公开(公告)号：CN119719697A

公开(公告)日：2025-03-28

申请号：CN202510227779.9

申请日：2025-02-28

Applicant: 中南大学

Inventor： 舒臻孺 ,  邓鸿程 ,  蔡渊 ,  冯文海

IPC: G06F18/20 ,  G06N3/0442 ,  G06N7/01 ,  G06Q50/06 ,  G06F18/10

Abstract: 本发明涉及数据处理技术领域，具体涉及一种风速预测方法、设备及介质，本发明方法通过长短时记忆网络，将历史输入风速序列编码，得到原序列在隐空间特征映射。通过定义一个扩散步骤的马尔科夫链，在前向过程中向序列编码种逐步添加噪声，直至原编码成为纯噪声序列。然后使网络学习反向扩散过程，使其能够从噪声中构建原始序列在隐空间的特征映射关系。并从重构的特征关系中得到下一时刻的预测值。在风速预测领域，本发明方法相对于其他的深度学习方法准确率更高。

公开(公告)号：CN119719697B

公开(公告)日：2025-05-06

申请号：CN202510227779.9

申请日：2025-02-28

Applicant: 中南大学

Inventor： 舒臻孺 ,  邓鸿程 ,  蔡渊 ,  冯文海

IPC: G06F18/20 ,  G06N3/0442 ,  G06N7/01 ,  G06Q50/06 ,  G06F18/10

Abstract: 本发明涉及数据处理技术领域，具体涉及一种风速预测方法、设备及介质，本发明方法通过长短时记忆网络，将历史输入风速序列编码，得到原序列在隐空间特征映射。通过定义一个扩散步骤的马尔科夫链，在前向过程中向序列编码种逐步添加噪声，直至原编码成为纯噪声序列。然后使网络学习反向扩散过程，使其能够从噪声中构建原始序列在隐空间的特征映射关系。并从重构的特征关系中得到下一时刻的预测值。在风速预测领域，本发明方法相对于其他的深度学习方法准确率更高。

公开(公告)号：CN119939194A

公开(公告)日：2025-05-06

申请号：CN202510420880.6

申请日：2025-04-07

Applicant: 中南大学

Inventor： 舒臻孺 ,  冯文海 ,  何旭辉

IPC: G06F18/21 ,  G06F18/10 ,  G06F18/2337 ,  F03D17/00

Abstract: 本发明涉及海上风能技术领域，具体涉及一种基于混合模态识别的海上风机模态识别方法、介质及设备，包括如下步骤：使用随机子空间‑卡尔曼滤波法去除响应中的谐波成分；将去除谐波成分的响应用于改进的自然激励技术‑特征系统实现算法的模态识别；将去除谐波成分的响应用于功率谱密度传递率法的频率识别；对比功率谱密度传递率法与改进的自然激励技术‑特征系统实现算法频率结果确定正确的结构频率；最终从改进的自然激励技术‑特征系统实现算法中提取出正确的结构物理模态信息。本发明解决了现有的模态识别方法在应用于海上风电机组时受到限制，无法准确识别其模态参数的技术问题。