-
公开(公告)号：CN119646407A
公开(公告)日：2025-03-18
申请号：CN202510163171.4
申请日：2025-02-14
Applicant: 广东工业大学
IPC: G06F18/10 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/047 , G06N3/096 , H02J3/00 , H02J3/38 , G06F123/02
Abstract: 本发明提供一种基于数据增强和隐藏层增量级联的风功率预测方法及系统，方法包括：采集初始样本集并进行预处理，同时划分训练集、验证集和测试集；基于传统RVFL模型，引入隐藏层节点新增机制，构建HLICRVFL模型；利用训练集对HLICRVFL模型进行初步训练；在训练集中添加学生t分布噪声，生成新的训练集，并对新增节点进行训练，原始节点的参数保持不变，不断进行训练直到模型收敛，最后利用最优的模型进行风电功率预测；本发明采用隐藏层增量的训练模式，无需重新训练所有参数，只需训练新增节点，显著降低了计算成本；此外，本发明基于学生t分布进行数据增强，能够生成质量更高的训练样本，进一步提升模型的预测精度。
-
公开(公告)号：CN119627909A
公开(公告)日：2025-03-14
申请号：CN202510156840.5
申请日：2025-02-13
Applicant: 广东工业大学
IPC: H02J3/00 , H02J3/38 , G06F18/15 , G06F18/2135 , G06F18/27 , G06F16/29 , G06N3/042 , G06N3/0464 , G06N3/045
Abstract: 本发明提出一种具有多层次时空感知的海上风电功率预测方法及系统，涉及海上风电功率预测的技术领域，首先，确定风机的空间关系，构建二维静态平面特征，获取多层次海拔高度下的多维时序风电气象特征，对每个层次海拔高度下的多维时序风电气象特征进行降维，为降维后的多维时序风电气象特征分配权重，获得每个层次海拔高度下降维后的特征矩阵，基于特征矩阵构建局部图特征，将局部图特征和二维静态平面特征合并为全局空间图特征，最后，利用线性回归预测模型进行风电功率预测。本发明对风电场风机地理位置信息、气象信息充分利用，同时考虑不同海拔高度上多种气象因素有效减少因风力发电不确定性带来的预测误差，提升海上风电功率预测的准确性。
-
公开(公告)号：CN119669740B
公开(公告)日：2025-04-25
申请号：CN202510180693.5
申请日：2025-02-19
Applicant: 广东工业大学
IPC: G06F18/2131 , G06N3/098 , G06Q10/04 , G06Q50/06 , G06F18/15 , G06F18/2321 , H02J3/00 , H02J3/38
Abstract: 本发明提出一种基于动态延迟和分层联邦学习的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先，动态调整每一个周边风电场与目标新建风电场的历史风电数据时间戳。然后进行经验模态分解，通过频谱分析得到分量频谱并优化，得到优化后的频谱分量；构建特征矩阵，对特征矩阵进行多尺度聚类，得到多通道频谱分量特征，提高数据的处理效果，捕捉更多频率特征，改善预测模型的稳定性与准确性。将多通道特征输入到自注意力风电功率预测模型，通过分层联邦学习对模型进行训练，保证了目标风电场和周边风电场的个性化模型和全局模型的有效结合，提升了数据隐私保护的同时，提升了对新建风电场适应性，提高风电功率预测精度。
-
Patent Agency Ranking
公开(公告)号：CN117893362B
公开(公告)日：2024-07-26
申请号：CN202410303869.7
申请日：2024-03-18
Applicant: 广东工业大学
IPC: G06Q50/06 , G06F18/23213 , G06N3/0464 , G06Q10/04 , H02J3/00 , H02J3/38
Abstract: 本发明公开了一种多时空尺度的海上风电特征筛选及增强的功率预测方法，首先获取目标海上风电场的多源数据集，根据获取的洋流数据进行基序谱聚类展开最佳敏感因素筛选，对数据进行降维；通过多维度注意力机制考虑特征内部与外部关系，从不同维度开展多重注意力深度融合机制的海上风电特征增强，挖掘时间、空间、特征上的深层耦合关系，自适应给予不同特征相应的权重。根据地理位置对海上风机出力的影响程度不同，挖掘不同区域的隐式相关性，使用图注意力自适应赋予不同的权重，最后得到新的特征矩阵并输送预测模型，从多个时间尺度进行预测，获得对应海上风电场在不同时间尺度下的功率时间序列。本发明有效的提升海上风电功率预测的精度。
-
公开(公告)号：CN119646407B
