-
公开(公告)号：CN117807884A
公开(公告)日：2024-04-02
申请号：CN202311872826.2
申请日：2023-12-30
申请人： 武汉大学 , 云南电网有限责任公司电力科学研究院 , 南方电网科学研究院有限责任公司 , 云南电网有限责任公司大理供电局
IPC分类号： G06F30/27 , G06F18/214 , G06F119/10
摘要： 本发明公开了一种可再生能源运行场景生成及其模型训练方法。本发明提出了一种基于去噪扩散概率模型的可再生能源场景生成方法，首先通过的前向过程将可再生能源运行场景历史数据扩散成高斯噪声；再通过逆向过程对所述高斯噪声进行逐步去噪，最终还原为所述场景历史数据，构建可再生能源运行场景生成模型训练拟合从所述高斯噪声到场景历史数据的映射关系。由此在保证生成的场景样本多样性的同时，也很好地反应实际发电单元的出力特征。
-
公开(公告)号：CN116090327A
公开(公告)日：2023-05-09
申请号：CN202211167271.7
申请日：2022-09-23
申请人： 武汉大学
摘要： 本申请涉及一种时间序列预测模型构建方法、装置、设备及可读存储介质，涉及人工智能与电力系统交叉技术领域，本申请基于自注意力机制的Transformer架构对长时间序列的典型特征提取与记忆能力，使时间序列预测模型更加容易地应对电力负荷的未知波动，且通过迁移学习可对数据集更小的下游任务进行训练，以减轻模型训练的工作量并增强模型的泛化性能。因此，对于突发情况下的电力负荷波动，本申请通过迁移长期负荷时间序列以及自注意力机制的记忆性，可使得时间序列预测模型能够对长期序列中的特征进行充分的提取并用于下游的预测，进而提升模型的预测精度和适应性。
-
公开(公告)号：CN113991645A
公开(公告)日：2022-01-28
申请号：CN202111208028.0
申请日：2021-10-18
申请人： 武汉大学 , 国网浙江省电力有限公司
摘要： 本发明提出了一种基于电力系统紧急控制的关键因素辨识方法。构建电力系统紧急控制深度强化学习模型，引入配电网节点模型多个历史时刻的特征数据构建配电网特征数据集；进一步将配电网特征数据集中每组配电网特征矩阵集合依次输入至采用随机梯度下降算法和Q学习算法的深度强化学习模型进行训练，预测并得到负荷削减动作；将配电网特征数据集中每组配电网特征矩阵集合依次输入至电力系统紧急控制深度强化学习模型预测得到对应的负荷削减动作，通过Deep‑SHAP方法获取多个影响电力系统紧急控制深度强化学习模型的主要特征；本发明解决机器学习模型中透明度过低的问题，为调度人员提供更加充分的决策帮助，提高模型的可解释性和准确度。
-
公开(公告)号：CN114004282A
公开(公告)日：2022-02-01
申请号：CN202111188349.9
申请日：2021-10-12
申请人： 武汉大学 , 国网浙江省电力有限公司
摘要： 本发明提出了一种电力系统深度强化学习紧急控制策略提取方法。通过引入电力系统节点模型多个历史时刻的特征数据构建观测数据；进一步构建深度Q学习网络模型，并采用随机梯度下降优化算法进行优化训练得到电力系统紧急控制深度强化学习模型；基于已训练完成的深度Q学习网络模型，在特定的故障场景下，生成数据集；并在此数据及上训练基于信息增益比的加权倾斜决策树模型，以完成策略提取；设定策略保真度指标、策略实际控制性能指标、模型复杂度指标，以评估不同超参数下的模型性能，从而根据实际需求选出最优模型，以用于电力系统紧急控制领域中。
-
公开(公告)号：CN118693809A
公开(公告)日：2024-09-24
申请号：CN202410815284.3
申请日：2024-06-24
申请人： 武汉大学
IPC分类号： H02J3/00 , G06N3/0455 , G06F18/213 , G06F18/10 , G06N3/045 , G06F16/29
摘要： 本申请公开了基于CVAE和GPT的日前负荷预测方法、装置。该方法包括：从原始电力负荷数据中提取特征数据，特征数据含有时间特征和时间特征对应的气象特征；基于CVAE，由特征数据生成包含特殊日期的小样本负荷数据；根据小样本数据和实际负荷数据采用冻结预训练Transformer策略训练GPT模型；基于训练好的GPT模型进行日前负荷预测。该方法通过冻结GPT关键层并针对负荷预测任务定向微调，同时引入了CVAE，作为辅助手段生成符合真实分布的样本，增强模型训练过程中的数据丰富性和模型的泛化能力。CVAE不仅能模拟时间序列数据的联合分布，还能生成新的时间序列值，从而显著提高负荷预测的准确性和鲁棒性。
-
公开(公告)号：CN117013547A
公开(公告)日：2023-11-07
申请号：CN202310176489.7
申请日：2023-02-24
申请人： 武汉大学 , 国网浙江省电力有限公司
