，用以增强所述指针生成器的判别能力；引入生成对抗网络，通过对抗训练的方式，使得指针生成器能够利用部分指针信息生成完整指针；最后利用训练完成的指针生成器对污染仪表进行读数。

公开(公告)号：CN119692545A

公开(公告)日：2025-03-25

申请号：CN202411764022.5

申请日：2024-12-03

Applicant: 福州大学

Inventor： 徐哲壮 ,  刘驰 ,  袁蒙 ,  夏玉雄 ,  谢俊伟 ,  周嘉伟

IPC: G06Q10/04 ,  G06Q50/06 ,  G06Q50/08 ,  G06N3/0455 ,  G06N3/088 ,  G06N5/04

Abstract: 本发明涉及一种基于人员占用信息融合的商业楼宇短期负荷预测方法，其特征在于，对于原始负荷数据，首先采用CEEMDAN算法将负荷数据前向分解为多个IMFs分量，去除高频噪声分量后再将剩余分量进行重构融合，以得到干净的负荷数据；然后，构建DWedRVFL神经网络模型，所述DWedRVFL神经网络模型采用基于预测的最新精度捕捉负荷序列的动态变化，并构建多样性指标来利用不同输出层的多尺度特征；此外，构建排序策略来整合最新精度和多样性的贡献，同时避免异常预测值对组合预测的影响；而后，将历史负荷、天气条件和人员占用等数据组成连接矩阵馈送入DWedRVFL神经网络模型进行学习，从而提高建筑负荷预测的准确性和稳定性。该方法有利于提高商业楼宇短期负荷预测的准确性。

公开(公告)号：CN119623749A

公开(公告)日：2025-03-14

申请号：CN202411764026.3

申请日：2024-12-03

Applicant: 福州大学

Inventor： 徐哲壮 ,  刘驰 ,  袁蒙 ,  夏玉雄 ,  谢俊伟 ,  周嘉伟

IPC: G06Q10/04 ,  G06Q50/08 ,  G06F18/10 ,  G06F18/2137 ,  G06F18/214 ,  G06F18/25 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及一种基于前向分解去噪和深度集成学习的建筑负荷预测方法，对于原始负荷数据，首先采用CEEMDAN算法将负荷数据前向分解为多个IMFs分量，去除高频噪声分量后再将剩余分量进行重构融合，得到干净的负荷数据；然后，构建DWedRVFL神经网络模型，所述DWedRVFL神经网络模型采用预测的最新精度捕捉负荷序列的动态变化，并构建多样性指标来利用不同输出层的多尺度特征；此外，构建排序策略来整合最新精度和多样性的贡献，同时避免异常预测值对组合预测的影响；而后，将历史负荷、天气条件和人员占用数据组成连接矩阵馈送入DWedRVFL神经网络模型进行学习，从而提高建筑负荷预测的准确性和稳定性。该方法有利于提高短期建筑负荷预测的精度和稳定性。

公开(公告)号：CN118172646A

公开(公告)日：2024-06-11

申请号：CN202410471484.1

申请日：2024-04-18

Applicant: 福州大学

Inventor： 徐哲壮 ,  林烨 ,  陈丹 ,  连祥龙 ,  袁蒙 ,  朱晋杨 ,  杨泽文

IPC: G06V10/82 ,  G06V10/22 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06V10/74 ,  G06V10/80

Abstract: 本发明涉及一种基于指针生成与主刻度检测的干扰环境下仪表读数方法。通过Mask‑RCNN检测仪表位置，设计生成网络，将U‑Net作为基础生成网络结构，设计了空洞卷积模块（DC block），多尺度特征融合机制（MFFM）和特征增强机制（FEM），用以增强生成网络生成完整指针和主刻度检测的能力。引入生成对抗网络，通过对抗训练的方式，使得生成网络能够利用部分指针信息生成完整指针。最后对仪表中心位置进行调整，并通过局部角度计算获取读数。将本发明指针生成、主刻度检测与局部角度计算方法应用到干扰环境下仪表读数时，可以有效实现仪表读数。