公开(公告)号：CN115965177A

公开(公告)日：2023-04-14

申请号：CN202210979141.7

申请日：2022-08-16

Applicant: 中南大学

Inventor： 朱红求 ,  王佳宁 ,  张英杰 ,  戴宇思 ,  周灿 ,  黄子怡 ,  彭磊

IPC: G06Q10/063 ,  G06N3/0464 ,  G06N3/08 ,  G06Q50/06 ,  H02J3/00

Abstract: 本发明公开基于注意力机制改进的自回归误差补偿风电功率预测方法，采用能够增强特征表达，忽略不重要信息的注意力机制(AM)方法对BiLSTM方法进行改进，增强了BiLSTM模型的预测精度。对得到的初步功率预测值进行计算，得到误差序列，采用自回归综合移动平均(ARIMA)模型进行误差补偿，用该误差序列训练ARIMA模型，并用得到的ARIMA模型的预测值补偿AM‑BiLSTM模型的预测值，进一步提高了模型的预测精度。运用风电场实际数据进行模型验证与分析，结果显示，AM‑BiLSTM‑ARIMA模型具有较好的预测精度，预测结果更接近真实值，是一种很有前途的风电功率预测方法。

公开(公告)号：CN115293030A

公开(公告)日：2022-11-04

申请号：CN202210847076.2

申请日：2022-07-07

Applicant: 中南大学

Inventor： 朱红求 ,  王佳宁 ,  黄子怡 ,  张英杰 ,  周灿 ,  程菲 ,  陆碧良

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F119/04 ,  G06F119/02

Abstract: 本发明属于轴承寿命预测领域，公开了基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，本发明中选用更稳定的轴承特征RRMS，首先在第一阶段运用由DML改进的卷积神经网络自动提取特征，用来指示轴承的健康情况，当轴承退化到50％时(输出小于0.5)时,通过长短时记忆网络对后50％进行预测，最后，将这两个阶段的结果结合起来，得到轴承的寿命退化曲线，通过上述方法得到的模型输出可以直接用于RUL的计算，该方法避免了对轴承失效阈值的选择，在整个预测过程中，CNN和LSTM分别用于轴承退化的不同阶段，最大限度地利用现有的全寿命数据和当前的轴承历史数据来提高模型的精度。