公开(公告)号：CN118897973A

公开(公告)日：2024-11-05

申请号：CN202410967431.9

申请日：2024-07-18

Applicant: 齐鲁工业大学(山东省科学院) ,  山东省计算中心(国家超级计算济南中心) ,  青岛理工大学

Inventor： 陈振娅 ,  张亚盟 ,  杨明 ,  焦绪国 ,  吴晓明 ,  田艳兵 ,  王鑫 ,  穆超 ,  贺云鹏

IPC: G06F18/21 ,  G06F18/15 ,  G06F18/213 ,  G06F18/214 ,  G06F18/23 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/049 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明涉及一种基于VAE‑Bi‑LSTM‑SAM的电网电压数据异常检测方法、装置、设备及存储介质。该方法包括：采集电网电压时序数据构建数据集，对数据集中的数据进行预处理，将预处理后的数据集划分为训练集和测试集；对训练集和测试集中的电网电压时序数据进行标准化处理，按时间步长对标准化处理后的电网电压时序数据进行窗口滑动切片处理，形成多元时序窗口数据Xt；建立基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型；利用训练集对基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型进行训练，得到训练好的异常数据检测模型；利用训练好的异常数据检测模型对测试集中的电网电压时序数据进行异常检测。本发明能够实现对电网电压异常数据的准确检测，提高模型的泛化能力，增强模型对异常数据的识别能力。

公开(公告)号：CN118916806A

公开(公告)日：2024-11-08

申请号：CN202410929974.1

申请日：2024-07-11

Applicant: 青岛理工大学 ,  山东省计算中心(国家超级计算济南中心)

Inventor： 焦绪国 ,  赵鑫鑫 ,  王鑫 ,  杨明 ,  吴晓明 ,  韩晔飞 ,  田艳兵 ,  张民 ,  周晓燕

IPC: G06F18/2433 ,  H02J3/00 ,  G06F21/64 ,  G06F18/214

Abstract: 本发明公开了一种面向风电功率预测的FDI攻击检测方法，属于风电功率预测技术领域，所述方法包括：获取待检测的风电功率数据，得到待检测数据集；借鉴k折交叉验证的思想对所述待检测数据集进行初步划分，将其均分为k个子集；在每一轮迭代中，轮流选取其中一个子集作为测试集；使用训练完成的SAE对各测试集进行测试，计算SAE重构后的各测试集数据的重构误差；若满足公式：σ>σ0，且Rmax>μ+hσ，则将Rmax对应的具有最大重构误差的测试集标记为被攻击数据，并从所述待检测数据集中移除，原本的k折交叉验证相应地转变为k‑1折交叉验证，转至步骤S103。本发明能够增强风电预测模型的鲁棒性，提高风电厂的经济效益和电网的稳定性。

公开(公告)号：CN119513498A

公开(公告)日：2025-02-25

申请号：CN202411673870.5

申请日：2024-11-21

Applicant: 齐鲁工业大学(山东省科学院) ,  山东省计算中心(国家超级计算济南中心) ,  青岛理工大学

Inventor： 陈振娅 ,  张亚盟 ,  杨明 ,  焦绪国 ,  吴晓明 ,  王鑫 ,  田艳兵 ,  穆超 ,  贺云鹏 ,  刘臣胜

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/22 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。

公开(公告)号：CN119513498B

公开(公告)日：2025-05-23

申请号：CN202411673870.5

申请日：2024-11-21

Applicant: 齐鲁工业大学(山东省科学院) ,  山东省计算中心(国家超级计算济南中心) ,  青岛理工大学

Inventor： 陈振娅 ,  张亚盟 ,  杨明 ,  焦绪国 ,  吴晓明 ,  王鑫 ,  田艳兵 ,  穆超 ,  贺云鹏 ,  刘臣胜

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/22 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。

公开(公告)号：CN120045892A

公开(公告)日：2025-05-27

申请号：CN202411933124.5

申请日：2024-12-25

Applicant: 青岛理工大学 ,  浙江大学

Inventor： 焦绪国 ,  赵鑫鑫 ,  邓瑞龙 ,  韩晔飞 ,  田艳兵 ,  罗浩 ,  黄广帅 ,  张梦瑶

IPC: G06F18/21 ,  G06F18/214 ,  G06F18/213 ,  G06Q50/06 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0985

Abstract: 本发明属于FDI攻击检测技术领域，特别是一种的面向风电场功率预测的FDI攻击检测方法。所述方法包括：首先，运用原则和滑动窗口技术对获取的风电场功率数据进行预处理，将其切割成适合xLSTM‑AE模型处理的训练集、校验集以及测试集。接着，构建xLSTM‑AE模型，并使用上述训练集数据对模型进行训练，同时利用校验集来微调模型参数，以避免过拟合现象。模型训练完成后，根据 原则为每台风电机组计算特定的阈值。最后，利用FDI攻击检测器对测试集数据进行FDI攻击检测，将那些平方残差超过各自阈值的测试集数据识别并标记为FDI攻击数据。本发明能够增强风电场功率预测系统的安全性与可靠性，提高风电场的经济效益和电网的稳定性。

