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4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：
基于Time2Vec-BiGRU-SA深度学习模型的碳价格预测
1
作者 杨楠 毕贵红 +3 位作者 李玉洪 孔凡文 骆钊 王瑞 《电力科学与工程》 2025年第9期1-12,共12页
碳交易价格预测对政策制定与市场稳态的维护至关重要,但碳价时间序列的非线性、非平稳性等特征给其精准预测带来困难。为此,提出基于时序特征向量映射模块、双向门控循环单元和自注意力机制融合的深度学习模型。模型集成3个分支:直接处... 碳交易价格预测对政策制定与市场稳态的维护至关重要,但碳价时间序列的非线性、非平稳性等特征给其精准预测带来困难。为此,提出基于时序特征向量映射模块、双向门控循环单元和自注意力机制融合的深度学习模型。模型集成3个分支:直接处理原始碳价时间序列;构建碳价序列多尺度分量矩阵;基于灰色关联度分析与极端随机树方法筛选出与碳价相关的关键变量。各分支均利用时序特征向量映射模块编码时间信息。双向门控循环单元捕捉双向长时依赖。自注意力机制模型加权特征进行综合集成。实证研究显示,该模型单步及多步预测精度高,均优于基准模型,模型具有优越性与稳健性。 展开更多
关键词 深度学习 碳市场价格 多变量时间序列预测 多分支输入 time2vec
在线阅读 下载PDF
基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测 被引量：4
2
作者 王可睿 邵必林 《南京信息工程大学学报》 CAS 北大核心 2024年第6期801-809,共9页
针对天然气负荷序列的复杂性和非线性,本文提出一种基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测模型.首先,采用皮尔逊相关系数进行相关性分析,提取出相关性强的气象特征;其次,引入时间向量嵌入层Time2Vec,将时间序列转换为连... 针对天然气负荷序列的复杂性和非线性,本文提出一种基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测模型.首先,采用皮尔逊相关系数进行相关性分析,提取出相关性强的气象特征;其次,引入时间向量嵌入层Time2Vec,将时间序列转换为连续向量空间,提取相应的时间特征,提高了模型对时间序列信息的计算效率;然后,将Time2Vec提取的时间特征、皮尔逊相关系数选取出的气象特征和原始负荷序列输入到长短期记忆网络(LSTM)和时间卷积网络(TCN)中进行负荷预测,充分利用LSTM的长期记忆能力和TCN的局部特征提取能力;最后,将LSTM和TCN通过注意力(Attention)机制组合起来,并根据其重要程度分别赋予不同的权重,得到最终预测结果.实验结果表明,本文所提出的组合预测模型具有更强的适应性和更高的精度. 展开更多
关键词 time2vec 注意力 长短期记忆网络 时间卷积网络 组合预测 负荷预测
在线阅读 下载PDF
基于VMD-T2V-Transformer的太阳辐射预测
3
作者 胡雅彬 史加荣 +1 位作者 陈应瑞 雍龙泉 《太阳能学报》 北大核心 2025年第7期778-784,共7页
太阳辐射的不确定性导致太阳能发电具有明显的随机性和不稳定性。针对此问题,该文结合变分模态分解(VMD)、Time2Vec(T2V)和Transformer,提出一种用于太阳辐射预测的VMD-T2V-Transformer模型。首先利用VMD将太阳辐射序列分解为若干子序列... 太阳辐射的不确定性导致太阳能发电具有明显的随机性和不稳定性。针对此问题,该文结合变分模态分解(VMD)、Time2Vec(T2V)和Transformer,提出一种用于太阳辐射预测的VMD-T2V-Transformer模型。首先利用VMD将太阳辐射序列分解为若干子序列;接着采用T2V对分解后的每个子序列进行时间特征嵌入;然后对嵌入时间特征后的子序列建立Transformer预测模型;最后将各模型的预测结果进行叠加,得到最终预测值。实验结果表明:该文所提模型优于其他主流模型,RMSE和MAE至少降低13.81%和16.44%。 展开更多
关键词 太阳辐射 太阳能发电 变分模态分解 time2vec TRANSFORMER
原文传递
时间嵌入和注意力机制的超短期风速预测混合模型研究
4
作者 田建辉 黄国勇 +1 位作者 邓为权 刘发炳 《太阳能学报》 北大核心 2025年第10期746-752,共7页
提出一种基于无人机搭载测风的超短期风速预测混合模型,该模型首先融合Time2Vec时间嵌入层对复杂非线性时间信息进行表征,其次采用宽深度卷积神经网络(WDCNN),能够在风速特征准确提取的同时进一步降低高频噪声的影响,在准确特征表征的... 提出一种基于无人机搭载测风的超短期风速预测混合模型,该模型首先融合Time2Vec时间嵌入层对复杂非线性时间信息进行表征,其次采用宽深度卷积神经网络(WDCNN),能够在风速特征准确提取的同时进一步降低高频噪声的影响,在准确特征表征的基础上,结合双向门控单元(BiGRU)与注意力机制实现短期风速的准确预测。使用无人机搭载在5~25 m获取的风速数据进行验证,所提混合模型在各高度层上对风速预测的准确性均优于对比方法,在风速波动性最大的25 m高度层,该模型风速预测的E_(MAE)、E_(RMSE)和E_(MSE)分别为0.1455、0.4124和0.1700 m/s,相较于对比模型分别降低45%、25%和43%以上。 展开更多
关键词 风电 风速 神经网络 时间序列 time2vec 注意力机制 无人机搭载测风
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