-
公开(公告)号：CN113792919A
公开(公告)日：2021-12-14
申请号：CN202111026927.9
申请日：2021-09-02
Applicant: 华中科技大学 , 中国电力科学研究院有限公司 , 国网山东省电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开一种基于迁移学习深度学习相结合的风电功率预测方法，通过SCADA系统及数值天气预报，提取新建风电场及周边风电场的历史样本，使用新建风电场的少量历史样本训练BP‑NN，再对周边风电场的大量历史样本预测，根据预测结果计算周边风电场每个历史样本的相关系数；根据相关系数将周边风电场的大量历史样本为强相关样本、中相关样本及弱相关样本；分别使用顺序迁移、逆序迁移、无序迁移等三种模型迁移方法，构建用于新建风电场的预测模型并分别给出预测结果；最后使用B‑LSTM网络将三个预测结果集成，输出最终预测结果。本发明通过数据挖掘并结合深度学习算法，利用多层级模型迁移获得适用于新建风电场预测模型，提高新建风电场预测精度，具有推广价值。
-
公开(公告)号：CN113570132A
公开(公告)日：2021-10-29
申请号：CN202110838338.4
申请日：2021-07-23
Applicant: 华中科技大学 , 中国电力科学研究院有限公司 , 国网山东省电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开一种时空气象特征提取与深度学习的风电功率预测方法，首先基于广域时空气象数据和功率数据，研究新能源场站出力和天气过程的互相关特性，建立不同指标为依据的多层级子区域划分，然后基于多维度气象数据，构建高维度候选特征库，构建基于数据挖掘的复合气象特征，最后基于海量样本和优选的核心特征，构建基于高维深度特征映射和高维深度数据挖掘、面向多层级的深度学习模型库，选取最优模型进行集群功率预测。通过该方法预测，实现了对风电功率在时空复合数据下的预测，在时域数据和空间数据之间建立了有效的匹配关系，具有推广价值。
-
公开(公告)号：CN113792919B
公开(公告)日：2024-02-27
申请号：CN202111026927.9
申请日：2021-09-02
Applicant: 华中科技大学 , 中国电力科学研究院有限公司 , 国网山东省电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开一种基于迁移学习深度学习相结合的风电功率预测方法，通过SCADA系统及数值天气预报，提取新建风电场及周边风电场的历史样本，使用新建风电场的少量历史样本训练BP‑NN，再对周边风电场的大量历史样本预测，根据预测结果计算周边风电场每个历史样本的相关系数；根据相关系数将周边风电场的大量历史样本为强相关样本、中相关样本及弱相关样本；分别使用顺序迁移、逆序迁移、无序迁移等三种模型迁移方法，构建用于新建风电场的预测模型并分别给出预测结果；最后使用B‑LSTM网络将三个预测结果集成，输出最终预测结果。本发明通过数据挖掘并结合深度学习算法，利用多层级模型迁移获得适用于新建风电场预测模型，提高新
-
公开(公告)号：CN112633632A
公开(公告)日：2021-04-09
申请号：CN202011352009.0
申请日：2020-11-26
Applicant: 华中科技大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国电力科学研究院有限公司
Abstract: 本发明公开一种基于信号分解技术的集成短期风电集群功率预测方法，将采集的NWP数据及对应功率数据划分两个独立数据集，用于预测模型训练和测试；通过VMD和WT方法对训练数据进行数据预处理，预处理后数据再分别以SDAE、LSTM、BiLSTM、CNN为核心的模型进行预测得到子预测结果；子预测结果分别通过PLSR、BPNN、SVM网络型构建子预测模型，依据子预测模型子的准确性程度不同，为每项子预测结果分配权重，构成WPP预测模型；为WPP集成预测模型性能评判标准，选取最合适的集成预测模型，将S1的测试数据集输入选取的集成预测模型后进入预测，输出结果。通过本发明方法预测精度高，数据适用范围广，具有推广价值。
-
公开(公告)号：CN111222738A
公开(公告)日：2020-06-02
申请号：CN201910991503.2
申请日：2019-10-18
Applicant: 华中科技大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国电力科学研究院有限公司
Abstract: 本发明公开一种风电集群功率预测及参数优化的方法，将历史NWP数据和历史功率数据划分两个独立数据集，分为三个阶段来对参数进行优化；对原始风速矢量进行主成分分析，并将主成分分析的结果作为风电集群功率预测模型的输入，将两个独立的数据集分别划为待预测数据集和历史数据集；计算预测点的输入数据矩阵与历史数据集之间的欧式特征距离，并将其与阈值δ进行比较，获得具有最高匹配度的数据集与预测数据集，判断优化是否结束，否则以变尺度网络搜索法设置参数值以继续优化得到具有最小总体预测误差的四个参数；将获得的四个参数初始优化值，控制三个参数值不变，改变剩余一个参数值，直到获得最优四个参数组合。该方法预测精度高，具有推广价值。
-
Patent Agency Ranking
公开(公告)号：CN111222738B
公开(公告)日：2022-04-15
申请号：CN201910991503.2
申请日：2019-10-18
Applicant: 华中科技大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国电力科学研究院有限公司
