-
公开(公告)号：CN117498306B
公开(公告)日：2024-07-23
申请号：CN202311290470.1
申请日：2023-10-08
Applicant: 湖南第一师范学院 , 拓维信息系统股份有限公司
Abstract: 本发明属于智能电网技术领域，公开了一种微电网优化调度方法、系统、介质、设备及终端，确定电力系统历史运行任务数据以及决策策略π；根据电力系统历史运行任务数据进行密度聚类，确定历史运行数据分类结果；利用历史运行数据分类结果，训练分类神经网络；根据目标电力系统任务运行数据，构建任务类型分类器，确定目标任务类型；根据决策策略π，提取全部或部分属于目标任务类型的决策策略作为源策略；引入PTF策略迁移模块的深度强化学习电力系统优化调度，通过电网调度模型的离线训练确定自适应选择源策略，并实现在线决策。本发明通过添加迁移损失，避免了使用迁移学习处理电网调度问题时出现逆迁移的情况发生，极大地拓宽了使用场景。
-
公开(公告)号：CN117498306A
公开(公告)日：2024-02-02
申请号：CN202311290470.1
申请日：2023-10-08
Applicant: 湖南第一师范学院 , 拓维信息系统股份有限公司
Abstract: 本发明属于智能电网技术领域，公开了一种微电网优化调度方法、系统、介质、设备及终端，确定电力系统历史运行任务数据以及决策策略π；根据电力系统历史运行任务数据进行密度聚类，确定历史运行数据分类结果；利用历史运行数据分类结果，训练分类神经网络；根据目标电力系统任务运行数据，构建任务类型分类器，确定目标任务类型；根据决策策略π，提取全部或部分属于目标任务类型的决策策略作为源策略；引入PTF策略迁移模块的深度强化学习电力系统优化调度，通过电网调度模型的离线训练确定自适应选择源策略，并实现在线决策。本发明通过添加迁移损失，避免了使用迁移学习处理电网调度问题时出现逆迁移的情况发生，极大地拓宽了使用场景。
-
公开(公告)号：CN118472906A
公开(公告)日：2024-08-09
申请号：CN202311045148.2
申请日：2023-08-18
Applicant: 湖南第一师范学院 , 拓维信息系统股份有限公司
IPC: H02J3/00 , H02J3/46 , G06F18/10 , G06F18/22 , G06F18/231 , G06F18/23213 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种区域型风电场发电功率预测方法，涉及风力发电技术领域。通过对多源异常数据进行识别，去除风电异常值。通过相似性度量技术，将风电集群划分为单个的波动子群。对多个输入节点进行定义，再将历史功率作为目标节点。建立多层次无向图，将各风机的风速节点作为其中最后一个无向图；建立由风速无向图指向功率无向图的单向结构。通过计算空间相关性矩阵，来描述风电场的空间相关性。将样本数据输入到空间域GCN训练预测模型。待模型收敛后，将实时数据输入到预测模型中，得到预测结果。实现对实时气象因素变化的细致描述，同时细粒度分类而来的波动子群，其内部在出力模式和波动趋势方面相关性较强，简化了后续模型的预测难度。
-
公开(公告)号：CN118941052A
公开(公告)日：2024-11-12
申请号：CN202411157222.4
申请日：2024-08-22
Applicant: 湖南第一师范学院
IPC: G06Q10/0631 , G06Q10/04 , G06Q10/067 , G06Q50/06 , G06N20/00 , G06F30/27 , G06F113/04
Abstract: 本发明公开了一种融合专家知识与强化学习技术的互联微电网能量调度方法，属于智能电网领域领域，包括如下步骤：S1、建立互联微电网强化学习环境，引入优化策略模型；S2、分层优化设计；S3、强化学习策略的迭代优化；S4、模型应用与性能评估。本发明提出的融合专家知识与强化学习技术的互联微电网能量调度方法，缩短了强化学习的训练时间，增强了策略的鲁棒性和稳定性，而且通过优化能量调度策略，进一步降低了互联微电网的运行成本，为实现大规模互联微电网的高效、经济、安全运行提供了关键技术支撑。
-
Patent Agency Ranking
公开(公告)号：CN119004102A
公开(公告)日：2024-11-22
申请号：CN202411039324.6
申请日：2024-07-31
Applicant: 湖南第一师范学院 , 湖南湘江鲲鹏信息科技有限责任公司
