-
公开(公告)号：CN117154721A
公开(公告)日：2023-12-01
申请号：CN202311193605.2
申请日：2023-09-15
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , H02J3/38 , G06F18/23213 , G06Q50/06
Abstract: 本发明公开了一种基于代理缩放机制的区域新能源功率预测方法，包括如下步骤：首先使用经验正交函数法解析区域内新能源出力特征；然后采用kmeans无监督聚类法划分子区域，并利用新能源场站的相关系数和预测精度选取代理新能源场站；根据代理新能源场站的预测功率及权重系数完成区域新能源功率的升尺度预测；最终完成区域新能源功率预测。本发明保证了区域新能源功率预测精度，同时减少区域预测模型对单一场站数据完备性和预测精度的依赖。
-
公开(公告)号：CN114169434A
公开(公告)日：2022-03-11
申请号：CN202111486036.1
申请日：2021-12-07
Applicant: 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 国网上海市电力公司
Abstract: 本发明公开了一种负荷预测方法，包括：获取发电系统出力样本数据集；将出力样本数据集分解为新能源出力负荷数据集与非新能源出力负荷数据集；对新能源出力负荷数据集进行异常处理；根据异常处理后的新能源出力负荷数据集得到新能源组合特征数据集；根据新能源组合特征数据集得到出力负荷训练数据集；根据出力负荷训练数据集得到融合模型备选集；根据出力负荷训练数据集对融合模型备选集中的融合模型进行优化；采用优化后的融合模型对新能源出力负荷进行预测；依据非新能源出力数据集以及预训练好的非新能源出力预测模型对非新能源出力负荷进行预测，将该预测结果与新能源出力结果相加得到最终预测的出力负荷；本发明能够准确对系统负荷进行预测。
-
公开(公告)号：CN117200222A
公开(公告)日：2023-12-08
申请号：CN202311302517.1
申请日：2023-10-09
Applicant: 国电南瑞科技股份有限公司 , 南瑞集团有限公司
IPC: H02J3/00 , G06F18/214 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于double‑input CNN‑LSTM的系统负荷预测方法及系统，该方法包括：获取数值天气预报和实测历史负荷数据，对数据中存在的异常值、缺失值异常点清洗和填充；对清洗后的负荷和天气数据构造成时序特征集，进而划分特征集为训练集、验证集和测试集，输入double‑input CNN‑LSTM时序网络进行训练得到模型；利用训练好的double‑input CNN‑LSTM时序预测模型对电力系统进行系统负荷预测。本发明综合考虑历史负荷的周期性、趋势性变化和预测日的气象影响，模型将特征输入划分为历史特征和预测特征，解决历史特征和预测日特征尺度不对称的问题，提高了系统负荷预测精度和曲线形态准确性，系统负荷预测结果满足电网负荷预测计划要求，能够更好地应用于之后的负荷调度决策中。
-
公开(公告)号：CN116805173A
公开(公告)日：2023-09-26
申请号：CN202310576086.1
申请日：2023-05-22
Applicant: 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 国网江苏省电力有限公司 , 国网江苏省电力有限公司南京供电分公司
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464 , G06N3/049 , G06F18/214 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种基于多尺度时序卷积神经网络的母线负荷预测方法，获取若干母线的历史负荷数据以及对应的历史天气数据集并进行初步处理，提取相关特征分别作为训练集和验证集；根据训练集中相关特征与母线负荷预测的相关程度，确定训练数据集；将训练数据集分别输入单向LSTM模型、密集链接TCN模型、多尺度CNN模型中进行训练；通过验证集分别验证训练好的三种模型，根据三种模型预测的精确程度确定似然函数系数并构建融合预测模型；通过融合预测模型对母线负荷进行预测。采用多模型混合决策，从多尺度去学习时序数据的分布特性，提升了母线负荷预测的精确性和稳定性，降低了因分布式资源影响而导致的时序规律不确定性而产生的模型难以学习的问题。
-
公开(公告)号：CN119862407A
公开(公告)日：2025-04-22
申请号：CN202411808195.2
申请日：2024-12-10
Applicant: 国电南瑞科技股份有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/045 , G06N3/049 , G06N3/0464 , G06F18/243 , H02J3/00 , G06F123/02
Abstract: 本发明公开了一种基于时序特性的负荷预测方法、系统、设备及介质，所述负荷预测方法利用LSTM与Attention机制，构建时序残差神经网络，能够精准捕捉负荷数据在不同场景下的时序变化规律，解决了XGBoost模型对时序特征捕捉较弱的缺陷，缓解了传统LSTM时序神经网络对多场景下负荷变化拟合的滞后性本发明还引入了基于样本时序的加权损失函数，增加模型对近期样本的关注度，提高了负荷预测准确率，有效解决了新能源发电影响和气象因素耦合对负荷变化预测的挑战，同时减少了对额外特征变量的需求，降低了模型训练和预测过程中的计算消耗，更好地适应负荷的时序规律变化和相关要素的耦合性，提高了负荷预测准确率。
-
Patent Agency Ranking
