-
公开(公告)号：CN116258247A
公开(公告)日：2023-06-13
申请号：CN202211675957.7
申请日：2022-12-26
申请人： 三峡大学 , 国网湖北省电力有限公司宜昌供电公司
IPC分类号： G06Q10/04 , G06Q50/06 , G06N3/08 , G06N3/0464
摘要： 一种基于SAINet神经网络模型的电力负荷预测方法，它包括以下步骤：步骤一：获取电力负荷历史因素及电力负荷气象因素；步骤二：获取电力负荷数据集；步骤三：获取电力负荷训练数据集、电力负荷测试数据集；步骤四：训练并获取经过训练的SAINet神经网络模型；步骤五：利用已训练的SAINet神经网络模型进行电力负荷的预测，并输出电力负荷预测值。本发明的目的是为了进一步提高电力负荷预测的准确率，而提供的一种基于SAINet神经网络模型的电力负荷预测方法。
-
公开(公告)号：CN116205666B
公开(公告)日：2024-08-13
申请号：CN202211651310.0
申请日：2022-12-22
申请人： 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC分类号： G06Q30/0201 , G06Q50/06 , G06F18/214 , G06N3/08 , G06N3/0464
摘要： 一种基于RACNet的多变量电力负荷预测方法，它包括以下步骤：步骤一：获取真实数据，并将真实数据划分为训练数据集和测试数据集；其中真实数据包括历史电力负荷值及气象因素值；步骤二：每次取一定数量的历史电力负荷值及相关气象因素值作为一个样本，将训练数据集、测试数据集分别转化成训练样本集和测试数据集；步骤三：输入训练样本集到网络模型中，得到训练好的模型，网络模型为RACNet模型或ELECNet模型；步骤四：将测试样本集输入已到训练好的模型中，输出预期的预测数据。为了提高短期电力负荷预测的精度，提高预测的准确率，获得更好的预测效果，本发明提出一种基于RACNet的多变量电力负荷预测方法。
-
公开(公告)号：CN118013317A
公开(公告)日：2024-05-10
申请号：CN202410049326.7
申请日：2024-01-12
申请人： 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC分类号： G06F18/23213 , G06N3/092 , G06F18/214 , G06F18/213 , G06F18/22 , G06F17/10 , G06Q50/06
摘要： 基于Q‑learn深度强化学习与K‑means算法的电力用户画像构建方法，它包括以下步骤：步骤一)对电力用户数据集进行预处理；步骤二)引入欧式距离与LB_Keogh距离，用来对电力数据集的数据进行特征提取，并对电力用户数据进行归一化处理；步骤三)对不同的距离度量随机分配初始权重，定义融合距离度量方法，以便更好地描述数据之间的相似性；根据融合度量方法，计算电力用户数据集中的用户相似性，并输出一个用户相似性矩阵；步骤四)相似度矩阵作为K‑means算法的输入，实现电力用户聚类；步骤五)聚类效果评价作为深度强化学习的动作价值函数，使用深度强化学习方法对距离度量的权重进行训练，重复执行步骤三到步骤四，以达到最优聚类效果。
-
公开(公告)号：CN116205666A
公开(公告)日：2023-06-02
申请号：CN202211651310.0
申请日：2022-12-22
申请人： 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC分类号： G06Q30/0201 , G06Q50/06 , G06F18/214 , G06N3/08 , G06N3/0464
摘要： 一种基于RACNet的多变量电力负荷预测方法，它包括以下步骤：步骤一：获取真实数据，并将真实数据划分为训练数据集和测试数据集；其中真实数据包括历史电力负荷值及气象因素值；步骤二：每次取一定数量的历史电力负荷值及相关气象因素值作为一个样本，将训练数据集、测试数据集分别转化成训练样本集和测试数据集；步骤三：输入训练样本集到网络模型中，得到训练好的模型，网络模型为RACNet模型或ELECNet模型；步骤四：将测试样本集输入已到训练好的模型中，输出预期的预测数据。为了提高短期电力负荷预测的精度，提高预测的准确率，获得更好的预测效果，本发明提出一种基于RACNet的多变量电力负荷预测方法。
-
公开(公告)号：CN114218982B
公开(公告)日：2024-07-09
申请号：CN202111425452.0
申请日：2021-11-26
申请人： 三峡大学
IPC分类号： G06F18/10 , G06N3/0475 , G06N3/045 , G06N3/094
