-
公开(公告)号：CN119692731A
公开(公告)日：2025-03-25
申请号：CN202510205931.3
申请日：2025-02-25
Applicant: 长春工业大学
IPC: G06Q10/0631 , G06Q50/06 , G06N3/096 , H02J3/00
Abstract: 本发明为一种基于深度学习的输电网规划方法，属于电力系统规划技术领域。针对当前输电网规划过度依赖数学公式的问题，提出一种基于深度学习方法的输电网规划模型。首先，利用传统的数学规划模型，通过改变负荷来获得发电机组出力和线路规划方案，从而生成深度学习模型训练所需的数据集。其次，构建一个基于卷积神经网络的深度学习模型，该模型包括卷积层、池化层和全连接层，其输入由负荷数据和发电机组出力数据组成，输出是线路规划数据。本发明在当前输电网规划数学模型日益复杂的背景下为电力系统提供一种更加简单高效的规划方法，对电力系统规划技术领域具有重要价值。
-
公开(公告)号：CN118735309B
公开(公告)日：2024-11-15
申请号：CN202411230246.8
申请日：2024-09-04
Applicant: 长春工业大学
IPC: G06Q10/0637 , H02J3/00 , H02J3/46 , G06Q50/06 , G06Q30/0283 , G06F17/11 , G06N3/0442
Abstract: 本发明为一种考虑置信区间的深度学习机组组合问题求解方法，属于电力系统规划技术领域。该方法分为两个阶段。在第一阶段，通过对负荷和风电数据进行场景生成，获得包含多个负荷、风电场景和机组启停决策的数据集，并将其输入深度学习网络进行训练，得到初始启停决策结果。在第二阶段，根据机组启停决策误差划分出不同的置信区间，分别处理各区间内的机组决策。最后，将处理后的启停决策输入数学规划模型进行求解，获得满足物理约束条件的机组功率和启停决策方案。结果表明，与运筹学模型相比，所提方法显著提升机组组合问题的求解效率。该方法有利于减少电力资源浪费和维护电力系统稳定性，对于机组组合问题的发展具有重要意义。
-
公开(公告)号：CN118246351A
公开(公告)日：2024-06-25
申请号：CN202410671988.8
申请日：2024-05-28
Applicant: 长春工业大学
IPC: G06F30/27 , G06F30/17 , G06N3/0442 , G06N3/08
Abstract: 本发明为一种考虑机组置信度的深度学习机组组合问题求解方法，属于电力系统规划技术领域。针对目前使用混合整数线性规划在求解机组组合问题中出现的求解时间过长问题，提出一种考虑机组置信度的深度学习机组组合问题模型。该模型分为两个阶段，首先通过训练长短时记忆网络获得机组启停状态二进制决策变量的解；其次，在确定置信机组的基础上，设置置信度阈值，对于符合置信度阈值条件的非置信机组决策，将其设置为模型的热启动初值，并带入求解器求解。结果表明，所提方法显著提升机组组合问题的求解效率。该方法有利于减少电力资源浪费和维护电力系统稳定性，对于机组组合问题的发展具有重要意义。
-
公开(公告)号：CN118199045A
公开(公告)日：2024-06-14
申请号：CN202410355827.8
申请日：2024-03-27
Applicant: 长春工业大学
IPC: H02J3/00 , G06N3/0442 , G06N3/045 , G06N3/082
Abstract: 本发明为一种基于含树突结构神经网络的电力系统短期负荷预测方法。属于电力系统负荷预测的技术领域。提出了一种创新的电力系统短期负荷预测模型。相较于传统的神经网络模型，本方法的创新性在于引入了树突结构的计算过程，以此增强网络的处理能力。本方法能显著提升预测的准确性。精准的负荷预测不仅能优化发电机组的调度，提升发电效率，确保经济性，还能在当前大规模可再生能源并网的情况下，促进系统更有效地吸纳可再生能源。
-
公开(公告)号：CN117991641A
公开(公告)日：2024-05-07
申请号：CN202410143928.9
申请日：2024-02-01
Applicant: 长春工业大学
IPC: G05B13/04
Abstract: 本发明提供了一种基于摩擦伺服跟踪模型的自抗扰控制策略，所属光电稳定技术领域，包括：伺服控制系统采用位置环、速度环和电流环组成的三闭环控制方案；位置环内通过计算得出当前帧目标位置和视轴指向位置之间的脱靶量，并结合光电编码器测量的框架角度信息获得当前目标在实际空间的位置偏差量，将其输入至位置控制器以输出相应的控制信号；通过采用本策略来抑制非线性摩擦和外部扰动对平台系统的影响以提高其控制性能，从而补偿了光电稳定平台在工作时产生的非线性摩擦力矩扰动，改善了复杂环境因素对系统的平稳运行和跟踪精度产生的极大影响，提升了光电稳定平台精确目标跟踪的能力。
-
Patent Agency Ranking
公开(公告)号：CN120087619A
公开(公告)日：2025-06-03
申请号：CN202510464733.9
申请日：2025-04-15
Applicant: 长春工业大学
