-
公开(公告)号：CN117057848B
公开(公告)日：2024-05-31
申请号：CN202311096423.3
申请日：2023-08-28
Applicant: 淮阴工学院
IPC: G06Q30/0202 , G06Q30/0601 , G06Q30/0204 , G06Q50/12 , G06F18/2321 , G06F18/214 , G06F18/27 , G06N3/042 , G06N3/045 , G06N3/048
Abstract: 本发明公开了一种基于GAT‑GPR的外卖订单需求预测方法，包括如下步骤：获取各种数据集，对获得的历史订单数据集进行预处理；将经过预处理后的历史订单数据进行DPC聚类，将处理后的数据集划分为训练集、验证集和测试集；构建基于图注意力网络和高斯过程回归混合模型的订单需求混合预测模型；使用训练集训练模型，对得到的训练后的模型利用测试集进行测试，根据测试的结果选择出表现最优的预测模型；使用得到的最优预测模型对测试集进行预测，得到模型的输出结果，对输出结果进行反标准化获得预测的点餐量或取餐量，取其中的点餐量为最终预测出的订单需求量。本发明能够克服外卖订单需求量定性预测中预测精度低，定量预测中不能做到预测精确的时间的问题。
-
公开(公告)号：CN118054552A
公开(公告)日：2024-05-17
申请号：CN202410079277.1
申请日：2024-01-19
Applicant: 淮阴工学院
IPC: H02J13/00 , G06F18/2433 , G01D21/02
Abstract: 本发明公开了一种配电室状态智能监测方法与报警系统，所述方法针对配电室的环境特点，设计基于局放传感器和基于STM32的各环境传感器与声音收集设备的数据采集节点，采集异常检测所需的局部放电、音频与传感器信号信息，并建立改进的DES‑Autoformer模型用于异常检测，使用改进的超频带算法优化DESAuformer异常检测模型的超参数以提高模型性能；最终对配电室状态监测分析结果进行前端展示，并对异常状态进行警示和相应的处理。本发明可以准确有效的对配电室的状态进行实时监测，并能更加准确地识别出升温过快、过载、放电等异常状况，实现有效预警，为配电室的安全运行提供保障。
-
公开(公告)号：CN118011211A
公开(公告)日：2024-05-10
申请号：CN202410006568.8
申请日：2024-01-02
Applicant: 淮阴工学院
IPC: G01R31/367 , G01R31/378 , G01R31/385 , G01R31/387
Abstract: 本发明公开一种锂电池荷电状态与能量状态估计方法，收集不同工况下锂离子电池单体充放电的电压、电流、温度、荷电状态、能量状态等实时数据，采用离群因子检测LOF方法对原始数据的异常值进行剔除，使用高斯数据增强方法对原始数据进行拓展，构建TimesNet模型训练的增强数据集合。使用TimesNet神经网络构建锂电池能量状态和荷电状态估计的误差校正模型，采用基于随机森林的贝叶斯优化对模型的超参数进行优化，获得最优超参数，并将最优超参数输入到模型中，使用优化后的电池状态模型，得到电池能量状态和荷电状态的估计结果。与现有技术相比，本发明能够有效的估计锂电池能量状态和荷电状态，提高模型精度。
-
Patent Agency Ranking
公开(公告)号：CN117081063A
公开(公告)日：2023-11-17
申请号：CN202311114327.7
申请日：2023-08-30
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于GCN‑Crossformer模型的分布式充电负荷预测方法及系统，首先获取历史充电负荷数据以及影响因素数据，并进行数据清洗；计算每个影响因素对充电负荷预测的贡献程度，对各个影响因素的重要性进行分析筛选；并将筛选出的影响因素数据以及历史充电负荷数据划分为训练集、验证集；构建GCN‑Crossformer充电负荷预测模型，并通过训练集和验证集进行训练，优化训练好的GCN‑Crossformer充电负荷预测模型的学习率和注意力头数；通过将优化后的GCN‑Crossformer充电负荷预测模型对充电负荷进行预测。采用结合了图卷积网络和Crossformer结构的深度学习融合模型。该融合模型可以充分利用充电站之间的空间关系和充电负荷的时间特性，实现更准确的分布式充电负荷预测。
-
公开(公告)号：CN116840722A
公开(公告)日：2023-10-03
申请号：CN202310685096.9
申请日：2023-06-09
Applicant: 淮阴工学院
