-
公开(公告)号：CN115618982A
公开(公告)日：2023-01-17
申请号：CN202110734031.X
申请日：2021-06-30
Applicant: 南京工程学院
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F30/27 , G06F111/04 , G06F111/06
Abstract: 本发明提供了一种基于Pareto最优的光伏发电超短期功率区间预测方法，包括以下步骤：步骤S01：对多目标优化问题进行描述；步骤S02：使用光伏发电区间预测帕累托最优优化准则；步骤S03：计算基于余弦的非线性相关性度量；步骤S04：运用K‑Means分类；步骤S05：运用多目标遗传算法建立基于NSGA‑II的光伏发电功率概率区间预测模型。本发明提供的方法以光伏发电超短期发电功率为研究对象，提出了一种基于ELM的光伏发电输出功率的区间预测多目标优化模型。用改进的非支配排序多目标遗传算法(Non‑dominated Sorting Genetic Algorithm II(NSGA‑II))以平均区间宽度最小与置信概率最高为目标函数对ELM网络参数进行优化，得到一组给定置信概率下的帕累托最优预测区间。相比于传统多目标转化成单目标方法有更好的实用性。
-
公开(公告)号：CN115545255A
公开(公告)日：2022-12-30
申请号：CN202110734021.6
申请日：2021-06-30
Applicant: 南京工程学院
Abstract: 本发明属于光伏发电领域，涉及一种基于Bootstrap的光伏发电输出功率超短期概率预测方法。本发明提供了一种基于Bootstrap的光伏发电输出功率超短期概率预测方法，包括以下步骤：步骤S01：使用Bootstrap方法对光伏发电输出功率进行预测；步骤S02：计算模型偏差不确定性的量化方差；步骤S03：计算数据噪声不确定性量化方差。本发明提供的方法从ELM回归方法本身的不确定性与数据噪声不确定性角度出发，分别以方差的形式对数据噪声与回归模型的模型偏差给预测结果带来的不确定性进行量化，通过Bootstrap方法对光伏发电输出功率进行预测，统计ELM回归的模型不确定性量化方差，然后对数据噪声的不确定性进行量化，解决了传统神经网络Bootstrap技术无法应用到基于ELM的Bootstrap方法的问题。
-
公开(公告)号：CN114021429B
公开(公告)日：2024-11-29
申请号：CN202111215296.5
申请日：2021-10-19
Applicant: 南京工程学院
IPC: G06F30/27 , G06F17/14 , G06Q10/04 , G06Q30/0201 , G06Q50/06 , G06F18/2135 , G06N3/0442 , G06N3/08 , H02J3/00 , H02J3/28 , G06F111/04 , G06F113/04 , G06F119/02
Abstract: 本发明提供了一种考虑可靠性成本的储能优化配置方法，包括以下步骤：步骤S01：预测新能源出力；步骤S02：采取电量不足期望值为评估指标建立系统优化配置模型，具体包括储能系统模型、可靠性成本模型、发电系统成本模型、约束条件；步骤S03：基于系统优化配置模型对储能优化进行配置。本发明采用一种计及可靠性成本，同时考虑风、光资源多时间尺度不确定性的风光储互补微电网系统储能容量协同优化的方法，针对如何提高电力系统运行可靠性，以电量不足期望值为指标对微电网运行可靠性评估，并将可靠性量化为可靠性成本，建立可靠性成本函数，添加到系统配置总成本中后寻优。
-
公开(公告)号：CN111675160A
公开(公告)日：2020-09-18
申请号：CN202010512311.1
申请日：2020-06-08
Applicant: 南京工程学院
Abstract: 一种适用于电力电缆维护巡检的检测设备及检测方法，它涉及电力辅助装置技术领域。它包含车体、动力电机、发电机、连接轴、车轮、油缸、组合锂电池、旋转电机、旋转齿轮、动力齿轮、支撑臂、吊篮、驾驶室、支撑柱，所述旋转齿轮安装在车体的上方左侧一端，动力齿轮位于旋转齿轮的一侧，且动力齿轮与旋转齿轮齿轮配合连接，动力齿轮的正下方安装有旋转电机，且旋转旋转电机位于车体的内部，支撑柱安装在旋转齿轮的正上方中间位置，支撑臂安装在支撑柱的上方，吊篮安装在支撑臂的前部，它功能多样化，能够直接控制其前进和后退，还能根据检修的高度进行调节，方便检修人员的实际操作，在登高作业时，能够确保登高检修人员的安全性。
-
公开(公告)号：CN111600223A
公开(公告)日：2020-08-28
申请号：CN202010512298.X
申请日：2020-06-08
Applicant: 南京工程学院
Abstract: 一种用于光伏电网的高防护型电力储能装置及控制方法，所述电柜安装在底座的正上方中间位置，所述蓄电池安装在电柜的内侧底部，所述逆变器、电量表和总电闸依次安装在电柜的内部，且逆变器、电量表和总电闸位于蓄电池的上方，所述顶棚安装在电柜的外部正上方，所述排风扇安装在电柜的内侧顶部上方，四个所述吹风扇分别两两相对应安装在电柜的内部左右两侧，所述避雷针安装在顶棚的上方一侧，所述检测装置安装在底座的内部中间位置，所述驱鸟器安装在顶棚的另外一侧,它结构简单，能够有效的防止雷击和日光的暴晒，通过排风扇和吹风扇可以确保电柜内部的温度，同时，还通过检测装置可以检测电柜所处位置的积水情况，避免发生电击伤人事故。
-
Patent Agency Ranking
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。
-
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：CN114021429A
公开(公告)日：2022-02-08
申请号：CN202111215296.5
申请日：2021-10-19
Applicant: 南京工程学院
IPC: G06F30/27 , G06F17/14 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/04 , G06Q30/02 , G06Q50/06 , H02J3/00 , H02J3/28 , G06F111/04 , G06F113/04 , G06F119/02
Abstract: 本发明提供了一种考虑可靠性成本的储能优化配置方法，包括以下步骤：步骤S01：预测新能源出力；步骤S02：采取电量不足期望值为评估指标建立系统优化配置模型，具体包括储能系统模型、可靠性成本模型、发电系统成本模型、约束条件；步骤S03：基于系统优化配置模型对储能优化进行配置。本发明采用一种计及可靠性成本，同时考虑风、光资源多时间尺度不确定性的风光储互补微电网系统储能容量协同优化的方法，针对如何提高电力系统运行可靠性，以电量不足期望值为指标对微电网运行可靠性评估，并将可靠性量化为可靠性成本，建立可靠性成本函数，添加到系统配置总成本中后寻优。
-
公开(公告)号：CN114004285A
公开(公告)日：2022-02-01
申请号：CN202111201436.3
申请日：2021-10-15
Applicant: 南京工程学院
IPC: G06K9/62
Abstract: 本发明提供了一种基于改进kNN算法的非侵入式负荷辨识方法，包括以下步骤：步骤S01：选择V‑I轨迹作为负荷特征，提取轨迹特征，在提取轨迹特征中增加幅值特征；步骤S02：改进KNN算法，在KNN算法中为训练样本分配不同的权重，增加少数类样本在分类判决时的表决权，步骤S03：在步骤S01提取了二值V‑I轨迹和幅值两种负荷特征，引入综合相似度概念，利用步骤S02改进的KNN算法，将两种负荷特征相结合，确定待测样本的类别对负荷进行辨识。本发明在数据集不平衡的情况下，通过增加权重的方式，提高与多数类具有相似V‑I轨迹形状的少数类样本的识别准确率，提高了前端电路拓扑相同但功率等级不同的两类用电设备的识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.055 seconds)
