公开(公告)号：CN118606678A

公开(公告)日：2024-09-06

申请号：CN202410775412.6

申请日：2024-06-17

Applicant: 淮阴工学院

Inventor： 李燕妮 ,  葛宜达 ,  陈杰 ,  彭甜 ,  黄小龙 ,  钱诗婕

IPC: G06F18/213 ,  G06F18/214 ,  G06N3/0475 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种基于数据增强与深度学习的污水化学需氧量软测量方法，包括：采集污水处理过程的出水化学需氧量及相关变量数据；利用基于注意力机制的自适应加权生成对抗网络，对缺失的水质数据进行重构，实现数据的有效增强；利用逐次变分模态分解对出水COD进行分解，以降低出水COD的非线性和非平稳性；通过排列熵对分解后的分量进行复杂性和不确定性的量化分析，并将分量划分为高频分量和低频分量；采用FiLM模型和CatBoost模型分别对高频和低频分量进行软测量建模，并将预测结果求和；通过改进的PID搜索优化算法同步优化FiLM和CatBoost模型的参数。本发明提高了污水处理系统的运行效率和水质监测的准确性。

公开(公告)号：CN117114192A

公开(公告)日：2023-11-24

申请号：CN202311103993.0

申请日：2023-08-29

Applicant: 淮阴工学院

Inventor： 钱诗婕 ,  张楚 ,  李茜 ,  李燕妮 ,  彭甜 ,  孙娜 ,  黄小龙 ,  陈杰 ,  王政 ,  张学东

IPC: G06Q10/04 ,  G06Q10/067 ,  G06Q50/06 ,  G06F18/25 ,  G06N7/01 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08 ,  G06F18/213 ,  H02J3/00

Abstract: 本发明公开了一种基于多尺度时空图变换网络的海上风电功率预测方法及装置，首先，采集海上多个风电场的历史数据，进行小样本增强；其次，建立由多时间尺度自相关特征提取模块、时空特征提取模块和预测输出模块组成的多尺度时空图变换网络模型MSSTGTN，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征，通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征，最后通过预测输出模块预测风电功率；采用多目标贝叶斯算法优化模型的超参数以及时间与形状失真损失函数的权重，从而得到更准确的风电功率预测结果。本发明捕捉复杂的时空关系，考虑多个目标指标，适应海上风电场的动态变化，提高预测的准确性和稳定性。

公开(公告)号：CN116885691A

公开(公告)日：2023-10-13

申请号：CN202310626107.6

申请日：2023-05-30

Applicant: 淮阴工学院

Inventor： 李茜 ,  钱诗婕 ,  李燕妮 ,  陈佳雷 ,  张楚 ,  葛宜达 ,  陈杰 ,  彭甜 ,  王熠炜

IPC: H02J3/00 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06F18/10 ,  G06F18/213 ,  G06N3/0985 ,  H02J3/38

Abstract: 本发明公开了一种风电功率爬坡事件间接预测方法，首先，利用多元变分模态分解将原始风电功率和风速联合分解成一组相对平稳的子序列；其次，使用卷积神经网络对每一个被分解的风电功率序列进行特征提取；再次，利用改进的FDA算法对BIGRU模型的超参数进行优化，得到优化预测模型并对风电功率进行预测，采用残差修正模型TCN对其进行误差校正，以获得最终的风电功率预测值；最后，将最终风电功率预测值作为输入，使用改进的FDA算法优化旋转门算法对其中的风电爬坡事件进行识别；结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。本发明能够使得风功率预测更加接近实际值，提高风功率预测的准确度，提升风电爬坡事件的识别精度。

公开(公告)号：CN116502541A

公开(公告)日：2023-07-28

申请号：CN202310568459.0

申请日：2023-05-18

Applicant: 淮阴工学院

Inventor： 王政 ,  张学东 ,  陈佳雷 ,  张越 ,  彭甜 ,  张楚 ,  赵环宇 ,  钱诗婕 ,  李燕妮

IPC: G06F30/27 ,  G06N3/006 ,  G06N3/0464 ,  G06N3/08 ,  G06F119/04 ,  G06F113/08 ,  G06F119/14 ,  G06F119/08

Abstract: 本发明公开了一种质子交换膜燃料电池寿命预测的方法，采用改进的蛇优化算法分别优化卷积神经网络模型CSO‑CNN和随机向量网络模型CSO‑RVFL进行退化趋势预测；采用粒子滤波嵌套半经验模型，首先通过燃料电池的物理模型进行循环迭代得到状态方程和观测方程的参数范围，并利用粒子群优化算法进行对物理模型进行参数优化；最后采用Blending算法对数据驱动模型和物理模型预测结果进行集成学习得到燃料电池的性能退化趋势，使用性能退化趋势预测结果对质子交换膜燃料电池剩余寿命进行预测。本发明利用改进的蛇算法对CNN和RVFL模型进行同步优化，能够更好的得到燃料电池性能退化趋势，实现对质子交换膜燃料电池剩余寿命的精确快速预测。