-
公开(公告)号：CN116451035A
公开(公告)日：2023-07-18
申请号：CN202310450686.3
申请日：2023-04-25
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
IPC: G06F18/15 , G06F18/2433 , G06F18/243 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/082 , H02J3/00
Abstract: 本发明涉及一种提高分布式光伏预测精度的数据特征工程处理方法，包括：基于iForest算法进行初始数据识别；超分辨率重构‑双通道卷积神经网络进行数据重构，得到重构数据；通过皮尔逊相关系数将得到的重构数据进行相关性的分析；通过相关性的分析和格兰杰因果检验GCT找到最优时间偏移量输入进物理模型，将风速和风向进行变换和气象数据的归一化输入数据驱动模型进行处理。本发明中的物理模型的数据处理，专门用于处理场数据的时空相关性，最后引入特征生成技术来实现数据驱动模型的数据特征提取最大化；对缺失数据进行了识别差补，弥补了分布式光伏电站的数据缺失问题，因为该神经网络的双通道处理，差补的缺失数据与原有的相关性较高。
-
公开(公告)号：CN109934418A
公开(公告)日：2019-06-25
申请号：CN201910243384.2
申请日：2019-03-28
Applicant: 安徽大学
Abstract: 本发明针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。该方法，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。本发明所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测结果相比具有更高的预测精度。
-
公开(公告)号：CN110796303B
公开(公告)日：2023-11-07
申请号：CN201911018674.3
申请日：2019-10-24
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
IPC: G06Q10/04 , G06F18/23 , G06F18/214 , G06Q50/06
Abstract: 一种基于EWT和ODBSCAN的短期电力负荷预测方法，可解决单一的预测模型对于具有复杂变化及随机特性的负荷序列，预测难以获得理想的精度的技术问题。本发明提出基于EWT和ODBSCAN的组合预测方法，首先，采用EWT分解负荷，得到不同的固有模态分量；其次，采用合理的方法对各分量进行预测。其中，低频、中频分量采用IRF预测；高频分量具有不确定性，使用ODBSCAN根据气象因素温度和湿度聚类，再根据每类的样本特性选择处理方法。最后，叠加各个分量的预测结果，获取总的预测结果。根据某地市现场实测负荷数据进行实验，预测结果分别与EWT‑IRF、EWT‑RF、EMD‑IRF模型的预测结果进行对比，可以获得更高的预测精度，体现实际负荷的变化规律。
-
公开(公告)号：CN115271242A
公开(公告)日：2022-11-01
申请号：CN202210970798.7
申请日：2022-08-13
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 本发明实施例公开了一种光伏发电功率预测模型的训练方法、预测方法、装置。按照天气类型，将待训练数据进行划分，得到多种划分后的待训练数据；将多种划分后的待训练数据输入预设的光伏功率集成预测模型Stacking TCN‑LGBM‑PM中；基于预设的光伏功率集成预测模型，对每种划分后的待训练数据进行计算，得到每种划分后的待训练数据对应的光伏功率；根据计算得到的每种划分后的待训练数据对应的光伏功率和每种划分后的待训练数据对应的标识光伏功率，对光伏功率集成预测模型进行训练，得到训练后的多种天气类型对应的光伏功率集成预测模型。解决了光伏发电功率预测精度过低的问题，提高了光伏发电功率的预测精度。
-
公开(公告)号：CN110490369A
公开(公告)日：2019-11-22
申请号：CN201910678862.2
申请日：2019-07-25
Applicant: 国网安徽省电力有限公司 , 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 一种基于EWT和LSSVM模型的短期电力负荷预测方法，可解决现有方法计算效率低、计算成本大的技术问题。包括以下步骤：S100：利用EWT分解原始电力负荷序列，获得不同频率下的IMF分量；S200：使用LSSVM建立各个IMF分量序列的负荷预测模型；S300：将各个负荷预测模型的预测结果相加，得到总的预测结果。本发明通过经验小波变换，既可以解决EMD存在的模态混叠问题，同时经过其分解得到更少的分量，降低计算规模。该方法是一种建立自适应小波的新方法，其通过提取出具有紧凑的支撑傅立叶谱的AM-FM分量，使用EWT分解不同模态相当于对傅立叶频谱进行分段并应用对应于每个检测到的支撑的一些滤波，提高预测精度。
-
Patent Agency Ranking
公开(公告)号：CN117973456B
公开(公告)日：2024-07-02
