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CNN-BiLSTM和多目标函数优化的省级光伏日内保障出力预测
1
作者
王莲
简子淋
+3 位作者
张晓斌
夏越
王铮
俞轩
《高电压技术》
北大核心
2025年第9期4846-4855,共10页
目前,光伏功率预测方法均是以追求整体预测精度最高为优化目标,导致部分时段的预测功率高于实际功率。基于高估的预测功率制定的发电调度计划可能无法满足实际电力需求,对电力系统保供产生不利影响。针对此问题,提出了一种以保安全为目...
目前,光伏功率预测方法均是以追求整体预测精度最高为优化目标,导致部分时段的预测功率高于实际功率。基于高估的预测功率制定的发电调度计划可能无法满足实际电力需求,对电力系统保供产生不利影响。针对此问题,提出了一种以保安全为目标的省级光伏日内保障出力预测方法。首先,利用卷积神经网络(convolutional neural networks,CNN)的空间特征提取和双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)的时间序列处理能力,构建基于卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)的省级光伏日内保障出力模型。然后,引入包括正偏差预测精度、预测功率修正强度、正偏差识别准确性和模型响应速度在内的多目标损失函数,识别并提取光伏预测功率的正偏差时序特征。接着,对省级光伏日内原始预测功率结果进行修正,获得最低的省级光伏日内出力水平,并建立了2种面向光伏保障出力预测结果的评价指标,即保障率和保障电量占比。最后,基于我国西北某省实际生产运行数据对所提方法的有效性进行了验证。
展开更多
关键词
保安全
光伏日内保障出力
CNN-BiLSTM
多目标损失函数
保障率
保障电量占比
在线阅读
下载PDF
职称材料
基于物理信息神经网络的地震波阻抗反演方法综述
2
作者
宋操
陆文凯
+5 位作者
耿伟恒
段旭东
王钰清
王琦
马绮铭
李尹硕
《石油物探》
北大核心
2025年第4期595-621,共27页
地震波阻抗反演是地震勘探领域的重要研究方向之一,其目标是利用地震数据定量预测地下介质的波阻抗。近年来,随着人工智能技术的快速发展,国内外学者提出了多种基于深度学习的地震波阻抗反演方法。这些方法将物理定律、经验公式及专家...
地震波阻抗反演是地震勘探领域的重要研究方向之一,其目标是利用地震数据定量预测地下介质的波阻抗。近年来,随着人工智能技术的快速发展,国内外学者提出了多种基于深度学习的地震波阻抗反演方法。这些方法将物理定律、经验公式及专家先验知识等地球物理信息融入深度网络,从不同角度降低反演问题的多解性,并增强其物理可解释性。对这些方法进行了研究和总结,从3个角度引入地球物理信息,分别为:①设计嵌入地球物理知识的网络结构;②施加数据约束;③构建多目标损失函数。其中,嵌入地球物理知识的网络结构包括:正演物理模型模块、反射系数反演模型模块、地震数据的时空特征表征模块和人工合成与实际数据的域适应模块。数据约束包括:通过人工合成多样化的样本训练深度网络和量化先验知识输入网络。多目标损失函数中引入基于地球物理信息的正则化项,包括:闭环损失、生成对抗损失、动态时间规整损失、空间构造损失和不确定性损失。上述3种策略可以从不同角度降低反演的多解性,提升反演的可靠性。最后,对基于深度学习的地震波阻抗反演方法做出展望:①利用多模态大模型的强大理解能力和知识推理能力,采用多模态数据提升反演模型的泛化性;②利用多模型拟合并结合物理信息神经网络,将反演建模的“一对多”问题转化为每个地震相分割单元内的“一对一”问题,降低地震波阻抗反演问题的多解性。
展开更多
关键词
地震反演
多解性
深度学习
物理信息神经网络
多目标损失函数
在线阅读
下载PDF
职称材料
题名
基于CNN-BiLSTM和多目标函数优化的省级光伏日内保障出力预测
1
作者
王莲
简子淋
张晓斌
夏越
王铮
俞轩
机构
中国农业大学信息与电气工程学院
北京电力经济技术研究院有限公司
国网甘肃省电力公司
可再生能源并网全国重点实验室(中国电力科学研究院有限公司)
出处
《高电压技术》
北大核心
2025年第9期4846-4855,共10页
基金
国家重点研发计划(2022YFB2403000)
国家电网有限公司科技项目(522722230034)。
文摘
