-
公开(公告)号：CN109978237A
公开(公告)日：2019-07-05
申请号：CN201910161664.9
申请日：2019-03-04
Applicant: 三峡大学
Abstract: 一种基于精细化气象数据的地区电网短期负荷预测系统，它包括数据库模块、数据维护模块、负荷预测模块，其中，数据库模块用于设置相应的数据库路径以及存储历史负荷数据单元，存储历史负荷数据单元包括日前小水火电负荷单元、新能源发电负荷单元、区间互供负荷单元、地区用电负荷单元、网供负荷单元、分时分区气象数据单元、以及历史负荷数据单元，可供负荷预测模块调用；本发明目的是提供一种引入了分时分区精细化气象数据，通过分析不同负荷分量的规律性，根据各自特点采取多种预测模式和预测方法，很好的提高地区电网短期负荷预测的精度和自动化程度的基于精细化气象数据的地区电网短期负荷预测系统。
-
公开(公告)号：CN112232561B
公开(公告)日：2024-03-15
申请号：CN202011092704.8
申请日：2020-10-13
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了基于约束并行LSTM分位数回归的电力负荷概率预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；设置模型超参数；建立约束并行LSTM模型，对约束并行LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对约束并行LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定约束并行LSTM模型的最佳权重、偏置参数；将验证集输入训练好的约束并行LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的约束并行LSTM模型，对约束并行LSTM模型输出的预测结果进行反归一化。本发明采用约束并行LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
公开(公告)号：CN112861992A
公开(公告)日：2021-05-28
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：CN114792158A
公开(公告)日：2022-07-26
申请号：CN202210339153.3
申请日：2022-04-01
Applicant: 三峡大学
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：CN112232561A
公开(公告)日：2021-01-15
申请号：CN202011092704.8
申请日：2020-10-13
Applicant: 三峡大学
Abstract: 本发明公开了基于约束并行LSTM分位数回归的电力负荷概率预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；设置模型超参数；建立约束并行LSTM模型，对约束并行LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对约束并行LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定约束并行LSTM模型的最佳权重、偏置参数；将验证集输入训练好的约束并行LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的约束并行LSTM模型，对约束并行LSTM模型输出的预测结果进行反归一化。本发明采用约束并行LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
Patent Agency Ranking
公开(公告)号：CN111539482A
公开(公告)日：2020-08-14
申请号：CN202010351995.1
申请日：2020-04-28
Applicant: 三峡大学
Abstract: 本发明公开了基于RBF核函数的空间多维风电功率数据降维方法，包括：采集多座风电场连续多个小时级功率数据样本；计算核矩阵；计算核矩阵的特征值与特征向量；将特征值进行降序排列，取特征值序列中前r个特征值和对应的特征向量；利用核矩阵和选出的特征值、特征向量计算降维结果。本发明还公开了对应的数据重构方法，包括：以原始数据降维结果和构造的同质数据降维结果的误差最小为优化目标，搜寻最优核参数；对核主成分分析法降维结果进行重构。本发明的方法使数据变得更少而特征更加独立，有利于大规模风电数据实现并网运行；本发明的降维数据在可信赖性与连续性方面优于现有的降维方法；本发明方法得到的重构数据与原始数据的误差小。
-
公开(公告)号：CN110009132A
公开(公告)日：2019-07-12
申请号：CN201910161661.5
申请日：2019-03-04
Applicant: 三峡大学
Abstract: 一种基于LSTM深度神经网络的短期电力负荷精细化预测方法，它包括电气二次盘柜、传感器探头设置在电气二次盘柜内的温度传感器、信号集中处理中心、远程监视后台，温度传感器通过信号线与第一信号转换模块的输入端连接，第一信号转换模块的输出端与第二信号转换模块的输入端连接，第二信号转换模块的输出端与信号处理模块的信号输入端连接，信号处理模块的信号输出端与服务器连接。本发明的目的是为了精确、高效、很好的实现电气二次盘柜远距离温度监测而提出的基于LSTM深度神经网络的短期电力负荷精细化预测方法。
-
公开(公告)号：CN117977568A
公开(公告)日：2024-05-03
申请号：CN202410049336.0
申请日：2020-10-13
Applicant: 三峡大学
IPC: H02J3/00 , G06Q10/063 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于嵌套LSTM和分位数计算的电力负荷预测方法，包括收集多个样本日的负荷功率和影响因素数据，形成数据集；建立嵌套LSTM模型，对嵌套LSTM模型中各个分位点LSTM进行预训练，获得权重、偏置参数集；对嵌套LSTM模型进行整体训练，训练过程中对权重、偏置参数进行微调，确定嵌套LSTM模型的最佳权重、偏置参数；将验证集输入训练好的嵌套LSTM模型，根据验证误差选出模型的最佳超参数；将测试样本输入具有最佳超参数的嵌套LSTM模型，对嵌套LSTM模型输出的预测结果进行反归一化。本发明采用嵌套LSTM模型进行电力负荷的分位数回归预测，使得预测负荷概率分布更合理，避免分位数预测值之间的交叉。
-
公开(公告)号：CN109978236B
公开(公告)日：2022-07-15
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：CN111539482B
公开(公告)日：2021-03-09
申请号：CN202010351995.1
申请日：2020-04-28
Applicant: 三峡大学
Abstract: 本发明公开了基于RBF核函数的空间多维风电功率数据降维方法，包括：采集多座风电场连续多个小时级功率数据样本；计算核矩阵；计算核矩阵的特征值与特征向量；将特征值进行降序排列，取特征值序列中前r个特征值和对应的特征向量；利用核矩阵和选出的特征值、特征向量计算降维结果。本发明还公开了对应的数据重构方法，包括：以原始数据降维结果和构造的同质数据降维结果的误差最小为优化目标，搜寻最优核参数；对核主成分分析法降维结果进行重构。本发明的方法使数据变得更少而特征更加独立，有利于大规模风电数据实现并网运行；本发明的降维数据在可信赖性与连续性方面优于现有的降维方法；本发明方法得到的重构数据与原始数据的误差小。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
