-
公开(公告)号：CN115853722A
公开(公告)日：2023-03-28
申请号：CN202211522250.2
申请日：2022-11-30
Applicant: 南昌工程学院
IPC: F03D17/00 , G06F18/2113 , G06F18/214 , G06F18/2431 , G06N20/20
Abstract: 本发明提出了一种基于特征选择和stacking模型融合的风电机组故障诊断方法，包括以下步骤：S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量；S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例；S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。本发明相较于其它传统方法，能够得到更加准确的风电机组故障诊断结果。
-
公开(公告)号：CN115600500A
公开(公告)日：2023-01-13
申请号：CN202211346533.6
申请日：2022-10-31
Applicant: 南昌工程学院(CN)
IPC: G06F30/27 , G06F17/14 , G06F17/18 , G06N7/00 , H02J3/00 , G06F111/08 , G06F113/06
Abstract: 本发明提出了一种基于时空多尺度和K‑SDW的超短期概率风电功率预测方法，包括以下步骤：S1，通过变分模态分解将归一化目标风速分解为多个子序列；S2，将子序列和相邻的空间风速序列重构为时空候选特征，并进行时空多尺度特征选择；S3，采用分位数回归模型对每个子序列进行预测。本发明能够实现对风电进行预测。
-
公开(公告)号：CN105809286A
公开(公告)日：2016-07-27
申请号：CN201610132612.5
申请日：2016-03-08
Applicant: 南昌工程学院
Abstract: 本发明公开了一种基于代表数据重构的增量SVR负荷预测方法，包括：获取电力负荷数据；利用相空间重构原理得到多输入?单输出模式数据；利用所得模式数据和粒子群算法建立支持向量回归模型；实时获取新增的电力负荷预测数据；利用增量学习算法更新最优代表数据子集；利用嵌套粒子群方法更新模型参数；利用更新后的模型参数和最优代表数据子集建立支持向量回归模型；确定增量负荷预测并输出增量负荷预测值。本发明将支持向量回归的支持向量应用于海量数据的知识理解研究，提出的方法能够实现新增数据引起的代表数据重构，有效解决了海量数据计算复杂性高、难以提取知识的问题，嵌套地实现了模型参数的更新，为电力系统规划与运行提供参考依据。
-
公开(公告)号：CN115758906A
公开(公告)日：2023-03-07
申请号：CN202211503445.2
申请日：2022-11-28
Applicant: 南昌工程学院
IPC: G06F30/27 , G06F18/214 , G06Q10/0639 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/088 , G06F111/04 , G06F111/08
Abstract: 本发明提出了一种基于最优深度学习和简约集合模型的短期风速预测方法，包括以下步骤：S1，对采集的原始序列进行分解，得到多个模态分量；S2，将所述多个模态分量分别输入深度置信网络DBN，得到多个预测结果；S3，将所有预测结果进行汇总相加，得到最终的风速预测序列。本发明采用二次分解处理风速序列，能完全处理风速序列的非平稳特性。还采用DBN处理利用分解技术得到的子序列，由于能够提取数据的深层特征，能更准确地建立输入‑输出的映射关系，因此具有比大多数预测模型更好的预测性能。
-
公开(公告)号：CN115600745A
公开(公告)日：2023-01-13
申请号：CN202211293570.5
申请日：2022-10-21
Applicant: 南昌工程学院(CN)
Abstract: 本发明提出了一种基于SSA‑DE‑ANFIS模型的短期AQI预测方法，包括：S1，将原始AQI序列分解为趋势分量和噪声分量；S2，将趋势序列和噪声序列均划分为训练集和测试集，得到趋势序列的变化范围和噪声序列的变化范围；S3，将训练集中的趋势序列和噪声序列均转化成连续的论域，然后对每个特征进行模糊化，得到中心和宽度；S4，初始化差分进化算法的参数，根据寻优范围对ANFIS模型的前件参数初始化，对ANFIS模型的后件参数初始化；S5，将趋势序列训练集和噪声序列训练集分别输入ANFIS模型，对ANFIS模型的参数进行优化，得到最终趋势序列的ANFIS模型和噪声序列的ANFIS模型；S6，采用最终趋势序列的ANFIS模型和噪声序列的ANFIS模型进行预测，将预测值相加得到预测的AQI值。本发明能有效提高AQI预测精度。