公开(公告)号：CN117828413A
公开(公告)日：2024-04-05
申请号：CN202311611101.8
申请日：2023-11-28
Applicant: 国电南瑞科技股份有限公司
IPC: G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于LSTM神经网络的变压器油温预测方法和系统，包括：获取变压器环境气象、运行无功和有功功率及变压器油温的历史数据，经预处理得到历史数据集；根据得到的历史数据集构建时序特征、多项式特征和统计特征，得到变压器油温预测样本集；将样本集划分为训练集和测试集，接着进行特征划分提高模型对预测时段的信息捕捉能力；最后根据所述的特征划分和训练集构建LSTM时序预测模型。本发明进一步捕捉变压器油温变化的时序规律，提高了油温预测的准确性，避免因过热，造成变压器损坏，提高了设备可靠性。
-
公开(公告)号：CN115907822A
公开(公告)日：2023-04-04
申请号：CN202211488712.3
申请日：2022-11-25
Applicant: 国电南瑞南京控制系统有限公司 , 国网浙江省电力有限公司 , 国网浙江省电力有限公司宁波供电公司 , 国电南瑞科技股份有限公司
Inventor： 束蛟 , 张思 , 张琪培 , 虞殷树 , 谢峰 , 王伟 , 陆继翔 , 严晴 , 吴一峰 , 徐立中 , 唐律 , 朱耿 , 陈东海 , 王波 , 蒋正威 , 贺旭 , 王晴 , 朱晓杰 , 黄亮 , 周洋 , 周宏辉 , 张静 , 胡真瑜 , 叶海强
IPC: G06Q30/0201 , G06Q30/0202 , G06F16/29 , G06F18/241 , G06Q50/06 , G06F18/2135
Abstract: 本发明公开了一种考虑区域及经济影响的负荷特征指标关联性挖掘方法及系统，所述挖掘方法包括获取待挖掘的负荷数据的信息数据流；根据信息数据流的地理信息，获取对应地理信息的经济特征数据和气象特征数据；建立数据库，将所获得的数据依照地理位置的行政区域划分分层级存储入数据库；从数据库中选取用于关联规则的主数据；关联规则挖掘。采用本发明所发表的数据挖掘方法，利用规则关联挖掘技术，可以对系统电力需求进行大数据梳理，掌握电网的电能结构和电力需求，解决传统的电力负荷分析方法评价指标单一的缺憾，实现在规则关联挖掘的过程中的自动化处理，在负荷预测工作中帮助构建经济特征，提高负荷预测系统的预测准确率。
-
公开(公告)号：CN115775073A
公开(公告)日：2023-03-10
申请号：CN202211480945.9
申请日：2022-11-24
Applicant: 国电南瑞南京控制系统有限公司 , 国网浙江省电力有限公司 , 国网浙江省电力有限公司宁波供电公司 , 国电南瑞科技股份有限公司
Inventor： 谢峰 , 张思 , 张琪培 , 朱耿 , 束蛟 , 伍林 , 旷文腾 , 王伟 , 陆继翔 , 蒋正威 , 吴一峰 , 徐立中 , 唐律 , 虞殷树 , 贺旭 , 周宏辉 , 陈东海 , 王波 , 章杜锡 , 张静 , 胡真瑜 , 蔡振华 , 张志雄 , 胡海 , 叶海强
Abstract: 本发明公开了一种母线负荷预测自动跟随电网运行方式调整方法，包括负荷模型选择模块和母线负荷预测模块，负荷模型选择模块，用于在电网运行方式调整后，以动作的方式，从多种候选组合的母线负荷预测模型中选择预测效果最好的预测模型；母线负荷预测模块，用于根据气象，历史统计等特征预测未来时间段内的母线负荷。本发明能够在满足配电网动态重构实时性要求的前提下，实现随运行方式变化的负荷预测数据自动跟随计算功能，满足母线负荷预测的即时性。
-
公开(公告)号：CN112434794A
公开(公告)日：2021-03-02
申请号：CN202011371842.X
申请日：2020-11-30
Applicant: 国电南瑞科技股份有限公司
Abstract: 本发明提出了一种基于深度学习的计算机视觉数据集半自动标注方法及系统，包括以下步骤：步骤1：从样本图片集A中按一定比例进行随机采样，生成图片集B；步骤2：对经过步骤1操作的图片集B进行人工标注、图像扩充和图像预处理，生成训练集B；步骤3：采用训练集B对Faster‑rcnn算法中的深度神经网络模型进行初训练，得到模型权重；步骤4：利用模型权重，结合人机耦合的标注方法，对样本图片集A进行标注，对标注好的样本图片集A进行图像扩充和图像预处理，生成训练集A；步骤5：采用训练集A对Faster‑rcnn算法中的深度神经网络模型进行再训练；步骤6：将待识别的图像输入至经过步骤5训练好的深度神经网络模型中，得到标注结果。
-
公开(公告)号：CN119944674A
公开(公告)日：2025-05-06
申请号：CN202510424282.6
申请日：2025-04-07
Applicant: 国电南瑞科技股份有限公司
IPC: H02J3/00 , G06F18/15 , G06F18/2113 , G06F18/214 , G06F18/23213 , G06F123/02
Abstract: 本发明公开了一种基于样本聚类的电力预测方法、系统、设备及存储介质，获取电力系统历史样本的时间序列数据集，进行预处理并提取基础特征，从基础特征中选择重要特征进行特征构造得到衍生特征，随机抽取其余特征放入若干子特征集并进行初步特征选择；对初步特征、重要特征和衍生特征进行优选特征选择；通过优选特征的相关性和变化率改进聚类距离计算公式，对样本点进行聚类，剔除孤立或弱相关性的样本点后的数据集作为训练集和测试集，训练电力预测模型，通过电力预测模型进行电力预测。采用特征分组的方法节省运营成本以及通过引入相关性和变化率的样本聚类算法进行降噪处理后的电力行业时间序列预测，提升预测精度。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.031 seconds)
