公开(公告)号：CN115271119A

公开(公告)日：2022-11-01

申请号：CN202210891352.5

申请日：2022-07-27

Applicant: 安徽理工大学 ,  国网安徽省电力有限公司

Inventor： 周孟然 ,  邵帅 ,  汪胜和 ,  马金辉 ,  高博 ,  胡锋 ,  李金中 ,  朱梓伟 ,  姚小康 ,  王旭 ,  张易平

IPC: G06Q10/00 ,  G06Q50/06 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于非侵入式负荷监测的工商业设备故障诊断方法和系统，通过采集工商业用户的总用电信息，并根据所述总用电信息提取工商业用户用电行为特征；然后构建非侵入式负荷监测模型，将所述用电行为特征输入到所述非侵入式负荷监测模型中，得到用电设备的设备种类、运行状态和功率消耗；提前构建多种工商业设备的设备故障诊断模型，根据所述设备种类选取对应的设备故障诊断模型，将所述运行状态和功率消耗输入至所述对应的设备故障诊断模型中，得到故障诊断结果。本发明公开的方法能够更好地适应工商业中的异构负荷，同时，无需对原始数据或特征工程进行任何繁重的预处理，端到端的算法结构具有良好的通用性和可操作性。

公开(公告)号：CN116561569A

公开(公告)日：2023-08-08

申请号：CN202310319690.6

申请日：2023-03-29

Applicant: 安徽理工大学

Inventor： 姚小康 ,  周孟然 ,  刘宇 ,  汪锟 ,  王昊男 ,  朱梓伟

IPC: G06F18/214 ,  G06F18/24 ,  G06Q10/04 ,  G06Q10/0639 ,  G06Q50/06 ,  G06F17/14

Abstract: 本发明公开了一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，包括采集工业用电场景中多种设备的电力负荷参数，构建原始功率数据集，对所述数据进行预处理，并根据一定比例规则的划分数据集为训练集和测试集；考虑到采集样本的质量和电力负荷的复杂性，对原始功率数据进行时频域特征提取；使用EO作为基于包装器的特征选择算法，通过DA筛选出最优特征子集；将筛选出的最优特征子集输入至AdaBoost模型进行训练，得到训练好的模型。使用测试集进行识别实验，并输出数据对应的类别和准确率。此方法有效提高了工业用电场景下电力负荷的识别准确率，解决了传统电力负荷识别模型复杂度高难以实际应用在工业现场的问题。

公开(公告)号：CN114970961A

公开(公告)日：2022-08-30

申请号：CN202210435958.8

申请日：2022-04-24

Applicant: 安徽理工大学

Inventor： 朱梓伟 ,  周孟然 ,  胡锋 ,  刘宇 ,  汪锟 ,  姚小康

IPC: G06Q10/04 ,  G06Q50/06 ,  G06F17/18 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  H02J3/00

Abstract: 本发明公开了一种基于峰谷值特征下TSA‑LSTM模型的短期电力负荷预测方法。该方法包括：对收集到的原始负荷数据进行预处理，并划分训练集和测试集；然后根据训练集日负荷特性将一天24小时划分为k个时间段，得出各时间段内的峰谷值，并归一化；利用TSA优化算法对LSTM的参数进行寻优，构建TSA‑LSTM模型对目标日进行峰谷值预测；计算出训练集前一周(168h)实际负荷，峰值和谷值的滞后负荷，计算MIC值，筛选出MIC＞0.6的特征向量；将MIC＞0.6的特征、小时(1‑24)和星期类型(1‑7)作为预测模型的输入，并归一化，再次构建TSA‑LSTM模型，实现短期电力负荷预测。

公开(公告)号：CN116599036A

公开(公告)日：2023-08-15

申请号：CN202310443039.X

申请日：2023-04-21

Applicant: 安徽理工大学

Inventor： 朱梓伟 ,  周孟然 ,  胡锋 ,  姚小康 ,  汪锟 ,  刘宇

IPC: H02J3/00 ,  G06F18/15 ,  G06F18/2113 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于TCN和Informer的两阶段非侵入式负荷分解方法，属于负荷监测技术领域，该方法包括：S1获取负荷有功功率及影响因素数据，并进行预处理；S2使用Spearman相关系数选取强关联影响因素，作为负荷分解的辅助特征信息；S3搭建并训练TCN‑Informer两阶段非侵入式负荷分解模型；S4负荷分解和模型评估。本发明利用TCN网络对除功率外其他影响因素进行高级特征提取，进而调整Informer解码器的输入，实现高精度非侵入式负荷分解。

公开(公告)号：CN116484200A

公开(公告)日：2023-07-25

申请号：CN202310443026.2

申请日：2023-04-21

Applicant: 安徽理工大学

Inventor： 周孟然 ,  朱梓伟 ,  胡锋 ,  姚小康 ,  汪锟 ,  刘宇

IPC: G06F18/2113 ,  G06F18/2131 ,  G06F18/2134 ,  G06F18/20

Abstract: 本发明公开了一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，属于负荷监测技术领域，该方法包括：S1采集总负荷和各类单负荷有功功率并预处理；S2构建完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷功率分解；S3基于Bayesian信息准则估计源数；S4利用最大信息系数(MIC)进行降维；S5利用FastICA盲源分离，实现负荷分解；S6对分解信号和源信号近似程度进行评估。本发明从信号盲源分离角度实现负荷分解，减少了繁琐的负荷信息特征提取，分解得到完整的负荷信息。同时，相对于深度学习，大大减少了模型训练时间。