基于时空融合图神经网络的多风电场短期功率预测方法

    公开(公告)号:CN114792158B

    公开(公告)日:2024-07-09

    申请号:CN202210339153.3

    申请日:2022-04-01

    Applicant: 三峡大学

    Abstract: 基于时空融合图神经网络的多风电场短期功率预测方法,它包括以下步骤,步骤1:采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据;步骤2:将步骤1中的功率数据与气象数据映射到高维空间;步骤3:对由步骤2获得的数据进行处理,提取单个风电场功率数据的时序特征;步骤4:提取多个风电场功率数据间的空间特征;步骤5:交替进行以上两个步骤,将得到的时序特征和空间特征连接起来,以获得多风电场功率数据耦合的时空特征;步骤6:获得多风电场最终的功率预测结果。本发明的目的在于克服现有技术在进行多风电场短期功率预测时不能结合其功率数据深层时空特征的问题,提供了一种多风电场功率预测技术。

    基于独立稀疏堆叠自编码器的风电场超短期功率预测方法

    公开(公告)号:CN112861992B

    公开(公告)日:2022-09-02

    申请号:CN202110256120.8

    申请日:2021-03-09

    Applicant: 三峡大学

    Abstract: 本发明公开了基于独立稀疏堆叠自编码器的风电场超短期功率预测方法,包括:采集多座风电场多个时刻的历史功率观测数据集;对空间多维风电功率数据集进行降维,得到降维的历史特征数据,再结合气象信息,共同作为预测功率的影响因素,对预测功率的影响因素进一步降维得到低维特征;从低维特征中选出独立特征,并利用具有动态映射能力的神经网络进行预测,得到风电场功率的低维预测数据;对低维预测数据进行解码重构,得到各风电场的功率预测结果。本发明的方法在不增加预测变量维数情况下使得预测精度得以提高,相对于常规降维方法,显著降低了误差;本发明通过充分解析多维风电功率间的非线性关系,进一步提高了功率预测的精度。

    一种输电电缆线路核相方法及装置

    公开(公告)号:CN119335263B

    公开(公告)日:2025-05-02

    申请号:CN202411480273.0

    申请日:2024-10-23

    Applicant: 三峡大学

    Inventor: 徐梓程 杨帆

    Abstract: 本发明公开了一种输电电缆线路核相装置及方法,所述装置包括电流采集装置,由信号交互的电流采集单元和数据处理单元组成;所述电流采集单元用于采集参考输电电缆线路与待核相输电电缆线路中每相线路的末段电缆一侧金属护层接地线的电流数据;所述数据处理单元用于接收电流采集单元的所述电流数据,并计算获取对应线路中每相线路的末段电缆一侧金属护层接地线的电流矢量数据;还包括,数据分析装置,用于接收数据处理单元的所述电流矢量数据,获取对应线路中每相线路末段电缆两侧电流矢量数据的矢量和作为其对应线路的电容电流,并基于所述电容电流进行分析以完成核相。本发明应用时能保障设备和人员安全,操作简单、方便、高效,核相结果精准。

    基于多任务渐进式学习的风-光-荷功率短期预测方法

    公开(公告)号:CN117421971A

    公开(公告)日:2024-01-19

    申请号:CN202311189052.3

    申请日:2023-09-15

    Applicant: 三峡大学

    Abstract: 基于多任务渐进式学习的风‑光‑荷功率短期预测方法,包括以下步骤:步骤1:采集预测输入数据,采集目标地区风‑光‑荷小时级的历史功率数据和多维气象预测数据;步骤2:将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作;步骤3:将数据集分割为训练集、验证集和测试集;步骤4:建立基于深度时空融合网络的多任务渐进式学习模型MTPL‑DSTFN;步骤5:设置模型超参数,初始化权重和偏置,设定损失函数,训练MTPL‑DSTFN模型得到最佳权重和偏置参数,并通过验证集样本使用网格搜索优选模型的最佳超参数;步骤6:将测试样本输入具有最佳超参数的MTPL‑DSTFN模型中,对输出的预测结果进行反归一化,得到预测日各时刻风‑光‑荷的功率预测结果。

    基于张量自组织映射神经网络的风电功率日场景生成方法

    公开(公告)号:CN117081166A

    公开(公告)日:2023-11-17

    申请号:CN202310972772.0

    申请日:2021-09-05

    Applicant: 三峡大学

    Abstract: 本发明公开了基于张量自组织映射神经网络的风电功率日场景生成方法,包括:获取多风电场的日场景数据集;利用张量自组织映射神经网络对日场景数据集进行聚类;对各聚类簇分别构建变分自编码器,从日场景数据中提取隐含特征;利用隐含特征对各簇日场景数据进行随机模拟和抽样,得到日场景隐含变量数据集;对日场景隐含变量数据集进行解码重构,得到各簇重构的日场景数据;将各簇重构的日场景数据进行聚合,得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构,提高了重构生成的日场景数据的精度,本发明通过考虑场景数据的时间空间相关性,显著降低了重构的空间和时间相关性误差,强化了生成场景的特征表达能力。

    具有时间空间相关性的多风电场功率日场景生成方法

    公开(公告)号:CN113890109A

    公开(公告)日:2022-01-04

    申请号:CN202111035137.7

    申请日:2021-09-05

    Applicant: 三峡大学

    Abstract: 本发明公开了具有时间空间相关性的多风电场功率日场景生成方法,包括:获取多风电场的日场景数据集;利用张量自组织映射神经网络对日场景数据集进行聚类;对各聚类簇分别构建变分自编码器,从日场景数据中提取隐含特征;利用隐含特征对各簇日场景数据进行随机模拟和抽样,得到日场景隐含变量数据集;对日场景隐含变量数据集进行解码重构,得到各簇重构的日场景数据;将各簇重构的日场景数据进行聚合,得到重构的日场景数据集。本发明对日场景样本聚类后再分别对各聚类簇的样本降维、重构,提高了重构生成的日场景数据的精度,本发明通过考虑场景数据的时间空间相关性,显著降低了重构的空间和时间相关性误差,强化了生成场景的特征表达能力。

    一种可粘贴式超疏水薄膜的制备方法

    公开(公告)号:CN113372836A

    公开(公告)日:2021-09-10

    申请号:CN202110565984.8

    申请日:2021-05-24

    Applicant: 三峡大学

    Abstract: 本发明公开了一种可粘贴式超疏水薄膜的制备方法,包括以下步骤:将废旧的硅橡胶复合绝缘子剪切成块状结构,将其置于燃烧装置上充分燃烧;待其充分燃烧后,采用石臼将其拧碎,过筛,筛选拧碎后的粉末,收集筛选的粉末;将铜膜,平置于水平面上,背面涂抹压敏胶聚丙烯酸酯和封贴,正面采用单组份的聚氨酯粘贴剂,通过旋涂法将聚氨酯粘贴剂涂抹均匀;筛选后的粉末和乙酸乙酯溶液加入烧杯中,通过磁力搅拌器搅拌55‑65min,得到前驱溶液,采用喷涂法,设定喷涂距离为25‑35cm,将所得到混合溶液喷涂到铜膜正面涂聚氨酯粘贴剂的表面。本发明不经过任何化学试剂进行改性,得到接触角大于150°,滚动角低于10°的超疏水表面,可以很便利的应用于日常见的几种表面。

Patent Agency Ranking