公开(公告)号：CN117906262A

公开(公告)日：2024-04-19

申请号：CN202410261742.3

申请日：2024-03-07

Applicant: 安徽理工大学

Inventor： 张奇奇 ,  周孟然 ,  胡锋 ,  朱梓伟 ,  王玲 ,  周光耀 ,  孔伟乐 ,  吴长臻

IPC: F24F11/64 ,  F24F11/46 ,  F24F11/61 ,  F24F11/88

Abstract: 本发明公开了一种面向需求响应的空调负荷可调节潜力评估与互动方法，方法包括：定义空调负荷可调节潜力指标；建立人体舒适度模型；建立基于改进金豺优化算法的深度置信网络模型；基于IGJO‑DBN的空调负荷可调节潜力评估；基于IGJO‑DBN互动模型，根据需要调节的空调功率信息结合空调、环境参数等，计算预算温度的设定；面向需求响应的空调负荷实时交互。该方法解决了现有关于空调负荷可调节潜力研究中多采用启停方式控制空调，不满足人体舒适度，实施起来较为困难的问题，实现了电网与空调的实时互动，解决了传统DBN网络的隐含层神经元个数不易确定与参数选取困难的问题，并且具有极强的非线性映射能力，良好的评估精度和稳定性，为空调负荷可调节潜力评估的后续研究提供了一种新思路。

公开(公告)号：CN117574066A

公开(公告)日：2024-02-20

申请号：CN202311516168.3

申请日：2023-11-13

Applicant: 安徽理工大学

Inventor： 周孟然 ,  吴长臻 ,  胡锋 ,  朱梓伟 ,  孔伟乐

IPC: G06F18/15 ,  G06F18/23213 ,  G06F17/18 ,  G06N3/006 ,  G06Q50/06

Abstract: 本发明提出一种基于改进灰狼优化算法的虚拟电厂利润最大化方法，首先S1采集历史数据；S2对采集到的数据进行预处理；S3利用蒙特卡洛优化法进行模拟风光的不确定性；S4利用K‑means算法缩减场景集数至特定的天气，如无风无光，暴雨等；S5根据运行维护成本，卖电收益构建目标函数；S6提出了系统运行约束条件；S7提出改进灰狼优化算法求出电厂最大利润,将利润最大作为算法的求解目标，以运行约束条件作为算法的约束条件。本方法针对灰狼优化算法进行了改进，通过引入非线性调整策略，使收敛因子非线性收敛，增强全局探索能力，提高算法收敛性。还引入自适应柯西变异策略来优化算法，对当前代最优解进行柯西变异操作，提高算法跳出局部最优解的概率。

公开(公告)号：CN117913813A

公开(公告)日：2024-04-19

申请号：CN202410086941.5

申请日：2024-01-22

Applicant: 安徽理工大学

Inventor： 王玲 ,  周孟然 ,  胡锋 ,  朱梓伟 ,  张奇奇 ,  孔伟乐 ,  周光耀 ,  吴长臻

IPC: H02J3/00 ,  G06Q10/0639 ,  G06Q50/06 ,  H02J3/14

Abstract: 本发明涉及空调负荷可调节潜力评估技术领域，具体为一种需求侧响应下空调负荷可调节潜力评估方法。主要内容包括：对采集的空调负荷数据，按需求侧用电时间段划分，标识为用电时间段对应的电力负荷，并且对空调负荷数据进行预处理；利用拉丁超立方抽样LHS和动态高斯策略对麻雀搜索算法SSA改进得到ISSA算法，采用改进的麻雀搜索算法ISSA优化长短期记忆神经网络LSTM超参数，构建ISSA‑LSTM模型；然后将测试数据输入到模型中，利用空调负荷的训练数据对所述模型进行训练；最后采用性能指标对模型的准确度进行评价，利用最优模型得到最终的空调负荷可调节潜力评估结果。该方法可以保证电力系统中空调负荷安全、稳定运行，降低运行成本。在大规模空调用电的条件下，利用具有较高评估准确度的相关技术，可以有效地降低评估误差，从而提高电力系统的安全和可靠性，促进能源可持续性发展。

公开(公告)号：CN117972496A

公开(公告)日：2024-05-03

申请号：CN202410276821.1

申请日：2024-03-12

Applicant: 安徽理工大学

Inventor： 孔伟乐 ,  周孟然 ,  胡锋 ,  朱梓伟 ,  吴长臻 ,  王玲 ,  张奇奇 ,  周光耀

IPC: G06F18/24 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06Q50/06

Abstract: 本发明提出一种基于OCAE模型的高耗能工厂负荷特征提取方法，首先采集两年的高耗能工厂的负荷数据，并对采集到的数据进行预处理和归一化处理；然后使用卷积层、池化层、激活层及BN层搭建优异卷积自编码器即所提出的OCAE模型；其次把数据预处理后的数据分为训练集和测试集，用训练集对OCAE模型进行训练，用测试集对OCAE模型进行测试；之后当测试集测试时，使用重建损失评价模型优异度。根据重建损失来选取最终的OCAE模型；最后与其他相同类型的特征提取方法对比，验证模型特征提取效果。最终得到OCAE模型进行高耗能工厂的负荷特征提取不仅可以更好地挖掘负荷数据深层信息，而且特征提取效果优于自编码器AE,稀疏自编码器SAE,一维卷积自编码器1D‑CAE。

公开(公告)号：CN116562641A

公开(公告)日：2023-08-08

申请号：CN202310453341.3

申请日：2023-04-25

Applicant: 安徽理工大学

Inventor： 周孟然 ,  孔伟乐 ,  胡锋 ,  吴长臻 ,  朱梓伟

IPC: G06Q10/0637 ,  G06F18/23213 ,  G06F18/15 ,  G06N3/006

Abstract: 本发明提出一种基于MOBWO‑KM算法的高耗能工厂负荷特性分析方法，首先采集高耗能工厂的负荷数据；对采集到的数据进行预处理和归一化处理；用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集N；再用k‑means算法日负荷曲线数据集N进行聚类并用DBI指标得到最优聚类数k；利用多目标白鲸优化算法MOBWO优化k‑means算法的k个初始聚类中心；利用上述的MOBWO‑KM算法聚类日负荷曲线数据集N，并对结果进行反归一化最终得到高耗能工厂的典型日负荷曲线。其可以获得优良且精确的典型日负荷曲线，以此可以更好的对高耗能工厂的负荷特性进行研究分析，进而更好的进行高耗能工厂的负荷分解、负荷预测和工厂用户行为分析。