-
公开(公告)号：CN107565692B
公开(公告)日：2019-08-16
申请号：CN201710837629.5
申请日：2017-09-18
申请人： 合肥学院 , 国网安徽省电力公司 , 安徽博诺思信息科技有限公司
CPC分类号： Y02D70/00 , Y02E60/7838 , Y04S40/124 , Y04S40/24
摘要： 本发明涉及基于调度数据网的可再生能源监测信息采集方法，包括以下步骤：（1）获取采集终端数据；（2）数据推送和存储；（3）数据加密和上送；（4）监测信息统一接收；（5）监测信息组装和传入调度网。与现有技术相比解决了风电、光伏等分布式可再生能源的监测信息因地理环境、不具备电力光纤通信条件等问题造成的无法实时收集的缺陷，可有效提高对可再生能源电厂监控和管理水平，从而更好响应国家政策，对可再生能源电厂在电力系统中优先调度提供数据基础。
-
公开(公告)号：CN107623335A
公开(公告)日：2018-01-23
申请号：CN201710837628.0
申请日：2017-09-18
申请人： 合肥学院 , 国网安徽省电力公司 , 安徽博诺思信息科技有限公司
摘要： 本发明涉及基于优先调度的可再生能源消纳能力分析计算方法，包括以下步骤：（1）构建电网分析模型；（2）拟合发电计划和负荷预测数据；（3）拟合停电计划数据；（4）仿真计算；（5）核查可再生能源消纳情况；（6）调整可再生能源发电计划；（7）实现可再生能源消纳能力最优。本发明实现了可再生能源消纳能力分析计算进入精细化阶段，以可再生能源全消纳方式在调度和编制发电计划，提出一套切实可行的智能化的可再生能源消纳能力分析计算方法，可适应未来可再生能源互联发展的需要。
-
公开(公告)号：CN107623335B
公开(公告)日：2019-09-20
申请号：CN201710837628.0
申请日：2017-09-18
申请人： 合肥学院 , 国网安徽省电力公司 , 安徽博诺思信息科技有限公司
摘要： 本发明涉及基于优先调度的可再生能源消纳能力分析计算方法，包括以下步骤：（1）构建电网分析模型；（2）拟合发电计划和负荷预测数据；（3）拟合停电计划数据；（4）仿真计算；（5）核查可再生能源消纳情况；（6）调整可再生能源发电计划；（7）实现可再生能源消纳能力最优。本发明实现了可再生能源消纳能力分析计算进入精细化阶段，以可再生能源全消纳方式在调度和编制发电计划，提出一套切实可行的智能化的可再生能源消纳能力分析计算方法，可适应未来可再生能源互联发展的需要。
-
公开(公告)号：CN107565692A
公开(公告)日：2018-01-09
申请号：CN201710837629.5
申请日：2017-09-18
申请人： 合肥学院 , 国网安徽省电力公司 , 安徽博诺思信息科技有限公司
CPC分类号： Y02D70/00 , Y02E60/7838 , Y04S40/124 , Y04S40/24
摘要： 本发明涉及基于调度数据网的可再生能源监测信息采集方法，包括以下步骤：（1）获取采集终端数据；（2）数据推送和存储；（3）数据加密和上送；（4）监测信息统一接收；（5）监测信息组装和传入调度网。与现有技术相比解决了风电、光伏等分布式可再生能源的监测信息因地理环境、不具备电力光纤通信条件等问题造成的无法实时收集的缺陷，可有效提高对可再生能源电厂监控和管理水平，从而更好响应国家政策，对可再生能源电厂在电力系统中优先调度提供数据基础。
-
公开(公告)号：CN114444796A
公开(公告)日：2022-05-06
申请号：CN202210082091.2
申请日：2022-01-24
申请人： 合肥学院
摘要： 本发明属于空气污染预测领域，涉及一种基于图神经网络的跨区域空气污染预测方法及系统。该方法包括：获取不同站点的传感器采集数据，构建空气质量特征数据集；基于构建的空气质量特征数据集，利用时空图神经网络搭建跨区域空气污染空间关系网络图；基于空气污染空间关系网络图以及空气质量特征数据集，利用GRU与Transformer层提取多维特征，将提取得到的多维特征输入到全连接神经网络，得到空气污染浓度的多步预测。本发明运用基于图神经网络对跨区域的历史污染物浓度进行处理，进行污染物的预测及分析，本发明为空气污染物预测提供了一种新的解决方案，进而在空气污染预测领域进行广泛应用，便于大气污染防治科学体系的构建，推进碳中和的发展。
-
公开(公告)号：CN115587998A
