-
公开(公告)号：CN116435987A
公开(公告)日：2023-07-14
申请号：CN202310233756.X
申请日：2023-03-12
Applicant: 东北电力大学 , 中国电力科学研究院有限公司
IPC: H02J3/00 , G06F18/23213 , G06F18/2135 , G06F30/27 , G06N3/0442 , G06N3/0455 , G06N3/0499 , G06N3/082 , G06F17/18
Abstract: 本发明是一种大规模风电集群超短期风电功率预测方法，其特点是，包括：基于模糊聚类的风电集群划分方法、基于时空注意力神经网络的风电集群功率预测方法、仿真计算和误差分析步骤。首先采用统计特征提取方法构造风电场波动特征，进一步以模糊聚类算法构建风电集群划分模型；然后，构建时空注意力网络提取风电数据时空特征，并训练大规模风电集群功率预测模型；最后，用综合指标评估体系分析风电功率预测性能的稳定性。具有科学合理、物理意义清晰、快速高效、简单实用、精度更高的优点。
-
公开(公告)号：CN116384561A
公开(公告)日：2023-07-04
申请号：CN202310275044.4
申请日：2023-03-21
Applicant: 东北电力大学 , 中国电力科学研究院有限公司
Abstract: 本发明的一种风电集群功率超短期预测误差修正方法，其特点是，包括：考虑了风电功率预测误差对负荷峰谷时段的危害、对初步预测得到的风电功率超短期预测误差进行分负荷峰谷时段的修正、仿真计算和误差分析步骤，考虑风电功率预测误差的季节特性对一日内负荷谷值时段Ⅰ、峰值时段Ⅰ、谷值时段Ⅱ和峰值时段Ⅱ进行分别修正，并且基于这种修正，负荷峰谷时段有害误差有效减少，负荷谷值时段的弃风损失也相对减少，提升了系统运行经济性；本发明提出的修正模型是一种适用于多模型初步预测再修正的模型，其计算简单、预测性能高、物理意义清晰、预测结果有效、实用性强。
-
公开(公告)号：CN113255227B
公开(公告)日：2024-10-29
申请号：CN202110620571.5
申请日：2021-06-03
Applicant: 龙源(北京)风电工程技术有限公司 , 东北电力大学
Abstract: 本发明涉及一种基于改进FCM聚类算法的风电场等值建模方法，其特点是：根据风速随机分布的差异性，确定风速样本对应的权值，以权值来体现样本对风电场的影响程度；在传统FCM聚类的基础上加入风速权值作为新的约束条件，减少所获聚类结果的偶然性和随机性，改进传统FCM算法对机组进行优化分群；划分并剔除异常数据机组；以改进FCM聚类算法结合尾流效应，减少尾流所造成的风机输出功率不同造成的影响，提高等值的精度，增加模型的普适性。其方法科学合理，适用性强，效果佳。
-
公开(公告)号：CN117277308A
公开(公告)日：2023-12-22
申请号：CN202311329201.1
申请日：2023-10-16
Applicant: 东北电力大学 , 中国电力科学研究院有限公司
IPC: H02J3/00 , G06F30/27 , G06F18/213 , G06F18/23 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06F119/06
Abstract: 本发明基于天气变化自适应的分布式光伏短期功率预测方法，属于光伏功率预测技术领域，基于改进多元宇宙算法优化的卷积神经网络，通过对历史功率样本进行滤波处理，采用K‑Medoids算法对功率序列进行聚类划分得到代表性天气事件气象特征，在基于灰色关联度匹配未来时段的天气事件类型，通过天气过程聚类划分对不同天气场景的分布式光伏功率进行短期预测，得出结论经仿真验证，证明本发明方法有效提升了光伏功率在不同天气事件下的适应性，提升了整体的预测精度。
-
公开(公告)号：CN117200221A
公开(公告)日：2023-12-08
申请号：CN202311203352.2
申请日：2023-09-19
Applicant: 东北电力大学 , 中国电力科学研究院有限公司
IPC: H02J3/00 , H02J3/38 , G06F18/213
Abstract: 计及波动趋势动态感知长预见期风电集群功率预测方法，属于风电功率预测技术领域，本发明以波动趋势动态感知改善特征输入，提升预测精度，并通过分析8‑15天功率预测结果的波动特性，提出不同分辨率配合的预测趋势校正，实现了预测精度提升。其能够反映系统动态特性、跟踪未来功率趋势；本模型计算简单、预测性能高。物理意义清晰，预测结果有效，实用性强。
-
Patent Agency Ranking
公开(公告)号：CN117039883A
公开(公告)日：2023-11-10
申请号：CN202311056910.7
申请日：2023-08-22
Applicant: 东北电力大学
