-
Patent Agency Ranking
公开(公告)号：CN119807720A
公开(公告)日：2025-04-11
申请号：CN202510300821.5
申请日：2025-03-14
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/213 , G06N3/0442 , G06Q10/20 , G06Q50/06
Abstract: 本发明公开了基于扩展长短时记忆神经网络的海上风电功率预测方法，涉及可再生能源预测技术领域，包括以下步骤：S1、从原始风电数据中提取趋势性和季节性成分；S2、通过构建扩展长短时记忆神经网络对提取的趋势性和季节性成分进行预测；S3、集成不同组合下的扩展长短时记忆神经网络预测结果，得到最终的风电功率预测值。本发明采用上述基于扩展长短时记忆神经网络的海上风电功率预测方法，通过提取趋势性和季节性成分，结合扩展长短时记忆神经网络的高效建模能力，显著提升了风电功率预测的精度和稳定性，为电力系统调度提供可靠支持，降低风电波动对电网的影响，具有重要工程应用价值。
-
公开(公告)号：CN118839309A
公开(公告)日：2024-10-25
申请号：CN202411322808.1
申请日：2024-09-23
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/25 , G06F18/214 , G06F30/27 , G06Q50/06 , G06F119/02
Abstract: 本发明公开了一种考虑波动性与周期性的风电功率超短期预测方法，属于可再生能源预测技术领域，包括以下步骤：S1、建立风电数据挖掘方法得到数据波动组成和周期组成；S2、通过深度学习方法从原始风电数据中提取融合特征；S3、通过集成神经网络模型基于融合特征和波动、周期组成做出预测；S4、通过S1所得的波动组成和周期组成、S2的融合特征和S3的集成神经网络确定最终的风电功率超短期预测方法。本发明采用上述的一种考虑波动性与周期性的风电功率超短期预测方法，将深度学习理论引进风电功率预测中，研究数据挖掘方法以及深度学习方法在超短时风电功率预测问题中的应用，提高电网稳定性和供电可靠性，对多元化能源系统的发展具有重要意义。
-
公开(公告)号：CN116776538B
公开(公告)日：2025-05-20
申请号：CN202310513182.1
申请日：2023-05-08
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F30/20 , G06Q10/0631 , G06Q10/0637 , G06Q10/04 , G06Q50/06 , G06N3/126 , G06F17/18 , G06F17/11 , H02J3/46 , H02J3/14 , G06F111/04 , G06F113/04 , G06F111/06
Abstract: 本发明提供了一种考虑不确定性的电力‑天然气‑氢气耦合网络低碳规划方法，包括以下步骤：步骤S1，建立风速和光照强度概率分布的高斯混合模型；步骤S2，建立基于Wasserstein距离的不确定性经典场景生成模型，用于风电、光电出力建模；步骤S3，建立以制氢站为耦合中心的电力‑天然气‑氢气一体化模型，电力网络为制氢站提供电能用于电解水制氢，天然气网络为制氢站提供天然气用于甲烷蒸汽重整制氢，制氢站产生的氢气通过氢能源网络输送至加氢站；步骤S4，建立电力网络、天然气网络及氢能源网络中的碳排放流模型，用于耦合网络碳排放量的计算。本发明的有益效果是：本发明方法能有效降低电解水及甲烷蒸汽重整制氢环节的碳排放。
-
公开(公告)号：CN118839309B
公开(公告)日：2025-01-21
申请号：CN202411322808.1
申请日：2024-09-23
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/25 , G06F18/214 , G06F30/27 , G06Q50/06 , G06F119/02
Abstract: 本发明公开了一种考虑波动性与周期性的风电功率超短期预测方法，属于可再生能源预测技术领域，包括以下步骤：S1、建立风电数据挖掘方法得到数据波动组成和周期组成；S2、通过深度学习方法从原始风电数据中提取融合特征；S3、通过集成神经网络模型基于融合特征和波动、周期组成做出预测；S4、通过S1所得的波动组成和周期组成、S2的融合特征和S3的集成神经网络确定最终的风电功率超短期预测方法。本发明采用上述的一种考虑波动性与周期性的风电功率超短期预测方法，将深度学习理论引进风电功率预测中，研究数据挖掘方法以及深度学习方法在超短时风电功率预测问题中的应用，提高电网稳定性和供电可靠性，对多元化能源系统的发展具有重要意义。
-
公开(公告)号：CN117198067A
公开(公告)日：2023-12-08
申请号：CN202311290951.2
申请日：2023-10-08
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G08G1/065 , G08G1/01 , G06N3/0442 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种预测质量为导向的交通流区间量化方法，本发明涉及智能交通系统预测领域，包括以下步骤：S1：以区间预测的质量为目标建立量化交通流的区间损失函数方法；S2：通过深度学习方法构建交通流量化模型；S3：通过极端梯度增加模型对交通流的信息特征做特征选择；S4：结合S1所得的区间分数函数、S2所得的深度学习模型和S3所得的重要特征确定最终的交通流量化模型。本发明采用上述的一种预测质量为导向的交通流区间量化方法，通过将深度学习理论引进交通流预测偏差量化中，研究深度学习方法以及区间预测函数理论在长期多步交通流预测问题中的应用，增强智能交通系统对交通流量化的性能，对智能交通系统的发展具有重要意义。
-
-
-
-
Search Results
5
records
(took 0.054 seconds)
