针对目前基于正交时频空调制系统中使用脉冲导频进行信道估计会引入高均峰比和信道估计困难的问题,提出了一种基于双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)的信道估计算法。该算法首先将低功率导频序列放置于...针对目前基于正交时频空调制系统中使用脉冲导频进行信道估计会引入高均峰比和信道估计困难的问题,提出了一种基于双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)的信道估计算法。该算法首先将低功率导频序列放置于时频域中,再对发送信号添加功率放大器的非线性衰变模型,对接收信号导频部分的接收信号使用最小二乘法进行粗略信道的计算,之后通过BiLSTM结合卷积块注意力模块对完整信道进行拟合估计,从而得到时频域的完整信道矩阵。为进一步减少误差,通过神经网络对完整信道矩阵进行修正处理。仿真结果表明,该算法求得非线性衰变影响信号的信道矩阵的归一化均方误差提升了3~15 dB,均峰比下降了5~6 dB,误比特率性能提升3~8 dB。展开更多
随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法...随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。展开更多
文摘随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。
