-
公开(公告)号：CN119862407A
公开(公告)日：2025-04-22
申请号：CN202411808195.2
申请日：2024-12-10
Applicant: 国电南瑞科技股份有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/045 , G06N3/049 , G06N3/0464 , G06F18/243 , H02J3/00 , G06F123/02
Abstract: 本发明公开了一种基于时序特性的负荷预测方法、系统、设备及介质，所述负荷预测方法利用LSTM与Attention机制，构建时序残差神经网络，能够精准捕捉负荷数据在不同场景下的时序变化规律，解决了XGBoost模型对时序特征捕捉较弱的缺陷，缓解了传统LSTM时序神经网络对多场景下负荷变化拟合的滞后性本发明还引入了基于样本时序的加权损失函数，增加模型对近期样本的关注度，提高了负荷预测准确率，有效解决了新能源发电影响和气象因素耦合对负荷变化预测的挑战，同时减少了对额外特征变量的需求，降低了模型训练和预测过程中的计算消耗，更好地适应负荷的时序规律变化和相关要素的耦合性，提高了负荷预测准确率。
-
公开(公告)号：CN119944674A
公开(公告)日：2025-05-06
申请号：CN202510424282.6
申请日：2025-04-07
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , G06F18/15 , G06F18/2113 , G06F18/214 , G06F18/23213 , G06F123/02
Abstract: 本发明公开了一种基于样本聚类的电力预测方法、系统、设备及存储介质，获取电力系统历史样本的时间序列数据集，进行预处理并提取基础特征，从基础特征中选择重要特征进行特征构造得到衍生特征，随机抽取其余特征放入若干子特征集并进行初步特征选择；对初步特征、重要特征和衍生特征进行优选特征选择；通过优选特征的相关性和变化率改进聚类距离计算公式，对样本点进行聚类，剔除孤立或弱相关性的样本点后的数据集作为训练集和测试集，训练电力预测模型，通过电力预测模型进行电力预测。采用特征分组的方法节省运营成本以及通过引入相关性和变化率的样本聚类算法进行降噪处理后的电力行业时间序列预测，提升预测精度。
-
公开(公告)号：CN119627886A
公开(公告)日：2025-03-14
申请号：CN202411726152.X
申请日：2024-11-28
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , G06F18/214 , G06F17/18 , G06F18/10 , G06N3/0464 , G06Q50/06
Abstract: 本发明公开了一种基于共享编码器的跨区域负荷预测方法、系统、设备及存储介质，该方法包括：构建共有协变量预训练数据集和特定区域数据集；构建时序预测骨干网络，其包括输入编码层和基于自注意力机制的共享编码器；设计多任务学习框架，包含多任务学习网络架构和动态加权损失函数；利用共有协变量预训练数据集对编码器预训练；利用各区域的特定区域数据集，结合多任务学习框架在特定区域对编码器微调；用编码器对大规模、跨区域的负荷数据进行时序预测；根据时序预测结果评估编码器的性能。本发明有效解决了跨区域负荷预测中的数据稀疏性、区域差异性、长期依赖关系捕捉和数据不平衡等问题，显著提高了预测精度和模型泛化能力。
-
公开(公告)号：CN117081064B
公开(公告)日：2024-03-26
申请号：CN202311129365.X
申请日：2023-09-01
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , G06F18/25 , G06F18/214
Abstract: 本发明公开了一种基于误差评估的风电功率组合预测方法和系统，该方法包括：获取数值天气预报和实测风电功率数据；对数据中存在的异常值、缺失值异常点清洗和填充；对清洗后的实测风电功率数据时序对齐，构建风电功率数据集并划分为训练集、验证集和测试集；构建三种单一预测模型；识别不同风电功率预测场景并分类，利用训练集和验证集对各预测模型训练与验证，计算每个预测结果与实际风电功率的预测误差并统计；利用测试集测试各模型，结合各模型预测误差评估结果，对不同预测场景挑选误差最低的单一模型实现组合输出。本发明解决了数值天气预报精度受限情况下的风电功率预测精度较低的问题，可进一步提高风电功率预测泛化性和准确性。
-
公开(公告)号：CN117613856A
公开(公告)日：2024-02-27
申请号：CN202311437035.7
申请日：2023-10-31
Applicant: 国电南瑞科技股份有限公司 , 南瑞集团有限公司
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06F18/214
Abstract: 本发明公开了一种母线负荷自适应预测方法和系统。所述方法包括：获取变电站数值天气预报数据和母线历史实测负荷数据，并按时序对齐；将数据划分为样本集和预测集；对样本集中的数据进行异常检测；对检测后的样本集采用填充或丢弃的策略进行清洗；基于清洗后的样本集生成特征；使用相关系数和特征重要程度对特征进行筛选，以交叉验证的方式将样本集划分为训练集和验证集，构建XGBoost预测模型，并通过验证筛选出最优模型参数；利用预测集进行预测，并构建自适应的输出结果修正策略，对模型输出结果进行修正，得到最终的母线负荷预测结果。本发明对模型的输入输出进行偏差校正，进一步提高母线负荷预测准确率和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN117473440A
