随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题...随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。展开更多
为了预测深基坑支护桩水平变形的长期发展规律,在卷积神经网络(convolutional neural network,简称CNN)数据空间特征提取基础上,结合长短时记忆神经网络(long and short term memory,简称LSTM)分析数据的时序性和注意力机制(attention m...为了预测深基坑支护桩水平变形的长期发展规律,在卷积神经网络(convolutional neural network,简称CNN)数据空间特征提取基础上,结合长短时记忆神经网络(long and short term memory,简称LSTM)分析数据的时序性和注意力机制(attention mechanism,简称AM)的划分特征权重,构建了能够预测支护桩变形的AM-CNN-LSTM模型。以北京地区某深基坑工程为背景,基于灰色关联方法明确了影响支护桩最大变形的因素,通过构建的模型分析支护桩的单点变形规律,并与反向传播神经网络(back propagation neural network,简称BPNN)、CNN和传统CNN-LSTM模型的预测所得结果进行比较分析。研究结果表明:支护桩最大变形值与深基坑开挖深度、临空天数、支撑内力、土壤性质、桩的尺寸和嵌固深度等因素关联度较高;AM机制显著提升了初始数据信息挖掘深度和变形预测精度,通过梯度下降法不断更新直至满足误差要求;与BPNN、CNN及CNN-LSTM模型相比,AM-CNN-LSTM模型的应用对于支护桩的长期变形预测稳定性较好;通过与实测数据对比,AM-CNN-LSTM模型的预测精度误差在5%~10%以内。展开更多
文摘随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。
文摘为了预测深基坑支护桩水平变形的长期发展规律,在卷积神经网络(convolutional neural network,简称CNN)数据空间特征提取基础上,结合长短时记忆神经网络(long and short term memory,简称LSTM)分析数据的时序性和注意力机制(attention mechanism,简称AM)的划分特征权重,构建了能够预测支护桩变形的AM-CNN-LSTM模型。以北京地区某深基坑工程为背景,基于灰色关联方法明确了影响支护桩最大变形的因素,通过构建的模型分析支护桩的单点变形规律,并与反向传播神经网络(back propagation neural network,简称BPNN)、CNN和传统CNN-LSTM模型的预测所得结果进行比较分析。研究结果表明:支护桩最大变形值与深基坑开挖深度、临空天数、支撑内力、土壤性质、桩的尺寸和嵌固深度等因素关联度较高;AM机制显著提升了初始数据信息挖掘深度和变形预测精度,通过梯度下降法不断更新直至满足误差要求;与BPNN、CNN及CNN-LSTM模型相比,AM-CNN-LSTM模型的应用对于支护桩的长期变形预测稳定性较好;通过与实测数据对比,AM-CNN-LSTM模型的预测精度误差在5%~10%以内。