公开(公告)日：2023-01-10
申请号：CN202211329135.3
申请日：2022-10-27
申请人： 合肥学院
摘要： 本发明提供了一种金属板材表面缺陷检测方法，属于金属板材表面缺陷检测技术领域，包括实时采集金属板材产品线板材二维图像数据；构建双路注意力可变形卷积检测网络模型并训练，双路注意力可变形卷积检测网络模型包括：卷积模块；通道注意力模块；空间注意力模块；可变形卷积模块；可变形RoI池化模块；Detect模块；将金属板材产品线板材图片数据输入训练好的双路注意力可变形卷积检测网络模型中，得到金属板材缺陷的类型和位置信息；实时将缺陷类别与个数信息记录到系统，实现金属板材表面缺陷的实时检测。该方法可以实现金属板材表面缺陷的实时检测。
-
公开(公告)号：CN112283680A
公开(公告)日：2021-01-29
申请号：CN202011261551.5
申请日：2020-11-12
申请人： 合肥学院
摘要： 本发明公开了LED灯技术领域的一种基于深度学习的智能LED灯控制装置，包括LED灯座和智能控制器，LED灯座的底部安装有两组LED灯珠，LED灯座的顶部中间设置有与智能控制器相配合的控制器卡槽，本发明通过在中央处理器的内部写入有深度学习算法程序，通过深度学习算法程序记录用户使用LED灯的使用时段，使中央处理器能根据够用户使用LED灯时段的进行控制开闭，使LED灯的使用较为贴合用户的使用习惯，通过四组不同的监控传感器，使LED灯能够根据光线的变化控制其光照强度，根据温度调整光线的色调，根据夜间使用人员的起来和睡眠控制开闭以及使用人员通过无线遥控器控制开闭，使LED灯的使用更加的智能和方便。
-
公开(公告)号：CN111241208A
公开(公告)日：2020-06-05
申请号：CN201911416370.2
申请日：2019-12-31
申请人： 安徽中科大国祯信息科技有限责任公司 , 合肥学院
IPC分类号： G06F16/28
摘要： 本发明公开了一种周期性时序数据的异常监测方法及装置，属于计算机技术领域，包括：获取属于正常状态的时序数据建立训练数据集，按照训练数据的数值变化特征，得到各多维时间段区间；利用训练数据集在各维度时间段的数值变化范围，获得各时间段的上界阈值和下界阈值；利用各多维时间段的上界阈值和下界阈值，对当前待监测数据进行异常监测。本发明利用多维度时间段的自适应阈值对数据进行监测，改变了传统的固定阈值的方式，更加适用于呈周期性变化的时序数据的异常监测。
-
公开(公告)号：CN111582541A
公开(公告)日：2020-08-25
申请号：CN202010233332.X
申请日：2020-03-27
申请人： 合肥学院
摘要： 本发明属于内涝模型技术领域，具体涉及一种基于萤火虫算法的内涝模型预测方法，所述的方法包括：步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函，训练神经网络的权值和阈值，得到最优参数；步骤2、使用步骤1中得到的最优参数构建内涝预测模型；本发明提供的基于萤火虫算法内涝预测模型，通过采用萤火虫群算法训练神经网络的权值和阈值，采用训练好的神经网络模型进行内涝预测；该方法克服了传统的降雨积水模型需要大量的基础数据资料，要求精通水文物理过程等不足之处，同时解决了神经网络易陷入局部极小的缺点，对实现城市内涝的准确预报，以及加快智慧城市的进程具有重要意义。
-
公开(公告)号：CN115062750A
公开(公告)日：2022-09-16
申请号：CN202210679711.0
申请日：2022-06-16
申请人： 合肥学院
摘要： 本发明提供了一种动态进化鲸鱼优化算法的化合物水溶性预测方法，具体包括以下步骤：步骤S1：选取化合物水溶性数据集作为实验数据并将数据集划分为训练集和测试集；步骤S2：使用多种群和种群动态进化的策略改进鲸鱼优化算法提高鲸鱼优化算法的寻优能力；步骤S3：将改进后的鲸鱼优化算法用于LSTM神经网络的参数寻优，训练具有较优参数结构的LSTM神经网络；步骤S4：使用改后的LSTM神经网络预测预测化合物水溶性；利用本发明训练的LSTM深度学习模型，能够准确预测化合物水溶性；对传统的鲸鱼优化算法进行优化，提高了寻优精度和算法收敛效率；将深度学习与群体智能优化算法应用于化合物水溶性预测，为化合物相关性质预测的研究工作提供了有价值的参考。
-
-
-
-
-
-
-
-
-
搜索结果
22 条记录 (耗时 0.053 秒)
