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
针对信息安全课程知识推荐存在的多源行为融合不足、偏好适配针对性弱等问题,提出基于双向长短期记忆-多头注意力-学生多源行为数据融合(bidirectional long short-term memory-multi-head attention-fusion of student multi-source be...针对信息安全课程知识推荐存在的多源行为融合不足、偏好适配针对性弱等问题,提出基于双向长短期记忆-多头注意力-学生多源行为数据融合(bidirectional long short-term memory-multi-head attention-fusion of student multi-source behavior data,BiLSTM-MA-FSBD)的知识推荐方法。首先,整合学生多源行为数据,提取核心行为特征,构建涵盖动态时序与静态关联的融合特征体系;然后,设计BiLSTM网络对行为序列依赖关系进行编码,利用MA机制自适应分配行为权重,实现学习偏好的精准推断;最后,构建3层级信息安全知识图谱,量化知识点依赖关系,结合偏好匹配度进行个性化推荐。结果表明,BiLSTM-MA-FSBD方法的推荐精确率比协同过滤(collaborative filtering,CF)方法提高了26.2个百分点。该方法可以有效适配信息安全课程的教学特性与学生个性化学习需求,为解决课程知识的精准推荐问题提供了切实可行的技术方案。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。
