-
公开(公告)号:CN118296301A
公开(公告)日:2024-07-05
申请号:CN202410531028.1
申请日:2024-04-29
申请人: 国网安徽省电力有限公司阜阳供电公司 , 安徽理工大学
IPC分类号: G06F18/10 , G06F18/213 , G06F18/2113 , G06N3/006 , G06F17/14 , G06F17/16 , G06Q50/06 , H02J3/00 , G06N3/0499 , G06N3/08
摘要: 本发明涉及工业用电负荷技术领域,具体公开了一种工业大用户用电负荷特征筛选方法,包括S‑1:采集工业用电的大用户所使用的多种设备电力负荷参数,构建原始功率数据集,并对所述数据进行预处理,并划分数据集为训练集和测试集;S‑2:根据电力负荷参数的数据质量和电力负荷特征,对原始功率数据进行时频域特征提取;通过更全面的数据采集,大量提取时频域特征使我们能够从多个维度全面了解电力负荷的特性,这种全面性有助于更准确地描述复杂的负荷波动和模式;更好的预测性,多维度的时频域特征提供更强的预测性,使我们能够更准确地预测未来的负荷需求,有助于电力供应的调度和规划;更全面的数据记录,大量特征提取确保了更全面的数据记录。
-
公开(公告)号:CN118052149A
公开(公告)日:2024-05-17
申请号:CN202410317288.9
申请日:2024-03-20
申请人: 安徽理工大学
IPC分类号: G06F30/27 , G06N20/20 , G06F18/2431 , G06F119/08
摘要: 本发明涉及空调特性分析领域,更具体的说是联合ETP模型与随机森林模型的空调特性模型构建方法,包括以下步骤:搭建实验平台获取空调运行功率、室内温湿度、室外温湿度数据,统计房间参数与空调参数及其他对空调运行会产生影响的因素;对获取的数据进行处理;用实验平台获取的数据以及房间参数和空调参数构建ETP模型,并计算其预测功率与空调实际运行功率的差值;对除房间参数和空调参数的其余影响空调运行的因素进行偏相关性分析,筛选出优选特征;将ETP模型的输入与优选特征作为输入构建数据集,构建随机森林回归模型来对ETP模型预测空调功率与实际空调功率的差值进行预测;结合随机森林模型的预测结果来对ETP模型进行补偿修正,得到修正后的空调特性模型,具有良好的预测性能。
-
公开(公告)号:CN117236746A
公开(公告)日:2023-12-15
申请号:CN202311125222.1
申请日:2023-09-01
申请人: 安徽理工大学
IPC分类号: G06Q10/0639 , G06N3/006 , G06N3/084
摘要: 本发明公开了一种空调负荷可调节潜力评估方法,方法包括:定义单个空调负荷可调节潜力指标;建立基于改进海鸥优化算法的动态BP神经网络模型;基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。该发明不仅有效的解决了传统BP神经网络的隐含层节点不易确定以及参数选取困难的问题,且具有极强的非线性映射能力,良好的评估精度和稳定性,为空调负荷可调节潜力评估的后续研究提供了一种新思路。
-
公开(公告)号:CN116599036A
公开(公告)日:2023-08-15
申请号:CN202310443039.X
申请日:2023-04-21
申请人: 安徽理工大学
IPC分类号: H02J3/00 , G06F18/15 , G06F18/2113 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
摘要: 本发明公开了一种基于TCN和Informer的两阶段非侵入式负荷分解方法,属于负荷监测技术领域,该方法包括:S1获取负荷有功功率及影响因素数据,并进行预处理;S2使用Spearman相关系数选取强关联影响因素,作为负荷分解的辅助特征信息;S3搭建并训练TCN‑Informer两阶段非侵入式负荷分解模型;S4负荷分解和模型评估。本发明利用TCN网络对除功率外其他影响因素进行高级特征提取,进而调整Informer解码器的输入,实现高精度非侵入式负荷分解。
-
公开(公告)号:CN112525346B
公开(公告)日:2022-10-11
申请号:CN202011404367.1
申请日:2020-12-03
申请人: 安徽理工大学
摘要: 本发明公开了一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质。本发明基于图像信息熵改进最佳指数法(Optimum Index Factor,OIF),既能用于超光谱波段选择,也能用于多光谱和超光谱波段选择,并且选取的是最佳组合波段,选择的波段数由用户自行设定。基于图像信息熵改进OIF用于最佳组合波段的选择,充分利用了不同波段间光谱图像的相关性信息以及光谱图像包含的信息量的信息,使得所选组合波段的相关性小,所包含信息量大且冗余信息少。
-
公开(公告)号:CN113435115A
公开(公告)日:2021-09-24
申请号:CN202110702318.4