公开(公告)日：2024-01-30
申请号：CN202311420476.6
申请日：2023-10-27
Applicant: 国电南瑞科技股份有限公司 , 南瑞集团有限公司
IPC: G06F18/2433 , G06F18/15 , G06Q50/06 , G06F123/02
Abstract: 本发明公开了一种电力时序数据预测算法集成管理系统及方法，系统包括：算法集成模块，内置多种预测算法，支持多种算法的并行计算；建模训练模块，对输入数据中存在的异常数据、缺失数据进行清洗和填充，并对处理后的数据进行特征工程并构建训练数据集，根据不同预测任务进行建模训练和测试；算法评价模块，内置多个评价指标，从不同维度评价算法的效果；算法优选模块，通过优选策略，实现算法和超参数的自动选择。本发明能够集成多种预测算法，并且能够针对不同电力时序数据预测任务快速实现算法建模和优选。
-
公开(公告)号：CN117081064A
公开(公告)日：2023-11-17
申请号：CN202311129365.X
申请日：2023-09-01
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , G06F18/25 , G06F18/214
Abstract: 本发明公开了一种基于误差评估的风电功率组合预测方法和系统，该方法包括：获取数值天气预报和实测风电功率数据；对数据中存在的异常值、缺失值异常点清洗和填充；对清洗后的实测风电功率数据时序对齐，构建风电功率数据集并划分为训练集、验证集和测试集；构建三种单一预测模型；识别不同风电功率预测场景并分类，利用训练集和验证集对各预测模型训练与验证，计算每个预测结果与实际风电功率的预测误差并统计；利用测试集测试各模型，结合各模型预测误差评估结果，对不同预测场景挑选误差最低的单一模型实现组合输出。本发明解决了数值天气预报精度受限情况下的风电功率预测精度较低的问题，可进一步提高风电功率预测泛化性和准确性。
-
公开(公告)号：CN116070741A
公开(公告)日：2023-05-05
申请号：CN202211680717.6
申请日：2022-12-27
Applicant: 国电南瑞科技股份有限公司
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/06 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于深度强化学习的调度优化决策系统及其存储介质，包括：数据处理层，用于对电网采集的电网历史数据或电网实时数据进行相关性处理；还用于电网历史数据和电网实时数据的预处理；模型构建层，用于在电网运行的基本规则基础上融合专家经验形成调度优化决策强化学习模型的训练输入值，获得调度优化决策系统；系统应用层，用于将电网实时数据输入训练获得的调度优化决策系统，输出电网调度计划。本发明设立了数据处理层、模型构建层和系统应用层，处理电网实时采集数据，融合专家经验提取特征值，训练调度优化决策强化学习模型，提高了新能源充分消纳下的电网安全稳定运行效率。
-
公开(公告)号：CN117200222A
公开(公告)日：2023-12-08
申请号：CN202311302517.1
申请日：2023-10-09
Applicant: 国电南瑞科技股份有限公司 , 南瑞集团有限公司
IPC: H02J3/00 , G06F18/214 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于double‑input CNN‑LSTM的系统负荷预测方法及系统，该方法包括：获取数值天气预报和实测历史负荷数据，对数据中存在的异常值、缺失值异常点清洗和填充；对清洗后的负荷和天气数据构造成时序特征集，进而划分特征集为训练集、验证集和测试集，输入double‑input CNN‑LSTM时序网络进行训练得到模型；利用训练好的double‑input CNN‑LSTM时序预测模型对电力系统进行系统负荷预测。本发明综合考虑历史负荷的周期性、趋势性变化和预测日的气象影响，模型将特征输入划分为历史特征和预测特征，解决历史特征和预测日特征尺度不对称的问题，提高了系统负荷预测精度和曲线形态准确性，系统负荷预测结果满足电网负荷预测计划要求，能够更好地应用于之后的负荷调度决策中。
-
公开(公告)号：CN116805173A
公开(公告)日：2023-09-26
申请号：CN202310576086.1
申请日：2023-05-22
Applicant: 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 国网江苏省电力有限公司 , 国网江苏省电力有限公司南京供电分公司
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/049 , G06F18/214 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种基于多尺度时序卷积神经网络的母线负荷预测方法，获取若干母线的历史负荷数据以及对应的历史天气数据集并进行初步处理，提取相关特征分别作为训练集和验证集；根据训练集中相关特征与母线负荷预测的相关程度，确定训练数据集；将训练数据集分别输入单向LSTM模型、密集链接TCN模型、多尺度CNN模型中进行训练；通过验证集分别验证训练好的三种模型，根据三种模型预测的精确程度确定似然函数系数并构建融合预测模型；通过融合预测模型对母线负荷进行预测。采用多模型混合决策，从多尺度去学习时序数据的分布特性，提升了母线负荷预测的精确性和稳定性，降低了因分布式资源影响而导致的时序规律不确定性而产生的模型难以学习的问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.047 seconds)
