-
公开(公告)号：CN117151303B
公开(公告)日：2024-05-31
申请号：CN202311172549.4
申请日：2023-09-12
Applicant: 河海大学
IPC: G06Q10/04 , G06F16/2458 , G06N3/0464 , G06N3/0442 , G06N3/047 , G06Q50/06
Abstract: 本发明公开了一种基于混合模型的超短期太阳辐照度预测方法及系统。所述方法包括：采集历史太阳史辐照度和气象参数数据，构造历史辐射序列；利用滑动变分模态分解模型对历史辐射序列的时序特征进行解耦，并利用自适应图卷积网络获取历史辐射序列间的依赖关系，并将提取的两类特征进行拼接；通过组合多个时间卷积神经网络构造四核时间卷积神经网络，利用四核时间卷积神经网络学习拼接后的特征信息，预测未来30min的太阳辐照度。本发明能够实现精准的超短期太阳辐照度预测，为电网的可靠、稳定运行提供支撑。
-
公开(公告)号：CN114037901B
公开(公告)日：2023-06-20
申请号：CN202111243878.4
申请日：2021-10-25
Applicant: 河海大学
IPC: G06V20/13 , G06V10/143 , G06V10/774 , G06V10/82 , G06N3/0464 , G06Q10/0631 , G06Q50/06
Abstract: 本发明公开了一种光伏发电预测导向的实时卫星近红外图像推算方法，包括：采集卫星近红外图像数据作为推算对象和光伏电站发电数据作为指导数据；构建针对卫星近红外图像推算的全卷积神经网络模型，将待预测时间前的多帧卫星近红外图像作为输入、预测图像作为输出，确定模型结构及其参数；使用偏微分卷积层替换模型的第二个卷积层，将矩估计误差纳入图像预测的均方误差；基于预测图像估计光伏发电量，计算光伏发电量的均方误差并纳入形成卫星近红外图像推算总误差；基于采集数据和总误差对模型训练；将训练好的模型应用于提前多步的卫星近红外图像推算和光伏发电估计。本发明可提升光伏发电量预测精度，能够提供未来光伏发电量估计的数据支持。
-
公开(公告)号：CN111275571B
公开(公告)日：2020-12-11
申请号：CN202010035713.7
申请日：2020-01-14
Applicant: 河海大学
Abstract: 本发明公开了一种考虑微气象与用户模式的居民负荷概率预测深度学习方法，该方法首先采集历史用户用电负荷和数值微气象预报等相关数据构造二维多通道特征图谱，作为深度学习模型输入；其次搭建深层挤压‑激励残差卷积神经网络模型，对居民用电负荷进行用户用电负荷概率预测的初步预测；然后基于稀疏‑冗余特性表征方法，提取用户每日负荷曲线中的特征模式，对概率预测区间进行不确定性校正；最后，对日前居民负荷概率预测结果进行误差分析。本发明结合了微气象数据与用电模式构造新的样本作为模型输入，有效地结合了居民所处地区附近的大量微气象站址的气象预报数据，以实现高精度的日前用户用电负荷预测。
-
公开(公告)号：CN110070226B
公开(公告)日：2020-06-16
申请号：CN201910335212.8
申请日：2019-04-24
Applicant: 河海大学
IPC: G06F30/27
Abstract: 本发明公开了基于卷积神经网络与元学习的光伏功率预测方法，属于可再生能源开发利用技术领域，通过建立深层卷积神经网络模型，以历史光伏功率数据、历史气象数据和数值气象预报数据作为模型输入，以待预测日的光伏功率作为输出，构成模型训练样本；基于数值气象预报中的辐射数据分析待预测日的天气类型，选取相似日训练样本；基于元学习策略和相似日训练样本，以八个损失函数指标训练神经网络模型，输出八个预测结果，实现光伏功率的点预测和概率预测；本发明还公开了其预测系统。本发明方法能够适应不同季节、不同天气的光伏功率预测情况，具备极高的预测精度，能够有效提升光伏并网系统运行稳定性。
-
公开(公告)号：CN111275571A
公开(公告)日：2020-06-12
申请号：CN202010035713.7
申请日：2020-01-14
Applicant: 河海大学
Abstract: 本发明公开了一种考虑微气象与用户模式的居民负荷概率预测深度学习方法，该方法首先采集历史用户用电负荷和数值微气象预报等相关数据构造二维多通道特征图谱，作为深度学习模型输入；其次搭建深层挤压-激励残差卷积神经网络模型，对居民用电负荷进行用户用电负荷概率预测的初步预测；然后基于稀疏-冗余特性表征方法，提取用户每日负荷曲线中的特征模式，对概率预测区间进行不确定性校正；最后，对日前居民负荷概率预测结果进行误差分析。本发明结合了微气象数据与用电模式构造新的样本作为模型输入，有效地结合了居民所处地区附近的大量微气象站址的气象预报数据，以实现高精度的日前用户用电负荷预测。
-
Patent Agency Ranking
公开(公告)号：CN110070226A
公开(公告)日：2019-07-30
申请号：CN201910335212.8