目前,光伏功率预测方法均是以追求整体预测精度最高为优化目标,导致部分时段的预测功率高于实际功率。基于高估的预测功率制定的发电调度计划可能无法满足实际电力需求,对电力系统保供产生不利影响。针对此问题,提出了一种以保安全为目标的省级光伏日内保障出力预测方法。首先,利用卷积神经网络(convolutional neural networks,CNN)的空间特征提取和双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)的时间序列处理能力,构建基于卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)的省级光伏日内保障出力模型。然后,引入包括正偏差预测精度、预测功率修正强度、正偏差识别准确性和模型响应速度在内的多目标损失函数,识别并提取光伏预测功率的正偏差时序特征。接着,对省级光伏日内原始预测功率结果进行修正,获得最低的省级光伏日内出力水平,并建立了2种面向光伏保障出力预测结果的评价指标,即保障率和保障电量占比。最后,基于我国西北某省实际生产运行数据对所提方法的有效性进行了验证。
关键词
保安全
光伏日内保障出力
CNN-BiLSTM
多目标损失函数
保障率
保障电量占比
Keywords
ensure safety
PV intra-day guaranteed power output
CNN-BiLSTM
multi-objective loss function
guar-anteed rate
guaranteed energy ratio
分类号
TM615 [电气工程—电力系统及自动化]
TP183 [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
基于物理信息神经网络的地震波阻抗反演方法综述
2
作者
宋操
陆文凯
耿伟恒
段旭东
王钰清
王琦
马绮铭
李尹硕
机构
清华大学自动化系
北京信息科学与技术国家研究中心
出处
《石油物探》
北大核心
2025年第4期595-621,共27页
基金
国家自然科学基金国家重大科研仪器研制项目(部门推荐)(42327901)
国家自然科学基金面上项目(41974126)
国家重点研究与发展计划资助项目(2018YFA0702501)共同资助
文摘
地震波阻抗反演是地震勘探领域的重要研究方向之一,其目标是利用地震数据定量预测地下介质的波阻抗。近年来,随着人工智能技术的快速发展,国内外学者提出了多种基于深度学习的地震波阻抗反演方法。这些方法将物理定律、经验公式及专家先验知识等地球物理信息融入深度网络,从不同角度降低反演问题的多解性,并增强其物理可解释性。对这些方法进行了研究和总结,从3个角度引入地球物理信息,分别为:①设计嵌入地球物理知识的网络结构;②施加数据约束;③构建多目标损失函数。其中,嵌入地球物理知识的网络结构包括:正演物理模型模块、反射系数反演模型模块、地震数据的时空特征表征模块和人工合成与实际数据的域适应模块。数据约束包括:通过人工合成多样化的样本训练深度网络和量化先验知识输入网络。多目标损失函数中引入基于地球物理信息的正则化项,包括:闭环损失、生成对抗损失、动态时间规整损失、空间构造损失和不确定性损失。上述3种策略可以从不同角度降低反演的多解性,提升反演的可靠性。最后,对基于深度学习的地震波阻抗反演方法做出展望:①利用多模态大模型的强大理解能力和知识推理能力,采用多模态数据提升反演模型的泛化性;②利用多模型拟合并结合物理信息神经网络,将反演建模的“一对多”问题转化为每个地震相分割单元内的“一对一”问题,降低地震波阻抗反演问题的多解性。
关键词
地震反演
多解性
深度学习
物理信息神经网络
多目标损失函数
Keywords
seismic inversion
multi-solution
deep learning
physics-informed neural network
multi-objective loss function
分类号
TE [石油与天然气工程]
P631 [天文地球—地质矿产勘探]
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CNN-BiLSTM和多目标函数优化的省级光伏日内保障出力预测
王莲
简子淋
张晓斌
夏越
王铮
俞轩
《高电压技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于物理信息神经网络的地震波阻抗反演方法综述
宋操
陆文凯
耿伟恒
段旭东
王钰清
王琦
马绮铭
李尹硕
《石油物探》
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
