-
公开(公告)号：CN118611049A
公开(公告)日：2024-09-06
申请号：CN202410690483.6
申请日：2024-05-30
Applicant: 三峡大学
IPC: H02J3/00 , H02J3/38 , G06F18/15 , G06F18/213 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06Q50/06 , G06F123/02
Abstract: 一种考虑时序缺失值的超短期风电功率预测方法，其步骤包括：采集目标地区的风电数据集，主要包含功率和气象数据两大类；拼接功率与气象数据为输入矩阵，设计掩码矩阵和时间间隔矩阵分别表示数据是否发生缺失和时间间隔的分布情况；提出时滞衰减率函数反映不完整序列内部时滞相关性，结合风电数据全局和局部时间依赖性特点，完成模型时序数据输入侧的缺失值插补；提出带掩码的风电时序相关特点分析模块，结合上述步骤构建时滞衰减插补策略；嵌入时滞衰减插补策略到GRU门控运算中构成考虑缺失信息的MPIGRU单元；以MPIGRU为基本单元构建序列到序列结构，实现超短期风电功率预测。与传统的缺失值处理和预测方法相比，具有更高预测精度和更稳定的预测性能。
-
公开(公告)号：CN114792158B
公开(公告)日：2024-07-09
申请号：CN202210339153.3
申请日：2022-04-01
Applicant: 三峡大学
IPC: G06F18/213 , G06N3/0464 , G06N3/08 , G06Q50/06 , H02J3/00
Abstract: 基于时空融合图神经网络的多风电场短期功率预测方法，它包括以下步骤，步骤1：采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据；步骤2：将步骤1中的功率数据与气象数据映射到高维空间；步骤3：对由步骤2获得的数据进行处理，提取单个风电场功率数据的时序特征；步骤4：提取多个风电场功率数据间的空间特征；步骤5：交替进行以上两个步骤，将得到的时序特征和空间特征连接起来，以获得多风电场功率数据耦合的时空特征；步骤6：获得多风电场最终的功率预测结果。本发明的目的在于克服现有技术在进行多风电场短期功率预测时不能结合其功率数据深层时空特征的问题，提供了一种多风电场功率预测技术。
-
公开(公告)号：CN116384572A
公开(公告)日：2023-07-04
申请号：CN202310338080.0
申请日：2023-03-31
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06N3/08 , H02J3/00
Abstract: 基于多维门控循环单元的序列到序列电力负荷预测方法，步骤1：收集多个样本日的负荷功率和影响因素数据，将数据集划分为训练集和测试集；步骤2：通过输入模块对输入数据维度化处理；步骤3：建立基于多维门控循环单元的序列到序列多维时序预测模型；步骤4：利用基于梯度提升分位数回归贝叶斯优化算法的交叉验证超参数寻优策略预训练模型，获得模型的最优超参数；步骤5：利用训练集再训练模型确定预测模型的最佳权重和偏置参数，并输入测试集，获得最终负荷预测结果。
-
公开(公告)号：CN112861992B
公开(公告)日：2022-09-02
申请号：CN202110256120.8
申请日：2021-03-09
Applicant: 三峡大学
Abstract: 本发明公开了基于独立稀疏堆叠自编码器的风电场超短期功率预测方法，包括：采集多座风电场多个时刻的历史功率观测数据集；对空间多维风电功率数据集进行降维，得到降维的历史特征数据，再结合气象信息，共同作为预测功率的影响因素，对预测功率的影响因素进一步降维得到低维特征；从低维特征中选出独立特征，并利用具有动态映射能力的神经网络进行预测，得到风电场功率的低维预测数据；对低维预测数据进行解码重构，得到各风电场的功率预测结果。本发明的方法在不增加预测变量维数情况下使得预测精度得以提高，相对于常规降维方法，显著降低了误差；本发明通过充分解析多维风电功率间的非线性关系，进一步提高了功率预测的精度。
-
公开(公告)号：CN111814394A
公开(公告)日：2020-10-23
申请号：CN202010614331.X
申请日：2020-06-30
Applicant: 三峡大学
Abstract: 一种基于相关性和冗余性检测的电力系统安全评估方法，包括以下步骤；步骤1：基于电力系统历史运行数据和大量预想事故下的动态仿真，构建包含大量电力系统运行变量和动态安全分类标签的原始数据库；步骤2：对原始数据库进行特征选择，从大量运行变量中选出与类标签相关度高的变量作为关键特征，形成高效数据库；步骤3：结合遗传算法和BP神经网络，构建电力系统动态安全评估模型，利用高效数据库对评估模型进行离线训练与更新；步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)实时测量数据，利用评估模型，对电力系统进行在线动态安全评估。本发明能够快速实现电力系统稳定性的判别，同时保证较高的准确性和可靠性，满足电力系统在线评估要求。
