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
地质条件的复杂性和设备状态的动态变化,导致了传统综采面液压支架状态预测偏差。为提高综采面液压支架状态预测精度,提出一种基于改进时序卷积-双向长短期记忆(Temporal Convolutional Network-Bidirectional Long Short-Term Memory,T...地质条件的复杂性和设备状态的动态变化,导致了传统综采面液压支架状态预测偏差。为提高综采面液压支架状态预测精度,提出一种基于改进时序卷积-双向长短期记忆(Temporal Convolutional Network-Bidirectional Long Short-Term Memory,TCN-BiLSTM)与煤矿数据传输协议(Mine Data Transmission Protocol,MDTP)的综采面液压支架状态感知与应用方法。首先,在TCN中引入时间注意力机制,并采用黏菌算法(Slime Mould Algorithm,SMA)优化BiLSTM的超参数,提出改进TCN-BiLSTM网络;然后,利用改进TCN-BiLSTM网络预测液压支架载荷与工作阻力,实现综采面液压支架状态感知;最后,基于MDTP与Pycharm软件搭建综采面液压支架状态监测平台,实现了综采面液压支架状态监测。仿真结果表明,改进TCN-BiLSTM网络对液压支架状态预测的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、决定系数(Coefficient of Determination,R^(2))分别为1.67%、1.21%、0.93;相较于对比方法,RMSE、MAPE约降低了2%,R^(2)约提升了0.12;基于MDTP的综采面液压支架状态监测平台,实现了综采面液压支架状态感知与应用。由此得出,本方法提高了综采面液压支架状态预测精度,为确保综采面液压支架的安全性和稳定性提供了理论支撑。展开更多
为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量...为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。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。
文摘地质条件的复杂性和设备状态的动态变化,导致了传统综采面液压支架状态预测偏差。为提高综采面液压支架状态预测精度,提出一种基于改进时序卷积-双向长短期记忆(Temporal Convolutional Network-Bidirectional Long Short-Term Memory,TCN-BiLSTM)与煤矿数据传输协议(Mine Data Transmission Protocol,MDTP)的综采面液压支架状态感知与应用方法。首先,在TCN中引入时间注意力机制,并采用黏菌算法(Slime Mould Algorithm,SMA)优化BiLSTM的超参数,提出改进TCN-BiLSTM网络;然后,利用改进TCN-BiLSTM网络预测液压支架载荷与工作阻力,实现综采面液压支架状态感知;最后,基于MDTP与Pycharm软件搭建综采面液压支架状态监测平台,实现了综采面液压支架状态监测。仿真结果表明,改进TCN-BiLSTM网络对液压支架状态预测的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、决定系数(Coefficient of Determination,R^(2))分别为1.67%、1.21%、0.93;相较于对比方法,RMSE、MAPE约降低了2%,R^(2)约提升了0.12;基于MDTP的综采面液压支架状态监测平台,实现了综采面液压支架状态感知与应用。由此得出,本方法提高了综采面液压支架状态预测精度,为确保综采面液压支架的安全性和稳定性提供了理论支撑。
文摘为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。
