公开(公告)号：CN115600500A

公开(公告)日：2023-01-13

申请号：CN202211346533.6

申请日：2022-10-31

Applicant: 南昌工程学院(CN)

Inventor： 车金星 ,  袁芳 ,  叶雨 ,  刘娜 ,  蒋哲勇 ,  邹诚 ,  张大伟

IPC: G06F30/27 ,  G06F17/14 ,  G06F17/18 ,  G06N7/00 ,  H02J3/00 ,  G06F111/08 ,  G06F113/06

Abstract: 本发明提出了一种基于时空多尺度和K‑SDW的超短期概率风电功率预测方法，包括以下步骤：S1，通过变分模态分解将归一化目标风速分解为多个子序列；S2，将子序列和相邻的空间风速序列重构为时空候选特征，并进行时空多尺度特征选择；S3，采用分位数回归模型对每个子序列进行预测。本发明能够实现对风电进行预测。

公开(公告)号：CN115853722A

公开(公告)日：2023-03-28

申请号：CN202211522250.2

申请日：2022-11-30

Applicant: 南昌工程学院

Inventor： 车金星 ,  刘娜 ,  蒋哲勇 ,  袁芳 ,  叶雨 ,  李丹

IPC: F03D17/00 ,  G06F18/2113 ,  G06F18/214 ,  G06F18/2431 ,  G06N20/20

Abstract: 本发明提出了一种基于特征选择和stacking模型融合的风电机组故障诊断方法，包括以下步骤：S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量；S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例；S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。本发明相较于其它传统方法，能够得到更加准确的风电机组故障诊断结果。

公开(公告)号：CN115713144A

公开(公告)日：2023-02-24

申请号：CN202211346557.1

申请日：2022-10-31

Applicant: 南昌工程学院

Inventor： 车金星 ,  蒋哲勇 ,  袁芳 ,  叶雨 ,  刘娜 ,  葛俊烨

IPC: G06Q10/04 ,  G06Q50/06 ,  G06F18/2431 ,  G06F30/27 ,  G06F18/213

Abstract: 本发明提出了一种基于组合CGRU模型的短期风速多步预测方法，包括以下步骤：S1，对原始风速信号进行分解：S2，采用相空间重构将各风速子序列与次级风速子序列进行重构，再使用多标签XGBoost特征选择方法对各重构后的数据进行特征选择；S3，对各特征选择后的子序列分别建立CGRU预测模型，所述模型利用CNN从各子信号中提取出更有效的特征，利用GRU识别提取出的特征与未来风速之间的时间依赖性；S4，将各子序列的预测结果进行累加操作，得到最终的预测结果。本发明的预测误差显著降低，有效地提高了风速预测的准确性和稳定性。

公开(公告)号：CN115657164A

公开(公告)日：2023-01-31

申请号：CN202211346803.3

申请日：2022-10-31

Applicant: 南昌工程学院

Inventor： 车金星 ,  叶雨 ,  刘娜 ,  蒋哲勇 ,  袁芳 ,  黄文蔚

IPC: G01W1/10 ,  G06F18/2113 ,  G06F18/2415 ,  G06F18/27 ,  G06F18/213 ,  G06N3/006 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/047 ,  G06N3/0442 ,  G06N3/082

Abstract: 本发明提出了一种基于简约样本熵集成的超短期风速预测方法，包括以下步骤：S1，对风速序列进行去噪；S2，对序列的样本熵进行分类；S3，进行预测。本发明能够很好的适应风速序列的预测，一定程度上提高了风速预测的准确性，同时极大的缩短了模型选择的时间，提高了整体的预测效率。

公开(公告)号：CN112330044A

公开(公告)日：2021-02-05

申请号：CN202011286631.6

申请日：2020-11-17

Applicant: 南昌工程学院

Inventor： 车金星 ,  冼华锋 ,  刘娜 ,  叶雨

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N20/10

Abstract: 本发明公开了一种基于迭代聚集网格搜索算法的支持向量回归模型(IFGS‑SVR)。本发明提出了一种迭代聚集网格搜索(IFGS)算法来解决SVR超参数的详细选择问题，它通过检查每个子区域的性能来搜索最优子区域，从而避免了网格设置的大量浪费。通过使用中国江西省某县的一个真实的电力负荷数据集，将形成的IFGS‑SVR模型与其他的SVR模型进行比较，这些模型的参数是通过网格搜索(GS‑SVR)、粒子群优化(PSO‑SVR)、模拟退火(SA‑SVR)、差分进化(DE‑SVR)、蚁群优化(ACO‑SVR)和遗传算法(GA‑SVR)获得的。实验结果揭示了IFGS‑SVR模型在精度和运行时间上优于其他模型。