公开(公告)号：CN115308608A

公开(公告)日：2022-11-08

申请号：CN202210921665.0

申请日：2022-08-02

Applicant: 武汉理工大学

Inventor： 李旸 ,  冯小玲 ,  苏赋文 ,  张少凤 ,  唐金锐 ,  熊斌宇

IPC: G01R31/367 ,  G01R31/385 ,  G01R31/389 ,  G01R31/378

Abstract: 本发明提出了一种全钒液流电池电压预测方法、置及介质，用于基于门控循环神经网络模型拟合所述全钒液流电池的实验数据，预测全钒液流电池电压，所述方法包括：S10采集全钒液流电池实验数据；S20根据实验数据计算全钒液流电池在不同工况下的荷电状态SOC，形成训练数据集；S30构建门控循环神经网络模型，通过训练数据集训练所述门控循环神经网络模型；采集待测电池的电流、容量及流量，计算当前SOC数据，输入至经过训练的所述门控循环神经网络模型得到预测电压值。本发明考虑到流量是影响全钒液流电池的运行效率的重要因素，添加了流量作为模型的输入，进一步提高了模型在不同流量下的预测精度，模型简单，预测误差小。

公开(公告)号：CN113139605A

公开(公告)日：2021-07-20

申请号：CN202110460352.5

申请日：2021-04-27

Applicant: 武汉理工大学

Inventor： 熊斌宇 ,  张少凤 ,  张华军 ,  张清勇 ,  李旸 ,  苏义鑫

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  H02J3/00

Abstract: 本发明公开了基于主成分分析和LSTM神经网络的电力负荷预测方法，所述方法包括：1)查找原始负荷数据中的异常值，判断异常点，通过平均值修正法进行处理；2)利用原始负荷数据的标准差及均值对数据进行标准化操作；3)将字符型影响因素进行量化，得到各变量在主成分分析中的特征值；4)以主成分分析后的数据作为特征值输入长短时记忆神经网络，预测输出值；5)对神经网络的输出进行反标准化操作；6)选择均方根误差作为回归模型的评价指标，衡量观测值同真值之间的偏差。本发明采用的长短时记忆神经网络具有良好的鲁棒性能和非线性处理能力，能够通过特殊的单元结构缓解梯度消失和梯度爆炸等问题，进一步提高电力负荷预测结果的精度。