-
公开(公告)号：CN118899829A
公开(公告)日：2024-11-05
申请号：CN202410936221.3
申请日：2024-07-12
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: H02J3/00 , G06N3/0464 , G06N3/0442 , G06N3/042 , G06N3/08 , G06F17/18 , G06F18/25 , G06Q10/04 , G06Q50/06 , G06F18/214 , G06F18/24
Abstract: 本发明提供一种利用GAT‑LSTM&STGCN‑MLP双时空图模型进行电网负载率预测的方法，包括：从数据中台和气象网站获取目标区域负载数据和天气数据；对获取目标区域的负载数据和天气数据进行数据清洗，所述负载数据包括日期、目标区域下乡镇的负载率，天气数据包括日期、目标区域气温；对进行数据清洗后的数据进行特征工程处理，得到若干维度数据；基于GAT‑LSTM时空图算法网络和STGCN‑MLP时空图算法网络构建双时空图多目标算法模型；将所得若干维度数据输入所述建双时空图多目标算法模型进行预测，得到目标区域下属乡镇的负载率预测结果。本发明在各种复杂多变的节日情况下仍能保持稳定预测，增强了模型稳定性。
-
公开(公告)号：CN117236485B
公开(公告)日：2024-05-03
申请号：CN202311026867.X
申请日：2023-08-15
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06Q10/04 , H02J3/00 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明提供一种基于CNN‑BILSTM算法减小预测电网供电量误差的方法，包括：获取数据、数据清洗、构建特征、构建算法、改进模型(优化数据集)、模型验证；本发明在卷积神经网络‑长短期记忆网络(CNN‑LSTM)算法的基础上对LSTM采用双向序列传播(BILSTM)，形成卷积神经网络‑双向长短期记忆网络(CNN‑BILSTM)，通过此算法来建模预测电网供电量，在不破坏原有已训练好的模型情况下通过优化数据集的方式减小模型误差，避免多次训练模型、省时省力，有效减小模型误差。
-
公开(公告)号：CN117474152B
公开(公告)日：2024-04-09
申请号：CN202311406860.0
申请日：2023-10-27
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/214
Abstract: 本发明提供一种基于Conv1d的多变量CNN‑GRU算法用于短期负荷的实际预测方法，包括：从数据中台获取某地区一段时间的用电相关数据，包括用电量、供电量、负载率；对获取的用电相关数据进行数据处理，数据处理包括合并数据、空缺数据处理、计算每日平均负载率以及计算每日的相关电量；对处理后的用电相关数据进行错位映射，用当前时刻的用电量与历史某时刻的各变量形成对应，形成输入数据模型；基于输入数据模型构建CNN‑GRU实际预测模型对未来一段时间的用电量进行实际预测。本发明将CNN‑GRU算法首次应用于短期负荷的实际预测，通过错位映射避免先预测自变量X再预测因变量Y，可以在提升运行速度基础上保证较低的误差。
-
公开(公告)号：CN117474152A
公开(公告)日：2024-01-30
申请号：CN202311406860.0
申请日：2023-10-27
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/214
Abstract: 本发明提供一种基于Conv1d的多变量CNN‑GRU算法用于短期负荷的实际预测方法，包括：从数据中台获取某地区一段时间的用电相关数据，包括用电量、供电量、负载率；对获取的用电相关数据进行数据处理，数据处理包括合并数据、空缺数据处理、计算每日平均负载率以及计算每日的相关电量；对处理后的用电相关数据进行错位映射，用当前时刻的用电量与历史某时刻的各变量形成对应，形成输入数据模型；基于输入数据模型构建CNN‑GRU实际预测模型对未来一段时间的用电量进行实际预测。本发明将CNN‑GRU算法首次应用于短期负荷的实际预测，通过错位映射避免先预测自变量X再预测因变量Y，可以在提升运行速度基础上保证较低的误差。
-
公开(公告)号：CN117236485A
公开(公告)日：2023-12-15
申请号：CN202311026867.X
申请日：2023-08-15
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06Q10/04 , H02J3/00 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明提供一种基于CNN‑BILSTM算法减小预测电网供电量误差的方法，包括：获取数据、数据清洗、构建特征、构建算法、改进模型(优化数据集)、模型验证；本发明在卷积神经网络‑长短期记忆网络(CNN‑LSTM)算法的基础上对LSTM采用双向序列传播(BILSTM)，形成卷积神经网络‑双向长短期记忆网络(CNN‑BILSTM)，通过此算法来建模预测电网供电量，在不破坏原有已训练好的模型情况下通过优化数据集的方式减小模型误差，避免多次训练模型、省时省力，有效减小模型误差。
-
Patent Agency Ranking
公开(公告)号：CN115907033A
公开(公告)日：2023-04-04
申请号：CN202211534465.6
申请日：2022-12-02
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06N20/00 , G06F16/215 , H02J3/00 , G06F18/27