-
Patent Agency Ranking
公开(公告)号：CN111401792A
公开(公告)日：2020-07-10
申请号：CN202010300999.7
申请日：2020-04-16
Applicant: 三峡大学
Abstract: 一种基于极限梯度提升决策树的动态安全评估方法，步骤1：建立原始样本集；步骤2：形成中间样本集；步骤3：形成高效样本集；步骤4：利用高效样本集对极限梯度提升决策树进行离线训练，构建基于XGBoost决策树的动态安全评估模型；步骤5：由于电力系统各种运行因素的影响，需要通过时域仿真来更新高效样本集，利用更新后的样本集对DSA模型进行更新；步骤6：基于同步相量测量单元的实时测量数据，利用DSA模型，对电力系统进行在线DSA。本发明的目的是提出一种基于极限梯度提升决策树的动态安全评估方法。该方法能高效准确的对电力系统进行在线DSA，并且评估模型的鲁棒性很好，可以适应网络拓扑结构的变化。
-
公开(公告)号：CN109978236A
公开(公告)日：2019-07-05
申请号：CN201910161647.5
申请日：2019-03-04
Applicant: 三峡大学
Abstract: 一种基于特征组合的小水电短期功率精细化预测方法，包括步骤1：收集分区降雨量的历史和预测数据，小水电功率曲线的历史数据；步骤2：将小水电功率曲线分解为历史日最大、最小功率和标幺化曲线三个特征量；步骤3：对小水电的日最大、最小发电功率，采用时间序列神经网络开展预测，得到预测日的最大、最小预测功率等步骤；步骤4：对历史日标幺化曲线采用Kmeans技术进行聚类等步骤得到预测日的预测标幺化曲线；步骤5：组合预测日的标幺化曲线和最大、最小功率预测值，得到预测日的小水电发电功率预测结果。本发明能很好的解决现有技术存在的预测误差大问题的基于特征组合的小水电短期功率精细化预测方法。
-
公开(公告)号：CN118611095A
公开(公告)日：2024-09-06
申请号：CN202410648441.6
申请日：2024-05-23
Applicant: 三峡大学 , 国网宁夏电力有限公司
IPC: H02J3/24 , H02J3/48 , H02J3/50 , H02J5/00 , G06Q10/04 , G06F30/20 , G06Q50/06 , G06F18/214 , G06F18/24 , G06F18/213 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/04
Abstract: 基于数据驱动的暂态频率电压紧急协调控制优化方法，构建基于数据驱动的暂态频率和电压稳定智能评估器，代替非线性暂态频率和电压稳定约束求解，得到暂态频率和电压稳定约束基线；构建考虑有功和无功控制方式的暂态频率和电压紧急协调控制优化模型；求解构建的暂态频率和电压紧急协调控制优化模型，得到有功和无功控制一体化紧急协调控制策略。针对实时故障工况，快速生成实际紧急协调控制策略并下发。本发明控制优化方法提高电网暂态频率和电压紧急协调控制的时效性，使得故障后电网暂态频率和电压能够快速恢复稳定。
-
公开(公告)号：CN113890109B
公开(公告)日：2023-08-25
申请号：CN202111035137.7
申请日：2021-09-05
Applicant: 三峡大学
IPC: H02J3/46 , G06N3/0455 , G06N3/0475 , G06F18/23213
Abstract: 本发明公开了具有时间空间相关性的多风电场功率日场景生成方法，包括：获取多风电场的日场景数据集；利用张量自组织映射神经网络对日场景数据集进行聚类；对各聚类簇分别构建变分自编码器，从日场景数据中提取隐含特征；利用隐含特征对各簇日场景数据进行随机模拟和抽样，得到日场景隐含变量数据集；对日场景隐含变量数据集进行解码重构，得到各簇重构的日场景数据；将各簇重构的日场景数据进行聚合，得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构，提高了重构生成的日场景数据的精度，本发明通过考虑场景数据的时间空间相关性，显著降低了重构的空间和时间相关性误差，强化了生成场景的特征表达能力。
-
公开(公告)号：CN115511162A
公开(公告)日：2022-12-23
申请号：CN202211084529.7
申请日：2022-09-06
Applicant: 三峡大学
Abstract: 一种基于CVMD‑GRU‑DenseNet混合模型的短期电力负荷预测方法，它包括以下步骤：步骤1：采集目标地区一定时间段为单位的负荷功率时间序列数据集；步骤2：将负荷功率时间序列分解为K个本征模态函数分量和1个残差分量；步骤3：筛选与预测分量关系密切的输入特征，依据各分量序列周期及复杂度的差异选用不同的预测模型；步骤4：将各子序列分量的预测结果叠加，重构得到未来日时序负荷预测结果。本发明的目的是为了解决现有技术存在的利用变分模态分解VMD对负荷进行分解难以确定最佳分解次数的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.035 seconds)
