-
公开(公告)号：CN118861812A
公开(公告)日：2024-10-29
申请号：CN202410893170.0
申请日：2024-07-04
Applicant: 湖南大学
IPC: G06F18/241 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进变分量子阴影学习的电力变压器故障诊断方法，包括：采集变压器油中溶解气体数据，与预设变压器状态信息组成第一数据集；将第一数据集预处理得到第二数据集；将第二数据集按预设比例划分得到训练集和测试集；根据训练集对第一模型进行预设次数的训练，并在每次训练后根据测试集对第一模型进行性能评估；当性能评估结果不满足预设条件时调整第一模型的超参数后再进入下次训练；第一模型包括基于改进的VQSL框架的模型，改进的VQSL框架包括将参数共享的局部量子电路并行作用于与局部量子电路具有相同宽度的量子比特子集的第一模块；训练完成后得到第二模型；根据第二模型对变压器进行故障分类，完成变压器的故障诊断。
-
公开(公告)号：CN112348255B
公开(公告)日：2024-04-09
申请号：CN202011232819.2
申请日：2020-11-06
Applicant: 湖南大学
IPC: G06F18/27 , G06F18/2131 , G06N3/0464 , G06N3/084 , H02J3/00 , H02J3/38 , G06Q10/04 , G06Q50/06 , G06F123/02
Abstract: 本发明公开了一种基于小波时频图像化的超短期风电功率预测方法，包括获取原始输入数据集，并对原始输入数据集的输入数据进行预处理；对处理后的输入数据进行小波时频分析，提取历史时间序列的时域特征和频域特征，生成对应的时频图；根据时频图的特性、原始输入数据集的大小、硬件平台的条件，搭建神经网络预测模型；并根据图像特征提取结果、训练误差结果和最终预测结果对神经网络预测模型的参数进行调整，以获取最优预测结果。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对风电功率的时间序列精准的超短期预测。
-
公开(公告)号：CN113780420A
公开(公告)日：2021-12-10
申请号：CN202111064277.7
申请日：2021-09-10
Applicant: 湖南大学
Abstract: 基于GRU‑GCN的变压器油中溶解气体浓度预测方法包括：先对变压器油中溶解气体浓度历史数据进行预处理，得到气体浓度数据和气体关联拓扑图；其次构建基于GRU‑GCN的变压器油中溶解气体浓度预测模型，该模型用GRU网络提取气体浓度数据时间特征，用改进GCN从各气体时间特征提取关联特征；将气体浓度数据分为训练集和测试集，对模型进行训练；对训练后的模型进行评估、调整，得到最优模型；最后，将数据输入最优模型中得到预测结果。本发明GRU网络可以有效提取各气体浓度时间特征，避免模型训练时“长期依赖”问题，且网络参数少，便于训练；改进GCN可更有效地提取气体关联特征。本发明可有效提高气体浓度预测结果的可靠性和准确度。
-
公开(公告)号：CN114444972B
公开(公告)日：2024-06-18
申请号：CN202210177110.X
申请日：2022-02-24
Applicant: 湖南大学
Abstract: 本发明涉及人工智能及电力领域。公开了一种基于图神经网络的电力变压器健康状态评估方法，全面考虑了多指标及指标间复杂关系，并通过主客观赋权法实现健康状态评估；本发明提出的评估方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系；由于底层指标众多，通过层次分析法和健康指数法获得相应综合指标的健康指数；利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估；利用建立的变压器样本集对模型进行训练，将训练好的健康状态评估模型应用于实例验证，实验结果表明该方法能够更准确地得到变压器的健康状态。
-
公开(公告)号：CN118036605A
公开(公告)日：2024-05-14
申请号：CN202410228934.4
申请日：2024-02-29
Applicant: 湖南大学
IPC: G06F40/289 , G06F40/284 , G06F16/33 , G06F16/35 , G06F18/213 , G06F18/23 , G06N3/0464 , G06N3/08 , G06N3/006 , G06N10/20
Abstract: 本发明公开了一种基于Word2vec‑QCNN模型的文本表示系统、方法及其在电力领域词库构建的应用，该方法预处理模块对电力文本进行分词并去停用词；向量转换模块采用Word2vec模型将所得词汇转化为词向量；特征提取模块采用振幅编码将词向量编码为量子态，利用QCNN模型对量子态的词向量进行卷积完成特征提取，并池化降维，去除冗余特征，通过量子测量将处理后的量子态投影到新的经典空间，得到三维词向量；聚类模块采用QPSO算法对三维词向量聚类；词集对比模块将聚类所得词集与非专业词集对比，剔除重叠词，获得最终电力领域词库。本发明利用量子计算的并行性优势和量子叠加态特性提高计算效率及模型表达能力，从而提高词库准确率。