Abstract: 本发明公开一种风电集群功率预测及参数优化的方法，将历史NWP数据和历史功率数据划分两个独立数据集，分为三个阶段来对参数进行优化；对原始风速矢量进行主成分分析，并将主成分分析的结果作为风电集群功率预测模型的输入，将两个独立的数据集分别划为待预测数据集和历史数据集；计算预测点的输入数据矩阵与历史数据集之间的欧式特征距离，并将其与阈值δ进行比较，获得具有最高匹配度的数据集与预测数据集，判断优化是否结束，否则以变尺度网络搜索法设置参数值以继续优化得到具有最小总体预测误差的四个参数；将获得的四个参数初始优化值，控制三个参数值不变，改变剩余一个参数值，直到获得最优四个参数组合。该方法预测精度高，具有推广价值。
-
公开(公告)号：CN115693781A
公开(公告)日：2023-02-03
申请号：CN202211442870.5
申请日：2022-11-17
Applicant: 国网吉林省电力有限公司 , 华中科技大学 , 中国电力科学研究院有限公司
IPC: H02J3/38 , H02J3/00 , G06N3/0442 , G06N3/045 , G06N3/0895
Abstract: 本发明公开一种低温寒潮极端天气条件下风电出力受限预估方法，对现有的风电场数据进行划分，用于预测模型的训练及测试，结合低温寒潮天气定义指标，对训练数据进行筛选得到低温寒潮极端天气条件下风电出力受限时段、出力正常时段数据，并通过timeGAN和CycleGAN进行样本数据组合扩充；分别构建这两类数据的特征图谱，结合SVM算法训练得到风电出力受限判别模型；通过LSTM网络模型分别构建低温寒潮极端天气条件下风电出力受限时段、出力正常时段预测模型；组合构建低温寒潮极端天气条件下风电出力综合预测模型，将测试数据输入综合预测模型后进入预测，输出结果。通过本方法实现低温寒潮极端天气条件下风电出力受限预警，提升风电出力预测功率精度，具有推广价值。
-
公开(公告)号：CN112926398A
公开(公告)日：2021-06-08
申请号：CN202110117431.6
申请日：2021-01-28
Applicant: 中国南方电网有限责任公司 , 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明提供一种基于VMD‑EMD‑WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，包括以下步骤：对原始特征数据库中多维NWP数据和风电场历史功率数据进行预处理后划分为训练集和测试集，利用VMD、EMD和WT对训练集风速和风向特征量进行分解后作为新训练集，将新训练集和测试集的风速和风向特征量输入SDAE进行深度学习，建立VMD‑SDAE、EMD‑SDAE和WT‑SDAE预测子模型；将三个预测子模型输出结果随机划分成几个集合，使用SVM算法对每个集合进行集成，产生单次集成结果；将所有单次集成结果再随机划分成几个集合，再利用SVM算法对每个集合进行集成，建立多重集成学习模型，输出预测结果。本发明具有更高准确性和更好鲁棒性，有效提升短期风电功率预测精度。
-
公开(公告)号：CN112633551A
公开(公告)日：2021-04-09
申请号：CN202011346919.8
申请日：2020-11-26
Applicant: 华中科技大学 , 内蒙古电力(集团)有限责任公司 , 中国电力科学研究院有限公司
Abstract: 本发明提供一种基于SDAE‑SVR‑BA的风电功率深度学习预测模型优化方法，包括以下步骤：(1)首先对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理；(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化；(3)采用SDAE对输入数据做特征映射；(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C，g为SVR模型中核函数半径，C为SVR模型中惩罚因子；(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测，最后输出优化后的预测结果。本发明通过采用BA优化的SDAE‑SVR预测模型，具有出色的特征提取与抽象能力，有效提升了短期风电功率预测的精度，提高了功率预测的鲁棒性和稳定性，适合推广使用。
-
公开(公告)号：CN111044792A
公开(公告)日：2020-04-21
申请号：CN202010037015.0
申请日：2020-01-14
Applicant: 国网天津市电力公司电力科学研究院 , 国网天津市电力公司 , 国家电网有限公司 , 华中科技大学 , 武汉伏佳安达电气技术有限公司
IPC: G01R27/26
Abstract: 本发明涉及一种高压电缆介质损耗带电检测系统及方法，该系统包括泄露电流获取单元、线芯电压获取单元、便携式电流测量单元、便携式电压测量单元、GPS卫星系统和无线网络系统；该方法包括采用泄露电流分离方法计算出该相电缆的泄漏电流；采用线芯电压获取方法采集电缆三相电压，利用电缆电压传输特性，对采集到的电压信号进行校正，得到电缆线芯的电压值；无线网络系统将数据采集单元采集到的电流信号送入便携式电压测量单元，实时计算出介质损耗的值。本发明利用同步电流测量装置将泄露电流从测量电流中分离出来，在盘柜上获取参考电压并校正盘柜与电缆之间的距离，保证了介质损耗检测系统的检测准确性，提高了介质损耗检测精度。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.192 seconds)