申请号：CN202410370266.9
申请日：2024-03-29
Applicant: 安徽大学
IPC: G06N3/0464 , G01S13/89 , G06N3/082 , G06N3/048 , G06F7/78
Abstract: 本发明公开了一种基于深度学习网络模型的电磁逆散射成像方法，包括：数据预处理阶段：将复数数据的实部与虚部分别放入两个矩阵中；深度学习网络模型的构建以及训练测试阶段，其中，训练阶段包括以电场数据作为深度学习网络（EIS‑Net）的输入，相对介电常数数据作为输出，训练模型；测试分析阶段包括将测试集输入模型，得到相对介电常数实部与虚部的矩阵，通过表示相对介电常数实部的矩阵可以得到色散介质与普通介质的形状与位置信息，通过表示虚部的矩阵可以对二者进行区分。本发明利用基于残差结构的深度学习网络对混合介质的参数进行重构，在得到色散介质与普通介质形状与位置信息的同时能够对二者进行有效区分，提高了识别效率与准确率。
-
公开(公告)号：CN117973456A
公开(公告)日：2024-05-03
申请号：CN202410370266.9
申请日：2024-03-29
Applicant: 安徽大学
IPC: G06N3/0464 , G01S13/89 , G06N3/082 , G06N3/048 , G06F7/78
Abstract: 本发明公开了一种基于深度学习网络模型的电磁逆散射成像方法，包括：数据预处理阶段：将复数数据的实部与虚部分别放入两个矩阵中；深度学习网络模型的构建以及训练测试阶段，其中，训练阶段包括以电场数据作为深度学习网络（EIS‑Net）的输入，相对介电常数数据作为输出，训练模型；测试分析阶段包括将测试集输入模型，得到相对介电常数实部与虚部的矩阵，通过表示相对介电常数实部的矩阵可以得到色散介质与普通介质的形状与位置信息，通过表示虚部的矩阵可以对二者进行区分。本发明利用基于残差结构的深度学习网络对混合介质的参数进行重构，在得到色散介质与普通介质形状与位置信息的同时能够对二者进行有效区分，提高了识别效率与准确率。
-
公开(公告)号：CN110222887A
公开(公告)日：2019-09-10
申请号：CN201910454601.2
申请日：2019-05-27
Applicant: 国网安徽省电力有限公司 , 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 本发明公开了基于VMD和DNN的预测方法及在短期负荷预测的应用，属于电力系统短期负荷预测技术领域。包括步骤1：采集负荷数据；步骤2：将采集数据进行归一化处理；步骤3：采用VMD方法对归一化后的原始负荷序列进行分解；步骤4：对步骤3得到的K个分量进行深度神经网络（DNN）训练；步骤5：将分解后的测试样本带入DNN并叠加得到最终的预测结果。本发明对具有波动性和随机性的数据预测准确，能够有效减少数据的计算量，缩短了计算时间，而且预测结果准确，提升负荷预测的准确性对电力系统的经济调度、稳定运行具有重要意义。
-
公开(公告)号：CN117277271A
公开(公告)日：2023-12-22
申请号：CN202311009525.7
申请日：2023-08-09
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 本发明涉及一种机理模型嵌入的深度学习光伏短期预测方法，包括：采用Softsign函数替换LSTM模型的tanh函数，采用CSS函数替换LSTM模型的sigmoid函数，得到改进的LSTM模型；将单二极管模型和改进的LSTM模型结合，得到Diode‑LSTM模型，使用历史数据训练Diode‑LSTM模型，得到训练好的Diode‑LSTM模型，使用训练好的Diode‑LSTM模型对未来一段时间内的光伏发电系统输出功率进行预测；将预测的输出功率与实际输出功率进行比较，评估预测的准确性，并根据需要进行调整和优化。本发明具有更好的梯度传递，Softsign函数的梯度在输入接近于0的时候更加平缓，因此可以更好地传递梯度，避免梯度消失或爆炸的问题，具有更快的收敛速度，具有更好的鲁棒性和更好的泛化能力，可以更好地适应不同的数据集和任务。
-
公开(公告)号：CN110796303A
公开(公告)日：2020-02-14
申请号：CN201911018674.3
申请日：2019-10-24
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 一种基于EWT和ODBSCAN的短期电力负荷预测方法，可解决单一的预测模型对于具有复杂变化及随机特性的负荷序列，预测难以获得理想的精度的技术问题。本发明提出基于EWT和ODBSCAN的组合预测方法，首先，采用EWT分解负荷，得到不同的固有模态分量；其次，采用合理的方法对各分量进行预测。其中，低频、中频分量采用IRF预测；高频分量具有不确定性，使用ODBSCAN根据气象因素温度和湿度聚类，再根据每类的样本特性选择处理方法。最后，叠加各个分量的预测结果，获取总的预测结果。根据某地市现场实测负荷数据进行实验，预测结果分别与EWT-IRF、EWT-RF、EMD-IRF模型的预测结果进行对比，可以获得更高的预测精度，体现实际负荷的变化规律。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
