期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于超参数优化和误差修正的STAGN超短期风电功率预测 被引量:1
1
作者 潘超 王超 +1 位作者 孙惠 孟涛 《电力系统保护与控制》 北大核心 2025年第8期117-129,共13页
针对风电功率预测模型的数据关联性与误差修正适应性问题,提出基于超参数优化和误差修正单元切换的超短期风电功率预测方法。首先,构建时空注意力门控网络预测模型,利用改进开普勒算法进行超参数优化。然后,考虑风电场数据与预测误差之... 针对风电功率预测模型的数据关联性与误差修正适应性问题,提出基于超参数优化和误差修正单元切换的超短期风电功率预测方法。首先,构建时空注意力门控网络预测模型,利用改进开普勒算法进行超参数优化。然后,考虑风电场数据与预测误差之间的非线性关联,构建误差修正自适应单元。同时挖掘风速时序变化特征,构建深度学习单元。在此基础上,提出基于风速矩阵梯度的误差修正单元切换策略。最后,将模型应用于实际风场的功率预测并与其他模型对比分析。结果表明,所提方法在预测精度上优于其他方法,且在风速复杂多变的风场仍具有较高预测精度,验证了所提方法的准确性和适用性。 展开更多
关键词 超短期风电功率预测 改进开普勒算法 误差修正 风速矩阵梯度
在线阅读 下载PDF
基于IKOA优化SAGRU的大坝变形预测模型
2
作者 胡伟泊 赵二峰 +1 位作者 胡灵芝 黎祎 《人民长江》 北大核心 2025年第6期222-228,共7页
为充分发掘大坝变形监测数据中的有效信息并提升监控模型的预测精度,提出了基于IKOA优化SAGRU的大坝变形预测模型。首先,在门控循环单元(GRU)中引入自注意力机制,通过计算时间维度特征的贡献率,有效捕捉实测数据中的关键时序特征,提升... 为充分发掘大坝变形监测数据中的有效信息并提升监控模型的预测精度,提出了基于IKOA优化SAGRU的大坝变形预测模型。首先,在门控循环单元(GRU)中引入自注意力机制,通过计算时间维度特征的贡献率,有效捕捉实测数据中的关键时序特征,提升模型对关键信息的敏感性;然后通过混沌映射初始化、Runge-Kutta位置更新和ESQ强化3种策略对开普勒优化算法(KOA)进行改进,以对耦合自注意力机制的门控循环单元(SAGRU)中的超参数进行自动寻优。应用实例表明:改进开普勒优化算法(IKOA)在寻优速度和精度方面均优于麻雀搜索算法、灰狼优化算法、北方苍鹰优化算法和传统KOA,模型的RMSE相比GRU、LSTM和XGBoost模型分别降低了48.45%,54.56%和58.14%,尤其在实测位移变化的关键拐点和峰值处,优化后的模型展现了更好的拟合效果,表明该模型能够全面挖掘大坝变形序列中的时序特征,解决了GRU记忆容量有限,以及传统优化算法收敛速度慢且易陷入局部最优解的问题,显著提高了大坝变形预测模型的准确性。 展开更多
关键词 大坝变形监测 门控循环单元(GRU) 改进开普勒优化算法(IKOA) 自注意力机制 深度学习 小湾双曲拱坝
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部