公开(公告)号：CN117748628B

公开(公告)日：2024-06-14

申请号：CN202410190761.1

申请日：2024-02-21

Applicant: 青岛理工大学

Inventor： 焦绪国 ,  张道源 ,  杨伟 ,  赵海娟 ,  杨秦敏 ,  孟文超 ,  刘文锋

IPC: H02J3/48 ,  H02J3/46 ,  H02J3/24

Abstract: 本发明属于风电功率的自动控制技术领域，更具体地，涉及一种面向风电机组输出功率平滑的有功功率优化调度方法。所述方法包括获得每台风机的有功发电功率数据以及风电场整体有功功率参考值；设置电网下达的风电场整体有功功率参考值；通过最小化每台风机标准差之和设置优化函数；根据每台风电机组的有功发电功率数据设置优化函数的约束条件；在设置完带有约束的优化函数后，利用内点法进行求解得到t时刻最优的参考功率；将t时刻解出的最优参考功率作为t时刻发电功率输出，并参与t+1时刻最优参考功率的计算，直到每台风机所有时刻的参考功率都被优化。本发明解决了现有技术中存在风机出力不均衡，调度指令不合理，并网功率波动大的问题。

公开(公告)号：CN116307089A

公开(公告)日：2023-06-23

申请号：CN202310082479.7

申请日：2023-02-08

Applicant: 青岛理工大学 ,  浙江大学

Inventor： 焦绪国 ,  张道源 ,  穆国庆 ,  杨秦敏 ,  孟文超 ,  刘文锋

IPC: G06Q10/04 ,  G06Q50/06 ,  G06F18/2411 ,  G06F17/18

Abstract: 本发明公开了一种基于ARMA和SVR的风速预测方法。该方法利用历史数据建立ARMA模型，再利用ARMA模型定得的阶数划分数据集，最后利用划分好的数据训练SVR模型并进行预测。在划分数据集之前，利用ARMA建模方法对原始数据集进行定阶，利用得到的偏自相关系数p的值，对数据集进行划分，得到多段相关性较强的时间序列，将划分好的数据再分为训练集和测试集，训练集供SVR模型进行训练，然后利用测试集对训练好的模型的预测效果进行检验，并改变划分数据的p值建立新的模型，通过使用均方根误差比较这些模型的预测效果，证明了利用本方法取得的p值划分数据集效果更好，数据利用效率最大，预测效果更精确。

公开(公告)号：CN120010274A

公开(公告)日：2025-05-16

申请号：CN202510486651.4

申请日：2025-04-18

Applicant: 青岛理工大学

Inventor： 王瑞华 ,  王帅 ,  焦绪国 ,  李玉涟 ,  张佳磊 ,  范心如

IPC: G05B13/04

Abstract: 本申请属于机器人控制领域，具体涉及一种基于事件触发的移动机器人的强化学习跟踪控制方法，本申请采用Actor‑Critic同步学习算法求解最优控制策略，利用交互数据进行策略迭代更新，同时引入了一种事件触发机制，控制器仅在满足触发阈值时进行控制信号更新；基于最优控制理论，分析四麦克纳姆轮移动机器人系统的一致最终有界稳定性，完成基于事件触发的四麦克纳姆轮移动机器人的强化学习跟踪控制方法。本申请解决了移动机器人在存在滑动等外部扰动时的轨迹跟踪问题，在有效降低计算负担的情况下保证轨迹跟踪精度。

公开(公告)号：CN114330143B

公开(公告)日：2024-11-01

申请号：CN202210078924.8

申请日：2022-01-24

Applicant: 青岛理工大学

Inventor： 穆国庆 ,  焦绪国 ,  孙文静

IPC: G06F30/27 ,  G06F119/08 ,  G06F119/14

Abstract: 针对非线性分布式参数系统的过程状态难以预测问题，本发明提出一种新型的多源时空建模方法，以提高实时测量精度。为了解决具有多源时空特征的分布式参数系统的建模问题，构建了一个多源时空网络模型，该模型基于长短记忆（LSTM）网络来提取具有时序特征的过程变量信息，基于卷积长短记忆（ConvLSTM）网络来提取具有时空特征的时空变量信息。综合利用各种过程信息，有利于提高模型的拟合精度，同时也可以提高模型的泛化能力。为了防止在提取复杂时空数据特征时因网络层数增加而导致梯度消失或梯度爆炸，提出了一种基于ConvLSTM的残差网络模型结构，用于训练模型。由于残差网络可以避免模型退化，建立的模型可以充分提取过程的时空特征。

公开(公告)号：CN117514599A

公开(公告)日：2024-02-06

申请号：CN202311628042.5

申请日：2023-12-01

Applicant: 青岛理工大学 ,  浙江大学

Inventor： 焦绪国 ,  龚礼 ,  韩晔飞 ,  张民 ,  杨秦敏 ,  孟文超 ,  张道源

IPC: F03D7/00 ,  F03D17/00 ,  F03D9/25

Abstract: 本发明公开了一种基于NN‑RISE的风电机组最大风能捕获方法。首先利用测量风速信息以及机组信息求得参考发电功率，将实际发电功率和参考发电功率做差得到反馈误差；对风电机组进行系统建模，得到含有未知动态、有界噪声的系统模型；引入神经网络，让其学习风电机组中未知动态；引入误差反馈信号的符号函数项，使得神经网络的构造误差以及系统中的有界噪声被抵消；根据NN‑RISE原理，让误差反馈信号的符号函数项和神经网络的输出项都作为积分器的输入，而将转矩控制信号作为积分器的输出，从而得到连续的控制信号。根据NN‑RISE原理，本发明所设计的控制器可以使得发电功率的跟踪控制达到渐进稳定的控制效果，从而提高机组产能。