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
对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Tre...对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。展开更多
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。
文摘对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。