-
Patent Agency Ranking
公开(公告)号：CN111783684A
公开(公告)日：2020-10-16
申请号：CN202010636012.9
申请日：2020-07-03
Applicant: 湖南大学
IPC: G06K9/00 , G06N3/04 , G06F30/20 , G06F119/06
Abstract: 本发明公开了一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统，方法包括：采集用户的家庭用电功率数据和一段时间内单个设备功率数据；建立基于自注意力机制的双向门控递归神经网络的负荷分解模型；将所述家庭用电功率数据分为训练集数据和测试集数据；使用所述训练集对所述负荷分解模型进行训练；门控神经网络将能够很好地避免梯度爆炸和局部最优；双向机制可充分利用未来时刻的信息；自注意力机制使得重要特征得以突出；故本发明提出的家庭用电负荷分解方法能使得负荷分解的准确性大大提高。
-
公开(公告)号：CN114444972A
公开(公告)日：2022-05-06
申请号：CN202210177110.X
申请日：2022-02-24
Applicant: 湖南大学
Abstract: 本发明涉及人工智能及电力领域。公开了一种基于图神经网络的电力变压器健康状态评估方法，全面考虑了多指标及指标间复杂关系，并通过主客观赋权法实现健康状态评估；本发明提出的评估方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系；由于底层指标众多，通过层次分析法和健康指数法获得相应综合指标的健康指数；利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估；利用建立的变压器样本集对模型进行训练，将训练好的健康状态评估模型应用于实例验证，实验结果表明该方法能够更准确地得到变压器的健康状态。
-
公开(公告)号：CN112348255A
公开(公告)日：2021-02-09
申请号：CN202011232819.2
申请日：2020-11-06
Applicant: 湖南大学
Abstract: 本发明公开了一种基于小波时频图像化的超短期风电功率预测方法，包括获取原始输入数据集，并对原始输入数据集的输入数据进行预处理；对处理后的输入数据进行小波时频分析，提取历史时间序列的时域特征和频域特征，生成对应的时频图；根据时频图的特性、原始输入数据集的大小、硬件平台的条件，搭建神经网络预测模型；并根据图像特征提取结果、训练误差结果和最终预测结果对神经网络预测模型的参数进行调整，以获取最优预测结果。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对风电功率的时间序列精准的超短期预测。
-
公开(公告)号：CN103700041A
公开(公告)日：2014-04-02
申请号：CN201410019266.0
申请日：2014-01-16
Applicant: 湖南大学
CPC classification number: Y04S10/54
Abstract: 本发明公开了一种基于云计算的智能电网负荷预测管理平台，包括(1)基础设施层；(2)负荷数据管理、处理以及分析平台层；(3)四类智能化负荷服务软件层；4)云接口管理层。本发明提供的技术方案具有以下优点和特点：1.本发明采用智能电网负荷预测新技术，有效地满足智能电网负荷预测的需求。2.本发明有效利用了云计算的一般特点，能够实现资源的最优化配置，实现了负荷预测数据等信息的共享以及不同用户对负荷服务随时、方便、有效获取。3.本发明可以避免今后智能电网发展要求负荷预测平台升级而导致增加额外的硬件升级费用，不需要增加各类服务器等设备，减少一次开发成本和维护升级升本。此外，本发明采用开源开发环境，因此开发成本低。
-
公开(公告)号：CN113780420B
公开(公告)日：2023-11-07
申请号：CN202111064277.7
申请日：2021-09-10
Applicant: 湖南大学
IPC: G06F18/214 , G06N3/0442 , G06N3/0464 , G01N33/28
Abstract: 基于GRU‑GCN的变压器油中溶解气体浓度预测方法包括：先对变压器油中溶解气体浓度历史数据进行预处理，得到气体浓度数据和气体关联拓扑图；其次构建基于GRU‑GCN的变压器油中溶解气体浓度预测模型，该模型用GRU网络提取气体浓度数据时间特征，用改进GCN从各气体时间特征提取关联特征；将气体浓度数据分为训练集和测试集，对模型进行训练；对训练后的模型进行评估、调整，得到最优模型；最后，将数据输入最优模型中得到预测结果。本发明GRU网络可以有效提取各气体浓度时间特征，避免模型训练时“长期依赖”问题，且网络参数少，便于训练；改进GCN可更有效地提取气体关联特征。本发明可有效提高气体浓度预测结果的可靠性和准确度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