摘要： 基于改进WGAN网络和CBDNet的微地震记录去噪方法，包括以下步骤：采集微地震数据；利用有限差分波动方程正演方法生成不同主频、不同地层速度模型下的正演模拟信号；对得到的正演模拟信号设置不同信噪比，构建噪音样本，然后将以噪音样本、干净样本为标签类别，制作成原始训练集；将制成的原始训练，利用改进WGAN网络对抗生成大量样本，完成训练集样本扩充；利用扩充之后的训练集样本，对CBDNet进行训练；将待去噪的地震数据输入已训练的CBDNet，输出去噪后的微地震数据。本发明一种基于改进WGAN网络和CBDNet的微地震记录去噪方法，与传统微地震去噪方案相比，极大地提高了微地震剖面去噪的效率与精度。
-
公开(公告)号：CN115113269B
公开(公告)日：2024-07-05
申请号：CN202210626537.3
申请日：2022-06-04
申请人： 三峡大学
摘要： 一种基于UGATIT联合PSPNet的微地震有效信号的初至拾取方法，步骤为：对地下开采活动进行观测，获得真实微地震有效信号；利用有限差分波动方程正演方法生成正演模拟信号；得到的真实微地震信号和正演模拟信号制作成原始数据集，利用UGATIT网络实现“模拟信号‑真实信号”的转换，生成大量真实微地震有效信号数据；将正演模拟信号大量转换为真实微地震信号，选择具有价值的信号进行标注，并将其制成训练集，完成对训练集的扩充；利用扩容后的训练集对改进后的PSPNet网络进行训练；将待测微地震有效信号输入已训练的PSPNet网络，输出预测的概率时间序列，概率最大处时间即为初至时间，拾取微地震有效信号的初至。本发明极大地提高微地震有效信号初至拾取的效率与精度。
-
-
公开(公告)号：CN117786314A
公开(公告)日：2024-03-29
申请号：CN202311669396.4
申请日：2023-12-05
申请人： 三峡大学
IPC分类号： G06F18/10 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0455 , G06N3/0895
摘要： 本发明公开一种基于MS‑ICC的混凝土大坝微破裂信号的去噪和初至拾取算法，包括：步骤一：将少量有标签数据和大量无标签数据作为样本集s输入到FreeMatch网络中，利用FreeMatch进行半监督训练，得到大量有标签数据S；步骤二：将有标签数据S输入到模型中，利用Blind2UnBlind进行去噪处理，得到已去噪的标签数据集X；步骤三：将已去噪的标签数据集X转换为训练样本集和测试样本集，把训练样本集输入到Lite‑Mono模型中，得到训练好的模型；步骤四：将待初至拾取的微震信号数据输入到已训练好的模型中，得到初至拾取信号；本发明可以在小样本的情境下，获取伪标签并进行去噪处理，更高效精准的完成初至拾取，将极大提高微破裂监测的初至拾取工作。
-
公开(公告)号：CN115600089A
公开(公告)日：2023-01-13
申请号：CN202211071401.7
申请日：2022-09-02
申请人： 三峡大学(CN)
IPC分类号： G06F18/15 , G06N3/0464 , G06N3/047 , G06N3/08 , G01V1/36
摘要： 一种联合WGAN‑GP和SADNet的微地震信号去噪方法，将微地震信号样本输入到WGAN‑GP网络中，加入噪声信号条件，通过生成对抗模型，来生成大量训练样本集，对小样本数据集扩容；利用WGAN‑GP完成扩充后的训练样本作为输入对SADNet进行训练；将采集待测微地震资料输入已训练好的SADNet，输出去噪后的微地震资料。本发明利用WGAN‑GP对微地震信号小样本数据集进行扩容，SADNet中残差空间自适应块引入的可变卷积可以适应空间纹理和边缘变化，关注全局上下文编码解码结构可以提取多尺度信息，从而提升微地震信号复杂噪声去噪精度。
-
公开(公告)号：CN114218982A
公开(公告)日：2022-03-22
申请号：CN202111425452.0
申请日：2021-11-26
申请人： 三峡大学
摘要： 基于改进WGAN网络和CBDNet的微地震记录去噪方法，包括以下步骤：采集微地震数据；利用有限差分波动方程正演方法生成不同主频、不同地层速度模型下的正演模拟信号；对得到的正演模拟信号设置不同信噪比，构建噪音样本，然后将以噪音样本、干净样本为标签类别，制作成原始训练集；将制成的原始训练，利用改进WGAN网络对抗生成大量样本，完成训练集样本扩充；利用扩充之后的训练集样本，对CBDNet进行训练；将待去噪的地震数据输入已训练的CBDNet，输出去噪后的微地震数据。本发明一种基于改进WGAN网络和CBDNet的微地震记录去噪方法，与传统微地震去噪方案相比，极大地提高了微地震剖面去噪的效率与精度。
-
-
-
-
-
-
-
-
-
搜索结果
21 条记录 (耗时 0.054 秒)
