-
Patent Agency Ranking
公开(公告)号：CN114612147A
公开(公告)日：2022-06-10
申请号：CN202210243475.8
申请日：2022-03-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种子图学习的电价预测方法，包括如下步骤：1、对多种外源特征数据进行数据预处理和特征重要度分析，建立电价信息特征库，并提取出日前电价预测所需的训练集、验证集和测试集；2、将多种外源特征数据作为节点信息表示，将各个节点的关系作为节点权重，形成电价信息图；3、构建子图学习框架，对图学习过程转换成分成三部分：子图分解过程、子图学习过程和子图聚合过程4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，实现把区域电价信息图映射到预测日的电价序列；5、将训练集中的训练样本分成若干个批次并按批次送入电价预测模型中进行训练，并用验证集对电价预测模型的超参数进行调整直至收敛。
-
公开(公告)号：CN114692740B
公开(公告)日：2024-11-08
申请号：CN202210275087.8
申请日：2022-03-21
Applicant: 华南理工大学
IPC: G06F18/24 , G06F18/25 , G06F18/2415 , G06F18/2413 , G06F17/16 , G06F17/18 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种非侵入式负荷分解改进方法、装置及存储介质，其中方法包括：获取家电级数据，根据家电级数据构建用户行为通用网络图；根据用户行为通用网络图进行初始子图构建，以及提取用户行为特征；构建融合用户行为特征的多标签式非侵入式负荷分解模型。本发明基于用户行为网络图的改进模型完成了多标签分类与先进时序特征提取方法的有效结合，提升了非侵入式负荷监测的准确率，且传统模型仅适用于单类电器，本发明集多类电器于一个模型，大大减小了总模型的规模。本发明可广泛应用于非侵入式负荷分解领域。
-
公开(公告)号：CN113822467B
公开(公告)日：2024-08-06
申请号：CN202110976490.9
申请日：2021-08-24
Applicant: 华南理工大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/042 , G06N3/045 , G06N3/0985 , H02J13/00
Abstract: 本发明公开了一种电力区域负荷的图神经网络预测方法，包括如下步骤：1、建立区域电力特征库，提取出负荷预测的训练集、验证集和测试集；2、挖掘各个信息数据之间以及信息与预测对象之间的关联关系，采用斯皮尔曼相关系数与皮尔逊相关系数对关联关系进行量化表征；3、将多种外源信息及其关联关系转换成包含节点和边的图结构数据，获取区域负荷信息图；4、构建基于深度图残差卷积网络的负荷预测模型，实现区域负荷信息图到预测目标功率的非线性映射；5、将训练集中的训练样本分成若干个批次并按批次送入负荷预测模型中进行训练，并用验证集对负荷预测模型的超参数进行调整直至收敛。
-
公开(公告)号：CN114692740A
公开(公告)日：2022-07-01
申请号：CN202210275087.8
申请日：2022-03-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种非侵入式负荷分解改进方法、装置及存储介质，其中方法包括：获取家电级数据，根据家电级数据构建用户行为通用网络图；根据用户行为通用网络图进行初始子图构建，以及提取用户行为特征；构建融合用户行为特征的多标签式非侵入式负荷分解模型。本发明基于用户行为网络图的改进模型完成了多标签分类与先进时序特征提取方法的有效结合，提升了非侵入式负荷监测的准确率，且传统模型仅适用于单类电器，本发明集多类电器于一个模型，大大减小了总模型的规模。本发明可广泛应用于非侵入式负荷分解领域。
-
公开(公告)号：CN113822467A
公开(公告)日：2021-12-21
申请号：CN202110976490.9
申请日：2021-08-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种电力区域负荷的图神经网络预测方法，包括如下步骤：1、建立区域电力特征库，提取出负荷预测的训练集、验证集和测试集；2、挖掘各个信息数据之间以及信息与预测对象之间的关联关系，采用斯皮尔曼相关系数与皮尔逊相关系数对关联关系进行量化表征；3、将多种外源信息及其关联关系转换成包含节点和边的图结构数据，获取区域负荷信息图；4、构建基于深度图残差卷积网络的负荷预测模型，实现区域负荷信息图到预测目标功率的非线性映射；5、将训练集中的训练样本分成若干个批次并按批次送入负荷预测模型中进行训练，并用验证集对负荷预测模型的超参数进行调整直至收敛。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
