-
公开(公告)号：CN115640868A
公开(公告)日：2023-01-24
申请号：CN202210999675.6
申请日：2022-08-19
Applicant: 广东工业大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0475 , G06N3/045 , G06N3/006 , G06N3/0442 , G06N3/086 , H02J3/00 , H02J3/38
Abstract: 本发明涉及风电功率预测的技术领域，更具体地，涉及一种新建风电场少数据风电功率短期预测方法，具体来说，是一种基于进化生成对抗网络和双向门控循环单元的新建风电场少数据风电功率短期预测方法。本发明采用进化计算优化生成对抗网络，使得生成模型能够高效学习原始少数据的边际分布，并生成具有模态多样性和相似边际分布的新数据，以弥补原始小规模数据的局限性，对于新建风电场的少数据风电功率预测精度提升具有实际性的帮助；采用纵横交叉优化算法优化BiGRU网络中Dense层权重和偏置项，能够有效避开模型陷入局部最优并帮助其寻找到全局最优解，对提高少数据新建风电场的风电功率预测精度具有明显的效果。
-
公开(公告)号：CN114169252B
公开(公告)日：2022-11-29
申请号：CN202111620744.X
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/25 , G06N3/04 , G06N3/08 , G06F111/06 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。
-
公开(公告)号：CN115169543A
公开(公告)日：2022-10-11
申请号：CN202211075821.2
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于迁移学习的短期光伏功率预测方法及系统，先获取源域以及目标域光伏发电站的特征数据并进行预处理，划分得到源域训练数据、目标域的训练数据和测试数据；然后通过源域训练数据对源域预测模型进行训练，找到最佳的源域预测模型；之后通过改进生成对抗网络对目标域训练数据进行增强，获得目标域增强训练数据；再将最佳源域预测模型的权重参数进行迁移，得到目标域预测模型；然后通过增强训练数据训练目标域预测模型，得到最佳目标域预测模型；最后将测试数据输入至最佳目标域预测模型中，得到目标光伏发电站的目标功率。本发明可有效提升对光伏发电站的短期功率进行预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN114331111B
公开(公告)日：2022-10-18
申请号：CN202111620741.6
申请日：2021-12-27
Applicant: 广东工业大学
Abstract: 本发明涉及经济调度的技术领域，更具体地，涉及一种多区域静态经济调度解耦降维求解方法。首先获取多区域静态经济调度机组的信息，并建立主优化目标函数；采用纵横交叉算法对多区域机组进行解耦，得到N个子种群与分布式子优化器；基于子种群建立子优化器与其余子种群建立子关联目标函数，计算得到各个子种群的子目标函数；各个子优化器的种群分别进行并行的横向交叉与纵向交叉；再通过邻域种群交叉机制计算邻域交叉新种群，通过变异机制加速分布式子优化器更新；而后；进行种群更新得到子全局最优粒子；满足更新迭代次数时，输出多区域静态经济调度求解优化的最优种群信息。本发明保护了各个区域的数据私密性并大大减少了计算机的通信负担。
-
公开(公告)号：CN114169251A
公开(公告)日：2022-03-11
申请号：CN202111616484.9
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/23 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/06 , G06F113/06 , G06F119/06
Abstract: 本发明涉及风电功率预测的技术领域，更具体地，涉及一种超短期风电功率预测方法，本实施例采用多元变分模态分解方法，将所采集的风电功率和风速序列依次进行分解，并拼接形成一个T×F的输入特征矩阵，降低复杂度。再通过自动编码器与极限学习机的结合构建深度极限学习机预测模型，并利用多目标纵横交叉算法对所建立的预测模型作权值和阈值的初始寻优。将寻优结果作为深度极限学习模型的初始参数并继续训练，最后利用训练好的模型对分解后的各子序列分别进行预测，将各子序列预测结果叠加从而得到风电功率预测值。本发明的超短期风电功率预测方法，有效提升了模型在风电功率的预测精度、预测稳定性与泛化性能。
-
公开(公告)号：CN114169252A
公开(公告)日：2022-03-11
申请号：CN202111620744.X
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/25 , G06N3/04 , G06N3/08 , G06F111/06 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。
-
公开(公告)号：CN115169544A
公开(公告)日：2022-10-11
申请号：CN202211075827.X
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种短期光伏发电功率预测方法及系统。首先获取目标域光伏发电站以及源域光伏发电站的特征数据，对数据进行预处理后划分出训练数据和测试数据，然后构建GRU‑DANN对抗迁移学习模型并对其进行训练，得到训练好的GRU‑DANN对抗迁移学习模型，最后将测试数据输入至训练好的GRU‑DANN对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。本发明可从多样本光伏发电站的数据中自动提取出建立少样本光伏发电站功率预测模型所需要的特征，实现多样本光伏发电站对少样本光伏发电站的有效迁移，以提高少样本光伏发电站的功率预测精度。
-
公开(公告)号：CN114331111A
公开(公告)日：2022-04-12
申请号：CN202111620741.6
申请日：2021-12-27
Applicant: 广东工业大学
Abstract: 本发明涉及经济调度的技术领域，更具体地，涉及一种多区域静态经济调度解耦降维求解方法。首先获取多区域静态经济调度机组的信息，并建立主优化目标函数；采用纵横交叉算法对多区域机组进行解耦，得到N个子种群与分布式子优化器；基于子种群建立子优化器与其余子种群建立子关联目标函数，计算得到各个子种群的子目标函数；各个子优化器的种群分别进行并行的横向交叉与纵向交叉；再通过邻域种群交叉机制计算邻域交叉新种群，通过变异机制加速分布式子优化器更新；而后；进行种群更新得到子全局最优粒子；满足更新迭代次数时，输出多区域静态经济调度求解优化的最优种群信息。本发明保护了各个区域的数据私密性并大大减少了计算机的通信负担。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
