以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良...以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良3个角度全面提高预测准确性与模型智能性。首先,采用动态权重特征选择算法、孤立森林算法以及最邻近节点算法筛选并处理数据,便于预测模型更好把握其中特征;其次,对长短期记忆(long short term memory,LSTM)基模型多角度优化,并根据基模型中不同信息的特点,构建关于LSTM的多元注意力框架(Multielement-attention-LSTM),将此框架用于对LightGBM集成学习模型的引导,并通过多种可视化方法提高了模型可解释性;最后,将Bland-Altman应用于模型输出与实际风电出力一致性检验,在预测数据与实际数据交互的基础上实现训练–预测闭环机制。仿真结果表明,所构建的Multielement-attention-LSTM框架具有提高模型预测精度的作用,且闭环更新机制具备合理性。展开更多
文摘以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良3个角度全面提高预测准确性与模型智能性。首先,采用动态权重特征选择算法、孤立森林算法以及最邻近节点算法筛选并处理数据,便于预测模型更好把握其中特征;其次,对长短期记忆(long short term memory,LSTM)基模型多角度优化,并根据基模型中不同信息的特点,构建关于LSTM的多元注意力框架(Multielement-attention-LSTM),将此框架用于对LightGBM集成学习模型的引导,并通过多种可视化方法提高了模型可解释性;最后,将Bland-Altman应用于模型输出与实际风电出力一致性检验,在预测数据与实际数据交互的基础上实现训练–预测闭环机制。仿真结果表明,所构建的Multielement-attention-LSTM框架具有提高模型预测精度的作用,且闭环更新机制具备合理性。
文摘车辆目标检测是自动驾驶的重要环节,现有的车辆目标检测算法在特征提取方面没有充分考虑卷积神经网络(convolutional neural network,CNN)和Transformer各自的优缺点,一定程度上限制了网络的整体性能。提出了一种由CNN和Transformer组成的双分支特征聚合网络。在编码阶段,基于CNN和Transformer各自的优势,构建了双分支主干网络来提取原始图像的特征信息;通过设计的多级别空间注意力模块和双支路特征聚合模块,使两个分支间的特征信息相互引导学习;通过构建的双分支注意力模块来进一步减少深层神经网络中特征信息的丢失。在实验部分通过消融实验和对比实验进一步验证了所提算法的有效性,其相比主流的目标检测算法,在mAP(mean average precision)指标上提升了约3.5%。
