福州大学;清华大学林俊杰获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉福州大学;清华大学申请的专利基于时空图卷积神经网络的预测辅助状态估计方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN116151417B 。
龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202211508385.3,技术领域涉及:G06Q10/04;该发明授权基于时空图卷积神经网络的预测辅助状态估计方法是由林俊杰;陆超;宋文超;邵振国;涂明权;陈浩宇设计研发完成,并于2022-11-28向国家知识产权局提交的专利申请。
本基于时空图卷积神经网络的预测辅助状态估计方法在说明书摘要公布了:本发明涉及一种基于时空图卷积神经网络的预测辅助状态估计方法,采用基于图傅立叶变换的频域卷积方法,构建多层图卷积神经网络模型进行电力系统超短期状态预测,在电力系统处于准稳态下准确地预测系统的最新状态。本发明有效提高了状态估计的准确性和数据的可靠性。
本发明授权基于时空图卷积神经网络的预测辅助状态估计方法在权利要求书中公布了:1.一种基于时空图卷积神经网络的预测辅助状态估计方法,其特征在于,包括以下步骤: 步骤S1:构建GCN网络,并基于历史电网状态数据和网络参数训练,并且利用WLS静态状态估计方法对FASE进行初始化; 步骤S2:将当前时刻之前连续的状态估计结果输入训练后的GCN网络,获得状态预测值; 步骤S3:基于获得的状态预测值,计算标准新息值; 步骤S4:判断最大标准新息值是否大于阈值,若大于阈值则转入下一步,否则说明没有检测不良数据和系统状态突变,直接转到步骤S7; 步骤S5:判断区域的新息大于阈值:如果是,则说明检测到电网的状态发生突变,不能采用预测辅助状态估计,转到步骤S8,否的话说明只是出现了可疑测量,转入下一步; 步骤S6:使用状态预测值替换可疑不良数据,形成新测量集; 步骤S7:进行状态滤波,得到预测辅助状态估计值,保存估计结果,回到步骤S2; 步骤S8:进行基于复数域最小二乘的静态状态估计计算,保存估计结果; 所述步骤S2,具体为: 式中,将卷积核Θ和图数据x的图频域卷积运算的算子符号记为L为图的拉普拉斯矩阵,为傅立叶变换的基,是L特征向量{ui}组成的矩阵;L是对称矩阵,Λ是L的特征值{λi}组成的对角矩阵; L=In-D-12WD-12=UΛUT U=u1,u2,…,un 式中,In是单位矩阵,D是度矩阵,为对角矩阵,矩阵的每个对角元素为图结点的度,W是图的加权邻接矩阵; Tkx=2xTk-1x-Tk-2x 式中,Tk表示为切比雪夫多项式是以递归方式定义的一系列正交多项式序列; 式中,θk为多项式的系数,K为卷积核的大小,矩阵上标的波浪线表示归一化,是采用切比雪夫多项式近似的图卷积计算公式 每个时空图卷积模块的输入和输出均为三维张量,设为第l个时空图卷积模块的输入;其中分别是时空图卷积模块的上,下两个门控卷积网络层的卷积核,Θl是频率卷积的频谱卷积核,ReLU为神经网络中常用的修正线性单元,即斜坡函数; 在经过时空图卷积模块得到输出之后,在经由一个时间卷积层和全连接层最终输出结果;最后的门控卷积层是用来将最后一个时空图卷积模块的输出最终映射为一个单步预测值;从整个深度学习神经网络中获得最终输出Z,并在每个通道上的结果应用线性变换进行逆归一化计算从而获得所有节点的状态预测值,其中w是权重向量,b是偏差 式中,θ是模型中所有可训练的参数;x表示状态预测值,xt+1是历史状态估计值。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人福州大学;清华大学,其通讯地址为:350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。