IPC: G01R31/392 , G06Q10/04 , G06Q10/0639 , G06Q50/06 , G06F17/10 , G06F17/16 , G06F17/18 , G06F18/214 , G06N3/08 , G06N3/0464 , G06N3/049
Abstract: 本发明公开了一种质子交换膜燃料电池性能退化评估与寿命预测方法，预先获取质子交换膜燃料电池的监测数据，先对质子交换膜燃料电池的监测数据使用皮尔逊相关分析法的确定输出变量，然后采用MIC特征提取获取输入变量集，通过改进的凌日搜索算法LGTSOA优化时间卷积网络和随机向量网络模型RVFL结合的神经网络模型进行训练，得到质子交换膜燃料电池的性能退化评估预测模型LGTSOA‑TCN‑RVFL，实现电池性能退化评估与寿命预测。本发明为质子交换膜燃料电池性能退化提供了更加精准的预测结果，也为质子交换膜燃料电池的寿命预测提供了更加可靠的依据。
-
公开(公告)号：CN116822742A
公开(公告)日：2023-09-29
申请号：CN202310819672.4
申请日：2023-07-05
Applicant: 淮阴工学院
IPC: G06Q10/04 , G06Q50/06 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/08 , G06N3/006 , G06N3/04 , G06F18/10 , G06F18/2131 , G06F18/24
Abstract: 本发明公开一种基于动态分解‑重构集成处理的电力负荷预测方法，首先获取电力负荷数据进行预处理，利用mlptdenoise分解对数据进行分解，根据分解的分量建立GCN‑Reformer电力负荷预测模型，利用改进的OOA算法对Reformer的超参数进行优化，根据已分解分量在验证集上的性能评价选择需要进行二次分解的低精度分量，采用置换熵对所有低精度分量进行聚合得到高复杂度和低复杂度两个分量并采用WPD方法进行二次分解，然后使用GCN‑Reformer模型对所有WPD分解的D分量进行预测，根据WPD分解分量预测结果的指标来判断是否需要再次分解，最后将所有预测分量累加，得到最终电力负荷预测结果。与现有技术相比，本发明能够有效提高电力负荷的预测精度。
-
公开(公告)号：CN116776921A
公开(公告)日：2023-09-19
申请号：CN202310688740.8
申请日：2023-06-09
Applicant: 淮阴工学院
IPC: G06N3/006 , G06N3/0455 , G06N3/08 , G06F18/10 , G06F18/213 , G01W1/10
Abstract: 本发明公开了一种基于改进patch‑informer的太阳辐射预测方法及装置，所述方法包括：利用无迹卡尔曼滤波UKF对太阳辐射历史数据进行数据预处理；通过因子分析法FA进行特征提取，获取可观测的太阳辐射数据变量中的隐变量；对战争策略算法进行改进；建立IWSO‑patch‑informer模型，将测试样本输入IWSO‑patch‑informer模型中进行计算，得到待预测站点未来的太阳辐射预测值。本发明通过patch‑informer模型将时间序列分隔成子序列级别的patches，作为informer的输入，然后通过IWSO优化模型中多头注意力机制的head个数，该模型包含独立通道，每个通道包含单一的单变量时间序列，改良了传统时间序列模型的缺点，可以关注到更长的太阳辐射的历史信息，显著提高长期太阳辐射预测的准确性。
-
公开(公告)号：CN116646927A
公开(公告)日：2023-08-25
申请号：CN202310627483.7
申请日：2023-05-30
Applicant: 淮阴工学院
IPC: H02J3/00 , H02J3/38 , G06F18/213 , G06F18/23 , G06N3/0455 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明提供了一种基于分段滤波与纵横聚类的风电功率预测方法，首先获取风电功率的历史数据，SDT进行爬坡识别，分别使用MEEMD滤波、smooth滤波对数据进行预处理，得到分段滤波后的波形；采用纵横聚类对数据进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；使用变分自动编码器对聚类后的数据进行特征提取，然后使用改进的蒲公英优化算法优化Transformer预测模型参数，预测得到风电功率。本发明解决了数据波动性对预测精度的影响，其次考虑单日相似性与细化季节特性的实际情况，有效提高了预测风电功率的精确性和鲁棒性。
-
-
-
-
-
-
-
Search Results
58
records
(took 0.037 seconds)
