随着分布式新能源、可控资源等新型元素接入配电网,传统状态估计模型面临量测信息不全、配电网拓扑变化频繁和负荷时序性波动等新问题,模型估计精度降低。针对该问题,文中提出一种融合改进生成对抗与图注意力网络的配电网状态估计方法...随着分布式新能源、可控资源等新型元素接入配电网,传统状态估计模型面临量测信息不全、配电网拓扑变化频繁和负荷时序性波动等新问题,模型估计精度降低。针对该问题,文中提出一种融合改进生成对抗与图注意力网络的配电网状态估计方法。首先,选取不同的历史时间断面,利用拓扑参数和量测信息生成数据集,通过将双向长短期记忆网络引入生成对抗网络填补数据中的缺失量测信息;其次,利用图注意力网络自适应地捕捉节点间的空间动态关系,利用双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络充分挖掘不同时间断面序列信息的时间耦合关系,拼接形成关于量测量到状态量的时空特征表达,得到改进图神经网络状态估计模型;最后,在IEEE 118节点系统中进行仿真实验,并与卷积神经网络、图注意力网络等算法进行对比。结果表明,文中所提算法在数据缺失和拓扑时变情况下具有更优的估计效果。展开更多
引入基于风向相似度自适应的GCN-LSTM模型进行昆山市PM_(2.5)预测,并与GCN模型和LSTM模型预测结果进行比较。结果显示,风向相似度自适应GCN-LSTM模型对昆山市PM_(2.5)浓度模拟的整体平均绝对误差、均方根误差和平均绝对百分比误差分别为...引入基于风向相似度自适应的GCN-LSTM模型进行昆山市PM_(2.5)预测,并与GCN模型和LSTM模型预测结果进行比较。结果显示,风向相似度自适应GCN-LSTM模型对昆山市PM_(2.5)浓度模拟的整体平均绝对误差、均方根误差和平均绝对百分比误差分别为3.30μg/m^(3)、5.16μg/m^(3)和15.6%,低于GCN模型和LSTM模型的对应指标。对于未来1 h PM_(2.5)浓度预测,风向相似度自适应GCN-LSTM模型在多个方面均比GCN模型和LSTM模型表现更好。展开更多
短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalou...短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。展开更多
文摘随着分布式新能源、可控资源等新型元素接入配电网,传统状态估计模型面临量测信息不全、配电网拓扑变化频繁和负荷时序性波动等新问题,模型估计精度降低。针对该问题,文中提出一种融合改进生成对抗与图注意力网络的配电网状态估计方法。首先,选取不同的历史时间断面,利用拓扑参数和量测信息生成数据集,通过将双向长短期记忆网络引入生成对抗网络填补数据中的缺失量测信息;其次,利用图注意力网络自适应地捕捉节点间的空间动态关系,利用双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络充分挖掘不同时间断面序列信息的时间耦合关系,拼接形成关于量测量到状态量的时空特征表达,得到改进图神经网络状态估计模型;最后,在IEEE 118节点系统中进行仿真实验,并与卷积神经网络、图注意力网络等算法进行对比。结果表明,文中所提算法在数据缺失和拓扑时变情况下具有更优的估计效果。
文摘引入基于风向相似度自适应的GCN-LSTM模型进行昆山市PM_(2.5)预测,并与GCN模型和LSTM模型预测结果进行比较。结果显示,风向相似度自适应GCN-LSTM模型对昆山市PM_(2.5)浓度模拟的整体平均绝对误差、均方根误差和平均绝对百分比误差分别为3.30μg/m^(3)、5.16μg/m^(3)和15.6%,低于GCN模型和LSTM模型的对应指标。对于未来1 h PM_(2.5)浓度预测,风向相似度自适应GCN-LSTM模型在多个方面均比GCN模型和LSTM模型表现更好。
文摘短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。
