-
公开(公告)号：CN118112446B
公开(公告)日：2024-10-22
申请号：CN202410022739.6
申请日：2024-01-05
Applicant: 淮阴工学院
IPC: G01R31/392 , G01R31/367 , G01R31/378
Abstract: 本发明公开了一种基于集成学习的氢燃料电池寿命预测方法，包括：获取氢燃料电池工作过程中的多变量历史监测数据，利用极限梯度提升算法对其进行特征选择，确定健康指标和最佳输入变量集，得到最优输入矩阵；构建基于Blending集成的寿命预测模型，基学习层由DBN、GRU和TCN组成，元学习层由GPR构成；利用改进的人工兔优化算法IARO对集成模型的关键超参数进行寻优；结合最优输入矩阵和IARO对构建的集成模型进行训练，得到优化训练后的Blending集成预测模型；结合预处理过的新样本和优化后的Blending集成预测模型，得到剩余寿命的最终预测结果。本发明通过集成单一模型的优点实现高精度的剩余寿命点预测，为研究出适合氢燃料电池系统长期运行的维护策略方面提供参考。
-
公开(公告)号：CN116804706B
公开(公告)日：2024-08-02
申请号：CN202310661234.X
申请日：2023-06-06
Applicant: 淮阴工学院
IPC: G01R31/367 , G01R31/385 , G01R31/392 , G06N3/006 , G06F18/232
Abstract: 本发明公开一种电动汽车锂电池温度预测方法及装置，采集不同老化程度下锂电池数据，基于灰色关联度理论选取强相关的温度特征，利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的数据样本子集；运用TCN温度预测模型对不同老化程度的数据样本子集进行分别温度预测，得到第一层预测结果；组合所有预测值重构为新的数据集作为温度在线预测模型OSELM的输入；采用Chebyshev混沌映射对蜜獾算法的种群进行初始化，在挖掘阶段中加入Levy飞行和透镜成像反向学习策略，得到XHBA算法；同时使用XHBA优化OSELM的权重和偏置，并将最优权重和偏置和测试数据样本输入到OSELM预测模型中进行融合预测，得到预测结果。本发明能够有效实现电动汽车锂电池温度的在线预测，并能提高预测精度。
-
公开(公告)号：CN117151285B
公开(公告)日：2024-07-02
申请号：CN202311097283.1
申请日：2023-08-29
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于多要素注意力时空图卷积网络的径流预报方法，首先获取流域水文历史数据集；提取流域上下游站点的拓扑关系，完成流域拓扑关系的提取及图结构模型的构建；建立基于真实空间邻接关系的地理邻接矩阵，分析流域径流过程的多重时空依赖性；引入时空图卷积网络提取水文气象要素在时空维度的特征，搭建融合多要素预报结果的神经网络全连接层，建立径流预报模型MASTGCN；运用均匀初始化对秃鹰搜索优化算法进行初始化操作，将多元学习策略引入到秃鹰搜索优化算法中得到UMBES算法，利用UMBES算法优化MASTGCN模型中的超参数，利用优化后的MASTGCN模型对未来时刻的径流状况进行预测。本发明能有效捕获水文气象过程的动态时空模式，实现准确的径流预报。
-
公开(公告)号：CN117154704B
公开(公告)日：2024-06-07
申请号：CN202311106969.2
申请日：2023-08-29
Applicant: 淮阴工学院
IPC: H02J3/00 , G06F30/27 , G06N3/0464 , G06N3/045 , G06N3/08 , G06Q50/06 , G06N7/01 , G06F17/16 , G06F17/15
Abstract: 本发明公开了一种基于多尺度时空图注意力卷积网络的光伏功率预测方法，获取光伏电站真实历史运行数据集，利用互信息熵对NWP中的主要气象因子与光伏功率进行相关性分析，筛选出相关程度最高的气象因子，采用矩阵填充算法对其进行修正；建立时空图注意力卷积网络模型，首先构建属性图来捕捉光伏发电功率在时间和空间上的动态特征，通过多层图注意力网络从属性图中提取空间特征，使用时间卷积网络从属性图中来挖掘时间相关特征；采用改进的序贯模型优化算法对预测模型的超参数进行优化；最后，构建融合多源数据的神经网络全连接层，从而预测光伏发电功率。本发明提高了区域内光伏电站的发电功率预测准确性。
-
公开(公告)号：CN116954086A
公开(公告)日：2023-10-27
申请号：CN202311111146.9
申请日：2023-08-30
Applicant: 淮阴工学院
IPC: G05B13/04
Abstract: 本发明公开了一种抽水蓄能机组调节系统智能预测控制方法及装置，所述方法包括以下内容：首先，获取抽水蓄能机组调节系统运行数据，其次，建立时域卷积‑双向长短期神经网络TCN‑BiLSTM对系统未来状态趋势进行迭代预测，并作为深度智能预测控制DeepMPC的预测模型；然后，通过梯度下降算法实时优化模型和实际过程输出的误差在线实时调整TCN‑BiLSTM预测模型的参数，使其与被控对象保持一致；最后，采用改进的人工鱼群算法设计非线性预测控制器，加速预测控制律的求解。本发明能够满足不同工况下的抽水蓄能调节系统非线性预测控制，从而提高抽水蓄能机组抑制转速和功率波动的调控能力。
-
Patent Agency Ranking
公开(公告)号：CN116774086A
公开(公告)日：2023-09-19
申请号：CN202310686242.X
申请日：2023-06-09
Applicant: 淮阴工学院
IPC: G01R31/392 , G06F30/27 , G06N3/0464 , G06N3/042 , G06N3/0985
