基于相位空间重构和多空间注意力机制的锂电池RUL预测方法

    公开(公告)号:CN119959776A

    公开(公告)日:2025-05-09

    申请号:CN202510284779.2

    申请日:2025-03-11

    Abstract: 基于相位空间重构和多空间注意力机制的锂电池RUL预测方法,包括:1)获取锂电池每个充放电循环中的充电电流和电压序列;2)构建容量相位空间重构模型,并输入获取的数据,得到容量相位空间重构矩阵;3)将容量相位空间重构矩阵划分在不同的子空间;4)计算不同子空间的注意力得分,并组合为多空间注意力矩阵;5)构建离线RUL预测模型;6)采集待预测锂电池的充电电流序列和充电电压序列,将采集的数据依次输入容量相位空间重构模型、离线RUL预测模型,得到预测的RUL。本发明利用C‑C算法对锂电池退化容量进行时空嵌入,重构多维子空间中的退化模式和趋势,并结合多空间注意力机制,动态选择性地调整不同退化速率阶段的权重,以提高预测精度。

    一种能源互联网中隐私保护的多能负荷解耦预测方法

    公开(公告)号:CN117407717A

    公开(公告)日:2024-01-16

    申请号:CN202311456923.3

    申请日:2023-11-03

    Abstract: 本发明属于能源互联网技术领域,尤其涉及一种能源互联网中隐私保护的多能负荷解耦预测方法,包括以下步骤:S1、构建多能负荷预测模型PPenergyNET;所述PPenergyNET包括分别设置在冷、热、电能源公司处的本地模型,用于独立提取对应能源公司的本地负荷数据的负荷特征;PPenergyNET还包括设置在云服务器的全局模型,用于聚合三个本地模型的负荷特征进行多能负荷预测;S2、对S1构建的PPenergyNET进行学习优化;S3、使用学习优化后的PPenergyNET进行多能负荷预测。使用本发明,可以只交换本地特征、预测结果、损失和梯度信息就能完成模型的训练和预测,从而实现了数据可用不可见,保护了原始数据的隐私。本方法可以在保护各能源公司的本地数据隐私的同时,准确的进行多能源负荷预测。

    一种基于自适应联邦元学习的初期故障辨识方法

    公开(公告)号:CN117473869A

    公开(公告)日:2024-01-30

    申请号:CN202311466826.2

    申请日:2023-11-06

    Abstract: 本发明属于智能模型学习技术领域,尤其涉及一种基于自适应联邦元学习的初期故障辨识方法,包括以下步骤:S1、构建仿真配电网并仿真模拟各类故障事件,并同步记录故障波形数据和非故障波形数据;将记录的波形数据转换为图像样本,得到故障图像数据库Dtrain;S2、在云服务器设置全局模型并在各电力公司设置本地模型;S3、结合Dtrain中的样本,使用元学习策略,对云服务器的全局模型进行训练,得到全局模型的最优初始参数θ*;S4、通过设计的联邦学习框架,对全局模型参数进行多轮优化;S5、使用参数优化完成的全局模型进行IF辨识。本方法能够在实现隐私保护的同时,在样本量小的条件下完成IF特征的学习,并保证IF辨识准确度。

    分布式电源接入下变压器中性点接地方法

    公开(公告)号:CN114498631A

    公开(公告)日:2022-05-13

    申请号:CN202210095779.4

    申请日:2022-01-26

    Abstract: 本发明提供了一种分布式电源接入下变压器中性点接地方法。变压器中性点不接地,所述方法包括以下步骤:根据分布式电源的类型和发生故障的类型,选择计算模型;确定变压器安全运行的暂稳态条件;根据所述计算模型和所述暂稳态条件,确定分布式电源接入电网的容量。在分布式电源接入电网的容量大于所述确定容量的情况下,将变压器中心点从不接地转换成接地。本发明能够确定出分布式电源接入的容量限制,保障了电网的运行安全,避免了不接地变压器中性点电压过高导致的间隙击穿造成的损失;本发明能够为分布式电源接入点变压器中性点运行方式提供决策参考;本发明能够降低变压器投资、运行成本,减少因故障处置不恰当带来的直接或者间接经济损失。

    基于大模型智能体的多模态AD风险辅助预测方法及系统

    公开(公告)号:CN118824544A

    公开(公告)日:2024-10-22

    申请号:CN202411025703.X

    申请日:2024-07-26

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于大模型智能体的多模态AD风险辅助预测方法及系统,其中方法包括以下步骤:获取包括低纬的AD多模态数据;对多模态数据进行特征筛选;基于筛选获得的特征,通过跨模态注意力网络模块和图神经网络模块分别获得参数输出;将两网络所获取的参数输出进行参数融合计算,以获取深度神经网络输出结果;将深度神经网络输出结果传输至基于大语言模型的智能体系统,得出最终预测结果。本发明能够对AD多模态数据中低维空间做特征做计算和筛选,即剔除了冗余噪声特征,又增强了深度学习模型的学习能力。同时,在本发明中通过参数融合,创新性地将图神经网络与注意力神经网络形成了结合使用,解决了现有技术中这两种网络无法兼容的难题。

Patent Agency Ranking