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
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：
基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用 被引量：26
1
作者 黎静华 黄乾 +1 位作者 韦善阳 黄玉金 《电网技术》 EI CSCD 北大核心 2017年第10期3292-3299,共8页
为提高光伏出力的预测精度,提出了一种改进深度学习算法的光伏出力预测方法。首先,针对传统的深度学习算法采用批量梯度下降(batch gradient descent,BGD)法训练模型参数速度慢的问题,利用随机梯度下降(stochastic gradient descent,SGD... 为提高光伏出力的预测精度,提出了一种改进深度学习算法的光伏出力预测方法。首先,针对传统的深度学习算法采用批量梯度下降(batch gradient descent,BGD)法训练模型参数速度慢的问题,利用随机梯度下降(stochastic gradient descent,SGD)法训练快的优点,提出了一种改进的随机-批量梯度下降(stochastic-batch gradient descent,S-BGD)搜索方法,该方法兼具SGD和BGD的优点,提高了参数训练的速度。然后,针对参数训练过程中容易陷入局部最优点和鞍点的问题,借鉴运动学理论,提出了一种基于梯度累积(gradient pile,GP)的训练方法。该方法以累积梯度作为参数的修正量,可以有效地避免训练陷入局部点和鞍点,进而提高预测精度。最后,以澳大利亚艾丽斯斯普林光伏电站的数据为样本,将所提方法应用于光伏出力预测中,验证所提方法的有效性。 展开更多
关键词 光伏出力预测 深度学习算法 梯度下降法 梯度累积量 参数训练 神经网络 随机-批量梯度下降
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部