-
公开(公告)号：CN116154779B
公开(公告)日：2023-07-18
申请号：CN202310439438.9
申请日：2023-04-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于预训练模型的最优潮流计算方法和装置，属于智能电网和人工智能相结合的技术领域，包括：在对用于根据有功功率和电压幅值预测无功功率和电压相角的预训练模型进行参数优化的基础上，利用优化后预训练模型构建最优潮流计算模型，即使用优化后预训练模型约束最优潮流计算模型基于负载功率样本和最优潮流计算标签的训练过程，这样使得最优潮流计算模型能够在保证求解有效性的同时快速地进行最优潮流计算求解，更好地满足新型电力系统的需求。
-
公开(公告)号：CN115204529B
公开(公告)日：2022-12-20
申请号：CN202211118482.1
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于时间注意力机制的非侵入式负荷监测方法及装置，所述方法包括如下步骤：获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间；将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；构建神经网络模型，基于深度学习训练框架并利用得到的训练数据集对模型进行训练。本发明内容可有效提取负荷工作时间模式及其内在的依赖关系，从而提升负荷监测的准确性。
-
公开(公告)号：CN115496077B
公开(公告)日：2023-04-18
申请号：CN202211442584.9
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06F40/30 , G06F40/126 , G06F40/242 , G06F18/25 , G06Q50/00
Abstract: 本发明公开一种基于模态观察和评分的多模态情感分析方法和装置，该方法包括：步骤一，获取不同模态原始数据，针对不同模态特点提取模态特征表示；步骤二，使用模态观察模块对各模态信息进行初步融合，获得模态融合权重和模态学习权重；步骤三，基于模态融合权重和单模态特征表示，构建多模态特征表示和多模态代理特征表示；步骤四，使用模态评分模块对多模态特征表示和多模态代理特征表示进行情感打分，结合模态学习权重，基于多任务学习框架完成情感分析模型的训练。本发明不仅能够完成多模态情感分析任务，也能够完成各个单模态情感分析任务，能够做到一次训练、多处使用，从而减轻训练负担，大大提升使用效率和多模态情感分析效果。
-
Patent Agency Ranking
公开(公告)号：CN115204529A
公开(公告)日：2022-10-18
申请号：CN202211118482.1
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于时间注意力机制的非侵入式负荷监测方法及装置，所述方法包括如下步骤：获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间；将总负荷数据、设备负荷数据分别与对应采样时间进行融合，得到增强的总负荷数据和设备负荷数据；利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割，构造深度学习训练数据集；构建神经网络模型，基于深度学习训练框架并利用得到的训练数据集对模型进行训练。本发明内容可有效提取负荷工作时间模式及其内在的依赖关系，从而提升负荷监测的准确性。
-
公开(公告)号：CN116154779A
公开(公告)日：2023-05-23
申请号：CN202310439438.9
申请日：2023-04-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于预训练模型的最优潮流计算方法和装置，属于智能电网和人工智能相结合的技术领域，包括：在对用于根据有功功率和电压幅值预测无功功率和电压相角的预训练模型进行参数优化的基础上，利用优化后预训练模型构建最优潮流计算模型，即使用优化后预训练模型约束最优潮流计算模型基于负载功率样本和最优潮流计算标签的训练过程，这样使得最优潮流计算模型能够在保证求解有效性的同时快速地进行最优潮流计算求解，更好地满足新型电力系统的需求。
-
公开(公告)号：CN115496077A
公开(公告)日：2022-12-20
申请号：CN202211442584.9
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06F40/30 , G06F40/126 , G06F40/242 , G06K9/62 , G06Q50/00
Abstract: 本发明公开一种基于模态观察和评分的多模态情感分析方法和装置，该方法包括：步骤一，获取不同模态原始数据，针对不同模态特点提取模态特征表示；步骤二，使用模态观察模块对各模态信息进行初步融合，获得模态融合权重和模态学习权重；步骤三，基于模态融合权重和单模态特征表示，构建多模态特征表示和多模态代理特征表示；步骤四，使用模态评分模块对多模态特征表示和多模态代理特征表示进行情感打分，结合模态学习权重，基于多任务学习框架完成情感分析模型的训练。本发明不仅能够完成多模态情感分析任务，也能够完成各个单模态情感分析任务，能够做到一次训练、多处使用，从而减轻训练负担，大大提升使用效率和多模态情感分析效果。
-
公开(公告)号：CN115201615B
公开(公告)日：2022-12-20
申请号：CN202211118553.8
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。
-
公开(公告)号：CN115201615A
公开(公告)日：2022-10-18
申请号：CN202211118553.8
申请日：2022-09-15
Applicant: 之江实验室
Abstract: 本发明涉及智能电网领域，提出了一种基于物理约束神经网络的非侵入式负荷监测方法及装置，包括如下步骤：步骤1、获取建筑某一时段内的总负荷数据和设备负荷数据，利用滑动窗口方法进行切割以构造训练数据；步骤2、设计深度学习神经网络模型，对总负荷数据中所包含的设备负荷特性进行学习，输出设备负荷预测；步骤3、基于物理约束学习框架，对深度学习神经网络模型通过迭代优化训练损失进行训练，得到训练好的物理约束神经网络模型；步骤4、根据物理约束神经网络模型的输出结果，监测建筑内各设备的用电情况。本发明可充分提取用电设备的运行特征，在不增加额外开销的前提下提升负荷辨识的准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
