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VMD-SSA-LSTM的架空输电导线覆冰预测模型
被引量：
1
1
作者
陈彬
徐志明
+4 位作者
贾燕峰
丁锐鑫
张少峰
李飚
王佳琳
《三峡大学学报（自然科学版）》
CAS
北大核心
2024年第4期105-112,共8页
针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)...
针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.
展开更多
关键词
输电导线
覆冰预测
变分模态分解
麻雀搜索算法
长短期记忆网络
在线阅读
下载PDF
职称材料
题名
基于VMD-SSA-LSTM的架空输电导线覆冰预测模型
被引量：
1
1
作者
陈彬
徐志明
贾燕峰
丁锐鑫
张少峰
李飚
王佳琳
机构
湖北省输电线路工程技术研究中心(三峡大学)
三峡大学电气与新能源学院
国家电网
河南省电力公司
三门峡
供电
公司
国家电网河南省电力公司卢氏县供电公司
出处
《三峡大学学报（自然科学版）》
CAS
北大核心
2024年第4期105-112,共8页
基金
国家自然科学基金项目(52107006)
国网河南省电力公司科技项目(5217I0230001)。
文摘
针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.
关键词
输电导线
覆冰预测
变分模态分解
麻雀搜索算法
长短期记忆网络
Keywords
transmission conductor
icing prediction
variational mode decomposition(VMD)
sparrow search algorithm(SSA)
long short-term memory network(LSTM)
分类号
TM755 [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VMD-SSA-LSTM的架空输电导线覆冰预测模型
陈彬
徐志明
贾燕峰
丁锐鑫
张少峰
李飚
王佳琳
《三峡大学学报（自然科学版）》
CAS
北大核心
2024
1
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
