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
1
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Boruta-SSA-CKCformer的海上风电功率短期预测
1
作者
李超
李明
+2 位作者
李渊华
赵晋斌
林佳
《科学技术与工程》
北大核心
2025年第23期9840-9850,共11页
准确预测风电功率对于提高电力系统的效率和安全性具有重要意义,而海上风能具有的间歇性和随机性的特点致使海上风电功率难以准确预测。因此,提出了一种名为Boruta-SSA-CKCformer的新模型,这是Crossformer模型架构的一种增强版本,特别...
准确预测风电功率对于提高电力系统的效率和安全性具有重要意义,而海上风能具有的间歇性和随机性的特点致使海上风电功率难以准确预测。因此,提出了一种名为Boruta-SSA-CKCformer的新模型,这是Crossformer模型架构的一种增强版本,特别针对海上风电功率预测进行了优化。该模型将Boruta特征筛选算法整合进模型前端以优化输入特征的选择,从而提高预测精度。模型进一步将卷积神经网络(convolutional neural network,CNN)集成到Crossformer模型的维度分段嵌入层(dimension-segment-wise embedding,DSW)中构建了卷积维度分段嵌入层(CNN-dimension-segment-wise embedding,CDSW),有效地捕捉了多元时间序列数据中的局部特征和跨维度依赖关系。此外,该模型在两阶段注意力层(two-stage attention,TSA)中引入了柯尔莫哥洛夫-阿诺德网络(Kolmogorov-Arnold networks,KAN)连接,构建了基于柯尔莫哥洛夫-阿诺德网络的两阶段注意力层(KAN-two-stage attention,KTSA),以此来弥补Crossformer模型处理非高斯噪声方面的不足。最后,使用麻雀搜索算法(sparrow search algorithm,SSA)对模型参数进行优化以进一步提高模型预测精度。通过对福建海上风电场数据的实证研究,Boruta-SSA-CKCformer模型相较于其他模型,在海上风电功率预测方面展现出了更佳的性能。
展开更多
关键词
Crossformer
Boruta
CDSW
KTSA
SSA
海上风电功率预测
在线阅读
下载PDF
职称材料
题名
基于Boruta-SSA-CKCformer的海上风电功率短期预测
1
作者
李超
李明
李渊华
赵晋斌
林佳
机构
上海电力大学数理学院
上海电力大学电气工程学院
出处
《科学技术与工程》
北大核心
2025年第23期9840-9850,共11页
基金
国家自然科学基金(52177184)
上海教育发展基金会和上海市教育委员会曙光计划(24SG53)。
文摘
准确预测风电功率对于提高电力系统的效率和安全性具有重要意义,而海上风能具有的间歇性和随机性的特点致使海上风电功率难以准确预测。因此,提出了一种名为Boruta-SSA-CKCformer的新模型,这是Crossformer模型架构的一种增强版本,特别针对海上风电功率预测进行了优化。该模型将Boruta特征筛选算法整合进模型前端以优化输入特征的选择,从而提高预测精度。模型进一步将卷积神经网络(convolutional neural network,CNN)集成到Crossformer模型的维度分段嵌入层(dimension-segment-wise embedding,DSW)中构建了卷积维度分段嵌入层(CNN-dimension-segment-wise embedding,CDSW),有效地捕捉了多元时间序列数据中的局部特征和跨维度依赖关系。此外,该模型在两阶段注意力层(two-stage attention,TSA)中引入了柯尔莫哥洛夫-阿诺德网络(Kolmogorov-Arnold networks,KAN)连接,构建了基于柯尔莫哥洛夫-阿诺德网络的两阶段注意力层(KAN-two-stage attention,KTSA),以此来弥补Crossformer模型处理非高斯噪声方面的不足。最后,使用麻雀搜索算法(sparrow search algorithm,SSA)对模型参数进行优化以进一步提高模型预测精度。通过对福建海上风电场数据的实证研究,Boruta-SSA-CKCformer模型相较于其他模型,在海上风电功率预测方面展现出了更佳的性能。
关键词
Crossformer
Boruta
CDSW
KTSA
SSA
海上风电功率预测
Keywords
Crossformer
Boruta
CDSW
KTSA
SSA
offshore wind power prediction
分类号
TM614 [电气工程—电力系统及自动化]
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Boruta-SSA-CKCformer的海上风电功率短期预测
李超
李明
李渊华
赵晋斌
林佳
《科学技术与工程》
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
