-
公开(公告)号：CN113516282A
公开(公告)日：2021-10-19
申请号：CN202110497493.4
申请日：2021-05-08
Applicant: 南京工程学院
Abstract: 本发明提供了一种基于多时间尺度特征的短期负荷预测方法，包括以下步骤：步骤1：对负荷数据进行数据预处理步骤2：用f(t)＝s(t)+σe(t)来表示含有噪声的信号模型，其中，s(t)表示原始信号，f(t)表示含有噪声的信号，e(t)表示噪声信号；步骤3：选择db小波基对负荷序列进行分解和重构；步骤4：小波分解产生的序列用GRNN神经网络进行分析和预测；步骤:5：将高频、低频时间序列的分析预测结果再采用小波重构方法进行综合，得出整体预测分析结果。本发明采用小波对不同时间尺度的特征分解性能，结合GRNN良好的时序数据处理能力，提出W_GRNN模型，实现短期负荷预测。该模型以时序数据为输入因子，引入GRNN算法优化模型参数。通过仿真验证了改进预测模型的准确性和有效性。
-
公开(公告)号：CN110852522B
公开(公告)日：2024-03-29
申请号：CN201911134260.7
申请日：2019-11-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种短期电力负荷预测方法，包括采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；对训练样本和预测样本中的数据进行降维处理；采用VMD方法对降维后的数据进行分解；用训练样本分解获得的分量进行模糊小脑神经网络训练；将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。同时公开了相应的系统。本发明基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。
-
公开(公告)号：CN117057158A
公开(公告)日：2023-11-14
申请号：CN202311123775.3
申请日：2023-09-01
Applicant: 南京工程学院
IPC: G06F30/20 , G06F18/2321 , G06Q50/06 , G06Q50/26 , G06F111/08
Abstract: 本发明公开了考虑元胞自动机和时空出行的电动汽车充电负荷仿真方法，包括如下步骤：构建区域交通网模型，包含道路等级、功能区、充电站等信息；基于统计学方法精确拟合电动汽车车主的出行时间特征变量，引入空间转移概率矩阵表征电动汽车车主的复杂出行行为，构建了多时间尺度出行时空模型；在交通流元胞自动机的支持下，建立了车辆在路网中行驶时的演化更新规则，结合电动汽车单位里程实时能耗模型，能够在微观角度上描述燃油汽车与电动汽车在道路中的移动特征；发明细化了车主的驾驶行为、起始位置等对行驶速度、时间的影响，综合了多时间尺度和多源信息，能够进一步提升电动汽车充电负荷仿真的可靠性与精确性。
-
公开(公告)号：CN115579885B
公开(公告)日：2023-03-07
申请号：CN202211429069.7
申请日：2022-11-15
Applicant: 南京工程学院
IPC: H02J3/00 , G06F16/901 , G06F16/903
Abstract: 本发明公开了一种电网拓扑分析方法及装置，属于电网拓扑分析领域。方法包括读取电网物理模型信息，根据电网物理模型信息，将物理节点按照相邻开关元件的个数从多到少的排序进行节点优化编号；根据与开关相邻的物理节点的优化编号结果，生成邻接矩阵，根据邻接矩阵的上三角一级连通信息建立抽象描述节点间邻接关系的数组；根据所述数组，采用改进的广度优先搜索法对各物理节点进行母线拓扑分析；按照拓扑节点的出线数目从多至少的排序对母线拓扑分析得到的结果进行节点优化编号，完成拓扑岛分析。在大规模电网的背景下，本发明可以有效减少遍历过程中对相同元素的重复搜索，降低计算量，提高拓扑分析的效率。
-
公开(公告)号：CN115545964A
公开(公告)日：2022-12-30
申请号：CN202110734048.5
申请日：2021-06-30
Applicant: 南京工程学院
Abstract: 本发明提供了一种基于深度学习SRNN网络的光伏发电功率预测方法，步骤一：选取历史光伏发电功率数据和相应的历史气象数据；步骤二：使用因子分析法进行相关性分析，筛选出对发电功率影响较大的气象指标；步骤三：数据预处理；步骤四：搭建基于深度学习SRNN网络的光伏发电功率预测模型；步骤五：设置输入层、隐藏层和输出层参数，确定GRU层容量和全连接层容量；步骤六：将预测出的光伏发电功率数据与实际负荷数据进行对比，选用相对误差和均方根误差指标对预测数据进行评价。本发明提供的基于深度学习SRNN网络的光伏发电功率预测方法对RNN进行切片而记忆单元不变，使得能够并行运行RNN网络，使得网络训练速度飞跃，而且提升了系统运行的可靠性和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN113989065A