Abstract: 本发明提供一种基于机器学习算法预测每小时用电量的方法及系统，所述方法包括：获取用电量数据和天气数据，其中电量数据包括含时间、用户编号、用电量，天气数据包括当地记录时间、气温、风力、湿度；对获取到的电量数据和天气数据进行清洗处理；对清洗后的数据进行建模，得到VAR模型；根据建立的VAR模型预测未来时刻的用电量。本发明建立的VAR模型是基于ARIMA模型的改进版本，预测精度得到了提高，同时基于自身算法特点使得所需数据样本量少，相比有监督学习的机器学习算法在所需的样本量上优势明显。在样本数量不足的特定场景下，使用该算法模型相较其它机器学习模型，预测效果较为突出。
-
公开(公告)号：CN119557795A
公开(公告)日：2025-03-04
申请号：CN202411482397.2
申请日：2024-10-23
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06F18/2433 , G06F18/23213 , G06Q50/06
Abstract: 本发明提供一种时序聚类模型R‑kshape用于异常电量检测的方法，包括：获取数据集，所述数据集包括：机组ID，日期，时刻，上网电量；对获取的数据集进行数据预处理，所述预处理包括缺失值处理、删除零点电量的数据以及重排序；对进行预处理后的数据集进行特征工程，构建衍生变量；基于构建的衍生变量建立R‑kshape模型，所述R‑kshape模型由规则策略和kshape通过逻辑关联融合而成；基于构建的R‑kshape模型进行异常电量检测。本发明以时序聚类算法Kshape为基础，融合了规则策略(Rule)而成一种全新改进模型，所需样本数量少，同时对比纯规则、纯聚类的异常电量检测，有着更精准更高效的识别效果。
-
公开(公告)号：CN119359284A
公开(公告)日：2025-01-24
申请号：CN202411508174.9
申请日：2024-10-25
Applicant: 国网湖北省电力有限公司宜昌供电公司 , 三峡大学 , 湖北华中电力科技开发有限责任公司
Inventor： 肖碧波 , 赵东鹏 , 刘晓峻 , 徐守志 , 余梅 , 赵亮 , 李杨 , 彭书瑞 , 朱佳 , 付荣 , 李晶 , 吴颖波 , 赵立华 , 徐文 , 朱国威 , 谭茗铎 , 刘远 , 刘畅 , 冯浩 , 赵航
Abstract: 本发明公开了一种岸电系统网络安全运维推荐方法，属于电力工程信息化技术领域，包括构建岸电网络安全运维知识库，从多种数据源中提取岸电网络安全运维相关的多模态数据，利用预训练大模型和预设的提示词动态生成结构化的知识图谱；使用LISA方法对预训练大模型进行轻量化微调；岸电网络安全运维推荐，基于微调后的预训练大模型，使用检索增强生成方法在知识图谱的社区结构中查找相关的社区摘要，生成运维建议或安全解决方案。本发明采用上述方法，通过分析网络安全协议数据、运维日志和用户行为数据，动态适应网络安全风险和运维环境的变化，提高岸电系统的运行安全性和可靠性，提升运维效率和经济效益。
-
公开(公告)号：CN118899830A
公开(公告)日：2024-11-05
申请号：CN202410936481.0
申请日：2024-07-12
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: H02J3/00 , G06N3/0464 , G06N3/0442 , G06N3/042 , G06N3/08 , G06F18/214 , G06F18/24 , G06Q10/04 , G06Q50/06 , G06F17/18
Abstract: 一种利用多目标时空图卷积神经网络GCN‑BILSTM模型进行短期负载率实际预测的方法，包括：从数据中台和气象网站获得目标区域的负载数据和天气数据；对获得的负载数据和天气数据进行数据清洗；对数据清洗后的数据进行特征工程处理，包括：对原有的气温拆分成最高温、最低温，并对最高温、最低温分别进行增加预设数值的变换，以使得最低温大于等于0；将目标区域下属乡镇的负载率、最高温、最低温进行0‑1标准化，得到若干维度数据；构建GCN‑BILSTM模型，将若干维度数据输入GCN‑BILSTM模型输出预测结果。本发明在预测过程中增加对空间节点之间的“联动性”，相较于Multi‑BILSTM算法mape误差更低。
-
公开(公告)号：CN117474151A
公开(公告)日：2024-01-30
申请号：CN202311406549.6
申请日：2023-10-27
Applicant: 湖北华中电力科技开发有限责任公司 , 国网湖北省电力有限公司
IPC: G06Q10/04 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06F18/214 , G06F18/21
Abstract: 一种基于CNN‑LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法，包括：采用CNN‑LSTM算法计算第一时间段中每天的第一平均绝对百分比误差；采用lightGBM算法计算第一时间段中每天的第二平均绝对百分比误差；根据第一平均绝对百分比误差和第二平均绝对百分比误差计算CNN‑LSTM权重和lightGBM权重，进而计算CNN‑LSTM动态权重和lightGBM动态权重；根据CNN‑LSTM算法和lightGBM算法预测的第二时间段的预测值以及第CNN‑LSTM动态权重和lightGBM动态权重得到第二时间段对应每天的最终预测值。本发明能够提高模型的预测稳定性、减小平均误差。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.082 seconds)
