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
共找到3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：
考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测 被引量：2
1
作者 张开伟 文中 +2 位作者 杨生鹏 胡梓涵 丁剑 《可再生能源》 北大核心 2025年第2期217-224,共8页
为提升风电机组超短期功率预测的准确性,文章提出了一种考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测模型。首先,综合考虑环境因素与风电机组各子部件的相互作用对风电机组输出功率的影响,将风电机组各个子部件正... 为提升风电机组超短期功率预测的准确性,文章提出了一种考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测模型。首先,综合考虑环境因素与风电机组各子部件的相互作用对风电机组输出功率的影响,将风电机组各个子部件正常运行时的相对误差作为监测指标的劣化度;然后,采用模糊综合评价法对风电机组健康状况进行评估,根据评估结果对其历史数据集进行健康状况划分;最后,采用双重注意力机制CNN-BiLSTM模型对分类后的数据集构建超短期功率预测模型。实验结果表明,在风电机组功率预测过程中,相较于未考虑机组健康状况,考虑机组健康状况的均方根误差(RMSE)和平均绝对误差(MAE)分别降低了17.3%和20.5%。 展开更多
关键词 超短期 功率预测 健康状况 双重注意力机制 CNN-BiLSTM模型
在线阅读 下载PDF
基于误差驱动的自适应集成模型水质预测研究
2
作者 陈晓雨 张晋 +3 位作者 武传号 张馨月 林幸慈 华佩 《中国给水排水》 北大核心 2025年第23期42-49,共8页
水质预测是水污染防控的关键环节,但水质序列的非平稳性与强随机性特征制约了数据分解性能及模型预测精度。传统静态加权集成模型难以适应数据的动态变化,而现有动态加权机制又常存在权重更新滞后问题。为此,提出一种基于误差驱动的自... 水质预测是水污染防控的关键环节,但水质序列的非平稳性与强随机性特征制约了数据分解性能及模型预测精度。传统静态加权集成模型难以适应数据的动态变化,而现有动态加权机制又常存在权重更新滞后问题。为此,提出一种基于误差驱动的自适应动态加权集成模型(ADWEM-ED)。该模型首先通过CEEMDAN-VMD两阶段分解框架对原始水质参数进行多尺度特征提取,以增强非平稳序列的特征表征能力。进而,将外层模型预测误差重构为特征序列,构建误差预测模型以预估未来误差趋势。结合误差模型择优机制,设计基于预测误差平方反比的动态权重分配策略,实时自适应调整外层预测模型权重,赋予预测较优的模型更高权重。最后,应用易北河污染物浓度监测数据进行验证。结果表明,ADWEM-ED通过有机整合两阶段数据分解、误差动态加权、误差模型择优三大核心机制,有效解决了传统方法的多尺度特征表征能力不足和权重更新滞后问题,为复杂水环境下的水质预测提供了高精度、强鲁棒性的解决方案。 展开更多
关键词 水质预测 集成模型 两阶段数据分解 CNN-BiLSTM-Attention CNN-BiGRU-Attention 易北河 多氯联苯
原文传递
基于高斯混合模型和CNN-BiLSTM-Attn的日前风功率预测 被引量：1
3
作者 杨明玥 《电气应用》 2025年第5期86-96,共11页
随着风电装机占比不断增加,准确预测风力发电机输出功率对于保证电能质量、提升电力系统的稳定性具有重要意义。针对风电场风机数据存在的多模式特性、非线性特征及时序相关问题,引入了基于高斯混合模型(Gaussian Mixture Model,GMM)的... 随着风电装机占比不断增加,准确预测风力发电机输出功率对于保证电能质量、提升电力系统的稳定性具有重要意义。针对风电场风机数据存在的多模式特性、非线性特征及时序相关问题,引入了基于高斯混合模型(Gaussian Mixture Model,GMM)的分组方案,并构建了融合卷积神经网络(Convolutional Neural Network,CNN)、双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)和注意力机制(Attention,Attn)的组合日前风功率预测模型。首先,使用GMM依据历史风机数据特征将风电机组分成若干机组类型;随后,针对各子机组群建立分组预测的CNNBiLSTM-Attn神经网络模型并进行日前风功率预测,其中CNN负责提取风电机组非线性数据的局部特征,BiLSTM用于捕捉长期依赖关系,Attention机制对BiLSTM提取的特征进行加权处理。通过某风电场数据的验证结果显示,该预测方法优于传统的单一预测算法和其他分组预测方法,为日前风功率预测提供了一种准确且高效的解决方案。 展开更多
关键词 日前风功率预测 高斯混合模型 分组预测 CNN-BiLSTM-Attn神经网络
原文传递
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
使用帮助 返回顶部