申请日:2021-06-21
申请人: 安徽理工大学
IPC分类号: G06F30/27 , G06N3/00 , G06F111/08
摘要: 本发明公开了一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质,包括:采集多个待测样品的原始荧光光谱数据,对原始荧光光谱进行标准正态变量变换处理,得到处理后的荧光光谱,使用间隔偏最小二乘法对处理后的荧光光谱进行波段筛选,得到荧光光谱的特征波段,使用布谷鸟搜索算法对荧光光谱的特征波段进行特征波长筛选,得到荧光光谱的特征波长。该装置可以保证荧光光谱特征波长筛选的可靠性。
-
公开(公告)号:CN112508001A
公开(公告)日:2021-03-16
申请号:CN202011409744.0
申请日:2020-12-03
申请人: 安徽理工大学
摘要: 本发明涉及一种基于多光谱波段筛选和改进U‑Net的煤矸石定位方法,其包括以下步骤:步骤1、在不同的环境下采集煤矸石的多光谱数据;步骤2、根据标准差选择最佳波段,将所选波段的光谱数据转换为灰度图像;步骤3、在每一张被转换的灰度图像中标注煤矸石的位置和形态;步骤4、改进基本的U‑Net模型,然后构建基于改进的U‑Net煤矸石识别和定位模型;步骤5、将标注数据转换为改进后的U‑Net所用数据形式;步骤6、训练改进后的U‑Net模型;步骤7、保存U‑Net训练过程中的最佳模型的权重,然后把保存的最佳模型用于煤矸石识别和定位。改进U‑Ne模型轻量易训练,不仅能快速准确的对煤矸石识别和定,而且可以预测煤矸石的形态,判断煤矸石的相对大小。
-
公开(公告)号:CN114595873B
公开(公告)日:2024-07-19
申请号:CN202210169235.8
申请日:2022-02-23
申请人: 安徽理工大学 , 国网安徽省电力有限公司
IPC分类号: H02J3/00 , G06Q50/06 , G06F18/15 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/086 , G06N3/006
摘要: 本发明公开了一种基于灰色关联的DA‑LSTM的短期电力负荷预测方法,包括:获取多日日负荷影响因素数据和负荷数据,计算各个日负荷影响因素数据负荷数据之间的MIC值,获得各影响因素的权重,划分历史日数据和待预测日数据,并构建灰色关联判断矩阵,利用各影响因素的权重对灰色关联判断矩阵进行加权,计算出加权灰色关联决策阵,得到每个历史日和待预测日的灰色关联值,将灰色关联值从大到小进行排序,设置阈值,选择满足阈值历史日作为相似日集,构建DA‑LSTM模型,利用将蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化,在DA‑LSTM模型中输入相似日数据,对待预测日进行负荷预测。该方法结合历史负荷、气象、日期类型等因素进行预测,能对待预测日实现短期预测。
-
公开(公告)号:CN118228976A
公开(公告)日:2024-06-21
申请号:CN202410261745.7
申请日:2024-03-07
申请人: 安徽理工大学
IPC分类号: G06Q10/0631 , G06Q30/0201 , G06Q50/06 , G06F17/11 , G06N3/006
摘要: 本发明公开了一种考虑阶梯型碳交易的虚拟电厂调度策略,包括:构建含风机、光伏、碳捕集电厂、P2G为内部结构的虚拟电厂;基于分时电价和阶梯型碳交易机制,建立以系统运行成本、新能源丢弃率二者效益为目标的多目标能效模型;基于能效模型构建目标函数:分别构建以运行成本最小化、新能源丢弃率最小化的目标函数;建立模型约束条件,模型需满足电力供需平衡约束和各设备的运行约束;根据线性加权法,将多目标问题归一化为单一问题;采用自适应混合星鸦优化算法建立虚拟电厂日前优化调度策略。本发明可解决现有的分析方法对综合能源系统经济性和低碳性考虑不足而使得综合能源利用效率不高的问题。
-
公开(公告)号:CN117972496A
公开(公告)日:2024-05-03
申请号:CN202410276821.1
申请日:2024-03-12
申请人: 安徽理工大学
IPC分类号: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06Q50/06
摘要: 本发明提出一种基于OCAE模型的高耗能工厂负荷特征提取方法,首先采集两年的高耗能工厂的负荷数据,并对采集到的数据进行预处理和归一化处理;然后使用卷积层、池化层、激活层及BN层搭建优异卷积自编码器即所提出的OCAE模型;其次把数据预处理后的数据分为训练集和测试集,用训练集对OCAE模型进行训练,用测试集对OCAE模型进行测试;之后当测试集测试时,使用重建损失评价模型优异度。根据重建损失来选取最终的OCAE模型;最后与其他相同类型的特征提取方法对比,验证模型特征提取效果。最终得到OCAE模型进行高耗能工厂的负荷特征提取不仅可以更好地挖掘负荷数据深层信息,而且特征提取效果优于自编码器AE,稀疏自编码器SAE,一维卷积自编码器1D‑CAE。
-
-
-
-
-
-
-
-
-