-
公开(公告)号：CN114841419B
公开(公告)日：2024-09-10
申请号：CN202210414963.0
申请日：2022-04-20
Applicant: 大连理工大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06N3/092
Abstract: 本发明提供了一种基于Transformer与LSTM混合模型的智能风电功率预测方法，属于深度学习技术领域。本发明对风电场数据进行短期或超短期预测，针对风电场数据的随机性、波动性和尖峰性，设计了Transformer与LSTM混合模型。该混合模型能够高效率地训练出精度优良的模型，加快新能源领域的数字化转型，能够取得更为优异的训练效果，在训练过程能够充分利用过去宝贵的经验。本发明结合Transformer与LSTM模型的优点，既能够准确地预测数据，又能够高效地训练数据，为深度学习技术在风电场领域的应用提供了理论依据和实践经验。
-
公开(公告)号：CN114757427A
公开(公告)日：2022-07-15
申请号：CN202210428891.5
申请日：2022-04-22
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/06 , H02J3/00 , G06N3/04 , G06N3/08 , G06F30/27 , G06F113/06 , G06F119/06
Abstract: 本发明属于数据科学技术领域，涉及自回归修正的LSTM智能风电场超短期功率预测方法。本发明根据最近时刻的实际功率对未来4小时(16个时刻点)功率趋势进行预测，并使用该预测值修正利用LSTM预测的短期功率，实现历史功率数据与气象数据的特征结合，提高超短期预测中在风速快速变化或其他因素影响的功率剧烈抖动时的预测准确率，同时加快超短期预测的速度。本发明实现了自回归修正的LSTM智能风电场超短期功率预测方法，结合深度学习、自回归预测等技术，最终为风电场在风电功率超短期的精准预测领域提供了理论依据与实践经验。
-
公开(公告)号：CN114564731B
公开(公告)日：2024-06-04
申请号：CN202210184031.1
申请日：2022-02-28
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于横向联邦学习的智能风电场风况预测方法，属于深度学习技术领域。本发明在能够解决结合多风电场预测过程中所涉及的数据安全问题的同时，能够取得更为优异的训练效果，在训练过程能够充分利用过去的经验；本发明在即使参与者可靠性较低情况下，准确率仍能够保证；并且本发明提供的基于AutoEncoder的数据降维方法能够减少数据计算量，大幅提高运行速度。本发明在部署上相对简单，只需各个风电场将数据暴露在特定端口，模型能即拿即用。
-
公开(公告)号：CN117540210A
公开(公告)日：2024-02-09
申请号：CN202311522977.5
申请日：2023-11-16
Applicant: 大连理工大学
IPC: G06F18/214 , G06F18/24 , G06Q10/10 , G06Q50/26 , G06N3/0464
Abstract: 本发明涉及一种用于海关进出口商品规范申报的智能化自动识别方法，属于自然语言处理技术领域。本发明针对BERT模型中存在的表达退化的问题，创新地提出了GDB模型。通过联合词嵌入生成器和词嵌入判别器，对流形外空间进行正则化，缓解了预训练模型BERT中存在的表达退化的问题。联合卷积神经网络进一步提取文本特征，捕捉文本中的局部连续信息，使模型更深入地学习到规范申报文本中的潜在格式规律，提高了模型的分类能力，从而更加容易地筛选出不规范文本。
-
-
Patent Agency Ranking
公开(公告)号：CN117473323A
公开(公告)日：2024-01-30
申请号：CN202311523063.0
申请日：2023-11-16
Applicant: 大连理工大学
Abstract: 本发明涉及自然语言处理技术领域，具体涉及基于对比学习和对抗训练的海关商品规范申报审核方法。本发明针对BERT训练和推断过程不一致的问题，以及没有考虑到的表达退化问题，提出了CLAT‑ELECTRA模型。通过ELECTRA改善BERT训练和推断过程的不一致，并通过两种不同的方法从不同的角度缓解表达退化问题，使模型生成高质量的申报文本语义信息，从而进行分类，提高了海关商品规范申报审查效率。
-
公开(公告)号：CN114742279A
公开(公告)日：2022-07-12
申请号：CN202210270144.3
申请日：2022-03-18
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于双向时间线的长距离风力发电功率预测方法，具体包括：首先对风电场气象数据、设备监测数据、风电机组基础数据进行数据归一化、数据清洗、数据补充和数据筛选等数据预处理操作。将处理后的数据按照时间排序，送入到计算模型中。然后构建双向Transformer模型，通过高维特征计算以及自注意力机制对输入特征进行权重配比与特征抽取，实现部分数据借助模型抽象为对输出功率预测的重要特征。本发明不仅可以模拟气象变化对风力发电机的单向影响，又能通过确定的未来时间点的目标输出功率，反向削减误差，最终实现了更为准确的预测风力发电的输出功率，在不降低预测效率的情况下，提高长距离风力发电功率预测准确性。
-
公开(公告)号：CN114610070A
公开(公告)日：2022-06-10
申请号：CN202210274635.5
申请日：2022-03-21
Applicant: 大连理工大学
Abstract: 本发明提供了一种无人机协同的风电场智能巡检方法，属于数据处理技术领域。本发明通过无人机携带任务载荷完成风电机组的巡检工作，通过深度强化学习‑模拟退火算法模型规划无人机的飞行航迹，实现能耗最低的智能风电场巡检路线规划。本发明充分考虑了风电场的物理和环境特性，实现了低能耗的智慧风电场巡检路线规划，且具有极强的适应能力，能够应用于不同地理位置和地形的风电场中。本发明不仅考虑了风电场中便于实时充电的特性，还充分考虑了风电场的气候特点，创新性地将风速与风向纳入无人机航迹规划的考量中；不仅能够适应不同地形和季风区中的风电场，还能够及时应对突发的气象变化，动态调整巡检路线，非常契合风电场的气象特性。
-
公开(公告)号：CN114564731A
公开(公告)日：2022-05-31
申请号：CN202210184031.1
申请日：2022-02-28
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于横向联邦学习的智能风电场风况预测方法，属于深度学习技术领域。本发明在能够解决结合多风电场预测过程中所涉及的数据安全问题的同时，能够取得更为优异的训练效果，在训练过程能够充分利用过去的经验；本发明在即使参与者可靠性较低情况下，准确率仍能够保证；并且本发明提供的基于AutoEncoder的数据降维方法能够减少数据计算量，大幅提高运行速度。本发明在部署上相对简单，只需各个风电场将数据暴露在特定端口，模型能即拿即用。
-
公开(公告)号：CN114757427B
公开(公告)日：2024-09-06
申请号：CN202210428891.5
申请日：2022-04-22
Applicant: 大连理工大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/09 , G06N3/045
Abstract: 本发明属于数据科学技术领域，涉及自回归修正的LSTM智能风电场超短期功率预测方法。本发明根据最近时刻的实际功率对未来4小时(16个时刻点)功率趋势进行预测，并使用该预测值修正利用LSTM预测的短期功率，实现历史功率数据与气象数据的特征结合，提高超短期预测中在风速快速变化或其他因素影响的功率剧烈抖动时的预测准确率，同时加快超短期预测的速度。本发明实现了自回归修正的LSTM智能风电场超短期功率预测方法，结合深度学习、自回归预测等技术，最终为风电场在风电功率超短期的精准预测领域提供了理论依据与实践经验。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.022 seconds)
