-
公开(公告)号：CN114841419B
公开(公告)日：2024-09-10
申请号：CN202210414963.0
申请日：2022-04-20
Applicant: 大连理工大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06N3/092
Abstract: 本发明提供了一种基于Transformer与LSTM混合模型的智能风电功率预测方法，属于深度学习技术领域。本发明对风电场数据进行短期或超短期预测，针对风电场数据的随机性、波动性和尖峰性，设计了Transformer与LSTM混合模型。该混合模型能够高效率地训练出精度优良的模型，加快新能源领域的数字化转型，能够取得更为优异的训练效果，在训练过程能够充分利用过去宝贵的经验。本发明结合Transformer与LSTM模型的优点，既能够准确地预测数据，又能够高效地训练数据，为深度学习技术在风电场领域的应用提供了理论依据和实践经验。
-
公开(公告)号：CN114757427A
公开(公告)日：2022-07-15
申请号：CN202210428891.5
申请日：2022-04-22
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/06 , H02J3/00 , G06N3/04 , G06N3/08 , G06F30/27 , G06F113/06 , G06F119/06
Abstract: 本发明属于数据科学技术领域，涉及自回归修正的LSTM智能风电场超短期功率预测方法。本发明根据最近时刻的实际功率对未来4小时(16个时刻点)功率趋势进行预测，并使用该预测值修正利用LSTM预测的短期功率，实现历史功率数据与气象数据的特征结合，提高超短期预测中在风速快速变化或其他因素影响的功率剧烈抖动时的预测准确率，同时加快超短期预测的速度。本发明实现了自回归修正的LSTM智能风电场超短期功率预测方法，结合深度学习、自回归预测等技术，最终为风电场在风电功率超短期的精准预测领域提供了理论依据与实践经验。
-
Patent Agency Ranking
公开(公告)号：CN114610070A
公开(公告)日：2022-06-10
申请号：CN202210274635.5
申请日：2022-03-21
Applicant: 大连理工大学
Abstract: 本发明提供了一种无人机协同的风电场智能巡检方法，属于数据处理技术领域。本发明通过无人机携带任务载荷完成风电机组的巡检工作，通过深度强化学习‑模拟退火算法模型规划无人机的飞行航迹，实现能耗最低的智能风电场巡检路线规划。本发明充分考虑了风电场的物理和环境特性，实现了低能耗的智慧风电场巡检路线规划，且具有极强的适应能力，能够应用于不同地理位置和地形的风电场中。本发明不仅考虑了风电场中便于实时充电的特性，还充分考虑了风电场的气候特点，创新性地将风速与风向纳入无人机航迹规划的考量中；不仅能够适应不同地形和季风区中的风电场，还能够及时应对突发的气象变化，动态调整巡检路线，非常契合风电场的气象特性。
-
公开(公告)号：CN119886392A
公开(公告)日：2025-04-25
申请号：CN202510089879.X
申请日：2025-01-21
Applicant: 大连理工大学
IPC: G06N20/20 , G06F21/62 , G06N3/042 , G06N3/082 , G06F18/23213 , G06F17/16 , G06F21/60 , G06F16/9535
Abstract: 本发明提供了一种基于记忆感知的图数据联邦忘却学习方法、设备及存储介质，属于分布式人工智能技术领域。本发明方法是在第三方服务器上通过匿名用户特征实现聚类，并在用户本地进行分布式的参数重要性权重计算，由中心服务器进行聚合得到模型对于该类数据的记忆感知，随后采用参数剪枝过程，剔除该类数据对模型的影响，并加入一个微调的过程来恢复模型因剪枝带来的性能损失。通过本发明方法，当用户在带有高阶信息的联邦学习推荐系统中提出忘却请求时，能够快速计算出忘却用户对模型的独有贡献并进行剔除，而无需对推荐模型进行重训练，有效地保护了用户的数据隐私。
-
公开(公告)号：CN114757427B
公开(公告)日：2024-09-06
申请号：CN202210428891.5
申请日：2022-04-22
Applicant: 大连理工大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/09 , G06N3/045
Abstract: 本发明属于数据科学技术领域，涉及自回归修正的LSTM智能风电场超短期功率预测方法。本发明根据最近时刻的实际功率对未来4小时(16个时刻点)功率趋势进行预测，并使用该预测值修正利用LSTM预测的短期功率，实现历史功率数据与气象数据的特征结合，提高超短期预测中在风速快速变化或其他因素影响的功率剧烈抖动时的预测准确率，同时加快超短期预测的速度。本发明实现了自回归修正的LSTM智能风电场超短期功率预测方法，结合深度学习、自回归预测等技术，最终为风电场在风电功率超短期的精准预测领域提供了理论依据与实践经验。
-
公开(公告)号：CN114610070B
公开(公告)日：2024-06-21
申请号：CN202210274635.5
申请日：2022-03-21
Applicant: 大连理工大学
IPC: G05D1/46 , H02J13/00 , G05D109/20
Abstract: 本发明提供了一种无人机协同的风电场智能巡检方法，属于数据处理技术领域。本发明通过无人机携带任务载荷完成风电机组的巡检工作，通过深度强化学习‑模拟退火算法模型规划无人机的飞行航迹，实现能耗最低的智能风电场巡检路线规划。本发明充分考虑了风电场的物理和环境特性，实现了低能耗的智慧风电场巡检路线规划，且具有极强的适应能力，能够应用于不同地理位置和地形的风电场中。本发明不仅考虑了风电场中便于实时充电的特性，还充分考虑了风电场的气候特点，创新性地将风速与风向纳入无人机航迹规划的考量中；不仅能够适应不同地形和季风区中的风电场，还能够及时应对突发的气象变化，动态调整巡检路线，非常契合风电场的气象特性。
-
公开(公告)号：CN114841419A
公开(公告)日：2022-08-02
申请号：CN202210414963.0
申请日：2022-04-20
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于Transformer与LSTM混合模型的智能风电功率预测方法，属于深度学习技术领域。本发明对风电场数据进行短期或超短期预测，针对风电场数据的随机性、波动性和尖峰性，设计了Transformer与LSTM混合模型。该混合模型能够高效率地训练出精度优良的模型，加快新能源领域的数字化转型，能够取得更为优异的训练效果，在训练过程能够充分利用过去宝贵的经验。本发明结合Transformer与LSTM模型的优点，既能够准确地预测数据，又能够高效地训练数据，为深度学习技术在风电场领域的应用提供了理论依据和实践经验。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
