公开(公告)号：CN118472906A

公开(公告)日：2024-08-09

申请号：CN202311045148.2

申请日：2023-08-18

Applicant: 湖南第一师范学院 ,  拓维信息系统股份有限公司

Inventor： 满君丰 ,  周峻 ,  彭昱 ,  石猛 ,  李倩倩 ,  王靛 ,  吴俊昭 ,  马俊杰 ,  陈亚楠 ,  张云贺 ,  程亦君 ,  沈意平 ,  王佳敏

IPC: H02J3/00 ,  H02J3/46 ,  G06F18/10 ,  G06F18/22 ,  G06F18/231 ,  G06F18/23213 ,  G06N3/042 ,  G06N3/0464

Abstract: 本发明公开了一种区域型风电场发电功率预测方法，涉及风力发电技术领域。通过对多源异常数据进行识别，去除风电异常值。通过相似性度量技术，将风电集群划分为单个的波动子群。对多个输入节点进行定义，再将历史功率作为目标节点。建立多层次无向图，将各风机的风速节点作为其中最后一个无向图；建立由风速无向图指向功率无向图的单向结构。通过计算空间相关性矩阵，来描述风电场的空间相关性。将样本数据输入到空间域GCN训练预测模型。待模型收敛后，将实时数据输入到预测模型中，得到预测结果。实现对实时气象因素变化的细致描述，同时细粒度分类而来的波动子群，其内部在出力模式和波动趋势方面相关性较强，简化了后续模型的预测难度。

公开(公告)号：CN115081530A

公开(公告)日：2022-09-20

申请号：CN202210755770.1

申请日：2022-06-30

Applicant: 湖南第一师范学院

Inventor： 满君丰 ,  王非凡 ,  王靛 ,  胡凯凯 ,  陈亚楠 ,  杨恒伏 ,  傅红普 ,  周文健

IPC: G06K9/62 ,  F03D80/40

Abstract: 本发明属于风力发电技术领域，公开了一种风机叶片结冰检测方法、系统、介质及设备，所述风机叶片结冰检测方法包括在XGBoost算法的基础上结合tri‑training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。本发明通过剔除掉非结冰因素导致风机限功运行的样本点，提高了模型的准确率和泛化性能。本发明融合了新的特征，采用Pearson相关系数对特征进行降维，降低了模型复杂度，提升了叶片结冰识别效率。

公开(公告)号：CN115081530B

公开(公告)日：2024-12-31

申请号：CN202210755770.1

申请日：2022-06-30

Applicant: 湖南第一师范学院 ,  湖南天桥嘉成智能科技有限公司

Inventor： 满君丰 ,  王非凡 ,  王靛 ,  胡凯凯 ,  陈亚楠 ,  杨恒伏 ,  傅红普 ,  周文健

IPC: G06F18/2431 ,  G06F18/2113 ,  G06F18/214 ,  F03D80/40

Abstract: 本发明属于风力发电技术领域，公开了一种风机叶片结冰检测方法、系统、介质及设备，所述风机叶片结冰检测方法包括在XGBoost算法的基础上结合tri‑training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。本发明通过剔除掉非结冰因素导致风机限功运行的样本点，提高了模型的准确率和泛化性能。本发明融合了新的特征，采用Pearson相关系数对特征进行降维，降低了模型复杂度，提升了叶片结冰识别效率。

公开(公告)号：CN115222141A

公开(公告)日：2022-10-21

申请号：CN202210905232.6

申请日：2022-07-29

Applicant: 湖南第一师范学院

Inventor： 满君丰 ,  郑明磊 ,  王靛 ,  胡凯凯 ,  陈亚楠 ,  李倩倩 ,  刘翊 ,  沈意平 ,  李新宇 ,  杨毅

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

Abstract: 本发明属于风电机组异常检测技术领域，公开了一种多变量时序异常检测方法、系统、介质、设备及终端，构建由空间特征重构模块和时序预测模块组成的异常检测的融合框架；在空间特征重构模块中，采用DSAE深度栈式自动编码器提取多变量间的空间相关特征，输出低维特征表示，计算重建误差；在时序预测模块中，采用基于自注意力的Transformer预测子网络提取复杂的全局时序依赖关系；采用联合训练方式同时优化融合框架中的两个子网络，最小化重建误差和预测误差，实现针对风电机组SCADA数据的多变量时序异常检测。本发明结合重构方法和预测方法优点，提取多变量时序数据中空间特征和时序依赖，实现可靠的风电SCADA异常检测。

公开(公告)号：CN118941052A

公开(公告)日：2024-11-12

申请号：CN202411157222.4

申请日：2024-08-22

Applicant: 湖南第一师范学院

Inventor： 程亦君 ,  王婷 ,  满君丰 ,  马俊杰 ,  王靛 ,  王自力 ,  胡轶波 ,  陈亚楠 ,  李雪萍

IPC: G06Q10/0631 ,  G06Q10/04 ,  G06Q10/067 ,  G06Q50/06 ,  G06N20/00 ,  G06F30/27 ,  G06F113/04

Abstract: 本发明公开了一种融合专家知识与强化学习技术的互联微电网能量调度方法，属于智能电网领域领域，包括如下步骤：S1、建立互联微电网强化学习环境，引入优化策略模型；S2、分层优化设计；S3、强化学习策略的迭代优化；S4、模型应用与性能评估。本发明提出的融合专家知识与强化学习技术的互联微电网能量调度方法，缩短了强化学习的训练时间，增强了策略的鲁棒性和稳定性，而且通过优化能量调度策略，进一步降低了互联微电网的运行成本，为实现大规模互联微电网的高效、经济、安全运行提供了关键技术支撑。