Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018161723) SYSTÈME DE PRÉVISION DE CHARGE DE PUISSANCE BASÉ SUR UN RÉSEAU NEURONAL DE MÉMOIRE À COURT TERME LONGUE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2018/161723 N° de la demande internationale : PCT/CN2018/072372
Date de publication : 13.09.2018 Date de dépôt international : 12.01.2018
CIB :
G06Q 50/06 (2012.01) ,G06Q 10/04 (2012.01) ,G06N 3/02 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
Q
SYSTÈMES OU MÉTHODES DE TRAITEMENT DE DONNÉES, SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION; SYSTÈMES OU MÉTHODES SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION, NON PRÉVUS AILLEURS
50
Systèmes ou procédés spécialement adaptés à un secteur particulier d'activité économique, p.ex. services d'utilité publique ou tourisme
06
Fourniture d'électricité, de gaz ou d'eau
G PHYSIQUE
06
CALCUL; COMPTAGE
Q
SYSTÈMES OU MÉTHODES DE TRAITEMENT DE DONNÉES, SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION; SYSTÈMES OU MÉTHODES SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION, NON PRÉVUS AILLEURS
10
Administration; Gestion
04
Prévision ou optimisation, p.ex. programmation linéaire, "problème du voyageur de commerce" ou "problème d'optimisation des stocks"
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3
Systèmes de calculateurs basés sur des modèles biologiques
02
utilisant des modèles de réseaux neuronaux
Déposants :
深圳市景程信息科技有限公司 X-TRIP INFORMATION TECHNOLOGIES CO., LTD [CN/CN]; 中国广东省深圳市 南山区粤海街道高新南七道数字技术园B1栋4楼B区梁艳妮 LIANG, Yanni B Area, 4th Floor, B1 Building, Digital Technology Park, High-Tech South 7th Road, Yuehai Street, Nanshan District Shenzhen, Guangdong 518057, CN
Inventeurs :
杨延东 YANG, Yandong; CN
邓力 DENG, Li; CN
李书芳 LI, Shufang; CN
张贯京 ZHANG, Guanjing; CN
葛新科 GE, Xinke; CN
Mandataire :
深圳市景程信息科技有限公司 X-TRIP INFORMATION TECHNOLOGIES CO., LTD; 中国广东省深圳市 南山区科技园高新南七道数字技术园B1栋3B梁艳妮 LIANG, Yanni 3B, Bldg B1, Digital-Tech Park, High-Tech South 7th Road, Sci & Tech Park, Nanshan Shenzhen, Guangdong 518057, CN
Données relatives à la priorité :
201710136478.008.03.2017CN
Titre (EN) POWER LOAD FORECASTING SYSTEM BASED ON LONG SHORT-TERM MEMORY NEURAL NETWORK
(FR) SYSTÈME DE PRÉVISION DE CHARGE DE PUISSANCE BASÉ SUR UN RÉSEAU NEURONAL DE MÉMOIRE À COURT TERME LONGUE
(ZH) 基于长短时记忆神经网络的电力负荷预测系统
Abrégé :
(EN) A power load forecasting system (10) based on a long short-term memory neural (LSTM) network, wherein the LSTM network comprises an input layer, an LSTM network layer, and an output layer. The system comprises: an information receiving module (101) used for transmitting input power load data and region feature factor at a historical moment to the input layer; a modeling module (102) used for training and modeling the power load data and the region feature factor at the historical moment by means of the LSTM network layer, in order to generate a deep neural network load forecasting model; a power forecasting module (103) used for forecasting the power load in a region by means of the deep neural network load forecasting model, and generating a forecasting result of the power load in the region by means of a regressor connected to the LSTM network layer; and a result output module (104) used for outputting the forecasting result of the power load in the region by means of the output layer. By constructing a load forecasting model for multi-task learning on the basis of an LSTM network, power consumption loads in multiple regions can be precisely forecasted, and the forecasting effect is improved.
(FR) L'invention concerne un système de prévision de charge de puissance (10) basé sur un réseau neuronal de mémoire à court terme longue (LSTM), le réseau LSTM comprenant une couche d'entrée, une couche de réseau LSTM et une couche de sortie. Le système comprend : un module de réception d'informations (101) utilisé pour transmettre des données de charge de puissance d'entrée et un facteur de caractéristique de région à un moment historique à la couche d'entrée ; un module de modélisation (102) utilisé pour l'apprentissage et la modélisation des données de charge de puissance et du facteur de caractéristique de région au moment historique au moyen de la couche de réseau LSTM, afin de générer un modèle de prévision de charge de réseau neuronal profond ; un module de prévision de puissance (103) utilisé pour prévoir la charge de puissance dans une région au moyen du modèle de prévision de charge de réseau neuronal profond, et générer un résultat de prévision de la charge de puissance dans la région au moyen d'un régresseur connecté à la couche de réseau LSTM ; et un module de sortie de résultat (104) utilisé pour délivrer en sortie le résultat de prévision de la charge de puissance dans la région au moyen de la couche de sortie. La construction d'un modèle de prévision de charge pour un apprentissage multitâche sur la base d'un réseau LSTM permet de prévoir avec précision des charges de consommation d'énergie dans de multiples régions et d'améliorer l'effet de prévision.
(ZH) 一种基于长短时记忆神经(LSTM)网络的电力负荷预测系统(10),其中LSTM网络包括输入层、LSTM网络层和输出层,该系统包括:信息接收模块(101),用于将输入的历史时刻的电力负荷数据和区域特征因素传递至输入层;模型建立模块(102),用于通过LSTM网络层对历史时刻的电力负荷数据和区域特征因素进行训练建模,以生成深度神经网络负荷预测模型;电力预测模块(103),用于利用深度神经网络负荷预测模型对区域内的电力负荷进行预测,并通过连接至LSTM网络层的回归器产生该区域内的电力负荷预测结果;结果输出模块(104),用于通过输出层输出区域内的电力负荷预测结果。基于LSTM网络来构建多任务学习的负荷预测模型,能够精确预测出多区域的用电负荷,提升了预测效果。
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)