摘要： 本发明提出了一种基于电力系统有功校正智能模型的多层调度方法。构建电力调度系统有功功率校正控制图深度强化学习模型，引入IEEE‑118节点系统中改进的36节点系统中的环境观测量；进一步将观测量输入至图深度强化学习模型中进行训练，预测校正控制下的动作；通过SE‑DSHAP算法削减36节点系统中的环境观测量的样本空间，均衡观测样本，同时获得图深度强化学习模型预测结果贡献度较高的节点集合；通过子图解释器，针对节点集合，以输入图的一个子图以及对预测结果最有影响的节点特征子集的形式返回一个解释。本发明提供一种多维度并且更全面的思路，提高人工智能在电力系统中的可信度，从而提高电力系统调度运行的效率和准确性。
-
公开(公告)号：CN115169927A
公开(公告)日：2022-10-11
申请号：CN202210852851.3
申请日：2022-07-19
申请人： 武汉大学
摘要： 本发明公开了一种新能源开发预测方法、装置、设备及存储介质，所述方法通过获取新能源最大消纳量和新能源系统运行成本，根据新能源最大消纳量和新能源系统运行成本对新能源的消纳能力进行评估，建立新能源评估指标体系；对新能源源域和任务域的数据进行预处理，根据预处理后的目标数据建立新能源预测体系；建立新能源定价模型，根据新能源评估指标体系、新能源预测体系和新能源定价模型进行新能源系统开发和预测，能够保证新能源在开发应用中的可行性以及利润性，促进了新能源消费，提升了新能源利用比率，避免了新能源的过量消耗，节省了发电成本，提高了新能源开发预测的准确性，提升了新能源开发预测的速度和效率。
-
公开(公告)号：CN118939996A
公开(公告)日：2024-11-12
申请号：CN202410944107.5
申请日：2024-07-15
申请人： 武汉大学
IPC分类号： G06F18/213 , G06F18/214 , G06F18/10 , G06F18/24 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06N5/04
摘要： 本发明提供一种可再生能源出力场景生成方法及装置，该方法包括：步骤1、获取可再生能源发电场的历史出力数据，构建可再生能源发电场的出力场景数据集；步骤2、基于出力场景数据集训练时间序列表征模型，将出力场景数据集映射到隐空间，得到隐空间出力场景集；步骤3、通过扩散过程向隐空间出力场景集加入高斯噪声；步骤4、建立去噪过程训练去噪扩散概率模型；步骤5、基于训练后的去噪扩散概率模型和时间序列表征模型，根据任意高斯噪声得到真实的出力场景数据集，生成可再生能源出力场景。本发明能够在隐空间学习出力数据的真实分布规律，从而直接将高斯噪声变换成真实的出力场景，为解决电力系统随机规划中不确定性问题提供有效的思路。
-
公开(公告)号：CN115688572A
公开(公告)日：2023-02-03
申请号：CN202211338564.7
申请日：2022-10-28
申请人： 武汉大学 , 国网浙江省电力有限公司
IPC分类号： G06F30/27 , G06F18/2431 , G06N3/0464 , G06N3/044 , G06N3/048 , G06N3/08 , H02J3/46 , G06F111/04
摘要： 本发明涉及电力行业安全域边界拟合技术，具体涉及一种电力系统高维静态安全域边界拟合方法，考虑系统发电机出力约束，进行节点负荷值采样，通过潮流计算，筛选出处于安全域内的样本，形成初始样本集。提出边界样本搜索算法，为初始样本集中每一个样本寻找一个处于安全域内的样本，一个安全域外样本，并满足二者距离小于设定的距离阈值。将所处原始功率注入空间的边界样本集中数据通过深度神经网络模型转换到新的三维特征空间中。通过基于信息增益比的加权倾斜决策树算法在特征空间中进行边界的提取，并评估边界性能，选出最优边界。该方法可实现电力系统安全域高维边界的拟合，并缩小与实际边界的误差。
-
公开(公告)号：CN115310775A
公开(公告)日：2022-11-08
申请号：CN202210828178.X
申请日：2022-07-13
申请人： 武汉大学
摘要： 本发明公开了一种多智能体强化学习滚动调度方法、装置、设备及存储介质，所述方法通过构建高比例新能源电力系统对应日内有功的滚动调度模型；对滚动调度模型进行多智能体的去中心化部分可观马尔科尔夫决策过程建模，获得多智能体调度架构；获取多智能体调度架构的改进区域特征聚合图的注意力网络，并获取支持时空多维特征聚合的多智能体强化学习算法，根据注意力网络和多智能体强化学习算法构建基于多智能体强化学习的分布式日内滚动调度算法的训练架构，建模求解速度快，训练过程简单，符合电网调度实际应用场景，提高了多智能体强化学习滚动调度的准确性，提升了多智能体强化学习滚动调度的速度和效率。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.109 秒)
