-
公开(公告)号：CN110766212B
公开(公告)日：2023-01-03
申请号：CN201910975574.3
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种用于历史数据缺失电场的超短期光伏功率预测方法。(1)选取具有充足历史数据的光伏电场A作为源域，构建源域训练集、验证集及测试集，在电场B的历史光伏功率数据上构建目标域训练集、验证集及测试集；(2)利用源域训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练；(3)对步骤(2)得到的网络的结构进行改造；(4)利用源域训练集、目标域的训练集和验证集重新训练网络，得到服务于电场B光伏电场的功率预测网络；(5)将电场B的历史数据和实时监测数据输入步骤(4)得到的最终预测网络，预测网络输出电场B下一时刻的预测结果。本发明解决了新建光伏无法有效实施基于历史数据的功率预测问题。
-
Patent Agency Ranking
公开(公告)号：CN112389607B
公开(公告)日：2021-10-01
申请号：CN202011304575.4
申请日：2020-11-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种用于电力推进船的综合电力负荷预测方法，包括电力推进负荷预测和船舶基本设备、生活用电预测，所述船舶基本设备、生活用电预测利用深度学习算法计算，所述电力推进负荷预测包括外力引起的船舶运动和维持船舶推进所需推力；所述外力引起的船舶运动包括波浪模型建立、风能模型建立和海洋模型建立；所述维持船舶推进所需推力包括主推进器和船首推进器，本发明可以充分考虑到电推船的特点，达到准确的负荷预测。
-
公开(公告)号：CN112389607A
公开(公告)日：2021-02-23
申请号：CN202011304575.4
申请日：2020-11-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种用于电力推进船的综合电力负荷预测方法，包括电力推进负荷预测和船舶基本设备、生活用电预测，所述船舶基本设备、生活用电预测利用深度学习算法计算，所述电力推进负荷预测包括外力引起的船舶运动和维持船舶推进所需推力；所述外力引起的船舶运动包括波浪模型建立、风能模型建立和海洋模型建立；所述维持船舶推进所需推力包括主推进器和船首推进器，本发明可以充分考虑到电推船的特点，达到准确的负荷预测。
-
公开(公告)号：CN110766212A
公开(公告)日：2020-02-07
申请号：CN201910975574.3
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种用于历史数据缺失电场的超短期光伏功率预测方法。(1)选取具有充足历史数据的光伏电场A作为源域，构建源域训练集、验证集及测试集，在电场B的历史光伏功率数据上构建目标域训练集、验证集及测试集；(2)利用源域训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练；(3)对步骤(2)得到的网络的结构进行改造；(4)利用源域训练集、目标域的训练集和验证集重新训练网络，得到服务于电场B光伏电场的功率预测网络；(5)将电场B的历史数据和实时监测数据输入步骤(4)得到的最终预测网络，预测网络输出电场B下一时刻的预测结果。本发明解决了新建光伏无法有效实施基于历史数据的功率预测问题。
-
公开(公告)号：CN112990674A
公开(公告)日：2021-06-18
申请号：CN202110226023.4
申请日：2021-03-01
Applicant: 哈尔滨工程大学
Abstract: 本发明一种海上浮式风电场多目标运行调度方法，设定一个至少包含两个风机的海上浮式风电场，海上浮式风电场的单台风机模型相互独立，约束独立；建立基于CNN‑LSTM的海上浮式风电场预测模型；基于预测模型输出的预测步长内的风机预测功率，设定目标函数；对风机模型中的变量给定约束值；使用差分算法的方法进行求解。本发明综合考虑了风、浪、尾流效应和疲劳对海上浮式风电场发电量的影响，建立了具有深度学习结构的CNN‑LSTM混合模型来预测风电场出力；解决了海上浮式风电场的运行调度问题，减轻了风机系统的计算负担与通信负担，在保证风电场安全运行的前提下使风电场的输出可以达到最大的效益。
-
公开(公告)号：CN110909919A
公开(公告)日：2020-03-24
申请号：CN201911079279.6
申请日：2019-11-07
Applicant: 哈尔滨工程大学
Abstract: 融合注意力机制的深度神经网络模型的光伏功率预测方法，属于可再生能源光伏功率技术领域。该方法首先根据光伏数据特点选择了基于长短期记忆神经网络和卷积神经网络的混合神经网络作为预测模型，并考虑了最佳的连接方式；其次，为了降低模型的计算时间且更加准确地提取出可用于光伏预测的高质量特征信息，在模型特征提取方面，加入了注意力机制模型。通过不同的预测模型的比较，证明了所提出的混合深度学习模型的优势；通过注意力机制模型的应用对高质量特征的选取提供了可能。合理的混合模型方式可以实现预测精度高和计算成本低的双重追求。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