Abstract: 本发明属于综合能源系统规划的技术领域，公开了一种考虑动态制氢的电氢园区容量规划方法。该方法融合固定效率制氢建模、动态效率仿真与候选解回溯机制构建多阶段闭环优化框架。首先建立静态模型确定电解槽初始配置；引入输入功率与产氢效率的非线性动态模型，采用台数迭代扩展配置规模，进一步提出单双结构差异化建模策略，双数机组采用结构对称工况归一化策略，单数机组采用奇偶混合结构建模机制，提升求解效率。记录迭代中的系统成本及效率，标记成本转折点形成候选解集，结合制氢效率阈值终止迭代。最终回溯候选解集，综合评估氢气平准化成本与新能源利用率，确定最优配置方案。与现有技术相比，该方法兼顾精度与经济性，具备工程适用性。
-
公开(公告)号：CN119965870A
公开(公告)日：2025-05-09
申请号：CN202510452592.9
申请日：2025-04-11
Applicant: 长春工业大学
IPC: H02J3/00 , G06Q10/063 , G06Q10/04 , G06Q50/06 , G06F18/214 , G06N20/20
Abstract: 本发明为一种基于Prophet的中期电量预测方法，属于电力系统中期电量预测领域。为解决单一Prophet模型难以充分挖掘复杂时间序列深层特征及融合多源外生变量问题，本方法通过自定义季节性提取时间特征，对历史目标进行趋势、季节性、节假日效应分解，并构造联合特征引入外生变量；同时，采用AdaBoost算法和N‑BEATSx模型分别实现月度电量预测，再利用Optuna自动调参及贝叶斯岭回归进行堆叠融合预测结果。本方法适用于电力系统中期调度规划，为电网安全提供科学决策依据。
-
公开(公告)号：CN119476652A
公开(公告)日：2025-02-18
申请号：CN202510054369.9
申请日：2025-01-14
Applicant: 长春工业大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/15 , G06F18/25 , G06F18/2431 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/048
Abstract: 本发明为一种特征融合图神经网络的短期住宅用电量预测方法，属于电力系统短期用电量预测技术领域。其解决了传统方法在捕捉时空依赖关系和特征融合方面的不足，主要技术要点包括：采集并预处理真实世界公开的住宅历史用电量数据及辅助特征数据，通过输入模型分别进行处理；搭建并行时间卷积结构；通过逆向三模态因子分析法构建三维动态邻接矩阵；设计多特征融合模块，将辅助特征的时空关系动态引入到主特征预测中；引入残差连接与跳跃连接结构，最终构建多特征融合时空图神经网络模型，并通过评价指标验证模型的有效性。结果表明，本发明可以提升电力调度与能耗管理的精准性，为智能电网和可再生能源管理提供技术支撑。
-
公开(公告)号：CN118735309A
公开(公告)日：2024-10-01
申请号：CN202411230246.8
申请日：2024-09-04
Applicant: 长春工业大学
IPC: G06Q10/0637 , H02J3/00 , H02J3/46 , G06Q50/06 , G06Q30/0283 , G06F17/11 , G06N3/0442
Abstract: 本发明为一种考虑置信区间的深度学习机组组合问题求解方法，属于电力系统规划技术领域。该方法分为两个阶段。在第一阶段，通过对负荷和风电数据进行场景生成，获得包含多个负荷、风电场景和机组启停决策的数据集，并将其输入深度学习网络进行训练，得到初始启停决策结果。在第二阶段，根据机组启停决策误差划分出不同的置信区间，分别处理各区间内的机组决策。最后，将处理后的启停决策输入数学规划模型进行求解，获得满足物理约束条件的机组功率和启停决策方案。结果表明，与运筹学模型相比，所提方法显著提升机组组合问题的求解效率。该方法有利于减少电力资源浪费和维护电力系统稳定性，对于机组组合问题的发展具有重要意义。
-
公开(公告)号：CN116316575A
公开(公告)日：2023-06-23
申请号：CN202310196628.2
申请日：2023-03-03
Applicant: 长春工业大学
IPC: H02J3/00 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明为一种考虑负荷时序性的短期概率负荷预测方法，属于电气工程技术领域。针对负荷的时序性，提出了一个基于量化回归神经网络（QRNN）和累积隐层连接（AHLC）结构的短期概率性负荷预测模型。AHLC结构连接了所有预测小时的隐藏层，可以为模型输出层提供更多信息。这种AHLC结构与模型中的其他结构（平行预测结构和一维卷积结构）和操作（正则化、辍学、提前停止、学习率衰减和最佳权重保存）一起，提高了短期概率负荷预测的准确性。使用公开的数据集对提议的模型进行了评估。数值结果显示，与现有模型相比，AHLC‑QRNN模型具有更好的性能。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.024 seconds)
