一种基于灰色关联的DA-LSTM的短期电力负荷预测方法

    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

    Abstract: 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。

    一种考虑阶梯型碳交易的虚拟电厂调度策略

    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

    Abstract: 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。

    一种基于深度学习的职业性尘肺病多模态分析方法

    公开(公告)号:CN113255889B

    公开(公告)日:2024-06-14

    申请号:CN202110579022.8

    申请日:2021-05-26

    Abstract: 本发明提供了一种基于深度学习的职业性尘肺病多模态分析方法,属于尘肺病分析领域,包括:采集人员的胸部X片影像信息和个人基础信息;对个人基础信息进行词向量化处理;构建一维卷积神经网络和二维卷积神经网络,并在此基础上建立多模态卷积神经网络MM‑CNN模型;将上述两种信息作为多模态卷积神经网络MM‑CNN模型的输入,建立多分类MM‑CNN尘肺病分析模型,在满足相应约束下形成目标函数;采用混合跳蛙算法SFLA优化多分类MM‑CNN尘肺病分析模型的超参数;采用优化后的多分类MM‑CNN尘肺病分析模型对人员的胸部X片影像信息和词向量化处理后的个人信息进行分析,并输出分析结果。该方法能够实现人员肺部健康的准确、实时检测分析,完成部分职业性尘肺病的早期预警。

    一种基于OCAE模型的高耗能工厂负荷特征提取方法

    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

    Abstract: 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。

    一种AASO联合KELM的电力负荷在线辨识方法

    公开(公告)号:CN116738306A

    公开(公告)日:2023-09-12

    申请号:CN202310517970.8

    申请日:2023-05-09

    Abstract: 本发明公开了一种AASO联合KELM的电力负荷在线辨识方法,包括:采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率;分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征;将提取到的时域特征、频域特征和熵特征合并,得到电力负荷的联合特征;基于自适应原子搜索算法(AASO)对电力负荷的联合特征进行特征筛选,得到电力负荷筛选特征;将筛选得到的特征作为核极限学习机(KELM)模型的输入,构建电力负荷辨识模型。本发明借助AASO实现了电力负荷特征的有效筛选,利用AASO进行KELM模型隐含层神经元数目的自整定解决了模型超参数选择的难题。

    基于MOBWO-KM算法的高耗能工厂负荷特性分析方法

    公开(公告)号:CN116562641A

    公开(公告)日:2023-08-08

    申请号:CN202310453341.3

    申请日:2023-04-25

    Abstract: 本发明提出一种基于MOBWO‑KM算法的高耗能工厂负荷特性分析方法,首先采集高耗能工厂的负荷数据;对采集到的数据进行预处理和归一化处理;用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集N;再用k‑means算法日负荷曲线数据集N进行聚类并用DBI指标得到最优聚类数k;利用多目标白鲸优化算法MOBWO优化k‑means算法的k个初始聚类中心;利用上述的MOBWO‑KM算法聚类日负荷曲线数据集N,并对结果进行反归一化最终得到高耗能工厂的典型日负荷曲线。其可以获得优良且精确的典型日负荷曲线,以此可以更好的对高耗能工厂的负荷特性进行研究分析,进而更好的进行高耗能工厂的负荷分解、负荷预测和工厂用户行为分析。

Patent Agency Ranking