-
Patent Agency Ranking
公开(公告)号：CN115713144A
公开(公告)日：2023-02-24
申请号：CN202211346557.1
申请日：2022-10-31
Applicant: 南昌工程学院
IPC: G06Q10/04 , G06Q50/06 , G06F18/2431 , G06F30/27 , G06F18/213
Abstract: 本发明提出了一种基于组合CGRU模型的短期风速多步预测方法，包括以下步骤：S1，对原始风速信号进行分解：S2，采用相空间重构将各风速子序列与次级风速子序列进行重构，再使用多标签XGBoost特征选择方法对各重构后的数据进行特征选择；S3，对各特征选择后的子序列分别建立CGRU预测模型，所述模型利用CNN从各子信号中提取出更有效的特征，利用GRU识别提取出的特征与未来风速之间的时间依赖性；S4，将各子序列的预测结果进行累加操作，得到最终的预测结果。本发明的预测误差显著降低，有效地提高了风速预测的准确性和稳定性。
-
公开(公告)号：CN115660167A
公开(公告)日：2023-01-31
申请号：CN202211308007.0
申请日：2022-10-25
Applicant: 南昌工程学院
Abstract: 本发明提出了一种基于麻雀搜索算法和分解误差校正的短期空气质量预测方法，包括以下步骤：S1，使用CEEMDAN分解算法对数据进行分解，得到若干IMF；S2，使用深度学习模型对所述若干IMF进行预测，对多个深度学习模型的预测误差进行处理，得到每个深度学习模型的权重；所述深度学习模型的数量至少两个；S3，根据权重将每个深度学习模型的预测结果相结合，得到综合预测结果即多模型组合预测的结果。本发明通过将空气质量预测与时间序列分解相结合，且采用组合预测的方法，使用权重将各个模型的预测结果结合起来，可以得到精度更高的空气质量预测结果。
-
公开(公告)号：CN115657164A
公开(公告)日：2023-01-31
申请号：CN202211346803.3
申请日：2022-10-31
Applicant: 南昌工程学院
IPC: G01W1/10 , G06F18/2113 , G06F18/2415 , G06F18/27 , G06F18/213 , G06N3/006 , G06N3/0499 , G06N3/048 , G06N3/047 , G06N3/0442 , G06N3/082
Abstract: 本发明提出了一种基于简约样本熵集成的超短期风速预测方法，包括以下步骤：S1，对风速序列进行去噪；S2，对序列的样本熵进行分类；S3，进行预测。本发明能够很好的适应风速序列的预测，一定程度上提高了风速预测的准确性，同时极大的缩短了模型选择的时间，提高了整体的预测效率。
-
公开(公告)号：CN115641272A
公开(公告)日：2023-01-24
申请号：CN202211280337.3
申请日：2022-10-19
Applicant: 南昌工程学院
Abstract: 本发明公开一种基于自适应加权TV正则化的盲图像反卷积工作方法，包括如下步骤：S1，通过将自适应加权矩阵与梯度算子相结合，形成新型盲反卷积模型；S2，使用交替方向乘子法(ADMM)对形成的新型盲反卷积模型进行求解，根据设置的条件进行盲图像反卷积；S3，通过评估指标对复原的图像进行数值评估，并从视觉效果上评估复原图像的质量。
-
公开(公告)号：CN105809286B
公开(公告)日：2021-08-03
申请号：CN201610132612.5
申请日：2016-03-08
Applicant: 南昌工程学院
Abstract: 本发明公开了一种基于代表数据重构的增量SVR负荷预测方法，包括：获取电力负荷数据；利用相空间重构原理得到多输入‑单输出模式数据；利用所得模式数据和粒子群算法建立支持向量回归模型；实时获取新增的电力负荷预测数据；利用增量学习算法更新最优代表数据子集；利用嵌套粒子群方法更新模型参数；利用更新后的模型参数和最优代表数据子集建立支持向量回归模型；确定增量负荷预测并输出增量负荷预测值。本发明将支持向量回归的支持向量应用于海量数据的知识理解研究，提出的方法能够实现新增数据引起的代表数据重构，有效解决了海量数据计算复杂性高、难以提取知识的问题，嵌套地实现了模型参数的更新，为电力系统规划与运行提供参考依据。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
