公开(公告)号：CN118839722A

公开(公告)日：2024-10-25

申请号：CN202410807344.7

申请日：2024-06-20

Applicant: 河南科技大学

Inventor： 宿忠娥 ,  郑国强 ,  王国栋 ,  穆昱 ,  胡淼森 ,  孔令瑞 ,  马华红 ,  朱梦婷 ,  翟会会

IPC: G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/0985 ,  G06N3/006 ,  G06Q10/04 ,  G06Q50/06

Abstract: 本发明提供一种基于IDBO优化CNN‑BiLSTM模型的RIES负荷预测方法，首先，根据区域综合能源系统负荷特征，建立基于CNN‑BiLSTM的预测方法。其次，采用Sobol序列、曲线自适应策略、余弦自适应系数分别对DBO算法中的种群初始化、滚球蜣螂和小蜣螂的位置更新方法进行了改进，并采用CEC2022函数对IDBO优化算法进行了相关的测试实验，结果表明改进的DBO具有全局搜索能力强和收敛速度快的优点。最后，采用IDBO优化CNN‑BiLSTM模型的超参数，为验证所提方法的有效性，对比不同场景和选择不同模型进行比较实验，IDBO寻优性能优于HHO、WOA等优化算法，能搜索到最佳的CNN‑BiLSTM超参数，降低了超参数选取不当所带来的负荷预测偏差。本方案所提的IDBO优化CNN‑BiLSTM模型的RIES负荷预测方法能更有效地提高RIES多元负荷预测的精度。

公开(公告)号：CN117875471A

公开(公告)日：2024-04-12

申请号：CN202311625187.X

申请日：2023-11-30

Applicant: 河南科技大学

Inventor： 宿忠娥 ,  郑国强 ,  王国栋 ,  穆昱 ,  胡淼森 ,  孔令瑞 ,  马华红 ,  朱梦婷 ,  翟会会

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0464 ,  G06N3/049 ,  G06F17/16

Abstract: 一种区域综合能源系统短期负荷预测方法，基于注意力机制的时空同步图卷积神经网络结构，该结构由一个输入变换、多个时空同步图卷积和一个输出变换组成，通过输入数据得出区域综合能源短期负荷的预测结果，具体包括以下步骤：步骤一、定义时空图数据序列，对序列进行截断后进入输入变换，经变换后作为时空图数据输入第一个时空同步图卷积；步骤二、时空图数据序列经过图卷积运算，重复至所有时空同步图卷积运行完成，得到聚合各个时空同步图卷积运行的结果；步骤三、通过输出变换将多个时空同步图卷积运算得出的结果输出，得到最终的区域综合能源短期负荷的预测结果。本方法于时空同步同卷积神经网络的注意机制，提升预测的精度。

公开(公告)号：CN118711161A

公开(公告)日：2024-09-27

申请号：CN202410579060.7

申请日：2024-05-08

Applicant: 河南科技大学

Inventor： 郑国强 ,  吕香帅 ,  张威震 ,  翟会会 ,  周科克 ,  李佩佩 ,  沈森

IPC: G06V20/59 ,  G06V20/40 ,  G06V10/764 ,  G06V10/82

Abstract: 一种基于TSAM‑ATFM的驾驶员疲劳驾驶检测方法，首先，对输入视频跨步采样并进行数据增强得到一个T帧的帧序列；然后，将TSAM作为核心模块并融入Efficientnet‑v2构建TSNet，根据不同的视频自适应提取时间特征，对具有判别性的空间和通道特征添加注意力权重，充分提取视频的疲劳时空特征；最后，利用ATFM学习帧序列中各帧疲劳分类分数之间的权重，自适应融合各个帧的疲劳分类分数得到疲劳预测结果，提高关键帧对疲劳预测结果的影响程度。TSNet不仅根据不同视频自适应提取疲劳时间特征并关注具有疲劳判别性的空间通道特征，而且避免了3D网络参数量过大以及光流计算代价高的问题；ATFM处理每一帧的疲劳分类分数，加大关键帧对结果的影响，从而提升预测准确率。

公开(公告)号：CN119382095A

公开(公告)日：2025-01-28

申请号：CN202411439084.9

申请日：2024-10-15

Applicant: 河南科技大学

Inventor： 郑国强 ,  孔令瑞 ,  王国栋 ,  宿忠娥 ,  穆昱 ,  胡淼森 ,  马华红 ,  夏浩强 ,  朱梦婷 ,  翟会会

IPC: H02J3/00 ,  G06F18/27 ,  G06F18/214 ,  G06F18/10 ,  G06N3/0442 ,  G06N3/084 ,  G06Q50/06

Abstract: 一种基于MIC算法和LSTM‑ITCN模型的短期电力负荷预测的方法，属于短期负荷预测方法技术领域，对收集到的原始数据进行预处理，引入MIC算法对步骤一预处理后的特征数据进行相关性分析，将步骤二所筛选的特征数据构建数据集，将步骤三中赋予权重后的训练集输入到LSTM网络提取短期时序特征，再经过ITCN网络提取长期时序特征，并做出预测，将步骤四中构建的LSTM‑ITCN预测模型经过不断调整，获得最优模型，将步骤五中经过自注意力机制的测试集输入到步骤五获得的最优模型中进行预测，得到最终的负荷预测值，具有分析多个外界特征对电力负荷的影响，并有效提取了数据的短期和长期特征，提高了电力负荷的预测精度，解决了模型过拟合风险，有效提高了负荷预测效率。

公开(公告)号：CN117592615A

公开(公告)日：2024-02-23

申请号：CN202311625198.8

申请日：2023-11-30

Applicant: 河南科技大学

Inventor： 郑国强 ,  孔令瑞 ,  宿忠娥 ,  王国栋 ,  穆昱 ,  胡淼森 ,  马华红 ,  翟会会 ,  朱梦婷

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06F18/214 ,  G06N20/20

Abstract: 一种基于ICEEMDAN和集成LSTM‑TCN模型的短期电力负荷预测方法，包括以下具体步骤：步骤1、对原始负荷数据进行预处理，采用ICEEMDAN算法对预处理后的负荷数据进行模态分解，分解成n个时间尺度各导的IMF子序列；步骤2、将n个时间尺度各导的IMF子序列输入采用Bagging算法构建的多个LSTM‑TCN基础模型；步骤3、每个IMF子序列在多个LSTM‑TCN基础模型中进行采样、训练和预测，得到多个预测值，将多个预测值进行平均得到每个IMF子序列的预测值；步骤4、将所有IMF的预测值进行叠加从而得到最终的预测结果。本发明预测精度高，泛化能力强。