公开(公告)日：2022-01-28
申请号：CN202111214514.3
申请日：2021-10-19
Applicant: 南京工程学院
IPC: G06Q50/06 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明提供了一种基于改进CNN的非侵入式负荷辨识方法，包括以下步骤：步骤S01：通过监测电力用户的入口处电流，采集用户的总负荷运行数据；步骤S02：提取负荷的暂态电流数据；步骤S03：用提取得到的暂态电流数据绘制电流波形图像并转为像素矩阵；步骤S04：对网络参数进行训练；步骤S05：使用卷积神经网络CNN进行分类；步骤S06：使用测试集数据对训练好的CNN进行验证，通过分类结果与测试集的标签计算负荷的辨识率。本发明提出一种基于改进CNN模型的负荷辨识方法通过采集特性相似的家用负荷运行数据，选取负荷投入时的暂态变化过程为负荷特征，结合卷积神经网络方法实现特征相似负荷的辨识，从而提高居民侧负荷辨识的效果。
-
公开(公告)号：CN113902207A
公开(公告)日：2022-01-07
申请号：CN202111215767.2
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于TCN‑LSTM的短期负荷预测方法，包括：获取样本数据；对样本数据进行预处理，剔除异常数据，填充残缺数据，并进行标准化处理；训练神经网络模型；具体为：以电力负荷数据与连续的非时序数据作为输入，以预测日各个采样点的电力预设负荷为输出，对时间卷积网络和LSTM结合的神经网络模型进行训练，得到基于TCN‑LSTM的短期负荷预测模型；本方法为电网系统提供了更加精确的预测结果，也为电网系统灵活调节供电量提供了更加可靠的依据。
-
公开(公告)号：CN113902101A
公开(公告)日：2022-01-07
申请号：CN202111214512.4
申请日：2021-10-19
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于LSTM神经网络算法的非侵入式负荷识别方法，包括获取非侵入式监测装置所监测的用电设备稳态时电流波形数据；将稳态电流波形利用离散傅里叶变换进行N次谐波分解得到样本集，将训练集通入循环神经网络进行训练获得基于神经网络的负荷识别预测模型；将测试集带入基于循环神经网络的负荷识别模型并对比输出结果，生成优化后的基于循环神经网络的负荷识别模型。本方法在不同负载情况下均可以对用电器，尤其是小功率用电器进行准确识别，且识别时间较短，可以进行负载的实时监测。
-
公开(公告)号：CN113902100A
公开(公告)日：2022-01-07
申请号：CN202111203644.7
申请日：2021-10-15
Applicant: 南京工程学院
Abstract: 本发明公开了基于Attention机制和残差连接的非侵入式负荷分解，本发明提出结合双向门控循环单元、Attention和残差网络的NILM模型，其中BiGRU从前后两个方向输入功率序列，可以学习到当前时刻前后的特征，Attention机制为不同时刻计算不同的权重，关注功率序列中重要信息，残差块结构通过残差连接，降低了残差块的拟合难度，且具有功率分解迅速准确的特点。
-
公开(公告)号：CN113901624A
公开(公告)日：2022-01-07
申请号：CN202111208292.4
申请日：2021-10-18
Applicant: 南京工程学院
IPC: G06F30/18 , G06F30/27 , G06N3/00 , G06N20/10 , G06F113/04
Abstract: 本发明公开了一种基于粒子群算法优化的SVM的配电网拓扑辨识方法，包括：利用SCADA系统采集不同拓扑结构下观测节点的多种负荷水平的断面电压幅值量测数据和相应的拓扑标签，得到经过标准化预处理后的训练数据集；对支持向量机SVM进行训练学习，并通过粒子群算法对设置初始的惩罚因子C和核函数参数进行优化，确定基于粒子群算法优化的支持向量机的PSO‑SVM配电网拓扑辨识模型；获取观测节点的断面电压幅值量测数据，利用基于粒子群算法优化的支持向量机的PSO‑SVM配电网拓扑辨识模型对观测节点预处理后的断面电压幅值量测数据进行分析，确定节点的电路拓扑结构。本发明能够解决现有技术的求解速度慢，搜索效率低。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.03 seconds)