IPC: G06F18/214 , G06F18/22 , G06F18/24 , G06N3/0442 , G06N3/0475 , G06N3/094 , G06N3/0985
Abstract: 本发明公开了一种基于数据增强和元学习的新风机短期功率预测方法，该风电功率预测方法主要通过数据增强、元学习过程、在线功率预测三个步骤，针对历史数据匮乏问题，进行数据增强过程，利用较适合时间序列数据生成的TimeGAN模型对其中的生成器进行多次变异‑评估‑选择过程，评估时提出了一种兼顾样本相似性和样本多样性的综合适应度得分函数。在模型预测阶段，利用了元学习方法综合了多种简单和复杂的预测模型，充分发挥不同预测模型的优势，同时为功率预测模型引入了在线更新模块，更贴近风电功率预测的实际需求。
-
公开(公告)号：CN115081530A
公开(公告)日：2022-09-20
申请号：CN202210755770.1
申请日：2022-06-30
Applicant: 湖南第一师范学院
Abstract: 本发明属于风力发电技术领域，公开了一种风机叶片结冰检测方法、系统、介质及设备，所述风机叶片结冰检测方法包括在XGBoost算法的基础上结合tri‑training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。本发明通过剔除掉非结冰因素导致风机限功运行的样本点，提高了模型的准确率和泛化性能。本发明融合了新的特征，采用Pearson相关系数对特征进行降维，降低了模型复杂度，提升了叶片结冰识别效率。
-
公开(公告)号：CN115081530B
公开(公告)日：2024-12-31
申请号：CN202210755770.1
申请日：2022-06-30
Applicant: 湖南第一师范学院 , 湖南天桥嘉成智能科技有限公司
IPC: G06F18/2431 , G06F18/2113 , G06F18/214 , F03D80/40
Abstract: 本发明属于风力发电技术领域，公开了一种风机叶片结冰检测方法、系统、介质及设备，所述风机叶片结冰检测方法包括在XGBoost算法的基础上结合tri‑training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。本发明通过剔除掉非结冰因素导致风机限功运行的样本点，提高了模型的准确率和泛化性能。本发明融合了新的特征，采用Pearson相关系数对特征进行降维，降低了模型复杂度，提升了叶片结冰识别效率。
-
公开(公告)号：CN115409052A
公开(公告)日：2022-11-29
申请号：CN202210883053.7
申请日：2022-07-26
Applicant: 湖南第一师范学院
Abstract: 本发明属于风电轴承故障诊断技术领域，公开了一种数据失衡下风力发电机组轴承的故障诊断方法及系统，通过信号采集装置收集多个时间段的连续振动信号；对于不同故障状态下的原始轴承故障振动信号进行STFT时频转换，得到包含原始信号时特征信息的二维图像作为原始数据样本；根据元学习策略对数量不平衡的二维图像数据构建元学习数据集用于深度神经网络模型的元训练和元测试；通过多个元学习子任务集对于网络的训练和微调工作，构建适用于数据失衡情况下的风力发电机组轴承的故障诊断模型。本发明对复杂工况下的轴承故障诊断效果更加明显，为今后风电运维领域的跨设备故障诊断工作提供理论基础和技术参考，减小不同设备运维之间的技术隔阂。
-
公开(公告)号：CN115222141A
公开(公告)日：2022-10-21
申请号：CN202210905232.6
申请日：2022-07-29
Applicant: 湖南第一师范学院
Abstract: 本发明属于风电机组异常检测技术领域，公开了一种多变量时序异常检测方法、系统、介质、设备及终端，构建由空间特征重构模块和时序预测模块组成的异常检测的融合框架；在空间特征重构模块中，采用DSAE深度栈式自动编码器提取多变量间的空间相关特征，输出低维特征表示，计算重建误差；在时序预测模块中，采用基于自注意力的Transformer预测子网络提取复杂的全局时序依赖关系；采用联合训练方式同时优化融合框架中的两个子网络，最小化重建误差和预测误差，实现针对风电机组SCADA数据的多变量时序异常检测。本发明结合重构方法和预测方法优点，提取多变量时序数据中空间特征和时序依赖，实现可靠的风电SCADA异常检测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.03 seconds)
