随着风电装机容量的逐年增加,风电功率预测要求不断提高。因此,提出了一种基于神经网络的超短期风电功率预测方法,电力调度部门可以根据精准的预测结果制订合理的发电和检修计划。首先,介绍了风力发电原理,分析了风电功率影响因素;其次...随着风电装机容量的逐年增加,风电功率预测要求不断提高。因此,提出了一种基于神经网络的超短期风电功率预测方法,电力调度部门可以根据精准的预测结果制订合理的发电和检修计划。首先,介绍了风力发电原理,分析了风电功率影响因素;其次,提出了基于图卷积网络-长短期记忆(graph convolutional network-long short term memory,GCN-LSTM)的超短期风电功率预测方法;最后,通过实验验证了该方法的可靠性和有效性。实验结果表明,该方法提升了超短期风电功率预测的准确性,为风力发电并网提供了可靠的技术支持。展开更多
针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Lon...针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。展开更多
文摘随着风电装机容量的逐年增加,风电功率预测要求不断提高。因此,提出了一种基于神经网络的超短期风电功率预测方法,电力调度部门可以根据精准的预测结果制订合理的发电和检修计划。首先,介绍了风力发电原理,分析了风电功率影响因素;其次,提出了基于图卷积网络-长短期记忆(graph convolutional network-long short term memory,GCN-LSTM)的超短期风电功率预测方法;最后,通过实验验证了该方法的可靠性和有效性。实验结果表明,该方法提升了超短期风电功率预测的准确性,为风力发电并网提供了可靠的技术支持。
文摘针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。