申请日：2019-04-24
Applicant: 河海大学
Abstract: 本发明公开了基于卷积神经网络与元学习的光伏功率预测方法，属于可再生能源开发利用技术领域，通过建立深层卷积神经网络模型，以历史光伏功率数据、历史气象数据和数值气象预报数据作为模型输入，以待预测日的光伏功率作为输出，构成模型训练样本；基于数值气象预报中的辐射数据分析待预测日的天气类型，选取相似日训练样本；基于元学习策略和相似日训练样本，以八个损失函数指标训练神经网络模型，输出八个预测结果，实现光伏功率的点预测和概率预测；本发明还公开了其预测系统。本发明方法能够适应不同季节、不同天气的光伏功率预测情况，具备极高的预测精度，能够有效提升光伏并网系统运行稳定性。
-
公开(公告)号：CN110059972A
公开(公告)日：2019-07-26
申请号：CN201910334439.0
申请日：2019-04-24
Applicant: 河海大学
Abstract: 本发明公开了基于泛函深度信念网络的日太阳辐射资源评估方法，属于可再生能源开发利用技术领域，包括如下步骤：首先，对太阳辐射曲线进行深层聚类，将其划分为四类，对每一类太阳辐射分别进行估计；其次，基于传统经验辐射公式构建功能泛函，并对功能泛函进行多项式变换，生成多项式泛函；然后，基于后向选择方法筛选多项式泛函，选取对太阳辐射有相关性影响的作为模型输入；将筛选后的多项式泛函输入深度信念网络模型，训练模型实现对太阳辐射的估计。本发明实现了准确的太阳辐射估计，能够适应不同地区、气候情况下的估计需求；同时可以部署在全国不同的气象站内，实现精准可靠的太阳辐射资源评估。
-
公开(公告)号：CN117556706B
公开(公告)日：2024-12-31
申请号：CN202311581023.1
申请日：2023-11-24
Applicant: 河海大学
IPC: G06F30/27 , G06F18/10 , G06F18/214 , G06F113/06 , G06F119/06
Abstract: 本发明公开了一种基于扩散模型和非平稳信号增强的风功率概率预测方法及系统。所述方法包括：利用扩散模型建模历史风功率的不确定性，通过扩散过程与去噪过程采样风功率的概率分布特性；利用历史风功率序列与未来气象预报数据把握未来风功率的非平稳波动趋势，构建非平稳信号增强方法，作为扩散模型去噪过程的内核求解器，基于共享参数机制滚动训练扩散模型；基于训练得到的以非平稳信号增强为内核求解器的扩散模型，利用沿扩散步长、时序推理双层采样方法得到风功率多步概率预测结果。本发明可部署于电网监控调度部门或风电场站，提供准确的多时间尺度风功率概率预测结果，满足电网监控与经济安全调控的需求。
-
公开(公告)号：CN117220276B
公开(公告)日：2024-07-02
申请号：CN202311172607.3
申请日：2023-09-12
Applicant: 河海大学
IPC: H02J3/00 , G06V10/62 , G06V10/80 , G06V10/82 , G06N3/048 , G06N3/0464 , G06N3/047 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种考虑时空特征相互影响的超短期光伏功率预测方法及系统，属于新能源开发和利用技术领域。所述方法包括：计算地基云图帧间光流图；以地基云图、地基云图帧间光流图作为输入，利用基于VGG与ConvLSTM模型的双流网络分别提取出地基云图所对应的时序特征与空间特征；利用对应时刻的地基云图构建门控单元，实现图像特征融合；基于光伏功率，通过跨模态注意力机制，提取图像特征的显著信息；将显著图像特征与历史光伏功率特征作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型实现超短期光伏功率预测。本发明能够提高光伏功率超短期预测精度，为电网安全、稳定运行提供支撑，具有一定的工程实用价值。
-
公开(公告)号：CN115358534B
公开(公告)日：2024-04-23
申请号：CN202210897543.2
申请日：2022-07-28
Applicant: 河海大学
Abstract: 本发明公开了一种基于同态加密强化学习的电器负荷需求响应方法，首先，定义居民电器负荷的响应类型，对电器负荷的需求响应系数进行离散化处理；其次，基于加法同态加密算法，对参与需求响应的所有用户的电器负荷需求数据进行加密；接着，基于电器负荷的响应类型和需求响应系数、以及配电网的实时电价，构建电器负荷需求响应模型；构建基于随机森林深度强化网络，定义强化网络的状态、动作和奖励函数；基于加密的电器负荷需求数据，使用分布式双重强化学习网络算法对所构建的网络进行模型训练，实现电器负荷需求响应。本发明在保障用电隐私的情况下，实时智能化地削减或中断居民的电器负荷，降低配电网的过负荷风险、提升运行的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.022 seconds)
