为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期...为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期跨建筑负荷预测。CATrans特征提取器利用注意力机制来学习源域和目标域负荷数据的域共有和私有时间特征,并利用共有特征进行知识迁移;特征重构器作为辅助模块,对源域和目标域数据进行数据重构;由回归预测器将学习到的特征转化为预测值。最后,利用在源域和目标域上训练得到的建筑负荷预测模型,直接用于目标建筑的负荷预测。实验结果表明,所提出的方法有效地提高了数据稀缺情况下的预测准确性和模型泛化能力。展开更多
为提高载荷识别与结构响应重构的精度及效率,提出了一种同时考虑传递矩阵误差和测量误差的改进Tikhonov正则化方法。首先,通过结构动力学模型构建状态空间方程和传递矩阵,得到结构载荷和响应的重构方程;其次,利用截断随机奇异值分解方...为提高载荷识别与结构响应重构的精度及效率,提出了一种同时考虑传递矩阵误差和测量误差的改进Tikhonov正则化方法。首先,通过结构动力学模型构建状态空间方程和传递矩阵,得到结构载荷和响应的重构方程;其次,利用截断随机奇异值分解方法计算测点位置的近似传递矩阵,同时结合总体最小二乘法(Total Least Squares Method,TLSM)和传统Tikhonov正则化方法识别载荷,再通过待重构位置的传递矩阵重构未知响应;最后,分别对二维桁架和简支梁进行数值仿真和试验分析,验证所提方法的有效性。结果表明,相较于传统Tikhonov正则化方法,所提方法可在保证重构精度的同时提升重构效率。展开更多
针对风光荷时变的配电网动态重构问题,提出了一种Kmeans++融合PAM(Kmeans++-partitioning around medoid)聚类方法,按时间顺序划分日等值负荷曲线。以综合成本、电压偏移和负荷均衡度为优化目标构建配电网多目标动态重构模型。提出了一...针对风光荷时变的配电网动态重构问题,提出了一种Kmeans++融合PAM(Kmeans++-partitioning around medoid)聚类方法,按时间顺序划分日等值负荷曲线。以综合成本、电压偏移和负荷均衡度为优化目标构建配电网多目标动态重构模型。提出了一种改进星鸦优化算法(improved Nutcracker optimization algorithm,INOA)提升模型求解效率,利用Tent映射+准反射学习提供优质初始种群,引入动态适应度-距离平衡选择方法和切线飞行策略提高全局搜索能力,加入柯西-高斯变异扰动克服局部最优。基于IEEE33节点系统进行对比分析,结果表明所提方法能够实现负荷最优划分并对重构模型进行高效求解。展开更多
为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦...为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。展开更多
文摘为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期跨建筑负荷预测。CATrans特征提取器利用注意力机制来学习源域和目标域负荷数据的域共有和私有时间特征,并利用共有特征进行知识迁移;特征重构器作为辅助模块,对源域和目标域数据进行数据重构;由回归预测器将学习到的特征转化为预测值。最后,利用在源域和目标域上训练得到的建筑负荷预测模型,直接用于目标建筑的负荷预测。实验结果表明,所提出的方法有效地提高了数据稀缺情况下的预测准确性和模型泛化能力。
文摘为提高载荷识别与结构响应重构的精度及效率,提出了一种同时考虑传递矩阵误差和测量误差的改进Tikhonov正则化方法。首先,通过结构动力学模型构建状态空间方程和传递矩阵,得到结构载荷和响应的重构方程;其次,利用截断随机奇异值分解方法计算测点位置的近似传递矩阵,同时结合总体最小二乘法(Total Least Squares Method,TLSM)和传统Tikhonov正则化方法识别载荷,再通过待重构位置的传递矩阵重构未知响应;最后,分别对二维桁架和简支梁进行数值仿真和试验分析,验证所提方法的有效性。结果表明,相较于传统Tikhonov正则化方法,所提方法可在保证重构精度的同时提升重构效率。
文摘为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。
