一种基于深度学习的带材轧制过程板形预测方法

    公开(公告)号:CN117019883B

    公开(公告)日:2024-02-13

    申请号:CN202311082568.8

    申请日:2023-08-25

    Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法,涉及带材轧制技术领域,包括以下步骤,S1:工业数据采集及数据集构建;S2:结合残差学习和聚合多尺度残差变换的方法,构建Inception‑ResNet模型;S3:使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型;S4:根据模型评估指标,预测性能对比,选取最优模型,进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数,不需要额外的数据预处理方法,可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题,所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性,其中Inception‑ResNet‑39网络包含39层可学习参数,实现了最先进的预测性能,此方法为模型构建及转移应用提供完整的流程。

    一种基于深度学习的带材轧制过程板形预测方法

    公开(公告)号:CN117019883A

    公开(公告)日:2023-11-10

    申请号:CN202311082568.8

    申请日:2023-08-25

    Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法,涉及带材轧制技术领域,包括以下步骤,S1:工业数据采集及数据集构建;S2:结合残差学习和聚合多尺度残差变换的方法,构建Inception‑ResNet模型;S3:使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型;S4:根据模型评估指标,预测性能对比,选取最优模型,进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数,不需要额外的数据预处理方法,可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题,所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性,其中Inception‑ResNet‑39网络包含39层可学习参数,实现了最先进的预测性能,此方法为模型构建及转移应用提供完整的流程。

    一种虚拟电厂群的协同调度优化方法和装置

    公开(公告)号:CN115995850B

    公开(公告)日:2023-06-23

    申请号:CN202310200428.X

    申请日:2023-03-06

    Abstract: 本发明涉及一种虚拟电厂群的协同调度优化方法和装置,属于电网技术领域,解决了现有VPP协同运行时在日内阶段及实时阶段还存在发电机组竞争及备用平衡的问题。方法包括:多个虚拟电厂VPP协同运行体系:当各自虚拟电厂满足自身负荷需求后,剩余发电能力通过竞价博弈的方式在竞价交易中心申报竞标价格及外送电量,同时将中标价格和中标能量传递至各个虚拟电厂VPP;及VPP的多时间尺度协同调度优化:在制定电力调度计划时,考虑WPP和PV的日前预测结果,并结合日内预测值修正WPP和PV预测偏差,以及结合随机性电源的实时出力,以向其余VPP或UPG购买电能、调用IBDR的方式,保证电能实时供需平衡。实现自身电力可靠供给同时将多余电力以竞价交易的方式送至UPG。

    一种虚拟电厂群的协同调度优化方法和装置

    公开(公告)号:CN115995850A

    公开(公告)日:2023-04-21

    申请号:CN202310200428.X

    申请日:2023-03-06

    Abstract: 本发明涉及一种虚拟电厂群的协同调度优化方法和装置,属于电网技术领域,解决了现有VPP协同运行时在日内阶段及实时阶段还存在发电机组竞争及备用平衡的问题。方法包括:多个虚拟电厂VPP协同运行体系:当各自虚拟电厂满足自身负荷需求后,剩余发电能力通过竞价博弈的方式在竞价交易中心申报竞标价格及外送电量,同时将中标价格和中标能量传递至各个虚拟电厂VPP;及VPP的多时间尺度协同调度优化:在制定电力调度计划时,考虑WPP和PV的日前预测结果,并结合日内预测值修正WPP和PV预测偏差,以及结合随机性电源的实时出力,以向其余VPP或UPG购买电能、调用IBDR的方式,保证电能实时供需平衡。实现自身电力可靠供给同时将多余电力以竞价交易的方式送至UPG。

Patent Agency Ranking