-
题名面向多时间步风功率预测的深度时空网络模型
- 1
-
-
作者
胡健鹏
张立臣
-
机构
广东工业大学计算机学院
-
出处
《计算机应用》
北大核心
2025年第1期98-105,共8页
-
基金
国家自然科学基金资助项目(61873068)。
-
文摘
准确的风功率预测能为风电能源行业提供可靠的指导和决策依据,然而传统的建模方法主要是将风功率预测问题转换为时序预测问题,忽略了机组间的空间信息,因此,提出一种面向多时间步风功率预测的深度时空网络模型。该模型采用编码器-解码器架构设计,首先,编码器根据历史功率信息建图,并使用图注意力网络(GAT)提取融合风场空间信息的机组特征;其次,使用门控循环单元(GRU)提取输入数据中的时间特性,从而得到关于该机组的风能时间特征;最后,在解码器融合编码器输出的时空特征后,使用样本卷积和交互网络(SCINet)融合不同时间尺度分辨率下的时空特征,输出未来多时间步风功率的预测值。在WindFarm1数据集上的实验结果表明,在预测步数为72时,所提模型的绝对平均误差(MAE)低至42.38,相较于双向门控循环单元(Bi-GRU)的MAE下降了4.25%;所提模型的均方根误差(RMSE)低至42.71,相较于Autoformer的RMSE下降了8.70%。而在WindFarm2数据集上的泛化性实验结果表明,所提模型在不同风场中具备适用性,为未来风功率的准确预测提供了一种新的途径。
-
关键词
风功率预测
时空网络
图注意力网络
样本卷积和交互网络
门控循环单元
时间序列
-
Keywords
wind power prediction
spatio-temporal network
Graph ATtention network(GAT)
Sample Convolution and Interaction Network(SCINet)
Gated Recurrent Unit(GRU)
time series
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于机器学习的电动汽车电池系统的风险预警
被引量：3
- 2
-
-
作者
何淑波
项薇
石钟淼
-
机构
宁波大学机械工程与力学学院
浙江省零件轧制成形技术研究重点实验室
宁波大学先进储能技术与装备研究院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第2期159-165,共7页
-
基金
宁波市自然科学基金资助(202003N4154)。
-
文摘
为提高动力电池在实车工况下安全预警的及时性和准确性,将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题,根据实车运行中的电池状态数据,选择电池的单体电压最高值、单体电压极差等作为关键预测对象;利用费舍尔计分和最大信息系数(MIC)进行特征选择,采用样本卷积和交互网络模型(SCINet)实现关键状态预测;基于预测的状态,建立多分类随机森林(RF)模型,对动力电池的安全风险进行分级预警。研究结果表明:该模型对电池多个参数具有很强的预测能力,如预测1 min后单体电压最高值的均方根误差(RMSE)为0.0271,温度最高值为0.0540;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f 1分数为74%。
-
关键词
机器学习
电动汽车
电池系统
风险预警
样本卷积和交互网络(SCINet)
随机森林(RF)
-
Keywords
machine learning
electric vehicle
battery system
risk early warning
sample convolution and interaction network(SCINet)
random forest(RF)
-
分类号
X924.4
[环境科学与工程—安全科学]
-
