针对高比例新能源并网下光伏集群功率预测面临的复杂空间关联量化建模、功率波动空间传播及技术异质性表征等挑战,该文提出一种基于图状态空间模型(graph state space model,GSSM)的短期同预测方法。首先,通过可学习权重自适应融合光伏...针对高比例新能源并网下光伏集群功率预测面临的复杂空间关联量化建模、功率波动空间传播及技术异质性表征等挑战,该文提出一种基于图状态空间模型(graph state space model,GSSM)的短期同预测方法。首先,通过可学习权重自适应融合光伏电站的地理邻近性、技术相似性与电气耦合性构建多尺度图,精准量化电站间动态关联;其次,建立连续时间状态空间方程,显式引入图扩散项,以物理驱动方式刻画气象扰动在集群中的连续传播过程;最后,利用选择性扫描机制,依据气象特征与电站元数据动态调整模型参数,增强对瞬态气象事件的响应能力,并通过多步预测器完成光伏集群的短期协同预测。基于公开数据集PVOD的实验与算例分析表明,GSSM方法在训练效率、预测精度及稳定性上均显著优于长短时记忆(long short-term memory,LSTM)网络、时空图卷积网络(spatio-temporal graph convolutional networks,STGCN)等基线模型方法,并能有效适应异质性光伏集群场景。该研究可为电网调度提供有力技术支持,助力高比例新能源系统安全运行。展开更多
智能车辆人机协作的关键是以人为核心,换道作为最基本的驾驶任务之一,准确高效预测驾驶人换道意图对人机协作拟人化发展至关重要。本文基于驾驶人认知决策空间的理论,设计了驾驶人换道意图预测试验,分析了车辆操纵数据、驾驶人视觉特性...智能车辆人机协作的关键是以人为核心,换道作为最基本的驾驶任务之一,准确高效预测驾驶人换道意图对人机协作拟人化发展至关重要。本文基于驾驶人认知决策空间的理论,设计了驾驶人换道意图预测试验,分析了车辆操纵数据、驾驶人视觉特性与驾驶场景之间的关系,生成了驾驶人注视区与驾驶场景拓扑关系图,构建了不同时间窗口的驾驶人换道意图预测模型数据集,基于ConvNeXt(convolutional network)模型的逆残差深度可分离卷积,结合注意力机制ECA(efficient channel attention)、ConvLSTM(convolutional long short term memory)网络以及GCN(graph convolutional networks)图神经网络等结构,构建了基于注意力机制的驾驶人换道意图预测模型。结果表明,数据集时间宽度为3 s时模型的预测准确率表现最佳,为91.15%,通过对比试验、消融试验充分验证了所提出的基于注意力机制的驾驶人换道意图预测模型的优越性能。展开更多
文摘针对高比例新能源并网下光伏集群功率预测面临的复杂空间关联量化建模、功率波动空间传播及技术异质性表征等挑战,该文提出一种基于图状态空间模型(graph state space model,GSSM)的短期同预测方法。首先,通过可学习权重自适应融合光伏电站的地理邻近性、技术相似性与电气耦合性构建多尺度图,精准量化电站间动态关联;其次,建立连续时间状态空间方程,显式引入图扩散项,以物理驱动方式刻画气象扰动在集群中的连续传播过程;最后,利用选择性扫描机制,依据气象特征与电站元数据动态调整模型参数,增强对瞬态气象事件的响应能力,并通过多步预测器完成光伏集群的短期协同预测。基于公开数据集PVOD的实验与算例分析表明,GSSM方法在训练效率、预测精度及稳定性上均显著优于长短时记忆(long short-term memory,LSTM)网络、时空图卷积网络(spatio-temporal graph convolutional networks,STGCN)等基线模型方法,并能有效适应异质性光伏集群场景。该研究可为电网调度提供有力技术支持,助力高比例新能源系统安全运行。
文摘智能车辆人机协作的关键是以人为核心,换道作为最基本的驾驶任务之一,准确高效预测驾驶人换道意图对人机协作拟人化发展至关重要。本文基于驾驶人认知决策空间的理论,设计了驾驶人换道意图预测试验,分析了车辆操纵数据、驾驶人视觉特性与驾驶场景之间的关系,生成了驾驶人注视区与驾驶场景拓扑关系图,构建了不同时间窗口的驾驶人换道意图预测模型数据集,基于ConvNeXt(convolutional network)模型的逆残差深度可分离卷积,结合注意力机制ECA(efficient channel attention)、ConvLSTM(convolutional long short term memory)网络以及GCN(graph convolutional networks)图神经网络等结构,构建了基于注意力机制的驾驶人换道意图预测模型。结果表明,数据集时间宽度为3 s时模型的预测准确率表现最佳,为91.15%,通过对比试验、消融试验充分验证了所提出的基于注意力机制的驾驶人换道意图预测模型的优越性能。
