-
Patent Agency Ranking
公开(公告)号：CN116662766A
公开(公告)日：2023-08-29
申请号：CN202310952080.X
申请日：2023-08-01
Applicant: 浙江大学
IPC: G06F18/20 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于数据二维重构的风速预测方法及装置、电子设备，包括：获取待测的风速数据；对所述风速数据进行预处理；将预处理后的风速数据进行二维重构，得到二维数据，所述二维数据由一组矩阵构成，每个矩阵中相邻的行和列的时间步长为1，相邻两个矩阵之间的时间步长为1；将所述二维数据输入到训练好的CNN‑LSTM模型中，输出风速预测值。该方法能较为准确地预测未来风速，为风力发电机的提前控制调度提供有效参考。
-
公开(公告)号：CN119444576A
公开(公告)日：2025-02-14
申请号：CN202411582168.8
申请日：2024-11-07
Applicant: 浙江大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/08 , G06F30/28 , G06F113/08 , G06F119/14 , G06F111/04
Abstract: 本发明公开了一种基于深度学习的流动场景图像超分辨率重建方法及装置，包括获取流体流速数据集，所述流体流速数据集中的数据具有时间和地理两个维度；对所述流体流速数据集进行预处理，得到低分辨率图像和高分辨率图像；搭建基于反卷积神经网络的超分辨率模型，所述超分辨率模型包括一个反卷积层和若干个卷积层；对所述超分辨率模型的损失函数进行改进，具体为：在L1 Charbonnier损失的基础上增加分段函数，根据阈值调整权重大小；利用所述低分辨率图像和高分辨率图像对所述超分辨率模型进行训练；将训练好的超分辨率模型对低分辨率图像进行重建，得到高分辨率流场图像。对流动场景下图像超分辨率研究具有较好的效果和实用价值。
-
公开(公告)号：CN116667344B
公开(公告)日：2023-10-10
申请号：CN202310943558.2
申请日：2023-07-31
Applicant: 浙江大学
IPC: H02J3/00 , G06Q10/04 , G06Q10/0631 , G06Q50/06
Abstract: 本发明公开了一种海上风电场自适应局域疲劳载荷均衡调度方法及装置，本发明引入每台风电机的局域规模半径，来设定针对每台风电机需要进行载荷均衡的局域范围；引入自适应性权重，设定每台风电机形成的局域特征的相对重要程度；将每台风电机的桨距角可行取值范围及其局域规模半径的可行取值范围作为搜索域，利用粒子群算法进行内层优化，内层优化目标为自适应局域疲劳载荷均衡和风电场产能最大；根据内层优化输出的初步风电场调度方案，通过动态更新每台风电机的自适应性权重进行外层优化，进一步优化疲劳载荷分布。在提高产能的同时，降低需要单独维护的疲劳载荷离群风电机数目、降低海上风电场维护频率，更符合实际运维需求。
-
公开(公告)号：CN116662766B
公开(公告)日：2023-10-03
申请号：CN202310952080.X
申请日：2023-08-01
Applicant: 浙江大学
IPC: G06F18/20 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于数据二维重构的风速预测方法及装置、电子设备，包括：获取待测的风速数据；对所述风速数据进行预处理；将预处理后的风速数据进行二维重构，得到二维数据，所述二维数据由一组矩阵构成，每个矩阵中相邻的行和列的时间步长为1，相邻两个矩阵之间的时间步长为1；将所述二维数据输入到训练好的CNN‑LSTM模型中，输出风速预测值。该方法能较为准确地预测未来风速，为风力发电机的提前控制调度提供有效参考。
-
公开(公告)号：CN116667344A
公开(公告)日：2023-08-29
申请号：CN202310943558.2
申请日：2023-07-31
Applicant: 浙江大学
IPC: H02J3/00 , G06Q10/04 , G06Q10/0631 , G06Q50/06
Abstract: 本发明公开了一种海上风电场自适应局域疲劳载荷均衡调度方法及装置，本发明引入每台风电机的局域规模半径，来设定针对每台风电机需要进行载荷均衡的局域范围；引入自适应性权重，设定每台风电机形成的局域特征的相对重要程度；将每台风电机的桨距角可行取值范围及其局域规模半径的可行取值范围作为搜索域，利用粒子群算法进行内层优化，内层优化目标为自适应局域疲劳载荷均衡和风电场产能最大；根据内层优化输出的初步风电场调度方案，通过动态更新每台风电机的自适应性权重进行外层优化，进一步优化疲劳载荷分布。在提高产能的同时，降低需要单独维护的疲劳载荷离群风电机数目、降低海上风电场维护频率，更符合实际运维需求。
-
-
-
-
Search Results
5
records
(took 0.012 seconds)
