公开(公告)号：CN111461463B

公开(公告)日：2023-11-24

申请号：CN202010369892.8

申请日：2020-04-30

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙健硕 ,  周一健

IPC: G06Q10/04 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/084 ,  G06Q50/06

Abstract: 本发明公开了一种基于TCN‑BP的短期负荷预测方法、系统及设备，包括如下步骤：采集负荷数据及主要气象因素数据；对数据进行预处理和灰色关联度分析；将气象因素数据分为时序性和非时序性数据，对历史时序性数据进行TCN降维处理；以降维处理后的数据和非时序性数据为输入，负荷数据为输出，代入BP神经网络进行训练直到网络收敛；利用训练完成的反传网络完成负荷预测，输出负荷预测数据。本发明基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。

公开(公告)号：CN115545257A

公开(公告)日：2022-12-30

申请号：CN202110734050.2

申请日：2021-06-30

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙健硕 ,  李丙华

IPC: G06Q10/04 ,  G06Q50/06 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于生成对抗框架的分布式光伏功率预测模型的方法，首先通过使用预测日之前连续的历史功率数据来组成历史功率矩阵(Historical Power Matrix，HPM)。其次，为了更好地利用HPM中隐藏的结构数据和随机信息，提出了一种基于矩阵低秩属性的分布式低秩分解算法。再次，计算了HPM的两个梯度信息，旨在为预测模型提供功率输出的波动趋势。最后，将以上所有内容组合为张量作为模型驱动数据。另外，鉴于PV系统对天气高度敏感，因此构建了气象引导向量(Meteorological Guidance Vector，MGV)来辅助预测模型的训练和执行。

公开(公告)号：CN114611742A

公开(公告)日：2022-06-10

申请号：CN202011442484.7

申请日：2020-12-08

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙健硕 ,  赵岫 ,  王倩

IPC: G06Q10/04 ,  G06Q50/06 ,  G06V10/82 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度卷积生成对抗网络的光伏发电预测模型，涉及光伏组件故障诊断领域，主要步骤包括：（1）生成高光谱图片：首先将历史发电量数据绘制成高光谱图片；（2）构建深度卷积对抗网络模型，所述深度卷积对抗网络模型包括生成器G和判别器D，提高深度卷积生成对抗网络的训练精度，降低训练时间，占用内存的小，数据的变化趋势表现的更好。

公开(公告)号：CN110852522B

公开(公告)日：2024-03-29

申请号：CN201911134260.7

申请日：2019-11-19

Applicant: 南京工程学院

Inventor： 卞海红 ,  王倩 ,  马奚杰 ,  钟怡群 ,  孙健硕

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/043 ,  G06N3/08

Abstract: 本发明公开了一种短期电力负荷预测方法，包括采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；对训练样本和预测样本中的数据进行降维处理；采用VMD方法对降维后的数据进行分解；用训练样本分解获得的分量进行模糊小脑神经网络训练；将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。同时公开了相应的系统。本发明基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。

公开(公告)号：CN111461463A

公开(公告)日：2020-07-28

申请号：CN202010369892.8

申请日：2020-04-30

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙健硕 ,  周一健

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/06

Abstract: 本发明公开了一种基于TCN-BP的短期负荷预测方法、系统及设备，包括如下步骤：采集负荷数据及主要气象因素数据；对数据进行预处理和灰色关联度分析；将气象因素数据分为时序性和非时序性数据，对历史时序性数据进行TCN降维处理；以降维处理后的数据和非时序性数据为输入，负荷数据为输出，代入BP神经网络进行训练直到网络收敛；利用训练完成的反传网络完成负荷预测，输出负荷预测数据。本发明基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。

公开(公告)号：CN110852522A

公开(公告)日：2020-02-28

申请号：CN201911134260.7

申请日：2019-11-19

Applicant: 南京工程学院

Inventor： 卞海红 ,  王倩 ,  马奚杰 ,  钟怡群 ,  孙健硕

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种短期电力负荷预测方法，包括采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；对训练样本和预测样本中的数据进行降维处理；采用VMD方法对降维后的数据进行分解；用训练样本分解获得的分量进行模糊小脑神经网络训练；将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。同时公开了相应的系统。本发明基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。