Abstract: 基于切换输入机制的长预见期风电集群功率预测方法，属于风电技术领域，基于天气过程挖掘和切换机制的8‑15天延长期预测框架，着重对未来出力水平进行预测，将历史选择分为波动性优先历史选择和稳定性优先历史选择，在波动性优先历史选择效果较差时利用稳定性优先历史选择进行误差平衡。本发明与现有常见的超短期和短期预测相比，弥补了8‑15天长预见期下预测研究的空白；基于波动信息优选及切换输入机制的长预见期风电集群功率预测方法预测精度提高明显，预测结果有效，可靠性强。
-
公开(公告)号：CN113255227A
公开(公告)日：2021-08-13
申请号：CN202110620571.5
申请日：2021-06-03
Applicant: 龙源(北京)风电工程技术有限公司 , 东北电力大学
Abstract: 本发明涉及一种基于改进FCM聚类算法的风电场等值建模方法，其特点是：根据风速随机分布的差异性，确定风速样本对应的权值，以权值来体现样本对风电场的影响程度；在传统FCM聚类的基础上加入风速权值作为新的约束条件，减少所获聚类结果的偶然性和随机性，改进传统FCM算法对机组进行优化分群；划分并剔除异常数据机组；以改进FCM聚类算法结合尾流效应，减少尾流所造成的风机输出功率不同造成的影响，提高等值的精度，增加模型的普适性。其方法科学合理，适用性强，效果佳。
-
公开(公告)号：CN120012990A
公开(公告)日：2025-05-16
申请号：CN202510074555.9
申请日：2025-01-17
Applicant: 东北电力大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/0985 , G06F18/27 , G06F17/15 , H02J3/00
Abstract: 本发明公开了一种基于QR‑TCN‑LSTM的综合能源系统多元负荷预测方法及系统，涉及负荷预测技术领域。其方法包括获取多种具有明显时间相关性的负荷数据，包括电力负荷数据、热力负荷数据以及冷能负荷数据；分别计算每种负荷数据与环境影响因素之间的相关性系数，并根据所述相关性系数确定关键环境影响因素；根据所述负荷数据和关键环境影响因素构建数据集，并将所述数据集划分为训练集和测试集；构建QR‑TCN‑LSTM模型，并利用训练集对QR‑TCN‑LSTM模型进行训练，得到训练好的QR‑TCN‑LSTM模型；利用训练好的QR‑TCN‑LSTM模型进行负荷概率预测，得到每种负荷数据在不同置信区间下的概率预测结果。通过上述方法及系统，本发明提高了多元负荷的预测准确性和泛化能力。
-
公开(公告)号：CN118941112A
公开(公告)日：2024-11-12
申请号：CN202410996097.X
申请日：2024-07-24
Applicant: 东北电力大学 , 中国电力科学研究院有限公司
IPC: G06Q10/0637 , G06Q50/06 , G06N3/0455 , G06N3/084 , H02J3/00
Abstract: 本发明公开了一种基于时空相关性的光伏电站集群功率预测方法，包括以下步骤：对数值天气预报中的气象特征和光伏电站输出功率进行相关性分析，确定影响光伏功率预测的特征变量；定义光伏电站中的每个光伏站点为一个节点，基于所述特征变量和光伏电站输出功率计算每个节点之间的相似性，构建邻接矩阵；将所述邻接矩阵输入优化后的GAT‑Transformer模型，获得光伏电站集群功率预测结果；所述GAT‑Transformer模型包括：GAT模块和Transformer模块。该方法通过时空特征的综合处理、高效模型结构与优化算法的结合，实现了对光伏电站集群功率的高精度、高效预测，同时保持了模型的灵活性、可扩展性和一定的解释性，为光伏能源管理与调度提供有力支持。
-
公开(公告)号：CN118839816A
公开(公告)日：2024-10-25
申请号：CN202410955742.3
申请日：2024-07-17
Applicant: 东北电力大学 , 国网吉林省电力有限公司吉林供电公司
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/0631 , G06Q50/06 , G06F18/211 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于MTL‑NNGP模型的综合能源系统多元负荷预测方法，包括：获取综合能源系统中的冷却、加热和电力负荷数据，并结合气象数据，构建训练数据集；利用所述训练数据集进行MTL‑NNGP模型训练，在模型训练过程中，通过梯度下降法最小化损失函数，获得优化后的MTL‑NNGP模型；所述MTL‑NNGP模型结合多任务学习与神经网络高斯过程；将待测综合能源系统中的负荷数据输入优化后的MTL‑NNGP模型，获得预测结果。该方法通过深度整合负荷特性分析、MTL‑NNGP模型构建与优化训练过程，有效提升了模型训练的计算效率和泛化能力，进而提高了预测的准确性与稳定性，实现了综合能源系统的优化负荷管理与调度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
