-
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：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：CN112232561B
公开(公告)日：2024-03-15
申请号：CN202011092704.8
申请日：2020-10-13
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了基于约束并行LSTM分位数回归的电力负荷概率预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；设置模型超参数；建立约束并行LSTM模型，对约束并行LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对约束并行LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定约束并行LSTM模型的最佳权重、偏置参数；将验证集输入训练好的约束并行LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的约束并行LSTM模型，对约束并行LSTM模型输出的预测结果进行反归一化。本发明采用约束并行LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN117977568A
公开(公告)日：2024-05-03
申请号：CN202410049336.0
申请日：2020-10-13
Applicant: 三峡大学
IPC: H02J3/00 , G06Q10/063 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于嵌套LSTM和分位数计算的电力负荷预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；建立嵌套LSTM模型，对嵌套LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对嵌套LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定嵌套LSTM模型的最佳权重、偏置参数；将验证集输入训练好的嵌套LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的嵌套LSTM模型，对嵌套LSTM模型输出的预测结果进行反归一化。本发明采用嵌套LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
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：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。
-
公开(公告)号：CN115293415A
公开(公告)日：2022-11-04
申请号：CN202210900738.8
申请日：2022-07-28
Applicant: 三峡大学
Abstract: 本发明公开了一种计及时间演变和空间相关的多风电场短期功率预测方法，主要分为四个模块：输入模块进行数据的采集和预处理工作，对象是目标地区多风电场的历史功率和气象预测数据；时间演变模式追踪模块通过门控循环单元和多核卷积层分别提取历史风电数据的时序性和多周期性时间演变模式；空间相关模式注意模块引入时变模式注意力机制对多空间变量的不同时间演变模式赋予相关性权重；最后输出模块输出多风电场功率日前预测场景。本发明通过构建具有深度学习能力的时空融合多风电场短期功率预测模型，完整考虑了风电序列的时间演变模式，弥补了现有多种模型静态提取空间依赖关系的缺陷，达到了提升预测精度和稳健性的目的。
-
公开(公告)号：CN112232561A
公开(公告)日：2021-01-15
申请号：CN202011092704.8
申请日：2020-10-13
Applicant: 三峡大学
Abstract: 本发明公开了基于约束并行LSTM分位数回归的电力负荷概率预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；设置模型超参数；建立约束并行LSTM模型，对约束并行LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对约束并行LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定约束并行LSTM模型的最佳权重、偏置参数；将验证集输入训练好的约束并行LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的约束并行LSTM模型，对约束并行LSTM模型输出的预测结果进行反归一化。本发明采用约束并行LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
