针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率...针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。展开更多
为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了...为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和BP神经网络的SPAD估算模型,并对模型进行验证;再结合主成分回归(principal component regression,PCR)、偏最小二乘回归(partial least squares regression,PLSR)以及传统回归模型与BP神经网络模型进行比较。结果表明:SPAD值与一阶微分光谱在763nm处具有最大相关系数(R=0.901);以763 nm处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片SPAD估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测SPAD值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.887和0.896,RMSE为2.782,RE为4.59%,与其他回归模型相比,BP神经网络模型预测精度最高,研究表明BP神经网络对叶绿素具有较好的预测能力,是估算玉米叶片SPAD值的一种实时高效的方法。展开更多
文摘为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。
文摘针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。