公开(公告)日：2025-05-16
申请号：CN202510163171.4
申请日：2025-02-14
Applicant: 广东工业大学
IPC: G06F18/10 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/047 , G06N3/096 , H02J3/00 , H02J3/38 , G06F123/02
Abstract: 本发明提供一种基于数据增强和隐藏层增量级联的风功率预测方法及系统，方法包括：采集初始样本集并进行预处理，同时划分训练集、验证集和测试集；基于传统RVFL模型，引入隐藏层节点新增机制，构建HLICRVFL模型；利用训练集对HLICRVFL模型进行初步训练；在训练集中添加学生t分布噪声，生成新的训练集，并对新增节点进行训练，原始节点的参数保持不变，不断进行训练直到模型收敛，最后利用最优的模型进行风电功率预测；本发明采用隐藏层增量的训练模式，无需重新训练所有参数，只需训练新增节点，显著降低了计算成本；此外，本发明基于学生t分布进行数据增强，能够生成质量更高的训练样本，进一步提升模型的预测精度。
-
公开(公告)号：CN119674967A
公开(公告)日：2025-03-21
申请号：CN202510200743.1
申请日：2025-02-24
Applicant: 广东工业大学
IPC: H02J3/00 , H02J3/38 , G06F18/241 , G06N3/042 , G06Q30/0283 , G06Q50/06 , G06F18/21 , G06F18/214 , G06F18/2415 , G06F18/25
Abstract: 本发明涉及一种面向多地区的风电、负荷和电价联合预测方法及系统。首先采集多个地区的风电、负荷和电价数据，获取相关的气象和地理位置信息，将获取到的数据进行处理，形成特征输入通道；然后，通过对图的拉普拉斯矩阵进行频率分解，构建多尺度图卷积，捕捉特征通道中的多尺度信息；定义新的损失函数和参数更新规则，以优化模型训练；随后，共享中间特征层通过将所有目标变量的中间特征整合在一起，形成共享特征矩阵，并输入至模型进行训练，最后对风电、负荷和电价目标变量进行同时输出。本发明能够提炼每个地区的独特特征，并捕捉不同地区和目标变量之间的相互依赖，显著提升预测精度，适用于多地区风电出力、负荷需求及电价预测等场景。
-
公开(公告)号：CN119669740A
公开(公告)日：2025-03-21
申请号：CN202510180693.5
申请日：2025-02-19
Applicant: 广东工业大学
IPC: G06F18/2131 , G06N3/098 , G06Q10/04 , G06Q50/06 , G06F18/15 , G06F18/2321 , H02J3/00 , H02J3/38
Abstract: 本发明提出一种基于动态延迟和分层联邦学习的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先，动态调整每一个周边风电场与目标新建风电场的历史风电数据时间戳。然后进行经验模态分解，通过频谱分析得到分量频谱并优化，得到优化后的频谱分量；构建特征矩阵，对特征矩阵进行多尺度聚类，得到多通道频谱分量特征，提高数据的处理效果，捕捉更多频率特征，改善预测模型的稳定性与准确性。将多通道特征输入到自注意力风电功率预测模型，通过分层联邦学习对模型进行训练，保证了目标风电场和周边风电场的个性化模型和全局模型的有效结合，提升了数据隐私保护的同时，提升了对新建风电场适应性，提高风电功率预测精度。
-
公开(公告)号：CN117893362A
公开(公告)日：2024-04-16
申请号：CN202410303869.7
申请日：2024-03-18
Applicant: 广东工业大学
IPC: G06Q50/06 , G06F18/23213 , G06N3/0464 , G06Q10/04 , H02J3/00 , H02J3/38
Abstract: 本发明公开了一种多时空尺度的海上风电特征筛选及增强的功率预测方法，首先获取目标海上风电场的多源数据集，根据获取的洋流数据进行基序谱聚类展开最佳敏感因素筛选，对数据进行降维；通过多维度注意力机制考虑特征内部与外部关系，从不同维度开展多重注意力深度融合机制的海上风电特征增强，挖掘时间、空间、特征上的深层耦合关系，自适应给予不同特征相应的权重。根据地理位置对海上风机出力的影响程度不同，挖掘不同区域的隐式相关性，使用图注意力自适应赋予不同的权重，最后得到新的特征矩阵并输送预测模型，从多个时间尺度进行预测，获得对应海上风电场在不同时间尺度下的功率时间序列。本发明有效的提升海上风电功率预测的精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
