-
公开(公告)号：CN117973441A
公开(公告)日：2024-05-03
申请号：CN202410106290.1
申请日：2024-01-24
Applicant: 电子科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种基于贝叶斯平均迁移学习的风电场输出功率预测方法，首先利用时间卷积网络建立已建风电场的WPF、WPE模型，在此基础上，利用贝叶斯平均迁移学习方法对已建风电场的WPF、WPE模型进行迁移学习，将现有的多个已建风电场进行聚合并生成新建风电场的风电功率预测模型，这样可以在花费较低训练成本的前提下利用极其有限的新建风电场数据构建一个高性能的风电功率预测模型，能够高精度地捕获新建风电场的风电输出功率，并有效地量化新建风电场的不确定性。
-
公开(公告)号：CN115333152A
公开(公告)日：2022-11-11
申请号：CN202211005037.4
申请日：2022-08-22
Applicant: 电子科技大学
IPC: H02J3/38 , H02J3/12 , G06F30/27 , G06F113/04
Abstract: 本发明公开了一种配电网电压分布式实时控制方法，首先将每一个光伏逆变器建模为一个智能体，配电网作为和智能体进行交互的环境，然后建立多智能体深度强化学习型交互机制，通过预测代理模型提供的电压值计算即时奖励，从历史数据中学习电压调节策略，训练过程采用中心式方法，训练完成后将每个智能体分布式部署从而根据最新观测的信息进行实时电压控制策略。该方法可以在不了解系统参数和拓扑的情况下实时提供电压控制。
-
公开(公告)号：CN116565856A
公开(公告)日：2023-08-08
申请号：CN202310627163.1
申请日：2023-05-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种考虑未知拓扑变化的配电网状态估计方法，首先利用自编码器结构的神经网络对配电网中的观测数据进行特征编码，将观测数据的编码特征与配电网中的状态量建立为一个多任务高斯过程模型；然后通过大量的已知拓扑结构下的配电网观测数据和少量的存在未知拓扑结构变化下的配电网观测数据的编码特征对多任务概率高斯过程进行训练，并通过比较在未知拓扑结构下的配电网中各节点的状态量与通过高斯过程预测的状态量之间的关系来修正高斯过程参数；最后利用训练后的多任务高斯过程模型对配电网状态实时估计。
-
Patent Agency Ranking
公开(公告)号：CN116720155A
公开(公告)日：2023-09-08
申请号：CN202310749302.8
申请日：2023-06-21
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F40/289 , G06V10/40 , G06V10/82 , G06V10/764 , G06V20/40 , G06N3/049 , G06N3/0464
Abstract: 本发明公开了一种基于多模态数据的重大突发事件舆情趋势预测方法，涉及网络技术领域，其包括以下步骤：采集重大突发事件的舆情数据并对其进行预处理，得到预处理后的舆情数据；根据预处理后的舆情数据的类型进行特征提取，获取各类型舆情数据的情感向量；将各类型舆情数据的情感向量与数值型的传播特征进行加权融合，得到舆情综合流行度；使用TCN时间序列预测模型对舆情综合流行度进行预测，完成基于多模态数据的重大突发事件舆情趋势预测。本方法解决了现有技术在舆情趋势预测时难以兼顾多模态数据使用和长序列信息处理，导致预测准确率低的问题。
-
公开(公告)号：CN117150689A
公开(公告)日：2023-12-01
申请号：CN202311084338.5
申请日：2023-08-25
Applicant: 电子科技大学
IPC: G06F30/18 , G06F30/27 , G06F18/27 , G06N7/01 , G06F17/18 , G06F17/16 , G06F17/11 , G06F18/214 , G06N3/084 , G06F113/04
Abstract: 本发明公开了一种基于高斯过程回归和贝叶斯加权配电系统状态估计方法，先采集配电网络在不同拓扑下的训练数据，用来训练各种拓扑状态下的状态估计器，以学习测量和状态变量之间的非线性映射关系，当发生拓扑变化或检测到拓扑错误时，应用贝叶斯概率加权平均(BPWA)方法确定各个状态估计器的权重，并在有限的样本集下实现状态变量的保密估计。
-
公开(公告)号：CN116722555A
公开(公告)日：2023-09-08
申请号：CN202310693833.X
申请日：2023-06-12
Applicant: 电子科技大学
IPC: H02J3/12 , G06Q50/06 , G06N3/092 , G06N3/0455
Abstract: 本发明公开了一种基于表征网络和深度强化学习的配电网电压控制方法，首先设定两个目标函数，然后进行离线训练：通过对代理模型的训练，得到全局图注意力网络模块的参数θgat，在此基础上，进一步对表征网络进行训练，得到编码器中的变量θe，进而再对基于SAC的电压控制模型进行训练，得到动作网络θa，最后依据离线训练得到参数对配电网的实时状态st使用表征网络进行特征提取，得到的特征在动作网络中生成动作at并执行，得到实时电压控制后的新状态st+1，并根据新状态st+1计算得到配电网所有节点新的电压值。这样使得配电网电压控制对数据采集误差具有鲁棒性，弱化对精确配电系统模型的需求，降低对配电网中难以获取的精确线路参数的依赖，同时也只需要对配电网进行部分观测。
-
-
公开(公告)号：CN115133540A
公开(公告)日：2022-09-30
申请号：CN202210889497.1
申请日：2022-07-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种配电网无模型的实时电压控制方法，首先以有监督的方式训练代理模型，以构建节点的有功、无功注入与电压之间的非线性映射关联。然后建立深度强化学习智能体—代理模型交互机制，通过代理模型提供的电压值计算即时奖励，从历史数据中学习电压调节策略，从而根据最新观测的信息进行实时电压控制策略。该方法可以在不了解系统参数和拓扑的情况下实时提供电压控制。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.033 seconds)