Abstract: 本发明公开了一种基于多传感器数据融合的锂电池健康状态估计方法，采集锂电池数据，运用去趋势交叉相关分析法对数据集进行特征提取并进行数据集划分；构建基STGCN和Pyraformer模型的锂电池组电池健康状态模型；通过STGCN提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征，将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系；运用均匀初始化对SDO进行初始化操作，将改进后的多元学习引入到SDO中得到改进的UMSDO算法；利用UMSDO优化STGCN‑Pyraformer模型中的超参数，获取对应的最优参数，对电池健康状态进行预测，得到电池健康状态的预测结果。本发明能够被应用于锂电池健康状态预测的建模过程中，确保锂电池健康状态预测的准确性。
-
公开(公告)号：CN116502539A
公开(公告)日：2023-07-28
申请号：CN202310566085.9
申请日：2023-05-18
Applicant: 淮阴工学院
IPC: G06F30/27 , G06F18/10 , G06F18/25 , G06F18/213 , H03H17/02 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q10/04 , G06Q50/26
Abstract: 本发明公开了一种VOCs气体浓度预测方法及系统，首先实时采集VOCs气体浓度以及气象数据，并对数据进行预处理；其次，建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；然后，建立GCN‑TCN时空关联模型，将融合数据以及预处理过的历史实测数据送入GCN‑TCN时空关联模型中进行时空特征提取；利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN‑TCN时空关联模型的参数，搜寻两模型参数的最优解；最后，利用训练优化后的GCN‑TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。本发明可以对敏感区域的VOCs气体浓度实现更精确的预测，及时发现隐患，降低风险发生。
-
公开(公告)号：CN118112446A
公开(公告)日：2024-05-31
申请号：CN202410022739.6
申请日：2024-01-05
Applicant: 淮阴工学院
IPC: G01R31/392 , G01R31/367 , G01R31/378
Abstract: 本发明公开了一种基于集成学习的氢燃料电池寿命预测方法，包括：获取氢燃料电池工作过程中的多变量历史监测数据，利用极限梯度提升算法对其进行特征选择，确定健康指标和最佳输入变量集，得到最优输入矩阵；构建基于Blending集成的寿命预测模型，基学习层由DBN、GRU和TCN组成，元学习层由GPR构成；利用改进的人工兔优化算法IARO对集成模型的关键超参数进行寻优；结合最优输入矩阵和IARO对构建的集成模型进行训练，得到优化训练后的Blending集成预测模型；结合预处理过的新样本和优化后的Blending集成预测模型，得到剩余寿命的最终预测结果。本发明通过集成单一模型的优点实现高精度的剩余寿命点预测，为研究出适合氢燃料电池系统长期运行的维护策略方面提供参考。
-
公开(公告)号：CN117114192A
公开(公告)日：2023-11-24
申请号：CN202311103993.0
申请日：2023-08-29
Applicant: 淮阴工学院
IPC: G06Q10/04 , G06Q10/067 , G06Q50/06 , G06F18/25 , G06N7/01 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F18/213 , H02J3/00
Abstract: 本发明公开了一种基于多尺度时空图变换网络的海上风电功率预测方法及装置，首先，采集海上多个风电场的历史数据，进行小样本增强；其次，建立由多时间尺度自相关特征提取模块、时空特征提取模块和预测输出模块组成的多尺度时空图变换网络模型MSSTGTN，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征，通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征，最后通过预测输出模块预测风电功率；采用多目标贝叶斯算法优化模型的超参数以及时间与形状失真损失函数的权重，从而得到更准确的风电功率预测结果。本发明捕捉复杂的时空关系，考虑多个目标指标，适应海上风电场的动态变化，提高预测的准确性和稳定性。
-
公开(公告)号：CN116885691A
公开(公告)日：2023-10-13
申请号：CN202310626107.6
申请日：2023-05-30
Applicant: 淮阴工学院
IPC: H02J3/00 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/10 , G06F18/213 , G06N3/0985 , H02J3/38
Abstract: 本发明公开了一种风电功率爬坡事件间接预测方法，首先，利用多元变分模态分解将原始风电功率和风速联合分解成一组相对平稳的子序列；其次，使用卷积神经网络对每一个被分解的风电功率序列进行特征提取；再次，利用改进的FDA算法对BIGRU模型的超参数进行优化，得到优化预测模型并对风电功率进行预测，采用残差修正模型TCN对其进行误差校正，以获得最终的风电功率预测值；最后，将最终风电功率预测值作为输入，使用改进的FDA算法优化旋转门算法对其中的风电爬坡事件进行识别；结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。本发明能够使得风功率预测更加接近实际值，提高风功率预测的准确度，提升风电爬坡事件的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.028 seconds)
