期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于二次模态分解重构及BiTCN-BiGRU模型的光伏短期发电功率预测
1
作者
文斌
章学勤
+2 位作者
付文龙
丁弈夫
封宣宇
《电力系统保护与控制》
北大核心
2025年第18期74-87,共14页
针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recircul...
针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recirculation unit,BiGRU)组合模型及与多策略改进沙猫群优化算法(multi-strategy improved sand cat swarm algorithm,MSCSO)相结合的光伏短期发电功率预测方法。首先,利用Spearman相关系数选取气象特征作为模型输入,并采用模糊C均值聚类方法进行相似日分类。其次,采用改进完全集合经验模态分解、变分模态分解对光伏功率序列进行分解并采用样本熵对分量进行重构。最后,建立Bi TCN-Bi GRU组合预测模型进行预测并通过MSCSO优化模型参数,将各分量预测结果叠加得到最终光伏功率预测值。通过与多种预测模型在不同天气条件和不同地区的对比分析,验证了所提模型具有更高的预测精度和良好的适应性。
展开更多
关键词
二次模态分解重构
沙猫群算法
双向时序卷积网络
双向
门控循环单元
光伏功率预测
在线阅读
下载PDF
职称材料
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
2
作者
傅蜀燕
杨石勇
+2 位作者
陈德辉
王子轩
欧斌
《水资源与水工程学报》
北大核心
2025年第1期118-128,共11页
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN...
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。
展开更多
关键词
土石坝测压管水位
渗流预测
双向
时序
卷积
神经
网络
注意力机制
最小二乘支持向量机
在线阅读
下载PDF
职称材料
题名
基于二次模态分解重构及BiTCN-BiGRU模型的光伏短期发电功率预测
1
作者
文斌
章学勤
付文龙
丁弈夫
封宣宇
机构
三峡大学电气与新能源学院
梯级水电站运行与控制湖北省重点实验室(三峡大学)
国网重庆市电力公司南川供电分公司
出处
《电力系统保护与控制》
北大核心
2025年第18期74-87,共14页
基金
国家自然科学基金项目资助(62273200)
湖北省输电线路工程技术研究中心研究基金项目资助(2022KXL03)
湖北省自然科学基金联合基金项目资助(2024AFD409)。
文摘
针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recirculation unit,BiGRU)组合模型及与多策略改进沙猫群优化算法(multi-strategy improved sand cat swarm algorithm,MSCSO)相结合的光伏短期发电功率预测方法。首先,利用Spearman相关系数选取气象特征作为模型输入,并采用模糊C均值聚类方法进行相似日分类。其次,采用改进完全集合经验模态分解、变分模态分解对光伏功率序列进行分解并采用样本熵对分量进行重构。最后,建立Bi TCN-Bi GRU组合预测模型进行预测并通过MSCSO优化模型参数,将各分量预测结果叠加得到最终光伏功率预测值。通过与多种预测模型在不同天气条件和不同地区的对比分析,验证了所提模型具有更高的预测精度和良好的适应性。
关键词
二次模态分解重构
沙猫群算法
双向时序卷积网络
双向
门控循环单元
光伏功率预测
Keywords
quadratic modal decomposition reconstruction
sand cat swarm optimization
bidirectional temporal convolutional networks
bidirectional gated recirculation unit
PV power prediction
分类号
TM615 [电气工程—电力系统及自动化]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
2
作者
傅蜀燕
杨石勇
陈德辉
王子轩
欧斌
机构
云南农业大学水利学院
河海大学水灾害防御全国重点实验室
云南省中小型水利工程智慧管养工程研究中心
出处
《水资源与水工程学报》
北大核心
2025年第1期118-128,共11页
基金
国家自然科学基金项目(52069029、52369026)
“一带一路”水与可持续发展科技基金资助项目(2023490411)
云南省农业基础研究联合专项面上项目(202401BD070001-071)。
文摘
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。
关键词
土石坝测压管水位
渗流预测
双向
时序
卷积
神经
网络
注意力机制
最小二乘支持向量机
Keywords
piezometer water level in earth-rock dam
seepage prediction
bidirectional temporal convolutional network(BiTCN)
attention mechanism(Attention)
least square support vector machine(LSSVM)
分类号
TV698.11 [水利工程—水利水电工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于二次模态分解重构及BiTCN-BiGRU模型的光伏短期发电功率预测
文斌
章学勤
付文龙
丁弈夫
封宣宇
《电力系统保护与控制》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
傅蜀燕
杨石勇
陈德辉
王子轩
欧斌
《水资源与水工程学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
